具身季報 26Q2：世界模型大風不停，和不想被貼標籤的人

文 丨 實習生裴雨桐

訪談 丨 程曼祺

《晚點聊》具身季報系列第二期，我們繼續邀請 Alphaist 的創始合夥人陳哲 Peter 和我們分享具身智能行業 2026 年第二季度的觀察。

本次季報的主體部分，依然按照季度 Top 5 事件/進展展開，分別是：

我們也延展討論了一些資本市場的變化、新玩家入場，如 OpenAI 的 Robotics 團隊官宣和落地節奏之辯。

大模型和 Coding Agent 之後的下一步是什麼？物理 AI 和機器人是重要候選答案之一，只是我們還難以看清時間。這一系列節目想做的正是記錄和丈量行業的變化，也試圖預測和判斷。

以下是播客的文字整理，有部分精簡。

晚點 ：先總結這一季度最重要的 Top 5 話題，你覺得第二季度具身智能領域你最關注的五件事或技術進展是什麼？

陳哲 ：Q2 比較明顯的是世界模型和靈巧手取得了一些顯著突破，同時人形機器人第一次大規模走進普通人的視野。我個人會這麼排序：

第一件事是北京亦莊人形馬拉松比賽，100 多個人形機器人蔘加了全程，冠軍是手機廠商榮耀的機器人事業部。這件事傳達的信號是：大廠可以把人形機器人做好，並且在未來可能變成整個市場非常重要的一股力量。

第二件是 Figure 連續幾天直播人形機器人做包裹分揀，這算是第一次向全球大衆普及人形機器人在工業場景的價值。

第三件是靈巧手和靈巧操作的爆發。在維也納 ICRA 會議上，以舞肌爲代表的公司發佈了新一代高自由度靈巧手，多家創業公司也用高自由度靈巧手做出了精細操作的基座模型，讓靈巧手成爲下一個競爭戰場。

第四件事 6 月 1 號英偉達發佈 Cosmos 3 世界模型，讓世界模型從概念向更產品化走了一步，世界模型也成爲這個季度創業最火的風口。

最後一件事，是 VLA 的進一步迭代，包括 Physical Intelligence 的 π0.7、Generalist 的 GEN-1，VLA 也開始出現和世界模型融合的跡象。

晚點 ：上一季度結尾我們討論對未來的展望時，第一點你就提到，想看世界模型將來能否拿出超出 VLA 的進展。這一季度算實現了嗎？

陳哲 ：上個季度我們提到世界模型時，它還是一個研究上非常創新的思路，我們只見到了一些實驗室級的早期樣品，比如當時重點展開的英偉達 DreamZero，它實際上是 GEAR Lab 一個比小規模實驗室作品，用的視頻模型基座還是開源的 WAN 2.1。但到了 6 月，英偉達發佈的 Cosmos 3 是一個更產品級、也更大規模預訓練的模型，把世界模型從實驗室拉到了工業級，變成了可以被調用、可以被部署的狀態。

晚點 ：這算超越嗎？還是現在比較難判斷。

陳哲 ：應該說經典 VLA 架構的優勢和劣勢已經比較明顯，世界模型的長處是對環境的預測和建模。以 Cosmos 3 爲代表，我們看到一個統一架構的世界模型，可能對 VLA 能力帶來潛在提升；同時領先的 VLA 模型也正在用不同方法連接、縫合世界模型的能力，進入自己的體系。

所以與其說世界模型顛覆或超越了 VLA，不如說它給現有的 SOTA 模型帶來了更新的能力和思路。

晚點 ：下面我們正式進入 Top 5 話題的討論。第一件事是 4 月 9 號在北京舉行的人形機器人馬拉松，這一次的冠亞季軍都是榮耀機器人事業部的機器人閃電，這讓從業者感到意外嗎？

