原对话:沿提问、回答和转折完整展开 下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。
00:00:04–00:28:21 连续对话 100:00:04–00:04:45 开场:具身智能季报的缘起与本期焦点本期节目是《晚点聊》与投资人陈哲(Peter)合作的第一期“具身智能季报”。节目开场,主持人程曼祺介绍了嘉宾陈哲的背景:他曾是五源资本合伙人,专注机器人与硬件科技投资,投资过海柔、松灵等公司;2024年底创立了关注早期AI与机器人机会的美元基金Alphaist Partners。程曼祺解释,她理解的“Alpha Founders”是那种极其笃定、能定义或打破规则的创始人,而具身智能领域正需要这样的人。
本期季报将从2026年第一季度的进展入手,结合陈哲3月中旬参加英伟达GTC大会的见闻,盘点过去两年具身智能的发展。讨论将覆盖中美头部公司(如宇树、银河、特斯拉Optimus、Figure)的进展,以及两个前沿研究方向:灵巧手和世界模型。其中,灵巧手部分会重点聊Sharpa的进展和Optimus的绳驱方案争议;世界模型部分则聚焦英伟达发布的DreamZero、DreamDojo和EgoScale数据框架,及其提出的世界动作模型(WAM)。
在正式讨论前,陈哲在节目预告片段中提到,自去年以来,他接触的研究人员普遍将“灵巧手”视为共识热点。主持人追问“世界模型”是否也是热点,陈哲认为是的,但他判断世界模型很可能是一个由大厂主导的研究方向。
具身智能 (Embodied AI) 指能与物理世界进行交互的智能体(通常是机器人)。它不仅处理数字信息(比特),还能通过传感器感知环境,并通过执行器(如电机、机械臂)在环境中执行动作,形成“感知-思考-行动”的闭环。
Alpha Founders 嘉宾陈哲用来描述一类创始人的术语。主持人程曼祺将其理解为:即使不被外界认同,也极其笃定自己的判断,是能够定义或打破规则的人。
世界模型 (World Model) 一种人工智能模型范式。在本对话中,特指不以语言为底层,而是以视频生成为核心的模型。它通过学习大量视频数据,在内部构建一个关于物理世界如何运作的动态模型,从而能预测动作的后果并生成连贯的动作序列。其输入是视频数据,输出是机器人的动作轨迹。嘉宾认为这与VLA(视觉-语言-动作)模型是不同的技术路径。
VLA (Vision-Language-Action) 模型 一种多模态大模型,其核心是一个语言模型(backbone)。它将视觉信息(Vision)和语言指令(Language)作为输入,输出机器人的动作(Action)指令。嘉宾认为它是从VOM(Vision-Language Model)演进而来的,在语言模型基础上增加了动作输出能力。
话题推进: 在介绍完节目形式和本期焦点后,主持人正式向陈哲提问,请他列出2026年第一季度具身智能领域的五大进展,由此进入本期节目的核心讨论。
00:04:45–00:09:38 第一季度五大进展:从宇树春晚到波士顿动力新Atlas如果给2026年一季度的具身领域列出一个Top 5的进展或事件,你会选哪几个? (Sharpa)的创始人其实就是禾赛的三个创始人? (从GR2到DreamZero)就是从视频里面学,然后去生成动作,生成机器人的轨迹? 在它(波士顿动力Atlas)量产这个电动版之前,它是液压的是吗? 主持人程曼祺邀请嘉宾陈哲列举2026年第一季度具身智能领域的五大进展。陈哲强调,他的选择是基于投资人视角,综合了市场与商业的考量,而非纯学术标准。
他列出的五大进展依次是:
1. 宇树科技G1机器人在春晚的功夫表演:陈哲认为,20多台机器人的一致性表演,代表了中国在机器人本体和运动控制(运控)上的最高水平。
2. Sharpa灵巧手在CES的展示:Sharpa展示了一个长时程(long-horizon)自主组装风车的demo,体现了灵巧手在全球范围内的顶尖(SOTA, State-of-the-Art)水平。主持人补充,Sharpa的创始人是激光雷达公司禾赛科技的三位创始人。
3. 世界模型(World Model)的进展:以英伟达发布的DreamZero和DreamDojo为代表。陈哲追溯其源头,认为字节跳动在2024年底发布的GR2是该方向的早期重要工作,首次将互联网级别的视频内容用于语言模型预训练,直接生成动作。他解释,世界模型与主流的VLA(Vision-Language-Action)模型不同,其底层是视频生成模型,而非语言模型,代表了另一种理解世界的范式。
4. 银河通用机器人打网球的demo:陈哲个人非常看好这个案例。他认为,这首次展示了人形机器人在高速、需要即时反馈的系统中的出色表现,虽然离商业化尚远,但打开了人们对人形机器人落地场景的想象力。
5. 波士顿动力发布全新量产版电动Atlas:作为人形机器人研究的鼻祖,波士顿动力此次发布的电动Atlas反映了他们对如何将人形机器人落地工业场景的创新思考。陈哲认为,这款机器人可能代表了西方阵营中最快能实现量产和落地的方向。与旧版相比,新版Atlas采用高度模块化的电机方案,全身可360度旋转,且左右腿结构可快速互换。
话题推进: 主持人总结,陈哲提到的进展覆盖了机器人本体、关键零部件、大脑(智能)和软硬件系统整合等关键要素。她提议,从大众最熟悉、且近期披露了招股书的宇树科技开始,逐一展开讨论。
00:09:38–00:15:19 宇树春晚表演的门道:一致性与强化学习的胜利你可以讲讲就是它(宇树春晚表演)真正的这个门道是什么,它的进展在哪? 所以它的动作会更像人? 现在有哪些对人形机器人的表现的夸大的想象,就是由这种大众表演带来的? 主持人程曼祺观察到,相比去年,今年业内对宇树春晚表演的认可度显著提高,并询问其技术“门道”何在。陈哲解释,宇树的表演集中展现了2025年下半年运动控制领域的最新技术成果。
核心技术进步体现在两个方面:
1. 更优的动作捕捉与模仿学习能力:通过动捕技术,可以快速将真人的复杂动作(如传统武术招式)迁移到机器人身上。
2. 更强的强化学习训练工具:在仿真环境中,通过强化学习不断迭代,将动捕获得的粗糙数据转化为更稳定、鲁棒的控制策略(policy),最终部署到实体机器人上。这使得机器人的动作更像人,且更稳定。
陈哲强调,这次表演最关键的亮点是“一致性”。20多台机器人在受到不同环境干扰的情况下,同时完成弹射、大回环等复杂动作,且保持高度一致。这不仅需要算法的稳定性,更对硬件的量产品质控制提出了极高要求。他认为,这是宇树目前相比其他公司的最大优势。
与多年前波士顿动力展示的跑酷视频相比,陈哲指出两点不同:
* 技术范式不同:早期的波士顿动力主要依赖传统控制算法(如MPC),由专家手动调参;而现在的宇树则采用端到端的强化学习方法训练策略,对环境扰动的适应性更强。
* 可靠性不同:波士顿动力当年的视频经过精心剪辑,拍摄中有大量失败,单台机器完成长距离跑酷的成功率也不高。而宇树此次是20多台机器实时、高一致性地完成表演,对可靠性的要求高出数个量级。
