在人潮湧動的世界機器人大會上，我們看到了「萬億美金」的新起點

聽說全世界的人形機器人，都在8月的北京。

隨著AI突飛猛進，具身智能成為了今年資本市場上最熱的領域之一，那些曾經僅存在於科幻電影中的機器人，正離現實生活越來越近，變得「看得見、摸得著」。

8月21日，2024年世界機器人大會在北京正式開幕，與以往最大的不同在於，今年是人形機器人參展企業最多的一屆，共有27家人形機器人整機企業、30多家產業鏈上下遊企業亮相。

在開幕前後，也有多家機器人公司發佈了新產品，比如宇樹科技發佈了G1量產版本，起售價為9.9萬元，這款產品在世界機器人大會上首次展出，更強性能、終極外觀，最關鍵的是可以大批量生產了。

宇樹G1機器人身手敏捷，不僅可以空中劈腿，還可以自由地上下樓梯，輕巧敏捷

智元機器人則是一口氣發佈了五款商用人形機器人產品，包括3款適用於不同場景的遠征系列（A2、A2-W、A2-Max），2款模塊化機器人系列產品（靈犀X1和X1-W，後者面向專業數據採集）。

星塵智能則發佈了新一代AI機器人助理Astribot S1，這款產品也在2024世界機器人大會上正式亮相。

銀河通用也在此前發佈了第一代人形機器人蓋博特，採用了輪式、雙臂、摺疊升降的設計，擴展了機器人的操作空間，並且擁有聰明的感知決策大腦，和精準控制身體進行泛化操作的小腦。

今天隨著人形機器人越來越走進現實，也迎來了群雄逐鹿的時刻，但技術路線仍不確定、應用場景皆有可能。我們在幾年前就系統性地關注通用智能機器人賽道，在機器人軟硬件一體化領域，投資了宇樹科技、智元機器人、銀河通用、星塵智能，它們都是優秀的全技術棧型創業公司，但各自的技術切入方向並不相同，切入的應用場景也不盡相同，有工業、倉儲物流、零售、生物製藥等等場景。短期目標都是快速佔領各自的應用場景，誰先把一個細分場景做好，積累出足夠多的數據，就有可能繼續拓展新的延展領域，最終走向通用化。

除了機器人軟硬件一體化外，在產業鏈上遊的兩個重要方向（數據、一體化關節），我們也投資了AI仿真數據領域的光輪智能，正在為行業提供海量的高真實性、高效用性的訓練數據；而在一體化關節/執行器領域，我們則投資了鈦虎機器人，鈦虎有非常高效和全面的產品系列，覆蓋了從靈巧手到全身上下的所有關節……

相比於AI大模型，人形機器人更需要工程層面的實踐與突破。比如1990 年出生的王興興，並不是履曆亮眼的學霸型創業者，他是一個典型的理科偏才。「大家可能覺得很多頂尖院校的人很厲害，但實際上大家都是普通人，在機器人這個行業里，很多人只做軟件，完全沒碰過硬件，而硬件是實踐出來的，你知道就是知道，不知道就是不知道。」 宇樹科技創始人兼CEO王興興說，在大學時代他就發現，只要集合最好的零部件，並且用上最先進的軟件，就可以做出一個更好產品，組合式創新。

與王興興有著類似的經歷，鈦虎創始人易港是一位95後，早在大學宿舍就搞起了3D打印機和焊台，大一就做出了假肢原型機，還在中美創客大賽中獲獎；大二又做出了一套主從式外骨骼，手部擁有17個自由度。他總結自己為什麼能在大學時期的很多獎項中，打敗名校的參賽項目，最核心的就是自己的產品「看得到、摸得著、能體驗，對社會有直接價值，而不是漂亮的PPT。」

隨著AI大模型的突破，今天的人形機器人，正越來越逼近臨界點。有越來越多之前不敢想的任務，如今都可以實現了。特別是隨著「世界模型」的提出，機器人的真機數據越來越具備實用價值。