陳哲 ：亦莊馬拉松我當天也去了現場。比賽開始前，奪冠的三大熱門就是宇樹、北人（北京人形機器人創新中心）和榮耀。

北人的天工是上一屆冠軍，作爲衛冕方做了不少準備；宇樹今年第一次正式參賽，作爲人形運動控制的全球標杆，賽前測試視頻跑出了 10 米每秒的成績。

榮耀機器人事業部大概兩年前成立，團隊接近一兩百人，從行業招攬了一批有經驗的工程師和專家，研發投入量級顯著高於另外兩家。這筆錢用來定製比賽所需的大扭矩電機，還設計了一套非常精密的液冷機構。

現場很明顯：其他公司的機器人長時間高速跑動會電機過熱、不得不休息，而榮耀的液冷機制讓整個比賽中，電機溫度都控制在比較低的水平。這是它能保持高速度和較好一致性的重要原因。

晚點 ：榮耀奪冠牽出一個跟未來行業走向相關的問題。有人認爲，如果長於本體的公司今年無法 IPO，無法到一個資源充裕的相對安全狀態，接下來像榮耀這種資源更多的終端大廠——手機、汽車——他們的人形本體進入市場後會更有競爭力，因爲這些公司在大規模製造上更有經驗。你怎麼看？

陳哲 ：榮耀這次的成功，預示了未來這個市場的競爭格局：一個有高端製造經驗、很強組織能力的團隊，在足夠的資源和人才密度下，可以快速拿出非常有競爭力的人形機器人產品；在運控、導航算法上，大廠的水位也不差；至少對單純追求性能的馬拉松而言，榮耀的能力不差。

而在中國，擁有榮耀這樣組織能力、人才能力和資金能力的大廠還蠻多的，像小米、小鵬、理想也已經開始嚴肅投入。所以人形機器人作爲一個高端製造加上覆雜算法、複雜軟件系統的行業，正在從單一技術見長的創業公司視角，演變成一種系統工程和系統作戰能力的競爭。

晚點 ：25 年那次冠軍是北人天工，半馬兩小時四十分鐘跑完，第二名松延動力三小時三十七分鐘，差了整整一個小時。這一次自主導航類別裏，榮耀的三個機器人成績都在 50 分鐘左右，而且咬得很緊，從遙控變成了自主導航。你怎麼評價這個進步速度？

陳哲 ：進步速度非常快：一年左右成績提高了三倍多，而且是在這麼長的距離、多個機器人同時參賽的前提下，實現了相當高的可靠性和一致性。相比去年很多機型磕磕絆絆，今年更多機器人能順利地完成全程，硬件、控制和自主導航層面都看到了非常快的進步。

它還反映出另一層意義：如果大家嚴肅地投入資源，很多問題在今天的技術架構下是可以解的。可能更大的問題在於，此前並沒有人對人形機器人的 Locomotion 性能極限提出要求，所以不會專門爲馬拉松這種長達一個多小時、比拼最高速度的任務去做整個硬件和系統的優化。

晚點 ：但這類比賽和演性質的展示長久以來有個疑問——它有什麼用？這裏誕生的需求是對機器人的真實需求嗎？

陳哲 ：我認爲馬拉松作爲一種極限運動性能的測試，本質上是人形機器人技術的練兵場，是一個 benchmark。一個人形機器人要順利完成 20 多公里的半馬，需要非常好的全身運控能力，要處理應激場景和地面各種不規則障礙物，還要長時間無故障運營，同時解決供電、散熱等系統問題。當我們能熟練掌握人形機器人各種能力的邊界，到量產時就有大量系統經驗和設計經驗可以利用。

這就像 F1 賽車從來不是爲了賣車，而是不同汽車公司展示最新技術、突破技術邊界的嘗試，其中很多技術會逐漸被引入量產產品。

晚點 ：你排在第二的進展是 Figure AI 的超長時間連續直播。和馬拉松不同，它發生在真實物流產線上：從 5 月 13 日開始，三臺 Figure 連續直播了 200 個小時，站在流水線旁把包裹翻面、把標籤翻到正面，速度做到了差不多 3 秒一個。爲什麼你認爲這次直播展示很重要？

