具身智能MaaS市场爆发

新智元报道 2026年，大模型卖Token这门生意，已经卷到让人看不懂了。 谷歌在今年I/O大会上甩出一个数字： 每个月处理3200万亿个Token，一年翻了7倍。 国内更猛。 IDC上周刚发的报告显示， 今年上半年中国MaaS市场规模冲到106亿元，同比增长近9倍； Token消耗量2857.9万亿，同比增长超过430%。 Token，这个曾经只有技术圈才听得懂的词，正在变成一门实打实的大买卖。 这门生意的逻辑其实不复杂： 模型厂商把大模型架在云上，开发者不用自己训练、不用自己买 显卡 ，调一次接口付一次钱。

现在，有人想把这套逻辑搬到机器人身上。 机器人抓一个杯子、擦一张桌子，看起来是手在动，背后其实也得有一个模型在指挥。 既然指挥语言的AI模型可以放在云上按次调用，那指挥动作的具身模型，为什么不能？ 这个战场，叫 具身智能MaaS。 机器人的「大脑」，装不进「身体」 聊具身MaaS之前，先说一个事： 现在的 机器人 ，身体里塞不下一颗够用的「脑子」。 不是模型不够聪明，是机器人的身体太小、太热、太贵。 一台具身智能机器人的总成本大约在10万元上下，光芯片就占了3万（英伟达Thor用得最多）。

但即便是这颗目前最顶级的机器人芯片，干完摄像头的视觉处理、基本的运动控制，算力就几乎见底了，哪还有余力去跑一个10B参数的大模型做推理？ 更头疼的是散热。 机器人是密封的，夏天太阳底下站一会儿，温度就往上蹿。 芯片越好、发热越猛，但散热空间就那么大，这是个死结。 所以，行业里一直有个争论： 具身模型到底该跑在机器人身上，还是跑在云上？ 这个争论到今天基本有了答案。 因为算力和模型的赛跑，模型跑赢了。 目前行业里主流的具身模型，参数量普遍在10B上下，按现在的迭代速度，年底大概率会出现远大于10B的模型。

而机器人身上的芯片，算力普遍在几百到一千TOPS这个量级，能勉强跑起来的，是两三B的小模型。 两三B拿来做Demo可以，真要进场景干活，10B是起步线。 芯片在进步，但模型长得更快。 这个差距，短期内看不到缩小的迹象。 装不下、跑不动、散不了热、还死贵—— 把模型推理搬到云端，几乎成了唯一的出路。 光有模型还不够，后训练才是硬仗 但云端推理只解决了「跑得动」的问题，还有一个更本质的挑战： 怎么让模型真正干得了活。 大模型时代，大家已经习惯了Zero-shot——模型开箱即用，问什么答什么。

但具身智能完全不是这回事。 你让一个通用模型去操控机械臂拧螺丝，就好比让一个刚学会走路的孩子去跑马拉松，差了十万八千里。 真实的商业场景有一百个细节：机器人长什么样、物体什么形状、环境什么光线、精度要求多高。 一个能在实验室里演示的模型，到了工厂产线上，可能连个零件都拿不稳。 后训练（Post-Training），才是具身智能从 Demo 走向量产的关键一跃。 这就好比大模型里的微调和对齐。

ChatGPT之所以好用，预训练打的底子当然重要，但真正让它「说人话」的，是SFT（有监督微调）和RLHF（人类反馈强化学习）这两道后训练工序。 具身智能也一样： 通用模型是底座，后训练才是把底座变成真正能干活的场景专家的那把钥匙。 问题是，后训练的门槛太高了。 你得懂模型、懂数据、懂训练策略，还得有足够的算力和工程能力。 而绝大多数造机器人的本体厂商，连模型是怎么回事都还没完全搞清楚。 一位具身模型公司的市场负责人跟我讲过一件事。 某天，一家本体厂商上门，想聊聊「你们的模型怎么接」。

不巧技术团队全在忙，市场负责人只好硬着头皮顶上去，把模型的基本情况讲了一遍——参数多大、怎么后训练、怎么部署。 聊完，对方客客气气地问：您是技术负责人吧？ 他愣了一下。 要知道，对面是一家正儿八经造机器人的公司派来对接模型的人。 这是行业现状。 MaaS：具身智能的「安卓时刻」 回头看大模型这几年，有一个容易被忽略的细节： 真正把大模型用起来的，大多不是做模型的人。 最早把大模型玩出花的，是做设计的、做客服的、做数据分析的，是无数对模型一窍不通、但对自己那摊业务门儿清的一线业务人员。

他们不需要懂Transformer怎么算注意力，只需要一个API Key，就能把大模型的能力接进自己的产品。 MaaS就是那个把技术门槛压到地板的基础设施。 现在，具身智能正站在同样的节骨眼上。 2026年7月， 原力灵机 在开发者大会上发布了行业首个通用具身MaaS服务。 10月，Physical Intelligence（π）紧随其后推出Pi API Beta，Dream Labs也携9000万美元种子轮融资和Dream API高调亮相。 三个月，三家，同一个方向。 大家显然都闻到了同一个味道。