同时,陈哲也指出了当前表演可能带来的“夸大想象”。他提醒,这些动作本质上是事先编排好的,机器人尚不具备自主决策能力。此外,表演主要集中在全身和下肢运动,并未涉及具身智能研究的核心——上肢操作与复杂任务交互。
这次表演的证据应分成三层:动捕与强化学习帮助把复杂动作转为稳定策略,20多台实时一致完成提高了对可靠性的要求,硬件制造和一致性又影响能否在真实设备上复现。它不等于机器人自己理解武术、决定下一步或能在陌生环境完成通用任务。
与早期剪辑跑酷视频相比,实时群体表演确实有不同证据价值,但也不能反向把以前所有展示都说成没有技术。陈哲特别提醒,表演主要是全身和下肢动作,未覆盖上肢操作、接触任务与自主规划,这是评估当前能力时不能省略的边界。
话题推进: 在分析完春晚表演的技术细节后,主持人将话题转向宇树的公司基本面,结合其最新披露的招股书,展开更深入的讨论。
00:15:19–00:28:21 宇树的生存之道:专注科研市场与创始人驱动的极致主义你自己看他们(宇树)的招股书的话,你觉得有哪些值得注意的点? 它(宇树)人形的毛利有超过60%……这个在软硬一体的产品里面应该算是非常高的毛利。为什么? 那你觉得是为什么呢?(G1发布20个月没有竞品) 然后到G1的变化是什么? 你觉得宇树下一个阶段它要靠什么去发展呢? 那你觉得它如果取得不了这方面(AI大模型)的成就和突破,可能是哪出了一些问题呢? 你觉得这样(在智能上采取跟随策略)对它的竞争力是够的吗? 你你觉得这个(年出货1-2万台)能做到吗? 主持人程曼祺提问,从宇树的招股书中能看到哪些值得关注的信息。陈哲指出,宇树的人形机器人业务(以G1为主)占比迅速增长,从2023年的不到2%增至2025年前三季度的51%,显示出公司未来的核心将是人形机器人。他认为,机器人行业早期是供给驱动,只要有好产品,销量自然会来,宇树的增长验证了这一点。
对于人形业务超过60%的高毛利率,陈哲解释,这主要是因为当前市场主要是面向高校和研究院的“科研市场”。在这个市场,客户对价格不敏感,且市场规模有限(约10亿人民币),高毛利是常态。他类比激光雷达早期卖给L4公司的阶段,认为在需求数量明确、缺乏竞争的背景下,高定价是合理的。
随后,对话深入探讨了为何G1发布20个月仍无有力竞争者。陈哲给出了几个层面的原因:
1. 精准的产品定义:G1是宇树第一款真正为科研市场正向设计的产品。它将身高从前代H1的1.8米降至1.3米,大幅减轻了重量,降低了对电机、电池的要求,同时不影响科研价值。这个精准定位让竞争对手难以模仿和切入。
2. 投资市场的偏见:投资人普遍不喜欢科研市场,认为其规模有限。因此,即使其他创业公司想模仿G1进入该市场,也可能得不到投资人的支持。陈哲认为,这是一种“糟糕的战略选择”。
3. 深厚的硬件和供应链壁垒:宇树在推出G1前,已销售数万台四足机器人,累计完成了百万台级别自研电机的设计、生产和量产验证。这种硬件可靠性和供应链打磨的经验,是新入局者难以在短时间内(如3-6个月)追赶的,时间壁垒可能长达12至24个月。
陈哲将宇树的成功与大疆类比,认为其核心在于创始人王兴兴对足式机器人的热爱与笃定,而非追逐商业机会。他回忆2019年初见王兴兴时,公司仅十余人,年收入千万但已盈利,因为“不得不盈利”,否则无法存活到具身智能热潮的到来。这种经营上的谨慎已深入公司基因。
展望未来,主持人询问宇树如何发展“大脑”能力。陈哲观察到,宇树在AI和模型上投入相对较少(2025年前三季度研发费用约9000万),且核心团队缺少AI背景的合伙人。他判断,宇树在智能层面会长期采取“跟随策略”,即利用其硬件平台成为全球科研领域的事实标准。只要最新的开源或闭源模型研究都基于其硬件展开,宇树就能通过生态位保持优势,这种软硬件的耦合将是其持续的护城河。对于宇树提出的年出货1-2万台的目标,陈哲认为完全可能实现,甚至可能更高,因为春晚爆火后,表演和租赁市场的需求非常旺盛,瓶颈可能只在于宇树的产能。
宇树的成功路径被陈哲概括为先把科研市场需要的便宜、可靠硬件做好,而不是过早追逐消费级量产与AI叙事。这个路径能解释其本体、交付和开发者生态积累,但不应把创始人的‘本分’当成唯一原因,也有价格、供应链、人才与市场需求共同作用。
对灵巧手创业而言,可迁移的是先形成研究者愿意持续使用的标准平台,再寻找更大商业场景;不可直接复制的是当年的市场时机和竞品格局。‘G1时刻’是投资人类比,不是某个公司已经获得行业标准地位。
话题推进: 在深入分析了宇树的商业模式和竞争力后,对话转向了本季度另一个引人注目的进展——银河通用机器人打网球的demo,并由此引发了对双足机器人价值的再思考。
00:28:22–00:56:54 连续对话 200:28:22–00:34:13 银河通用机器人打网球:拓宽行业想象力,开启全身统一控制新范式为什么将银河通用机器人打网球列为重要进展?这类演示早已存在,这次有何不同? 这项技术能迁移到其他任务上吗?有何应用价值? 如何总结中国双足人形机器人公司在Q1的整体进展? 主持人程曼祺首先对嘉宾陈哲将“银河通用机器人打网球”列为Q1重要进展表示意外,因为机器人打球的演示早已存在,甚至有专门的创业公司做轮式陪练机器人。她询问,用人形机器人来打网球,体现了什么新的技术趋势。
陈哲解释,他曾看过很多网球机器人项目,深知其技术复杂度。网球球速可高达100公里/小时,在小场地上,机器人只有极短时间进行轨迹预判和实时响应,这对任何形态的机器人都极具挑战。银河通用让一个复杂的双足人形机器人实现了对高速运动物体的实时感知、决策和全身控制的闭环,这在2026年初的技术水平下是极为复杂的工程。主持人补充,这与预先编排的舞蹈或武术不同,因为每次来球的轨迹都不同,需要实时判断。
陈哲透露,银河通用为实现该demo投入巨大:春节期间租用大型网球场,使用大量动捕设备采集数据,并对模型进行了反复的强化学习训练。他认为,从技术突破性上看,这更像一个复杂的系统工程,展现了公司的执行力。但对他而言,更大的启发在于,这个精心打造的demo拓宽了人们对人形机器人当前能力的想象。他提到,特斯拉前AI总监Andrej Karpathy在X上看到视频时,第一反应是“这不可能是真机效果,肯定是AI生成的CG”。陈哲表示自己初看时也有同感。他将此与Figure公司精心编排的全身运控demo类比,认为这些工作虽然针对特定场景做了大量专门训练,但对大众市场而言,它们打开了对人形机器人能力的理解和想象,是Q1非常有意义的里程碑。
在被问及技术迁移性时,陈哲坦言这个场景有些“tricky”,因为它大概率没有使用机器人板载的算力和视觉,而是在场地上部署了外部摄像头以实现高帧率,计算也非端侧完成。但他强调,计算机科学的经验是“只要事情能做成,人类总能找到优化方法”,让它在更少的资源上实现。因此,“能做”是第一步,优化是第二步。
总结中国的人形机器人公司(如宇树、银河、智元、魔法人形等)在Q1的进展时,陈哲认为整体“超过预期”,行业在加速。他观察到一个关键趋势:在2024年和2025年,机器人的运动(locomotion)和操作(manipulation)通常是两个独立的系统;但从今年开始,随着硬件成熟和数据增加,用一个统一模型进行全身运控和操作已现端倪。包括Figure、智元、英伟达(发布了Project GR00T和Jetson Thor)等公司都在朝这个方向努力。他判断,一旦这个范式被建立,其迭代速度和复利效应将在未来12个月内不断增强。