陳哲 ：Figure 這次的包裹揀選，無論從觀賞效果還是實際工業價值，都算是一次 0 到 1 的突破。我們很長時間都在討論：人形機器人到底能做什麼樣的工作、在什麼場景下能有效替代人？物流的包裹分選本身就是一個非常合適的場景——它需要一定的泛化性和通用操作能力，而且工作連續、長時間，非常不適合人類長期去做。Figure 是全世界第一個把這樣一個場景通過直播向全球大衆展示的公司，示範意義非常明顯。

晚點 ：直播裏機器人站在固定位置沒動，但用的是帶雙足雙臂的全人形。你覺得這是一種冗餘嗎？

陳哲 ：在快遞分揀中，包裹由傳送帶快速投遞，絕大部分情況確實只需要雙手拿起、翻面，這也是 Figure 固定在那裏的原因。但現實中會有很多意外：傳送帶速度過快，物體過輕，或者是球形、會滑動的，直播裏我們確實看到一兩個物體從檯面滑落到地面。這種意外出現時，只有人形機器人加上具身模型的通用泛化能力，纔可能解決無法窮盡的長尾問題。

晚點 ：同樣的問題，四五年前不就有機器視覺加工業手臂的公司試圖解決了嗎？中國郵政四五年前就陸續和很多機器人公司合作，做的就是這種方案。

陳哲 ：但一直沒有真正工業落地。傳統機械臂方案：運動控制加深度學習圖像識別，再加一個工業手臂——很難解決好這個問題。我們到底在解決什麼？是當快遞包裹被快速運過來時，能快速掃描到有二維碼、條形碼的那一面。快遞包裹往往是軟體，貼在上面的二維碼非常容易被遮擋或形變。人會用雙手做靈巧操作，把二維碼翻面、展平——這兩個動作在四五年前的技術棧下基本無解。這也是爲什麼不管是 Figure 還是星動紀元的展示，都用到了靈巧手。

四五年前想解決這個問題的公司基本還在用吸盤，因爲吸盤在當時是更通用的方案，但吸盤只能做簡單的 pick and place，沒法兩手操作。就像我們之前看 Pi 和 DYNA 做的疊衣服 demo，deformable（可形變）材料的操作其實非常適合今天的具身模型，你沒法用一個簡單的固體模型去建模它的空間幾何和操作點，必須有一個具備泛化和理解能力的自適應模型。

晚點 ：包括你投資的海柔、已經上市的極智嘉，這些倉儲物流自動化公司其實都在解決標準化場景。爲什麼到今天物流仍然是人形機器人非常大、非常有價值的場景？

陳哲 ：因爲在標準化的包裹、紙箱之外，還有大量非標的包裹和揀選需求沒被解決，比如電商倉的商品類型多樣、柔性強。有揀貨、打包，也有快遞分揀的需求。Figure 和星動紀元選這個場景非常聰明，因爲它確實是老技術棧、非人形方案很難流暢解決的問題。

晚點 ：直播裏有人質疑機器人的扶頭動作是遙操的，而 Figure 官方說是 Helix 02 模型自主完成的。

陳哲 ：遙操根本不是爭議點。所有人形機器人真正進入部署場景之前，都有長時間的遙操作來收集數據、糾正動作。哪怕相當一部分時間需要人類介入，也不能削弱這件事本身的意義。

晚點 ：未來真正進入工業長期部署，可能會有點類似自動駕駛——後臺一個真人管着數臺機器人。

陳哲 ：當然。遠程接管對 Robotaxi 已經是 norm，我們看 Waymo 和國內 Robotaxi 公司時都會衡量接管效率，即一個人能盯多少臺。對全自主運營的人形機器人來說一定也是這樣。

但工業、物流場景可以有人在後臺盯着，真進家庭場景就有隱私問題，對全自主能力的要求又更高了。這也是爲什麼人形真正進家庭的難度，無論隱私還是數據分佈，都比工業場景更大。

歷史上真正成功的 to B 機器人，基本都在有大規模部署量、足夠高吞吐率、作業環境和需求比較一致的場景裏，比如極智嘉、海柔、Kiva system 這些都在倉儲自動化領域。Figure 找到的物流分選場景非常好——它在之前的機器視覺加工業臂時代並沒有被很好地解決。