但三家的打法，差异很大。 Pi的API是「邀请制」的——你得申请、审核、等排期，他们觉得跟你方向对了才给你用。 本质上还是偏科研的生态，想做商业化落地的开发者，基本排不上号。 Dream Labs更偏娱乐和教育。 3美元一小时的定价够亲民，在浏览器里就能玩机器人也够酷炫，但它主要支持双臂夹爪的简单操作——科研入门可以，真要到工厂产线上干活，远远不够。 原力灵机走了第三条路： 面向真实任务、真实场景。

三套Pipeline，把成功率逼到100% 原力灵机最新升级的MaaS，技术上最核心的突破在于： 行业首个同时支持三种后训练方法的平台。 这三种方法，对应着模型从「学会」到「学精」再到「不出错」的三个阶段—— 第一阶段，SFT（有监督微调）：教会基本动作。 用户上传成功操作的示范数据，模型照着学。 就像师傅带徒弟，先把标准动作做对。 这一步下来，成功率能到80%~90%。 第二阶段，DAgger（纠偏训练）：教会从错误中恢复。 机器人在真实运行中难免出错——手臂偏了、物体滑了、角度歪了。

DAgger把这些失败数据收集起来，让模型学会「犯了错之后怎么救回来」。 成功率进一步提升到90%以上。 第三阶段，RECAP（强化后训练）：消灭最后的失败。 这是真正的「攻坚战」。 平台训练一个价值模型，给机器人的每一步打分，告诉它「这一步离完成任务更近了」还是「更远了」，让它自己往高分的方向优化，专攻那些偶尔才出现、但一出就坏事的情况。 三套Pipeline叠加下来，原子任务（单步动作）的成功率可以逼近100%。 后训练完整流程 如果你熟悉大模型的演进路线，会觉得这个思路异常眼熟。

GPT先是海量文本预训练，让它见过世面； 然后SFT，拿人写的高质量问答教它怎么回答； 最后RLHF，让人给它的回答打分，好的加分、坏的扣分，逼它往高分的方向走。 具身模型走的是差不多的路，只是把「文字」换成了「动作」。 DM0.5相当于预训练，它看过海量的真机操作数据和第一视角的人类动作数据，知道「抓」是什么、「放」是什么； SFT是教它标准答案； DAgger是纠错； RECAP就是具身版的RLHF。 区别只有一个：大模型答错一道题，重新生成就行； 机器人抓错一个零件，产线就得停。

所以具身的后训练，对成功率的要求比大模型苛刻得多—— 这也是为什么必须三套Pipeline叠着用，一直逼到100%。 原力灵机干的，就是把大模型这套已经被验证过的后训练方法，搬到了具身智能领域，还配上了一整套现成的工具。 而且跟Pi那种「关起门来做」不同，它是一个开放平台：开发者只需要基本的工程能力，就能在平台上完成数据上传、模型训练、部署推理的全流程——不用自己搭训练集群，不用自己写训练脚本，甚至不用太懂模型原理。 抓取 堆叠 颜色 指令序列 降门槛这件事，才是MaaS真正的价值所在。

本体厂商的救命稻草 那么，谁最需要具身MaaS？ 答案是本体厂商——那些造机器人身体的公司。 今天的具身智能行业有一个结构性的困境：本体公司没有模型能力，模型公司不做本体。 本体厂商的机器人造出来了，但没有靠谱的模型去驱动，进不了场景； 场景进不去，出货量就上不来。 大量本体厂商卡在这个节点上，产品堆在仓库里。 这跟大模型刚起来那会儿SaaS厂商的处境，几乎一模一样。

大模型出来之前，做CRM、做数据分析的SaaS公司，手里有客户、有场景、有数据，但想往产品里加点「智能」，得自己养算法团队，成本高、周期长，大多数功能根本做不出来。 大模型MaaS一上线，局面瞬间翻转：它们不需要懂模型，只要把API接进自己的产品，原来做不了的功能几周就上线。 而且因为它们离客户最近，落地速度比任何AI公司都快。 把这个故事里的「SaaS厂商」换成「本体厂商」，「大模型」换成「具身模型」，逻辑完全成立。 原力灵机MaaS已经在这么干了。

在物流仓储场景，桌面机器人已经在传送线旁边干上了活，供包节拍超过1200件/小时，成功率超过99%； 在手机产线上，移动机器人正在做废料回收； 在精密工业场景，亚毫米级精度的质检也在部署中。 这几个数字，是在产线上实打实跑出来的。 具身MaaS，到底是不是一门好生意？ 话说回来，一个绕不开的问题是： 具身MaaS能不能像大模型MaaS一样，做成一个Token生意？ 这里面有个关键变量： 跨本体泛化。 说白了，一个模型能不能通吃各种机器人。

大模型MaaS之所以能做大，核心在于同一个模型可以服务无数个应用，场景不同但模型是通用的。 具身智能能不能做到这一点？ 坦率地说，现在还做不到。 机器人的样子太多了，双臂、单臂、人形、轮式、四足，每一种都有自己的控制逻辑，短期内看不到收敛的迹象。 但这反过来说明了后训练平台的价值： 正因为本体千差万别，每个本体都需要基于场景做后训练。 与其每家本体厂商都自己从零搭建训练基础设施，不如共享一个成熟的平台—— 这才是经济上合理的选择。 而且，本体的多样性也意味着，具身MaaS跟大模型MaaS可能会走出不一样的商业逻辑