宇树验证一个新趋势：具身智能的核心战场，不只是模型

具身智能的竞赛，正在进入一个全新的阶段。最近宇树科技发布了WVLA2.0具身大模型，并且展示了无遥操的实机演示，这让行业里很多人都感受到了一个明确的信号：这场战争的核心壁垒，恐怕已经不是谁的模型参数更大，而是谁的架构更聪明、谁能把软件和硬件捏合得更紧密、谁的实体数据积累更深。

野村国际在6月28日发布的一份研究报告里，详细记录了分析师实地走访宇树的见闻。演示过程中，搭载了WVLA2.0的G1机器人在一个受到干扰的会议室环境里，不需要任何远程遥操，自己完成了六项连续任务。最关键的数据是，它的推理闭环大约只有90毫秒，换算下来差不多每秒可以迭代十次。这是宇树花了两年时间才做到的版本，也是第一个真正具备商业部署潜力的产品。管理层明确表示，最早落地的场景会是工业制造，比如关节电机装配、上下料、工装夹具处理这些。而他们最核心的资产，则是来自全球机器人机队的大规模实体运行数据。

同一份报告也梳理了NXP在COMPUTEX 2026上公布的NeuralAxis架构框架。这个框架是由NXP的CEO拉斐尔·索托马约尔主导提出的，它的核心主张跟宇树的实际工程路径非常合拍。说白了，物理AI真正的瓶颈不在语言模型有多大、推理能力有多强，而在于你能不能构建一个类似人类脊髓反射那样的边缘控制层——延迟低到40毫秒，在本地就能处理。

这对投资者来说，意思很清楚：具身智能的竞争格局，正在从“谁的模型更强”转向“谁的系统更完整”。宇树靠全栈自研整合，再加上实体数据的优势，建起来的这堵墙，纯做云端模型的公司是推不倒的。

NeuralAxis：重新定义物理AI的系统架构边界

NXP的NeuralAxis框架很有意思，它直接拿人类的神经系统当模板。整个物理AI的控制逻辑被拆成了三个层级：最高一层是推理层，对应大脑皮层，延迟在300毫秒左右；中间是协调层，负责运动控制和平衡，这就像小脑；最底下是反射层，对应脊髓，延迟能低到40毫秒，而且直接部署在执行器附近的边缘端。

对人形机器人来说，这个框架的影响尤其深远。NeuralAxis主张用分布式的反射处理器替代集中式的中央大脑。具体来说，在关节、手部、脚部都部署本地的自主决策能力，让握力控制、踝关节平衡这些动作直接在本地执行，而且能在40毫秒内完成平衡、抓取、姿态和步态的链式恢复。推理和运动控制能够解耦，这意味着机器人在不断学习新技能的同时，还能保持运动稳定性，不会顾此失彼。

这个框架的商业前景也很值得关注。野村的行业调研显示，跟传统的自动化方案比起来，NeuralAxis架构能带来显著的制造效率提升，诊断机器人的销量也有望大幅增长。而且，同一套架构还能把无人机的端到端延迟压缩到20毫秒以内，甚至可以把软件定义汽车的控制逻辑分层次分配给推理、协调和安全关键区域执行。

WVLA2.0：模型融合与软硬件协同的落地路径

宇树的WVLA2.0走的技术路线和行业主流有明显的分歧。大多数同类方案都在押注纯VLA的端到端生成，但WVLA2.0不一样，它把WMA模型的预测能力和VLA的动作生成融合在了一起，这样就在高层任务理解、2D/3D空间语义推理、动力学约束动作生成和抗干扰能力上都实现了全面升级。

具体到感知层面，系统融合了四路并行的视觉流：一个RealSense深度相机、一个Livox MID360激光雷达，外加两个侧向摄像头。这就能构建出360度的空间表征，在干扰条件下，位置更新的延迟可以控制在10毫秒以内。软硬件协同设计上，推理完成后的动作参数通过CAN总线发送到G1的23个自由度的关节，再借助宇树自研的“小脑”运动控制模块，单臂抓取2公斤以下物体时，定位误差可以控制在5毫米以内。

计算架构方面，WVLA2.0把边缘算力压缩到了100 TOPS以下，完全跑在G1 EDU搭载的NVIDIA Jetson Orin NX上，根本不需要依赖云端。管理层解释说，这样做的好处是规避了因为网络延迟或者断连引发的任务中断风险。

数据范式转移：“无本体采集”成主流

报告里另一个非常重要的信号是数据采集模式的变化。宇树的演示表明，在单次录制时不需要人工遥操介入，G1就能在受干扰的环境里自主完成连续多任务。这意味着“无本体数据采集”正在成为具身智能数据生产的主流范式——机器人靠自己的感知和决策来积累数据，而不是依赖工人拿着手柄遥控操作来标注。

当然，野村的行业调研也指出了现阶段的一些局限：系统还存在盲区和后向感知的缺口，执行速度偏慢，精细操作的精度不够，而且缺乏量化的持续成功率基准测试数据。这些短板恰恰划定了近期商业落地的边界。

所以管理层制定的落地路线是分阶段的：最早落地的是工业制造，比如关节电机装配、上下料、工装夹具处理，因为宇树有自己的工厂可以提供数据闭环；接下来是物流分拣和柔性3C装配；而家庭和医疗护理场景，因为环境开放、非结构化程度高、难度大，被列为更远期的目标。

全栈整合：宇树差异化壁垒的两个维度

野村报告的核心结论，归结起来其实就一句话：在具身智能商业化的过程中，模型能力当然重要，但它不是唯一决定性的变量。

宇树管理层把公司的差异化竞争力总结为两个层面：第一是从感知、模型到运动控制的全栈自研整合能力；第二是依托全球机器人机队积累的大规模实体运行数据。这两项资产是互相强化的——自研硬件产生独占的数据，数据又反过来喂养模型的迭代，最终形成了一个闭环。这个闭环，纯做云端模型的公司是很难钻进来的。

从市场竞争格局来看，NeuralAxis框架和WVLA2.0的落地逻辑指向的是同一个结论：具身智能的核心战场，正在系统架构层和数据层同时展开。对投资者来说，评估赛道参与者的维度，必须从单一的“模型能力”扩展到更完整的系统整合能力和实体数据积累规模上。