晚點 ：去年和今年宇樹兩次上春晚，讓中國大衆對人形機器人有了不少認知。你覺得 Figure 這次直播在海外出圈嗎？

陳哲 ：在 X 上反響蠻高。同時期還有件有意思的事：幾天前在美國達人秀上，來自成都的舞者吳宇飛和 8 臺宇樹 G1 做了一段現場舞蹈表演，獲得全票晉級，掀起全網討論。它和 Figure 一樣，都讓美國普通百姓通過直觀的方式，看到人形機器人怎麼進入工業和商業場景。之前很多人看到中國春晚的機器人表演，還會懷疑是不是 AI 生成的、是不是錄了很多遍。

晚點 ：說回國內，星動紀元在物流上和中國郵政宣佈了新合作，去年 11 月也發過郵政分揀的 demo。國內離真正落地大概還有多遠？

陳哲 ：從技術成熟度講已經相當成熟。我瞭解到，星動紀元在快遞分選這個場景裏，不光在中國郵政，也在順豐做了長時間測試和訓練，已經能實現人形機器人全自主的分包、翻面、掃描等一系列工序。這很好地體現了中國公司在人形物流工業場景的落地，完全不亞於美國公司。

晚點 ：你投過的海柔、XYZ 這些在物流深耕比較久的公司可以往這個方向拓展嗎？

陳哲 ：當然可以。這回到 to B 科技公司一個底層問題：很少有技術本身具有壟斷性，更關鍵的是你的產品要嵌入一個更大的運營體系——比如快遞、倉庫的物流自動化。行業認知經驗、和客戶系統的耦合，都會變成非常重要的壁壘。所以在上一個範式裏已經取得成功的 to B 機器人公司，都有機會把人形和具身大腦應用到還未被解決的場景中。

晚點 ：上一批公司是不是融資上會差一些？因爲沒那麼強的新噱頭，但已經有相當體量的收入了。

陳哲 ：上一波 to B 機器人公司基本都已進入 IPO 或 Pre-IPO 階段。雖然他們在一級市場講具身概念會被覺得是家老公司，但真正 IPO 之後能獲得的資源和能力，有可能遠遠大於今天還在一級市場的公司。比如做送餐機器人的普渡，現在已經是商業清潔裏非常頭部的公司。倉庫裏還有大量員工、物業裏還有大量清潔工，對今天簡單自動化沒覆蓋的場景，對這些公司都是很好的延展。

晚點 ：上次我們還聊了一個細分趨勢：把 Locomotion（運動控制）和 Manipulation（精細操作）結合起來，也就是全身的運動控制。比如包裹分揀在 corner case 下就需要全身控制能力，也有新公司專門做這個，比如李弘揚老師的源策未來。

陳哲 ：整個具身市場過去兩三年主要在關注操作智能。之前說到機器人的 Locomotion，會自然覺得那是一種小腦能力，跟大腦的認知、決策和操作沒有直接關係。但隨着 Locomotion 和 Manipulation 逐漸成熟，我們發現有機會用一個更一統的架構同時訓練移動和操作能力。在這個前提下，那些真正擁有很強運動控制能力的團隊，價值會被放大。這個季度我們不光看到很多新公司，也看到一個明顯趨勢：越來越多公司在收集全身運控的數據。

晚點 ：之前大家採的是什麼數據？和現在有什麼區別？

陳哲 ：具身智能整體的瓶頸就在數據，每個週期模型範式的迭代本質上就是數據範式的變化。通過看數採公司在做什麼，能提前預判行業往哪走。

兩年前最火的是 ALOHA，本質上是真機遙操作數採。經典 ALOHA 方案涉及四個機械臂，人操作其中兩個、直接控制另外兩個，構型完全同構，遙控那隻手臂上的動作都能被另一隻克隆複製。這是 Tony Zhao 跟梓鵬在 23 年發表的工作。

到去年左右，出現了遲宬他們做的 UMI 方案：用人手持一個兩指夾爪，是一種無本體的數據採集方式，好處是成本更低，一個數採人員拿着兩個夾爪就能在很多真實場景裏採集。