网球demo与编排舞蹈的差别在于输入变化:来球轨迹不同,系统要在很短时间内感知、预判并协调全身动作,确实构成实时闭环挑战。但陈哲同时承认,该展示大概率使用场地外部摄像头和非板载算力,因此不能据此证明机器人已能独立在普通球场完成同样任务。
这个案例更适合作为‘全身统一控制与复杂系统工程可被做出’的示范,而不是商业化准备度证明。后续若要把能力迁移到端侧,需要继续验证传感器、时延、功耗、模型压缩和失败恢复。‘先做成再优化’是一种工程信心,不是优化必然成功的证据。
全身运控 (whole-body control) 在本段中,指用一个统一的AI模型来协同控制人形机器人的全身所有关节(包括上肢操作和下肢移动),以完成复杂的动态任务,如打网球。这与早期将上肢操作(manipulation)和下肢运动(locomotion)作为两个独立系统分别控制的方法相对。
四轮四转 一种轮式机器人底盘的设计方案,指四个轮子都能独立驱动和独立转向。这种结构能让机器人在平面上实现极高的机动性,如全向移动、原地旋转等。在本段中,嘉宾用它来论证高性能轮式机器人的复杂度和成本可能不低于人形机器人。
绳驱 (Tendon-driven) 一种灵巧手的驱动方式。其特点是将电机(动力源)放置在离关节较远的位置(如前臂),通过多根绳索(类似人体的肌腱)连接并驱动手指的各个关节。特斯拉Optimus采用此方案,优点是可能实现更仿生的灵巧动作,但缺点是机械结构复杂,在组装、可靠性和维修方面挑战巨大。
直驱 (Direct-drive) 与绳驱相对的另一种灵巧手驱动方式。其特点是将微型电机直接集成在手指的每一个关节处,直接驱动关节运动。嘉宾提到的Sharpa公司采用此方案。优点是结构相对简单、模块化,易于生产和维修,但可能在仿生灵巧性上与绳驱有差异。
话题推进: 在总结了中国公司的“全身统一控制”新趋势后,主持人提出了一个关于人形机器人形态价值的经典问题,引出了下一段关于双足必要性的再思考。
00:34:13–00:42:29 双足价值再思考:从波士顿动力Atlas看人形的效率与超人潜力很多人认为双足价值不大、优先级不高,你过去也这么想,是什么让你最近改变了看法? 新版电动Atlas在哪些地方既像人又超越了人? 主持人提出了一个老生常谈的问题:很多人认为双足形态对机器人实用化价值不大。陈哲坦言自己很长一段时间也持此看法,但在最近一个季度受到了很大冲击,观点发生了改变。
他解释道,机器人行业是供给高度受限的,一旦某个形态的机器人能稳定交付某种能力,其价值就会快速释放。过去,他认为人形带来的复杂性远大于其好处,尤其是在工厂、仓库等平整地面,轮式机器人似乎就能解决移动问题。然而,通过近期对波士顿动力访谈的研究,他的看法变了。他通过对比论证了人形机器人的潜在优势:
1. 空间效率:一个人形机器人在结构化环境中稳定移动,仅需约40x60厘米的占地面积。而为了实现类似的负载和作业范围,轮式机器人需要更大的底盘来保证稳定性。
2. 重心与重量:为了搬运20-25公斤的箱子,波士顿动力的轮式复合机器人Stretch自重约1吨,以防止在伸展手臂时倾覆。而一个全尺寸人形机器人,体重仅七八十公斤,却能通过动态调整姿态和重心完成同样任务,两者重量相差十倍。
3. 复杂性与成本:要制造一个移动性极佳的轮式机器人,理想方案是“四轮四转”,可能需要8个电机,若要增加升降功能以适应不同高度,电机数更多。如果底盘更重,就需要更大功率的电机和电池,成本会快速增加。因此,在实现同等性能时,轮式机器人的复杂度和成本不一定比人形更低。
基于以上分析,陈哲认为,一旦人形机器人的技术实现得足够好,其供给本身就能开辟出许多过去未曾想过的应用场景。
接着,话题转向新发布的电动版Atlas。陈哲指出,这款机器人展示了“人形”可以“超人”。其设计亮点包括:
1. 高度模块化:类似协作臂的设计理念,用少数几种标准化旋转电机完成全身驱动,而非为每个关节定制复杂的电机和减速器。这大大降低了生产、组装的难度和成本。
2. 超越人体结构限制:Atlas的头部和躯干可以360度旋转。这意味着,当需要从面北转向面南时,人类需要多步转身,而Atlas只需腰部电机旋转即可完成,效率极高。它的左右腿甚至可以互换,进一步体现了其模块化和对传统仿生形态的超越。
陈哲特别指出,这种简化设计、通过性能冗余来降低装配和维修难度的思路,与美国制造业缺乏熟练技术工人的现状密切相关。这引出了关于美国人形机器人公司进展的讨论。
双足与轮式的比较被陈哲落到具体空间、重量和电机数量,而非‘像人所以更好’。人形可利用姿态调整减少占地和配重,模块化Atlas又把通用电机、可换腿和360度旋转用于降低装配维护成本;这些设计确实可能减少部分硬件复杂度。
但轮式系统也可用不同负载、底盘与场景优化,不能仅凭Stretch的重量就推导所有轮式方案不经济。Atlas的可旋转与模块化是‘超人’设计的可能优势,最终仍要看可靠性、价格、维护和真实任务。双足价值的判断正在变化,不宜写成已经证明人形是通用最优解。
话题推进: 在分析完新版Atlas的设计理念及其与美国制造业背景的关联后,主持人顺势将话题转向对美国主流人形机器人公司(如特斯拉Optimus、Figure等)的具体进展盘点。
00:42:29–00:48:55 Optimus的延期与灵巧手争议:绳驱方案是第一性原理还是工程陷阱?业界比较关注的美国人形机器人公司是哪些? 可以从特斯拉Optimus开始讲吗?我们从供应链了解到其Gen3发布和量产计划似乎延期了。 如果工程师对马斯克的技术路线有不同看法,他们能在内部反馈吗? 主持人询问美国业界关注的人形机器人公司,陈哲列举了特斯拉Optimus、Figure AI、波士顿动力,以及一些长尾公司如1X Technologies和Apptronik,并指出市场最关注的还是Optimus和Figure。而Pi、Sanctuary、Generalist等公司则更侧重于模型和智能。
话题首先聚焦于Optimus。主持人提到,马斯克虽在采访中称第三代(Gen3)已设计定型,但据中国供应链消息,原定4月的发布已延期至至少6月下旬,原定今年10月的量产也可能推迟到明年。陈哲确认了这一延期趋势,表示符合预期,并引用行内说法:“Elon is always right, but his timing is always wrong.” 他获得的信息是,Optimus Gen3在软硬件上都遇到了巨大挑战。
硬件挑战主要集中在灵巧手。特斯拉选择了一个极具野心的“高自由度绳驱方案”,但在量产和可靠性上遭遇了巨大困难。陈哲解释,所谓绳驱,是指将大量电机放置在前臂,通过绳索(类似人体的肌腱)来驱动手指关节。这与Sharpa等公司将微型电机直接置于指关节的“直驱”方案形成对比。马斯克选择绳驱,是认为它更仿生,更符合“第一性原理”。