「下一個十年，最值得做的就是人形機器人。」星塵智能創始人來傑說，他曾是騰訊RoboticsX機器人實驗室的一號員工、百度「小度機器人」團隊負責人，在去年底離職創業。

「人工智能的黎明已經迅速臨近，我預計在明年年底之前，全球至少會有一家公司能夠推出相對通用的機器人AI模型，發展速度之快令人矚目。」 王興興說，「我在年初提出了這一觀點，至今仍然堅信，明年年底實現這一目標是非常有可能的。」

「機器人的軟硬一體非常重要」

不同技術路線、不同應用場景，逐鹿方始

今天的機器人與以往最大的區別在於，隨著AI的爆發，智能泛化能力大幅加強，這讓通用機器人成為可能。傳統機器人並不需要對外界自主響應，所以這是一個自動化設備，不斷地重覆之前預設的程序。而現在有了智能泛化能力的突破，甚至只需要語音控制，機器人就能實現新功能，這是從自動化到智能化的底層轉變。

而AI大模型的能力，不僅體現在規劃層面，也開始進入感知和控制環節，機器人發展了50多年，第一次出現這樣由學習算法驅動、以及一個非常大的預訓練模型來推動控制環節的變化，這也是過去一年里，我們看到技術層面最大的突破。

「最終我們會有大腦大模型、小腦大模型，一起把本體串起來，構成一個通用機器人系統。」北大-銀河通用具身智能聯合實驗室主任王鶴說。他認為，通用機器人應該由基石層和能力層支撐，在基石層最關鍵的是去打造一個通用的本體，數據依賴於本體，本體也決定了它能產生什麼樣的數據，兩者相互綁定。基於本體和數據，進而發展出機器人能力，主要是「大腦」和「小腦」，前者主要解決感知和決策問題，後者把大腦的感知和決策轉換成動作。

比如智元機器人也遵循了這樣的思考邏輯。「稚暉君」彭誌輝從華為離職創業後，與上海交通大學博士生導師閆維新，組建了創始團隊，其中閆維新負責人形機器人的「身體」，彭誌輝負責人形機器人的「大腦」。「過去，他們在工作中有一些交集，創始人（彭誌輝）提出這個想法之後，大家一拍即合。」

遠征A1，是智元機器人的第一代產品，已於去年8月亮相。其步行速度為7公里/小時，依靠視覺傳感器和多線激光雷達可自主避障。它的靈巧手有5根手指，能像人類一樣抓取物品。應用場景專注於工廠、生物實驗室、家庭護理與陪伴等。

而一年之後，8月18日上午，智元機器人一口氣發佈了「遠征」與「靈犀」兩大家族共計五款商用人形機器人新品：交互服務機器人遠征A2、柔性智造機器人遠征A2-W、重載特種機器人遠征A2-Max、智元X-Lab孵化的首個全棧開源機器人靈犀X1、專業數采機器人靈犀X1-W。

對於機器人這樣，離不開硬件做最終執行的賽道，「軟硬一體」的能力尤其重要，像宇樹、智元、銀河通用、星塵等等公司都非常重視這一思路。如果我們看電動車與自動駕駛行業的歷史，2015年第一批電動車創業公司創立至今，在這個過程中，自動駕駛創業公司的數量，並不少於電動車創業公司。但在今天，單純做自動駕駛的創業公司基本上都處於掙扎狀態，鮮有獲得業務突破，哪怕曾經獲得過巨額融資。

但從電動車企的角度，不僅「蔚小理」等一眾新興電動車企崛起，先有了「硬件」、產生數據閉環，再切入自動駕駛，反而有很大的業務進展，各家的城市NOA越來越智能。如果一個行業離不開硬件支撐，並且這個硬件仍處於快速迭代期，單純做這行業的軟件是要冒極大風險的。

類似於新能源汽車核心的三電系統，彭誌輝將機器人的核心繫統分為：動力域（電機關節、伺服控制、電源管理）、感知域（傳感器模塊、感知算法）、通信域（網絡接口、數據傳輸協議、中間件框架）、控制域（通用算力、AI算力單元、運控算法、具身算法）。