到去年底，大家又引入 Ego-centric（第一視角）視頻，戴一個頭環或頭戴攝像頭收集大量第一視角操作視頻，好處是多樣性暴漲、可以應用在非常廣泛的場景裏，而且對人操作任務的干擾儘量小。它的核心是第一視角視頻，可以搭配 UMI 夾爪、數採手套，也可以空手。

晚點 ：所以它的量和多樣性都會提高很多。那英偉達的全身動捕 SONIC，和電影裏在人身上打點的特效動捕區別是什麼？

陳哲 ：去年底英偉達 SONIC 全身動捕工作出現後，越來越多團隊能通過動捕給人形機器人做大範圍數據採集，也能把人的各種動作、舞蹈更快遷移到人形上。你有一些大概的骨骼點，用外部 camera 採集，然後要把這些骨骼點映射到一個人形機身上，也就是怎麼做 retarget。SONIC 是一個開源技術棧，做得特別好又很簡單，大家能很快遷移上去。

這裏很大一部分原因也是宇樹做好了，不只是硬件，開源市場裏很多人圍繞宇樹 G1 做了參數優化，所以捕捉到一個人的運動骨骼信息後，能很快遷移到 G1 上。所以今年我們看到更多想做全身動捕、並在此基礎上做 Manipulation 的嘗試，也看到很多公司開始想辦法採集靈巧手的數據。本質上，我們今天採集的數據，可能就會轉換成三個月、六個月後模型上的突破。

晚點 ：第三個主題是靈巧手和靈巧操作。你剛去維也納參加了 ICRA，舞肌也有比較多展示。第二季度靈巧手有哪些變化？

陳哲 ：這次 ICRA 有非常多中國廠商參展，尤其在靈巧手領域。以舞肌爲代表發佈了新一代直驅靈巧手，曦諾、臨界點等公司也發佈了新一代高自由度產品。星動紀元的高自由度靈巧手也發了——他們郵政合作用的是自己的 XHand，應該是中自由度的手，但在 ICRA 發的是 21 自由度的旗艦款。

在 ICRA 發佈靈巧手的公司蠻多，但舞肌的二代手顯著獲得了更多關注和認可。今年的情況跟 25 年很像。25 年 ICRA 大家印象最深的是 Sharpa 發佈高自由度靈巧手，這一屆就是舞肌的二代手。

晚點 ：上次我們聊到 Sharpa 的手是 22 個自由度、5 萬美元左右，很多全球前沿研究室在用或在等。舞肌二代手是什麼情況？

陳哲 ：舞肌的二代手是 20 個自由度。有些靈巧手標稱自由度更高，但有些自由度裏並沒有動力。我們一般把靈巧手自由度分主動和被動，被動自由度名義上更高，但不能主動控制，會在被別的關節牽扯時被帶過去。對高自由度靈巧手來說，20 個自由度左右基本就能實現人類掌內需要的各種操作。這也是個工程上的 trade-off，取決於技術方案是直驅還是繩驅。全自由度的直驅靈巧手，基本上就是每個自由度上都有一個電機。

舞肌和 Sharpa 可能是全球做直驅高自由度靈巧手最領先的兩家。他們去年的一代手反響很好，但有不少工程問題：比較嚴重的散熱問題；結構沒有反驅能力，關節不能很自由地反向掰動，在強衝擊環境下容易損壞，對力的響應和控制也不夠靈敏。

這次的二代手在沒有增加重量的基礎上，實現了更好的反驅性能，也大大改善了散熱。現場有非常多觀衆上手去試、去感受這個手的靈巧性和反驅性，對研究人員很有吸引力。

而且，把舞肌和 Sharpa 的手 side by side 放一起，舞肌大概只有 Sharpa 一半的體積。目前大多數高自由度手，除了舞肌二代手和曦諾未來 Flex 2 之外，體積普遍比成年人的手大 1.5 到 2 倍左右。這意味着很多基於人手學習的操作策略，很難在一個體積過大的手上覆現。