然而,绳驱方案的工程问题非常多。陈哲指出,组装一只高自由度绳驱手,意味着要在手腕和手掌的狭小空间内穿入40多根绳索,并解决它们的一致性、蠕变和可靠性问题。任何一根绳索松动或损坏,维修和再组装都极为困难。他转述了一位朋友的深刻反问:既然已经用了电机而非肌肉,何谈“第一性”?人肉肌肉可以自愈再生,能量和力矩密度极高;而电机的磨损不可逆,各项密度也与肌肉差距巨大。用一个本质不同的东西(电机)去模仿另一个东西(肌肉)的表现,本身就不符合第一性原理。
当被问及内部工程师能否挑战马斯克的决策时,陈哲类比了当年马斯克力排众议坚持纯视觉自动驾驶路线的经历。他认为马斯克在技术路线上非常强势和固执。这让作为观察者的他感到纠结:马斯克历史上多次在长期技术路线的判断上被证明是正确的,尽管最初遭到了几乎所有人的反对。因此,对于绳驱灵巧手,他无法断言最终结果,但明确看到该方案给2026年量产一万台的目标带来了巨大挑战。
话题推进: 在深入探讨了Optimus的技术路线争议后,话题自然转向了美国另一家备受瞩目的人形机器人公司——Figure。
00:48:55–00:56:54 Figure与美国机器人产业:浮夸的创始人与本土供应链的挑战中国创业者对Figure的态度很复杂,一方面认可其成果,一方面觉得它风格浮夸,你怎么看? Figure创始人Brett Adcock之前是做什么的? 为什么之前大家对马斯克没有类似的(关于专注度和韧性的)诟病? Figure的硬件和模型都做,业内对它的模型评价如何? 为什么美国像Figure这样软硬一体的人形机器人公司很少,而中国却有很多? Google为什么不自己做全人形机器人? Google和波士顿动力的合作要如何解决生产制造问题? 主持人提到,中国创业者普遍认为Figure公司风格“浮夸”。陈哲表示认同,笑称他们值得一座“奥斯卡最佳影视特效奖”,并将此风格与创始人Brett Adcock的背景联系起来。他介绍,Brett是一位连续创业者,创立Figure前曾创办飞行汽车(eVTOL)公司Archer并推动其上市,之后很快离开。他擅长捕捉创业热点,向投资人传递愿景,并有快速将公司出售或上市的成功记录。因此,市场对他是否具备足够的专注度和韧性存在争议。
主持人追问为何早期马斯克没有受到类似质疑。陈哲回应,在特斯拉和SpaceX成功之前,马斯克也曾被广泛质疑,大众难以将他与“骗子”区分开。Brett是否是马斯克式的创始人,市场尚无定论。但从结果看,Figure在2023年成立时饱受质疑,早期从波士顿动力等公司吸引的人才也有流失,但公司不可否认地抓住了行业快速发展的机遇,吸引了大量优秀人才,并给出了扎实的成果。其发布的几款人形机器人和全身运控展示,体现了“非常有干货”。
在模型能力方面,陈哲指出Figure是业内较早宣布采用多层级(两层或三层)智能架构的公司,实现了一个从低频规划到高频执行的统一算法框架。从业内反馈和demo效果看,其能力在美国市场非常领先。不过他也补充,这部分原因在于,除了Optimus,美国真正从事全尺寸、复杂人形软硬件一体研发的公司并不多。
这引出了一个对比:为何美国这类公司稀少,而中国却在2025年下半年涌现出大量具身智能公司?陈哲认为,这与美国制造业和硬件供应链的衰退密切相关,本土产业生态已无法支持大量此类创业公司。在中国花几百万元就能攒出一台人形机器人,这在美国是难以想象的。Figure之所以需要巨额融资,一方面也反映了“美国制造”回流的国家战略意图——通过重点扶持头部企业,带动本土制造业复兴。由于大量零部件产业已不在美国,Figure若要实现完全本土化生产,需要巨大的前期投入。
最后,话题转向波士顿动力与Google的合作。陈哲认为此举非常明智。他透露,Google DeepMind此前与另一家人形公司Apptronik的合作非常失败,因为其机器人Apollo的硬件可靠性、精度和一致性都存在巨大问题,导致Google研究员大量时间都耗费在“让机器能用起来”,而非有效的研究。当被问及Google为何不自制硬件时,陈哲直言,Google、Meta这类互联网公司完全没有做复杂硬件的基因和能力。他以Meta的眼镜业务为例,指出其看似不错的销量是建立在巨额亏损和补贴之上的,Reality Labs部门累计亏损数百亿美元,这笔生意是失败的。因此,Google选择与硬件能力顶尖的波士顿动力合作是必然选择。至于如何解决生产制造,尤其是在不依赖中国供应链的前提下,则是一个悬而未决的挑战。
Figure的讨论包含两层不能互相替代的证据:公司宣传风格与创始人过往记录会影响外界判断,快速迭代、分层规划控制和硬件展示又说明其确有工程进展。把Figure简单称为‘浮夸’会掩盖技术与团队变化,把展示直接当量产也会忽略供应链和可靠性。
美国供应链约束则是另一层成本:复杂零部件和制造生态不足,使本土组装、量产与人才培养更昂贵。Figure的大额融资既支持技术研发,也可能承担制造业回流的重置成本。Google与波士顿动力合作说明模型公司需要可靠硬件伙伴,‘互联网大厂不擅长复杂硬件’是嘉宾经验判断,不是所有团队永久能力边界。
话题推进: 在讨论完美国几家头部公司的进展、挑战与产业背景后,对话将转向更具体的两个技术前沿:灵巧手和世界模型。
00:56:54–01:26:04 连续对话 300:56:54–01:07:06 美国具身智能公司的模型与系统架构探索美国是否可以通过让日韩等制造业盟友在本土投资,来弥补其在机器人硬件本体制造上的能力短板? 除了涉足机器人本体制造的公司,美国还有哪些专注于模型方面的具身智能公司(如Pi、Sunday、Generalist)值得关注的Q1进展? Pi公司提出的类似OpenClaw的长时间记忆方案,是否是在模型外部的系统层实现的? 在Sharpa的灵巧手发布后,有哪些公司、机构或学校在使用它进行研发,并取得了哪些新成果? 主持人程曼祺首先提问,美国是否能通过让日韩等制造业盟友在本土投资建厂,来弥补其在机器人硬件制造上的短板。嘉宾陈哲认为这是一条可行的路,但点明其代价是高昂的成本,同样的产品在美国制造可能需要付出两到三倍的成本,这需要美国社会长期承担,且未知消费者是否愿意接受。
接着,对话转向美国专注于AI模型和软件的公司。程曼祺提到,Pi、Sunday和Generalist等公司被许多中国从业者视为标杆,并询问它们在第一季度有无值得关注的新进展。陈哲确认,Pi在Q1持续发布了有影响力的工作。他举例说,Pi探索了解决机器人“长时记忆”问题的思路,其方式类似OpenClaw,即通过文本记录机器人当前状态并进行反思,以增强其在常识操作上的一致性和稳定性。此外,Pi还在执行端(动作端)的在线强化学习方面提出了新思路和框架。陈哲判断,Pi在跨机器人本体(cross-embodiment)和适应动态环境方面,仍是全球最领先的。
程曼祺补充说,行业内已将具身模型视为物理世界的智能体(Agent),并开始探讨除基础模型外,如何组织整个系统以完成复杂任务。陈哲借此引出了Sharpa(应为Sycobo)在CES上分享的一个三层系统架构:
1. System 2:最顶层,是一个低频(慢)、高维的规划层。它主要接收文本指令作为输入。