「整個機器人其實是一個軟硬件極其複雜的系統，既涉及到內部各個硬件模塊的協同和部署，同時也需要軟件跟算法卡奧效配合。」 彭誌輝說。

另一方面，雖然最終的目標是通用化，但在當下早期的發展階段，機器人的產品定義並不明確。由於勞動力和任務需求是多元的，人形機器人公司短期內也不會只有唯一的巨頭，將會有很多公司圍繞不同細分市場，走不同的技術方向，積累該場景下的數據護城河，這種「條條大路通羅馬」的局面會維持一段時間。

一些公司選擇把主要精力放在機器人的「上半身」。比如銀河通用選擇的落地場景是無人值守藥店（特別是夜班），其首代產品蓋博特機器人，「下半身」就採取了輪式底盤+摺疊本體的設計。之所以採取這樣的設計，首先因為輪式底盤在零售場景里，已經完全可以覆蓋絕大部分應用。而摺疊的設計，往上可以摸到2.4米，可以覆蓋最高的貨架，機器人可以拿到所有貨物。

往下也可以摸到地面，比如當有產品不小心掉到地面上時，機器人也可以自己撿起來。這些都是目前機器人的雙腿結構，比較難解決的問題，而在當下集中精力先研發「手」，可能能夠率先實現應用價值。

星塵智能創始人來傑則將自己的機器人產品定義為「助理」，輔助人，而非替代人。首要的場景就是那些腦力勞動更多，但卻經常陷入一些重覆操作的事情上。最典型的例子就是生物醫療和化學實驗，這些都是需要高智力勞動，但卻繞不開重覆操作的領域。此時一個合格的機器人助理，可以解放這些教授、博士們雙手，他們只需要設計實驗，而所有操作都可以讓機器人準確無誤、不分晝夜的去完成。如果給一位生物教授配10個機器人助理，他用於創造的時間甚至可以翻幾倍。

來傑也非常重視「軟硬一體」的能力。得益於在騰訊RoboticsX機器人實驗室的經歷，他非常重視架構，「我們與騰訊RoboticsX機器人實驗室的架構就很相似，一半主攻機器人本體，另一半強調用AI算法去做感知和運動控制，以此來探索AI和機器人的強耦合。」

星塵融合了觸覺感知進行力控抓取，並結合規模化數據綜合訓練，包括人體動作影片演示、動捕、遙操作採集等方案。來傑非常重視傳動結構中的剛、柔結合，也裝入了一些傳感器以在傳動過程中，能一直監測力的傳輸。比如機器人在削黃瓜時，星塵的機器人並不是去估算軌跡，而是與人類一樣，通過感知削皮刀在壓到黃瓜上時，力量的大小，來控制力量的輸出，這種特殊的傳動結構，能使精度更上一層樓。

「當下，離我們想要的具身智能之間，還有兩個重要的Gap（差距）沒有解決。」星塵智能創始人來傑說。

第一個Gap是AI大模型和機器人之間，有時候一些問題的產生，並不是單純靠擴大數據規模，或是算法就可以解決，而是需要在機器人層面去進行提升，這是硬件帶來的。

第二個Gap是在硬件本身的表達能力足夠的前提下，AI如何更好地結合硬件的能力。比如說AI是否可能完全自主地進行學習和嘗試？假設有一個機器人在辦公環境下，它本來什麼都不知道，只知道一些基礎動作，然後讓它自己去建語義地圖，自己去理解環境，自己去觀察其他人的操作，然後把所有動作學會，這就跟我們人類很像。當然，這也是Yann LeCun所提出的「世界模型」。