晚點 ：研究人員去看靈巧手，怎麼看出門道、判斷是不是自己需要的？

陳哲 ：主要看手的體積、靈活度、反驅性和機械性能。其實就跟我們看宇樹機器人一樣——大家需要的是一個好的硬件載體，才能在上面完成大量控制工作。這次舞肌獲得積極反響，也因爲 ICRA 主要是個學術會議。過去一兩年我跟很多海外研究人員交流得到一個認知：大家完成了以夾爪爲核心的 VLA 研究之後，發現硬件限制導致很多更復雜的任務無法完成。

靈巧手不是新領域，全世界已經發展了三四十年，但直到今天也沒有特別成熟、便宜的硬件方案，讓全世界研究員能在這個基礎上快速研究和試錯。舞肌今天的定位比較像宇樹：專注於把一個低成本、高可靠性的硬件設備做到足夠耐用，讓大家在這個基礎上做大量研究。這也是爲什麼過去一兩個月，非常多美國和中國的創業公司都發布了基於舞肌靈巧手的靈巧操作模型或工作進展。

晚點 ：現在高自由度靈巧手全球的市場規模是怎樣的？

陳哲 ：今天靈巧手市場分低自由度和高自由度。低自由度手——無論第三方公司（像靈心巧手、強腦）生產還是智元等自產，一年市場規模大概在小几萬隻，基本和人形機器人的數量成正比。賣得最多的應該是靈心巧手，還有做連桿的因時量也大，因爲很多最早做殘疾人市場的都做這個。已經有相當出貨量的公司不少，包括因時、靈心巧手、強腦、傲意，以及智元拆分出來的臨界點。低自由度手很大的場景是配合人形機器人銷售，無論表演還是簡單抓取、pick and place。

高自由度手以 Sharpa 和舞肌爲代表，主要面向全球靈巧手操作科研市場。這個市場出貨量還比較小。去年 Sharpa 真正量產前，市場上幾乎沒有能買到的量產高自由度靈巧手，頭部目前在幾千只水平。但因爲技術含量高、對算法和數據都有影響力，是大家競爭的焦點。

晚點 ：靈巧操作的模型這塊有什麼進展？

陳哲 ：今年 5 月，Genesis 發佈了用定製五指手做的靈巧操作模型。Genesis 是 24 年成立的，一開始做機器人仿真環境，一年多以前開始專注靈巧操作和機器人全棧系統開發。我認爲他們 5 月份的工作代表了目前用高自由度靈巧手做操作的 SOTA。

他們公開說採集了大概 20 萬小時數據，相信相當一部分是 Ego-centric 數據，也有一些通過遙操作或數採手套獲得的真機數據。從 demo 可以看到，他們用舞肌的手實現了旋轉魔方、處理食物烹飪、彈鋼琴等一系列靈巧操作。

晚點 ：他們展示的做菜步驟還挺長的，有 20 個步驟。你覺得這是什麼思路？

陳哲 ：靈巧手操作模型今天還處在比較早期的階段，很多操作其實比較像兩年前我們用 ALOHA 做真機遙操。如果有比較高質量的人類完成某個任務的數據，無論動捕手套、外骨骼還是其他方式，採集到足夠數據量，就有很高的置信度把這個動作重現，也就是 behavior cloning（行爲克隆）。

因爲之前市場上完全沒有高自由度靈巧手供給，所以今天很多做模型研究的公司，還處在比較初級的獲得真機數據的階段。可能之後隨着 Ego-centric video 技術提升，或者更輕便的類似 UMI 的方法，讓用戶更快捷地採集高保真手部操作數據，那時纔有可能訓練出更泛化、通用的靈巧手操作模型。

在高自由度靈巧手操作上，市場上還沒有特別清晰的方法去獲得足夠高保真的數據：到底是純粹的 Ego-centric video only 就能解決，還是像當年 G1 跳舞用一個非常好的仿真（Isaac Sim），或者要靠很好的動捕設備（手套、肌電手環、外骨骼），目前還沒有共識。但我們知道，只有數據問題得到充分解決，纔有可能訓練出非常泛化的靈巧手操作模型，而行業正快速往這個方向推進。