2. System 1:中间层,接收来自System 2的文本任务、视频/图像信息以及机器人当前状态作为输入。它输出的是手臂或关节的粗略动作指令,类似于当前VLA模型输出的力矩信息和夹爪开合指令。
3. System 0:最底层,也是Sharpa(应为Sycobo)引入的新层级。它接收来自System 1的粗略运动轨迹和真实的触觉信息作为输入,其任务是根据这些信息和任务意图,输出每个手指、每个关节具体的精细动作,实现闭环控制。当System 1的指令导致机器人接触到物体但位置不准时,System 0便会介入,进行精细调整。
陈哲将这个三层架构类比为人的大脑(System 2)、小脑(System 1)和末梢神经(System 0)的反应机制。他强调,触觉对于完成最终任务至关重要,而当前主流的VLA或世界模型训练范式几乎完全没有触觉信号。Sharpa(应为Sycobo)的进展展示了当触觉被引入高自由度末端执行器(如灵巧手)时,机器人能够完成此前难以想象的任务。
在讨论研究前沿时,陈哲观察到,随着四足运动、VLA和人形机器人移动(locomotion)等问题初步得到解决,全球顶尖研究人员的共识是,灵巧手和世界模型是下一个值得研究的方向。但他认为两者性质不同:世界模型因其底层依赖视频生成模型,对算力和资源消耗巨大,更可能由大厂主导;而灵巧手则为创业公司提供了机会。
Pi 一家美国的具身智能创业公司,全称可能是Pi-Bot或类似名称,专注于研发具身智能的基础模型。在本对话中,它被视为行业标杆,其发布的模型(如Pi 0.6)和数据方案受到广泛关注。
System 0/1/2 嘉宾引用Sycobo公司提出的一个具身智能三层系统架构。System 2是顶层规划系统,低频、高维,处理文本指令;System 1是中间执行系统,接收上层指令和视觉信息,输出粗略的动作指令;System 0是底层控制系统,接收上层粗略指令和真实的触觉信息,进行高频、精细的闭环动作控制。
MIT Mini Cheetah 麻省理工学院在2019年开源的一个四足机器人项目。它通过开源一种准直驱(QDD)电机结构和完整的控制算法,极大地降低了四足机器人的研发门槛,催生了全球范围内的四足机器人创业热潮。
世界模型 (World Model) 在本对话中,指一种能够基于当前观测来预测未来状态的AI模型。在具身智能领域,它通常以视频生成模型为基础,通过“脑补”物理世界在机器人采取某个动作后的变化,从而进行动作规划和策略生成。它与VLA(Vision-Language-Action)模型形成对比,后者更多依赖语言和行为克隆。
陈哲 · 01:05:52
陈哲认为,世界模型的底层是视频生成模型,其算力消耗远大于文字模型,因此更适合大厂研究。他提到OpenAI近期宣布停止Sora产品工作,可能与资源消耗有关。而目前做得最好的视频生成模型,如字节的Seedance、谷歌的Veo、快手的科灵,都来自全球最大的互联网公司。
话题推进: 在区分了灵巧手和世界模型的研究主体后,话题自然地转向了灵巧手市场本身存在的创业机会,并类比了宇树科技在人形机器人市场的成功路径。
01:07:06–01:14:30 灵巧手市场的“G1时刻”:宇树成功路径的启示研究员们现在主要在用哪些公司的灵巧手?这是否是一个创业机会? 小鹏也是一家做双足人形机器人的公司,为什么之前讨论中国公司时没有提到它? 主持人程曼祺认为,研究界对灵巧手的需求听起来像一个创业机会。陈哲对此表示认同,并详细展开。他提到,Sharpa(应为Sycobo)的灵巧手是在2025年5月亚特兰大的ICRA会议上正式发布的,效果惊艳。但在过去一年,海外研究人员用得最多的是另一家公司“心动基源”的12自由度灵巧手。近三四个月,随着Sharpa(应为Sycobo)将其22自由度的手(与人手自由度相同)提供给研究人员(很多是补贴形式),大家也开始使用它。
陈哲判断,未来12到18个月,市场将激烈竞争,看谁能成为灵巧手研究领域的“行业标准”,即研究人员的默认选择,类似于宇树G1在人形机器人研究中的地位。要成为这样的标准,产品必须:足够可靠、自由度足够高、成本较低,并拥有完善的传感器和开发环境。他认为,灵巧手市场存在一个巨大的、可能被低估的机会,即成为这个领域的“G1”。
随后,陈哲以宇树科技的成功路径为例,阐述了抓住这一机会的关键。他回顾道,2019年MIT Mini Cheetah项目开源后,市场上涌现了大量四足机器人公司,包括小鹏收购成立的鹏行机器人等,它们在早期获得了远高于宇树的融资和关注。然而,最终是宇树走了出来。陈哲将此归因于创始人王兴兴的“本分”和“专注”——他只想把四足机器人这个硬件做好,满足科研市场对一个便宜、好用的硬件平台的需求,而没有在当时过早投入AI或C端量产。陈哲认为,对于灵巧手公司而言,也需要同样的克制和专注,将产品本身做好,与科研市场合作共建,而不是过早地去谈商业闭环,否则可能会错失成为行业标准的机会。他将过早商业化的尝试比作小鹏机器人曾在2021年尝试量产“机器马”的失败。
提及小鹏,程曼祺追问为何此前未讨论它。陈哲评价,中国的车厂做人形机器人实力不弱,但其战略更偏向于“快速跟随”,路线也想借鉴特斯拉,在绝对的创新性和突破性上可能稍逊一筹。
最后,在对比中美具身智能发展时,陈哲认为,中国在具身领域有可能领先。因为在机器人本体、灵巧手等复杂硬件上,中国公司已是世界领先。虽然美国在“大脑”层面(顶尖人才、算力、数据)仍有优势,但随着“大脑”与硬件的耦合加深,如果未来研究需要大量基于人形机器人等复杂硬件载体,中国的优势只会放大。
陈哲 · 01:09:40
2019年MIT Mini Cheetah项目开源了准直驱(QDD)电机结构和控制算法,催生了大量四足机器人创业公司。2021年,小鹏的机器人公司首笔融资1亿美元,估值5亿美元,而同期的宇树并不受关注。
话题推进: 在提出中国具身智能可能领先的判断后,主持人程曼祺引入了一个潜在的变量和挑战——世界模型,指出其对算力的巨大需求可能成为中国公司发展的瓶颈,从而将话题引向对世界模型进展的深入讨论。
01:14:30–01:26:04 世界模型(World Model) vs. VLA:具身智能大脑的两种范式世界模型(World Model)和VLA(Vision-Language-Action)这两种技术路线是互斥的吗? 如何理解“世界模型”这个比较宽泛的概念? 具体到英伟达的DreamZero和DreamDojo,它们在世界模型这个方法下做了什么具体贡献? 谷歌作为VLA的提出者,在大家转向世界模型时,它有什么新进展? 英伟达的世界模型方法(如DreamZero)目前有什么不成熟之处,比如运行速度很慢(7Hz)? 主持人程曼祺指出,世界模型对算力的高要求可能成为中国具身智能发展的一个挑战。陈哲首先厘清了VLA和世界模型的关系。他认为,两者代表了具身大脑研究的两个互补的主旋律:VLA以语言为核心(backbone),代表人类的语言沟通和推理能力;而世界模型以视频为核心,代表人类的视觉智能。人类智能既离不开语言也离不开视觉,因此两者对机器人来说是互补的。