彭誌輝在最近的發佈會上，對整個具身技術成熟度等級，做了從G1-G5的劃分，這類似於自動駕駛的L1-L5：

「我們在過去一年里，同時在G2落地和G3預研兩個方向，都取得了一些階段性突破。在G2階段實現了一系列zero-shot和few-shot的一些通用原子能力，比如通用的位姿估計模型UniPose。目前也正在與多家製造業和服務業領軍企業，進行聯合的場景POC，今年晚些時候有望全流程跑通，讓機器人能夠正式在客戶場景中部署幹活。」 彭誌輝說。

「大部分人對社會的成本結構一無所知」

硬件與中國供應鏈

低成本是人形機器人大規模運用的前提。今年5月，宇樹在發佈G1人形機器人時，把最低售價打到了9.9萬元。但這款機器人的參數一個不差，身高約127釐米，體重約35公斤，具有超越常人的靈活性，小跑速度大於2m/s，擁有廣闊的關節運動空間，23至43個關節，最大關節扭矩達到120N.m，可進行高難度的動態動作。比行業整體便宜80%的售價，再一次成為人形機器人領域的焦點。

「大部分人對社會的成本結構一無所知。」王興興說，「低成本的原因其實很簡單，以前很多學術或公司主要靠去買工業電機，但它們很大、很貴、很重，所以做出來的效果也不太好。但我後來發現，其實可以對航模電機加以改造，所以後來的電機驅動器全是我自己做的，可以做到很小很便宜，再結合最新的運動控制技術，就可以把整體性能做得非常好。其實整個社會大部分創新，是組合式創新，我們需要把各個行業的一些想法、技術組合做新的實踐，保證它是最前沿的，其實你就可以實現很多目標。」

在2013年-2015年讀研究生期間，王興興沒什麼資源和資金，卻做出了一款當時特別火爆的產品XDog，拿到上海機器人設計大賽二等獎，這幾乎是他一個人從頭設計硬件、控制算法，自製驅動電機做出來的。相比之下波士頓動力的四足機器人，還是純液壓方案，雖然性能不錯，但是很大、很貴、很重，那時候純電機驅動方案還是比較領先的。

「在製造成本方面，我甚至認為機器人其實與家裡的電風扇本質是一樣的，都可以通過各種方法將成本做到極致。」王興興說，他認為大部分產品都可以分為「材料成本+加工成本」，如果能優化整個流程，找到合適的加工方法，其實可以省很多錢。

與王興興讀研期間做了XDog類似，鈦虎創始人易港也在大學時期，東拚西湊了4-5萬元，在大學宿舍里買了3D打印機和焊台，自學3D建模和編程，模仿德國骨科隱形冠軍企業奧托博克的產品，製作出了一款假肢原型機，並在中美創客大賽中獲獎。

「做機器人，充滿了工程方面的問題，很多時候不是憑智商，而是看你對這個東西是不是真的感興趣，能不能去一點點鑽研，嘗試各種各樣的方法去解決技術難題，而且還要在一定的量產與成本可控的條件下。」易港說。如今，鈦虎主攻高性能一體化關節/執行器，延展到輕量級協作機械臂、人形機器人/外骨骼、靈巧手等，其產品主打高扭矩密度、體積小、重量輕，具備無框電機、減速器、驅動器、編碼器自研設計能力，擁有機器人所需要的所有關節，可以說是最為全面的產品線。

如果從更全局的角度來看，人形機器人最核心的是軟件+執行器，軟件負責感知和決策，本質上與自動駕駛類似，都需要先感知環境，然後做路徑規劃和決策。而在硬件層面，也就是機械設計層面，最關鍵的就是執行器，它相當於機器人的「關節和肌肉」，讓機器人可以做出各種動作，尤其是人形機器人，它的執行器數量要遠遠高於傳統工業機器人，也是人形機器人的設計難點和重要成本項。

如果我們按功能拆解特斯拉Optimus Gen2的BoM成本，按Morgan Stanley的分析

如果只看機器人的硬件成本，其中佔比最大的就是一體化關節，它集成了伺服電機、驅動器、減速器和一些控制模塊等。在傳統工業機器人中，這些伺服電機、驅動器、減速器等部件並不需要太集成，它們可以在空間上各自分立，通過各種線纜和連接件進行連接，體積重量大。但人形機器人不可能這麼做，而一體化關節/執行器的定位，就是在設計層面，將它們集成為一體化，實現更小體積、更輕重量、更強扭矩性能。