晚點 ：數據是 AI 進展的三要素之一。你覺得靈巧操作的數據最後會在哪？這個問題也可以等價於：靈巧操作這個能力，最後是軟硬一體、迭代更快的靈巧手硬件公司能更好做出來，還是做具身大腦、大腦小腦融合統一模型的公司？

陳哲 ：在 ALOHA 和 UMI 時代，其實已經誕生了非常多數據採集公司，開始服務各種具身大廠或創業公司，比如簡智、光輪，美國也有類似的。UMI 本質上是個簡單的平行夾爪，對執行器硬件依賴比較低。但高自由度靈巧手的數據，如果不控制手本身的結構和設計，作爲第三方去採集就會非常受限於想映射的本體形態——很多自由度、關節上的特徵並不容易 transfer 或 retarget。今天靈巧手的硬件結構還沒有完全收斂：有些公司 22 個自由度，有些 20、21 個，每根手指上的自由度設計和結構都不一樣。

跟靈巧手相關的數據高度依賴它本身的結構構型、電機選型和傳感器選型。所以如果你是靈巧手廠商，自己設計一套數據採集設備和標準是很 make sense 的；第三方公司很難直接做好。

更關鍵的問題是：人形公司大概率最終會是一家全棧公司，硬本體、大腦和靈巧手都想自己做。核心挑戰在於：是不是還存在一個廣泛的、非常大的第三方靈巧手廠商的位子？如果存在，大量數據可能由這些獨立靈巧手公司提供；如果不存在，這些數據就應該由人形本體廠商提供。

晚點 ：我本來想找類比，結果發現靈巧手挺難找的——它既是傳感器，又是個執行器，對數據形態和標準要求還蠻高。

陳哲 ：舉個例子：很多廠商的算法並不依賴具體的激光雷達型號，不同激光雷達採集的點雲都能通過一條管線訓練進更大的模型，所以激光雷達公司在數據上沒有很高話語權。

但靈巧手的數據維度和格式跟硬件設計有很大關係，今天市場上也沒有特別成熟的方案。而且靈巧手工程複雜度非常高，馬斯克一直說它可能佔了整個公司 50% 的工程投入，這導致很多公司其實沒有能力在自己的本體上做出 SOTA 的靈巧手。如果這種情況發生，是不是一個第三方公司反而有更好的位子？

拿智駕來比較：除了蔚小理、特斯拉有全棧能力，還是有大量公司採購英偉達或地平線的整套方案——涉及數據的清洗、採集、標註、訓練。所以長期來看，靈巧手和人形本體的關係，可能是一個長期博弈、長期共存的關係。

晚點 ：還有一個會持續出現的話題——繩驅和直驅的選擇。ICRA 上曦諾未來做的是混合方案，Optimus 第三代 G3 也披露了細節，手部是 22 自由度，依然用繩驅。

陳哲 ：這次 ICRA 另一個重要發佈就是曦諾未來的 Flex 2 混合方案靈巧手。曦諾擁有自研電缸和機器人關節核心零部件的能力，在此基礎上做出了一款混合驅動高自由度靈巧手。

它的混合體現在：大量需要重載（抓握這種大力量）的能力，通過前臂裏的電機以繩驅方式實現，因爲電機放在前臂空間更大；同時掌心內也有微型電機，提供指節上比較靈巧的直驅操作能力。所以它叫繩驅加直驅的混合方案，從原理上有可能同時擁有兩重優勢。

繩驅本身一個更大的問題是：爲實現高自由度，可能需要非常多的腱繩穿過狹小的腕部空間，組裝和維修都非常頭疼。曦諾的混合方案就是把一部分腱繩換成掌心內的電機，只需要更少的腱繩穿過腕部。如果思考人手的真實結構，抓握力大量由前臂肌肉實現，但掌心也有一些小肌肉控制細微動作——這個混合方案很接近這種結構。

順帶一提，這次還有一家公司源升智能，繩驅方案不帶前臂，把所有繩驅都做進手掌裏。所有需要做帶前臂繩驅方案的公司，最大問題是要和本體廠商有更深入的耦合和集成，沒法像標準手掌產品那樣快速切換。比如宇樹或智元的人形機器人不帶手掌，可以快速切換其他公司的靈巧手；但需要前臂集成的公司，商業上更需要和本體廠商做深入定製。這也是爲什麼曦諾過去一段時間拿到了國內非常多大廠戰投（理想、京東都投過）——基本所有大廠做人形研究時，靈巧手都採用了類似特斯拉的繩驅方案。