在解释“世界模型”这一概念时,陈哲将其定义为“一个基于当前观测,可以预测未来会发生什么的模”。他指出,这个概念已被应用于多个领域,如特斯拉的自动驾驶仿真、OpenAI将Sora定义为世界模型(而非视频生成模型),因为它似乎理解了物理规律。在机器人场景中,世界模型最直接的应用就是通过“脑补”(视频生成)来预测物理环境会因机器人的动作产生何种变化,从而用于动作仿真和策略生成。这是一种新的技术范式,是对VLA的补充。
具体到英伟达的工作,陈哲解释:
- DreamDojo:可以理解为一个基于视频世界模型的仿真器,能根据当前图像预测和渲染出未来的世界样貌。
- DreamZero:它基于视频生成的方式,将当前任务和环境,输出为机器人需要执行的策略和动作。
英伟达定义的这套世界动作模型(WAM),不再是VLA那种“观测-描述-动作”的直接映射,而是通过“脑补”建立因果推理,再生成符合物理规律的动作。这脱离了以文本为核心和以行为克隆为核心的VLA范式。
程曼祺理解,相比VLA,世界模型增加了“时间感”,能理解动作的前因后果。陈哲表示认同,并进一步分析了VLA的局限性。VLA的输入是静态图片和文本描述,它之所以能生成动作序列,是因为在训练时强行将“图文对”与一段关节动作信息进行映射,本质是一种“带有描述的行为克隆”。这导致其泛化能力很差,当场景发生微小变化(如杯子颜色或位置改变),模型就可能失效,因为它在训练数据(行为克隆的样本)中没见过。
世界模型的优势在于,它基于广泛的视频数据训练,数据分布更广,理论上能学到更普适的动作规律,因此无论是用于运动仿真还是策略生成,其能力上限都更高。
谈及谷歌的动向,陈哲认为谷歌在VLA方向上有明显的“后发优势”,因为它拥有更好的基座模型(如Gemini),更换更好的基座模型能直接提升VLA效果。同理,如果谷歌能训练出更好的视频模型,其世界模型也会非常强大。因此,他不认为谷歌会落后。
对于世界模型当前的不成熟之处(如速度慢),陈哲认为这不是核心问题。他强调,在计算机科学中,只要路径(path)被找到,工程优化(如推理速度)总是可以解决的。更关键的挑战在于,具身智能高度受益于大语言模型和视频生成模型等“外部力量”的进展。即使未来视频生成技术完美了,能“脑补”出一切视觉变化,但视频模态天然缺失触觉信号。因此,在世界模型之后,如何融合触觉信息,将是未来研究的重中之重,而这必须由具身智能行业自己来解决。
VLA与世界模型应先按输入输出区分:VLA常从当前视觉和语言直接输出动作,世界模型则尝试预测当前观测与动作将如何改变未来状态,再把这个预测用于仿真、评估或策略。视频预测提供时间与变化信息,但生成得像并不等于物理正确,也不自动提供可执行动作。
世界模型的潜在优势是借大规模视频学习更多视觉变化,VLA的优势是可利用语言知识与任务指令。二者可以互补,不能把VLA简化成没有泛化的行为克隆,也不能把世界模型说成天然高于所有VLA。陈哲强调视频缺少触觉,这是后续真实操作必须补的模态;速度、数据、物理一致性和实际闭环仍是未决问题。
话题推进: 讨论完世界模型及其与触觉融合的未来方向后,话题自然地转向了另一个关键要素——数据,特别是英伟达为解决具身数据问题而推出的EgoScale框架。
01:26:04–01:53:44 连续对话 401:26:04–01:43:41 世界模型与数据金字塔:大厂友好的新范式英伟达提出的新数据框架EgoScale具体是什么? 这些新的数据解决方案是否意味着具身智能的数据瓶颈已经解决了? 除了英伟达,世界模型在业界还有什么新进展?比如Google的Genie 3、Sigma 2? 如果世界模型的研究都使用阿里的开源模型作为基座,这是否意味着中国公司在算力受限的情况下会处于弱势? 世界模型领域是否存在新的创业机会? 世界模型的技术难点除了算力资源消耗大,还有别的吗? 嘉宾陈哲首先指出,许多创业公司意识到自己难以训练超大规模的VLA或世界模型,因此会选择解决更具体的问题,例如灵巧手操作或触觉与末端执行器的结合。主持人程曼祺观察到这在业界尚不明显,因为大公司倾向于做有规模效应(scale)的事情,笃信“scaling law”。陈哲同意此原则,并解释为何世界模型备受期待:它不像VLA那样以语言为中心,理论天花板更高。他以宇树科技创始人王兴兴在GTC上的分享为例,说明宇树也更看好世界模型路线。
主持人接着提到英伟达在提出世界模型方向(DreamDojo、DreamZero)的同时,也发布了新的数据框架EgoScale。她将其理解为一个数据金字塔结构:
1. 塔尖:机器人直接的遥操作数据,最精准、高效,但量少、昂贵。
2. 中间层:类机器人架构的数据,如模仿夹爪或灵巧手末端执行器的Umi或Dex Umi数据,手臂和视角等自由度更开放。
3. 中下层:EgoCentric(自我中心视角)的人类操作视频数据,更广泛。
4. 塔底:广泛的互联网视频(如YouTube),数据量最大、质量最低、与机器人任务相关性最弱。
陈哲对EgoScale的细节做了补充和修正。他指出,EgoScale论文中使用了Manus的数据手套来采集数据,其目的是为了增加数据多样性,以实现运动的泛化。这些数据既可以用于VLA,也可以用于世界模型。他强调,虽然互联网视频数据最多样,但由于人类与机器人身体自由度的巨大差异(domain gap),直接从第一视角视频学习到的动作很多无法迁移到机器人上。因此,EgoCentric数据质量高于普通互联网视频,但仍远不如遥操作或Umi数据精准。
对于数据瓶颈是否已解决,陈哲认为并未解决,只是业界看到了解决问题的可能路径。他高度评价了Sunday公司及其创始人Tony和Tristan的贡献。Tristan在斯坦福时期参与的Umi方案(人手持与机器人同构的夹具采集数据)被Generalist改良并大规模采集。Sunday则在此基础上从两指升级到三指,并加入触觉反馈,解锁了更多复杂动作。陈哲提到,中国公司虽然跟进很快,但要实现“百万小时有效真实数据”的目标仍需时间,且即便达到,也无法确定是否足够。
在讨论世界模型的其他进展时,陈哲认为Google的Genie 3等视频生成模型虽然间接受益于机器人领域,但它们追求视觉效果(high fidelity),对物理规律的遵从较弱,不适合用于训练物理交互。随后,他透露了一个关键信息:目前几乎所有世界模型研究都基于阿里开源的视频生成模型(如Wan 2.1或2.2)作为基座,包括英伟达。然而,研究员普遍反映该模型并不适合机器人视频生成。由于视频生成模型算力消耗巨大,头部公司已不再继续开源,这给研究带来了挑战。陈哲认为,这是一种竞争策略,后续者(follower)倾向于开源以挑战领先者,未来随着技术成熟,应该还会有厂商选择开源。
最后,陈哲回应了关于创业公司机会与挑战的问题。他指出,世界模型是一个“大厂友好”的方向,对数据和算力的消耗都极大。训练好的视频生成模型需要海量、多样的视频数据,并且需要大量算力进行反复实验以找到最佳的训练“recipe”。他提到,美国已有以世界模型为方向的创业公司Rhoda AI融资4.5亿美元,该公司即使使用开源基座,也自己采集了大量EgoCentric数据进行再训练。在中国,积加科技也声称在做世界模型,但目前该方向的评测标准(metrics benchmark)还很模糊。总的来说,视频生成模型的竞争比VLA路线更陡峭,对创业团队构成了巨大挑战。