人形機器人還有一個特殊的核心零部件——靈巧手。它高度仿人手，是人形機器人執行動作的最終零件，十分重要且複雜，面臨的最大難題是要在極小的空間內，驅動自由度極多、配備功率密度高、控制精度高的電機，對其性能要求極高。

比如特斯拉Optimus機器人，和人手一樣同樣使用5個手指，擁有11個自由度，拇指採用雙電機驅動彎曲和側擺，其它四指各用一個電機帶動。電機採用蝸杆傳動機構的目的，與腿部直線伺服如出一轍，採用機構自鎖降低能耗。為追求形態美觀及自適應性，手指採用拉線的傳動機構，擁有負重20磅（9KG），和自適應抓取（能夠抓取不同形狀、尺寸的物體）的能力，可完成搬運、澆花等動作。這基本上就複製了人類手掌的功能設計。

4年前，易港還自主研發了一款靈巧手，「我也沒想到這款產品在今天那麼受歡迎，如今回頭看，其實這是現在三大主流結構中的一個，我們當時為了做假肢，結果相當於開創了一個結構派系。」

在靈巧手的傳動結構中，有奧托博克式的直線推杆方案，這個方案在2008年就實現了量產。另一種主流結構是拉繩式，類似於模仿人體的筋腱，拖一根繩子來傳動。還有一種鈦虎的專利，基於平行齒輪、錐齒，再加上三連杆的結構。「如果從美觀度、抗衝擊性、裝配難易程度、成本等各個方面來看，第三種方案有其優勢。」易港認為。

機器人上半身的發展，直接決定了它現在能做什麼。當然靈巧手的設計和應用並不容易，在這項技術成熟之前，採取夾爪（「兩爪」、「三爪」）的方案也未嚐不可，需要有選擇性。比如銀河通用在便利店場景的實際應用中，給機器人裝上了吸盤和夾爪兩種末端執行器，機器人可以自主決策需要用哪個，例如在需要拿礦泉水瓶時，夾爪就可以完成任務，但在抓取零食時，吸盤會更合適。

同時，銀河通用還在針對靈巧手展開研究，因為面對過寬（夾爪的夾距有限）或光滑的物體，以及柔性物體（比如晾曬衣服，需要用衣架把衣服插起來）、複雜場景（擰瓶蓋）時，靈巧手或許才是終極解決方案。

相比於AI大模型，在人形機器人領域，硬件的快速迭代也有很重要的影響。拿電動車產業舉例子，傳統燃油車至少需要三年時間的研發、七年時間的全球銷售，才能收回成本開始盈利。但現在中國的智能電動車企業，已經能做到兩年就迭代一個平台，因為如果不能在兩年之內迭代一個平台的話，這個車型無論是在智能化方面，還是在續航里程方面就都跟不上。在光伏產業也類似，每隔幾年就會有一個重要的技術迭代。一個新產線如果不能在兩年之內實現產能交付，基本上也會被淘汰。

而機器人硬件水平每迭代一次，很多核心性能都會躍升一個台階，而這恰恰是中國供應鏈的優勢。比如減速器、電機的升級，對精度、力控都有決定性影響，這能極大升級機器人的可操作性。一旦研發成熟，到達製造環節，根據大多數製造業的規律，每當產量翻倍，成本將會降低10-30%，這在光伏和鋰電池行業中，均有所體現。

「展望未來，整個機器人產業鏈，很可能比現在的汽車產業鏈更高一個量級。」易港說。

「人形機器人比自動駕駛更缺數據」

真機數據、仿真數據與機器人的數據饑渴症

「數據是AI下一個發展階段的最大助推力，但真實世界的數據是遠遠不夠的，這需要仿真數據來彌補。」光輪智能聯合創始人兼COO楊海波說，「我們認為很快就能找到Scaling Law，那麼機器人也將很快變成數據驅動，這也是我們做仿真合成數據的初衷。」

GPT-3.5之所以能產生劃時代的突破，核心在於Scaling law，而這離不開數以百億的訓練數據。訓練AI大模型的數據在互聯網上容易獲取，但對於機器人來說，直接可用的數據幾乎為零。

能否獲得高質量且足夠便宜的數據，是當下製約機器人發展的瓶頸，也是拉開公司之間競爭的重要手段。前車之鑒是Everyday Robots，它曾是Google的明星獨立項目，但在今年2月被Google因成本控制而解散，併入Google其他部門。

造成Everyday Robots成本高昂的一個重要原因，就是數據採集成本過於昂貴。OpenAI曾經也有一個機器人部門，但後來放棄了，問題也出在數據收集上。

為什麼採集成本這麼高？主要是因為EverydayRobots基於真實環境來收集數據。Google為了訓練PaLM-E，用了13台機器人，收集了17個月，才拿到足夠的數據量，如果是在更複雜的工業場景，數據採集成本會更高。

「目前對於人形機器人來說，主流的數據獲取手段分為兩種：一種是真實數據，另一種是仿真數據。」楊海波認為。

真實數據就是構建一個採集數據的基地，在裡邊搭建相關設備，比如遙操作、動作捕捉等等，比如家庭場景里的做飯，捕捉方方面面的動作數據，然後再對合併數據進行一些泛化，以及清洗，最終給到模型。

仿真數據則是完全在模擬器中進行的。首先用虛擬建模的方式，把環境場景搭建起來，然後再把機器人虛擬化放進去，形成一個動態的場景。這裡面的一切物體，建模都要儘量接近真實，比如需要做一個蘋果，那就要製作出大量不同的具體形態，比如不同的光照條件、不同的位置條件、不同的摩擦力情況等等。

從這樣動態場景提取出來的數據，其實是一張張類似於「圖片」的數據集，在這些「圖片」上也需要補充針對性的標註，再給到機器人公司做算法訓練。這個訓練過程，就有點像特斯拉在訓練FSD時，拿人類司機的真實駕駛影片訓練。

仿真數據最核心的要求，就是儘可能的接近真實，真實度、泛化度都是重要指標。如何符合物理規律，是目前的一個難點，比如一個物體是軟還是硬，這就需要更複雜的參數設計。

由於仿真數據多數是通過視覺，訓練過程往往是，首先需要判斷出來這個物體是什麼材質，比如是個杯子，然後再去設計多大的力量，這個過程也可以加入大語言模型的能力。但這與在機器人的傳動結構中，加一個力觸覺是不同的技術方向。

所以，仿真數據與遙操作各有優劣。遙操作的優勢在於，在將採集到的數據用於訓練機器人後，這一項任務的成功率會很高。但劣勢也很明顯，機器人的能力缺乏泛化性。

比如在特斯拉訓練機器人分揀電池的例子中，就是通過人類帶著VR眼鏡，去遙控操作機器人採集而來的。通過這種方法訓練出來的機器人，幾乎只會重覆遙操作時的動作，比如把一個電池放到三乘三的盒子裡，但當你把電池換成礦泉水瓶，同時將盒子換成更大的四乘六時，機器人就不知道怎麼辦了，這時候就又需要重新進行遙操作再去訓練。在沒有形成海量數據的時候，每做一個新動作都非常吃力，數據採集成本很高，並且難以在短時間獲取大量數據。

與遙操作對比，仿真數據的優劣勢幾乎相反。首先可以用低成本生產海量數據，同時機器人在經過訓練以後，能力是泛化的，因為可以仿真製造一系列所需要的場景和交互，以使機器人可以解決各種問題。

當然，仿真數據的劣勢也很明顯，問題主要出在仿真還不夠接近真實，當把通過仿真數據訓練的機器人用在真實場景中時，存在一定的失敗率，比如在抓取任務中，因為光照、環境等各種因素的改變，機器人可能以為抓到了，但其實沒抓到。