世界模型对大厂友好的原因,是它可能复用互联网视频、算力与基础模型积累,形成规模优势;数据金字塔中的互联网视频、仿真、遥操作和真实部署各有作用,不能只按‘真实’或‘合成’排序。
陈哲认为视频模型进步会带动机器人能力,但具身行业还需要自己的动作、触觉和硬件数据。大厂资源可减少训练成本,也可能使研究更依赖通用视频指标,而不是具体机器人任务。‘只要路径找到,工程优化总能解决’表达了他的乐观判断,实时性与可靠性仍需工程验证。
EgoScale 英伟达发布的一个具身智能数据框架。它通过采集大量(如超过2万小时)以第一人称视角(EgoCentric)记录的人类操作视频数据,来训练机器人模型。这些数据可以用于VLA或世界模型,旨在通过增加数据多样性来提升机器人动作的泛化能力,解决从人类演示到机器人执行的迁移问题。
数据金字塔 一种对具身智能训练数据进行分层的概念模型。从塔顶到塔底,数据的数量递增,但质量、获取成本和与机器人任务的直接相关性递减。一个典型的结构是:塔顶为机器人遥操作数据,中间为Umi等同构设备采集数据和EgoCentric视频,塔底为海量的普通互联网视频。
Umi 一种数据采集方案,由人手持一个与机器人末端执行器(如夹爪)“同构”的设备进行操作演示,同时记录下动作数据。由于采集设备与机器人硬件结构相同,可以有效减少“领域迁移”(domain transfer)的损失,获得高质量的训练数据。Sunday公司将其从两指夹爪扩展到了三指灵巧手。
创新者窘境 (Innovator's Dilemma) 一个商业理论,指市场领先的大公司为了维持现有高利润业务,往往会忽视或放弃那些利润较低、市场规模较小的新兴技术或市场,从而给新进入者或小公司留下了颠覆性创新的机会。在本段中,嘉宾用此理论解释为何英伟达在利润丰厚的云端GPU市场取得统治地位,却在利润相对较低的车载和机器人端侧芯片市场优势减弱。
话题推进: 在深入探讨了世界模型对训练算力的巨大需求后,话题自然转向了另一个维度的算力问题:机器人端侧算力。
01:43:42–01:53:44 机器人端侧算力与市场终局:从车载芯片到“创新者窘境”机器人端侧算力现在是什么情况?主芯片用哪家公司的? 英伟达的Jetson系列不适用吗? 除了英伟达,还有其他公司吗?比如高通? 这个机会也属于华为吗? 芯片市场最终不会有这么多供应商吧? 对创业公司来说,更稳健的路是不是去做特定功能的机器人(feature robot)? 做feature robot的公司有没有可能进化成做通用机器人的公司? 未来摘得通用机器人桂冠的公司,是一开始就做通用的,还是可能从feature robot公司进化而来? 主持人将话题转向机器人端侧算力。嘉宾陈哲指出,目前人形机器人进行实时推理,默认选择是英伟达的车载芯片,如Orin系列,而非算力不足的Jetson系列。他解释,当前具身智能模型(VLA或世界模型)的复杂度不亚于自动驾驶模型,将模型实时部署到Orin芯片上已极具挑战,因此行业尚未进入需要节省算力的阶段,而是在功耗范围内追求最强算力,车载芯片是最佳选择。
陈哲观察到一个趋势:英伟达的统治力从云端GPU(绝对统治),到车载芯片(优势减弱),再到机器人端侧(优势进一步削弱),呈现递减趋势。他将此归结为典型的“创新者窘境”:云端业务利润太高,导致公司内部对车载或机器人等新兴市场的重视程度不足。他以英特尔当年因PC和服务器业务利润丰厚而拒绝为第一代iPhone开发芯片,从而给了ARM机会为例,类比英伟达今天的处境。
在国内,许多机器人公司选择与地平线合作,因为地平线在量产自动驾驶市场与英伟达平分秋色。陈哲认为,这个机会同样也可能属于华为等自研车载芯片的公司,但华为面临产能优先级的挑战。特斯拉的实践也印证了车载与机器人技术栈的延续性,其计划在Optimus机器人上使用与量产汽车相同的自研芯片。由此推断,国产自动驾驶芯片的领先公司,在具身智能时代也将是强有力的竞争者。
当主持人问及市场格局时,陈哲判断,复杂的芯片市场历史上通常只会剩下两家主要供应商,且呈“二八”格局。因此,未来的机器人市场,无论是芯片还是机器人本身,都将经历激烈的淘汰赛,最终高度集中。他认为,通用机器人一旦成熟,会像智能手机一样,因其通用性和高复杂度(软硬件复利高),市场会高度收敛,赢家通吃。他对比了功能手机时代的多样性与iPhone出现后的市场集中,将今天的各类专用机器人(如扫地、仓储机器人)类比为“feature robot”。
针对创业公司的路径选择,陈哲认为,做“feature robot”是当下许多成功年轻创业者的选择,例如大疆(无人机)和石头科技(扫地机)。至于这类公司能否进化为通用机器人公司,他认为有可能,但这需要克服巨大的组织文化和基因挑战,如同传统家电企业转型做复杂机器人产品一样困难。他用惠普和德州仪器发明了计算器但未能引领个人电脑革命为例,说明从单任务产品向多任务通用产品跨越的难度。最终,陈哲总结道,能摘得通用机器人桂冠的公司,必须是积累了相关能力的公司。例如,像大疆这样的公司,已经具备了光机电结构、精密工程、量产等机器人所需能力的50%,能否成功取决于团队能否补上另外50%(如AI、多任务泛化等)的能力。
端侧算力把云端模型能力带到真实设备,涉及功耗、时延、成本、内存、可靠性与供应链。车载芯片和既有计算平台能提供参考,但机器人操作有独特的传感、控制与安全要求,不能简单复制自动驾驶的硬件与市场结构。
‘创新者窘境’在这里是嘉宾对既有芯片厂商与新进入者的比较:传统厂商有规模与渠道,新团队可针对机器人负载重新设计,但最终仍要由实际部署决定。端侧市场是否由大厂主导、是否出现专用平台,不能仅从参数与发布会判断。
陈哲 · 01:45:42
英伟达的统治力呈现递减趋势:在云端GPU市场是绝对统治地位,到了车载市场份额下降(国内市场与地平线约各占40%),而在已量产的商用/家用机器人(如扫地机、无人机)市场,其Jetson方案基本没有市场份额。
陈哲 · 01:49:12
陈哲预测,通用机器人市场会高度集中,赢家通吃。他对比,iPhone出现前功能手机形态各异,如同今天的专用“feature robot”;而iPhone统一了市场,因为人的手形态是固定的。通用机器人也会类似。
话题推进: 在讨论了机器人市场的终局和创业路径后,节目进入下一个环节,关注中国具身智能公司的上市潮以及对下一季度的展望。
01:53:44–02:06:05 连续对话 501:53:50–01:59:58 中国具身智能公司的上市潮与资本热度关于中国具身智能公司的上市潮,你觉得它整体上会带来一些什么影响? 你觉得是利好创业公司?但另一方面资源感觉会向头部集中,也有这个可能性。 所以你觉得宇树上市会把这个热潮再往前推一推? 现在如此多的钱涌向这个创业公司,涌向一级市场,这种现象什么时候可能会相对的平息下去,或者说结束? 那现在这种情形超出你的预料吗? 主持人程曼祺将话题转向资本市场,指出2026年第一季度已出现中国具身智能公司的“上市潮”,宇树科技已提交招股书,多家公司也已跟进。她询问嘉宾陈哲这股上市潮会带来何种影响。