提高數據規模，嘗試將大模型訓練中的Scaling Law，應用在機器人仿真訓練數據中，可能是準確率不足的解決之道。

在王鶴看來，他在一開始嘗試用仿真數據時，也遭遇了準確率不足的問題。不過他很快意識到，當時只用了一個百萬級的數據集，如果把規模擴大會怎樣？

「我們自己的實驗發現，比如在抓取這個任務上，在用靈巧手抓取沒有見過的、隨機亂放的物體時，在有十億次抓取數據的情況下，機器人的成功率能到 86%，如果數據量縮到萬分之一，也就是 10 萬次抓取時，成功率就只有 58%。這說明具身智能也有清晰的 scaling law，它對數據有更大渴求。」王鶴說。

「傳統的仿真是以測試為中心的，而為具身智能服務的仿真，則是需要以訓練為中心。」光輪智能CEO謝晨說，他認為好的仿真數據首先要有自我真實性、效用性評測能力，如果沒有這些，仿真數據也很難讓客戶的算法有所提升。謝晨曾在英偉達負責自動駕駛仿真，國際首創將生成式AI融入仿真，從0-1開發落地仿真數據，後選擇回國創立光輪智能。

「仿真數據不會取代真實數據，而是放大它。」 他認為終極的Data for AI，會是真實的人的示範數據，與仿真數據能力的乘積。

結語

過去10年，AI給太多行業帶來過希望和失望。而今天的人形機器人，正越來越逼近臨界點。雖然機器人至今沒有清晰的產品形態，但我們看到每一家機器人創業公司都在嘗試各自的應用場景，像我們已經投資的四家機器人軟硬件一體化公司（宇樹科技、智元機器人、銀河通用、星塵智能），再配合著產業鏈上遊的核心一體化關節（鈦虎機器人）、仿真數據（光輪智能），都在不同場景下有非常好的應用。

這一波人形機器人公司的短期目標，都是快速佔領各自的應用場景，誰先把一個細分場景做好，積累出足夠多的數據，就能建立護城河，再去拓展新領域，最終走向通用化。

而機器人的發展離不開硬件。與歐美市場對比，我們看到國內很多初創公司的硬件迭代能力，比海外要快很多，成本控制能力更好，在某些硬件細節方面超越了海外同行。

全球化幾乎是中國通用機器人公司的必選戰略，且與電動車行業不同，其在全球化中遇到的障礙會更小。其中一個原因是，幾乎沒有一個國傢俱備有規模的機器人產業，此時出海不會衝擊當地的產業結構，只要產品質量和應用體驗足夠好，出海溢價可能達到國內的5倍以上，這將為中國通用機器人企業提供廣闊的國際市場。

人形機器人能發展到今天的位置，來之不易。「我記得在2016年的時候，那時我還在百度，有一次參加完一個NLP的會議，結束之後充滿了挫敗感，感覺好像這輩子都看不到真正的應用，你也不知道那時的投入到底是不是對的。」星塵創始人來傑回憶，「但我也經常反思，從我過去十幾年對未來的預判里，我發現AI和機器人整體的發展速度，又是大大超出我的預期了。短期內你永遠會看到很多困難，但這麼多聰明的頭腦，其實在解決一個又一個問題，產生了一個又一個技術突破，就像有一隻巨大的手在促使這個行業往上升，這給我帶來很大的能量，讓我一直堅守在這個行業里。」

「技術是一個日新月異的事情，你無論是在做你的老本行，還是做一件新事，你都有可能明天就被更新的技術給‘卷’了，AI和機器人行業尤其如此。與其說按兵不動，還不如主動的去創造變化。」 光輪智能創始人兼CEO謝晨說，「所以在我看來，現在的創業成本其實比之前要低太多了，因為現在不變的成本太高了。」

本文來自微信公眾號「經緯創投」（ID：matrixpartnerschina），作者：經緯創投主頁君，36氪經授權發佈。