陈哲认为,机器人是未来十年中国国家级的战略主线,宇树的上市将开启有全球竞争力的中国公司发展的新阶段,对创业公司和投资人是利好。主持人追问,资源向头部集中是否会对其他创业公司不利。陈哲回应,头部集中并非坏事,成功的标杆企业能产生财富效应,吸引更多顶尖人才和资本进入该领域。他观察到,现在顶尖高校(如清华、北大、交大、复旦)可能有过半的聪明学生在研究具身智能,这与前两三年人才涌向AI相似,他认为这比2012年时顶尖人才都去研究广告转化率要好。
陈哲从两个层面分析了当前的时机:
1. 国家层面:中国企业和学者已发展到可以引领世界前沿的阶段,需要从追赶者转变为原创者。
2. 技术层面:大模型、生成技术、AI算力、数据中心等基础设施的成熟,使具身技术发展到了一个临界点。
因此,他认为资源和脑力向这个有突破潜力的方向聚集是好事。作为信奉Alpha投资理论的投资人,他本能地警惕泡沫,但从国家战略角度看,这是中国在已有电动车、AI和半导体突破的基础上,引领通用机器人领域的绝佳机遇。
陈哲强调,宇树是一家商业质量非常好的公司,有真实的用户价值和收入,经营高效,并非“泡沫公司”或“概念公司”,其上市比许多其他具身公司更具代表性。主持人则提出,监管可能不会让所有同质化的机器人公司都上市,若出现上市成败分化,可能会影响一级市场的投资热情。陈哲同意,若上市预期不明,很多投资人会却步。
对于当前市场的狂热,陈哲认为关键在于技术发展的速度。他类比AI经历过的周期,指出市场容易对技术的短期变化有过高预期,未来市场预期必将调整,其冲击可能比短期内能否上市更大。他坦言,目前具身智能领域的资本热度超出了他的预料。
上市潮 在本段中,指2026年第一季度开始,多家中国具身智能及机器人公司集中启动或提交首次公开募股(IPO)申请,准备在二级资本市场上市的现象。宇树科技是其中的代表性公司。
Alpha投资理论 嘉宾提及的个人投资理念。在这里指一种寻求超越市场平均回报(Beta)的投资策略,专注于识别和投资那些具有独特竞争优势、能创造超额价值的公司(Alpha),通常意味着投资人需要进行独立深入的研究,避免跟风和市场泡沫(hype)。
陈哲 · 01:59:07
嘉宾陈哲统计,目前中国估值超过100亿人民币(或15亿美元)的人形或具身智能公司已超过20家。他对比指出,在大模型最狂热的2023-2024年,估值超百亿的大模型公司也只有四五家。而目前大模型已有明确商业化机会,具身智能落地仍需很长时间,头部公司宇树的收入也仅2亿多美元,市场存在大量高估值公司,需要时间去吸收和淘汰。
话题推进: 在讨论完资本市场的现状和泡沫风险后,主持人引导嘉宾对未来进行展望。
01:59:58–02:02:17 下季度展望:世界模型、灵巧手与机器人大赛接下来一个季度到半年,或者说你比较确定会发生的事情是什么? 主持人询问嘉宾陈哲对未来一到两个季度的展望。陈哲提出了三个值得期待的进展:
1. 世界模型:随着世界模型成为行业研究热点,他期待有公司能基于此拿出显著超越当前VLA技术路线的成果或演示。
2. 灵巧手:随着更多研究者获得带有触觉信号的高自由度灵巧手,他预期未来一两个季度会出现更多灵巧操作的成果。
3. 北京亦庄的人形机器人比赛:陈哲特别提到这项即将在一个月内发生的活动。他解释说,去年这项比赛还被许多人视为“搞笑的噱头”,但今年,他得到的信息是几乎所有中国头部的机器人公司都在“不遗余力地备战”。他认为,这种高密度、高竞争性的活动,如同汽车工业的F1大赛,会催生前沿技术和方案的迸发与突破,并将成果下放到量产版本。他判断,未来的人形机器人运动会可能成为机器人领域的“F1”。
陈哲补充,许多人形机器人公司在宇树春晚表演后都憋着一股劲,想证明自己不输于宇树,甚至在某些领域能超越。这样一个开放、公平的比赛,既是体现技术极致追求的土壤,也因其是民众可以理解和欣赏的活动,兼具表演和宣传的双重重要意义。
陈哲 · 02:00:41
嘉宾陈哲提到即将在北京亦庄举行的人形机器人比赛。去年此比赛被视为“搞笑的噱头”,只有少数公司参赛。但今年,他得到的信息是“全中国所有有头有脸的人形机器人公司都在不遗余力地备战”。他将其类比为汽车界的F1大赛,认为它会催生技术突破。
话题推进: 在展望了具体的技术和行业事件后,主持人提出了一个更宏大、更开放的问题,引导嘉宾分享其当下的核心困惑。
02:02:17–02:04:20 核心困惑:人形是否为通用机器人的最优解?最后一个问题,我想请你分享一个此时此刻你觉得很重要,但是你还不知道答案的问题。 你现在倾向于人形是最优解? 所以你之前是更倾向于认同于第二种,就是未来会有很多不同形态的机器人的方案? 在节目尾声,主持人程曼祺请嘉宾陈哲分享一个他此刻觉得重要但没有答案的问题。陈哲提出的问题是:“人形是不是未来通用机器人的最优解,还是说未来的通用机器人会扩散出非常多的形态和工作方式?”
主持人追问他当下的倾向,陈哲表示自己对这个问题没有答案,甚至比以前更加模糊了。他解释,自己之前更倾向于后者,即认为通用机器人会像交通工具(汽车、飞机、轮船)一样有多种形态,人形只是其中一部分。但现在,他见证了机器人几十年的发展,理解技术突破的非线性。当技术越过某个临界点后,可能会进入正向加速的循环。
他的困惑在于,这个临界点能否被突破,还是会因为物理、机械结构、电机、能量等一系列限制而永远无法达到。他看到全世界的资源、脑力、算力都在涌向这个领域,试图解决最难的问题,因此他很难断言这个问题在五到十年内无法解决。这种不确定性让他感觉“更加模糊了”。
陈哲认为,对通用/人形机器人的看法可能会经历与AGI(通用人工智能)相似的起伏过程。从ChatGPT出现至今,人们对AGI何时到来的看法经历了震荡,但最终可能变得越来越理性或乐观。他相信,对通用机器人的认知也会经历同样的过程。
话题推进: 在嘉宾分享完自己的核心困惑后,主持人对本期“具身季报”的内容进行了总结,并结束了节目。
02:04:20–02:06:05 节目总结与预告主持人程曼祺总结了本期与嘉宾陈哲的讨论。她回顾了节目探讨的2026年第一季度具身智能行业的五大进展,包括:
- 中国及美国的人形机器人进展,如宇树的春晚表演、银河通用的网球demo、特斯拉Optimus面临的挑战以及Figure的动态。
- 重点讨论了“世界模型”作为VLA的潜在进化方向,并提及了像Rhoda AI这样的新兴创业公司。
- 深入探讨了灵巧手领域,指出其可能存在类似宇树G1的“品类定义”机会,以及灵巧操作和触觉输入对模型与硬件发展带来的新变化。
- 最后简要提及了即将到来的具身智能公司上市潮。
主持人感谢嘉宾的分享,并宣布本期节目结束,同时预告听众可以通过各播客平台及公众号关注节目后续更新。
话题推进: 节目正式结束。
以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。