晚點 ：上一次聊，你自己是更看好直驅的，但現在很多大廠在繼續做繩驅方向。

陳哲 ：我跟國內很多大廠研究人員聊過，對所有大廠而言，follow 特斯拉的繩驅路線是比較直接的選擇。他們對本體有控制權，同時特斯拉還在做這個方向，讓大家去選一個不同方向，對工程師是一個不願意承擔的風險：萬一特斯拉是對的，你卻去試新方向，誰來承擔這個錯誤的責任？

但我覺得對一個獨立的靈巧手公司來講，做全直驅方案可能是更好的路線。因爲如果你需要深入定製繩驅方案，大概率會變成大廠的一個定製公司，很難獨立做成標準化的產品公司。

至於 Optimus 爲什麼還在堅持繩驅，最底層的原因是馬斯克非常相信第一性原理，認爲繩驅更接近人類的生物特徵。但事實是他的 V3 手一直在 delay，什麼時候能規模化生產還未知——今天靈巧手研究還很早期，我們很難說產業界選的繩驅方案就一定能量產、能規模化。

經過這個季度的進展，我對直驅潛力更大的判斷應該是有所加強，因爲現在靈巧手研究上最新的突破，還是由全直驅手實現的，無論舞肌還是 Sharpa。誰能更快地提供可靠、穩定、廉價的靈巧手供給，誰就能更快成爲這個行業的事實標準——也就是更多的算法和軟件會圍繞你的硬件架構來設計。

晚點 ：說到這，我想到 OriginFlow，做肌電的一家公司。

陳哲 ：用肌電控制靈巧手、捕捉人手數據並不是新想法。十幾年前加拿大滑鐵盧就有一家公司推出過 Myo 手環專門做肌電控制，杭州的強腦也有一些用肌電控制低自由度靈巧手的嘗試。

最近大家更關注，是因爲隨着算法進步，我們採集大量數據做訓練、做 fitting 的能力顯著提升，所以大家好奇：通過新的肌電方法，能不能比較高精度地還原手上每個關節的位姿、操作和對力的反應。

晚點 ：先聊你列的最重要進展——英偉達的 Cosmos 3，這是一個什麼樣的成果？

陳哲 ：我認爲 Cosmos 3 是這個季度世界模型的標杆，因爲它算是市場上第一個提出全開源 Omni-model 的。Omni 是全能的意思——它可以原生處理不同的 input 模態，包括文本、圖像、視頻、聲音、動作，也可以輸出這些模態，這可能是行業第一次這麼實現。

按英偉達自己的定義，Cosmos 3 是一個全能的 world model，可以做不同的預測或生成任務，也可以像一個 VLM、或像一個 VLA 一樣去輸出文字、圖片，或者對機器人的操作。

晚點 ：它技術上有個比較重要的突破叫 MoT（mixture of transformer），是兩個 transformer 的結構：一個自迴歸 transformer 做 reasoning，一個 diffusion transformer 做生成。這個新架構反響怎麼樣？

陳哲 ：從概念上講是一個非常理想的架構。很長時間以來，做語言模型研究和做圖片、視頻生成研究其實是兩套不同架構。一個模型更善於處理離散信號（文字、離散 token），另一個 diffusion 更善於處理連續序列、圖片、視頻，很長時間這兩個模型是孤立的。

Cosmos 3 用了一個巧妙的分工：自迴歸模型和 diffusion model 各是一個獨立的 transformer，但中間有 share 的 attention 機制，讓它們的狀態相互影響，相當於把兩種很不一樣的模態縫合到了一起。一個 input 會被兩條管線動態調節和處理，這也是爲什麼這個模型本身比較龐大。從架構原理上講，這是很創新的。

晚點 ：它統一了理解和生成，這是之前大家一直想做到的。和之前的 Cosmos 2、1 相比區別是什麼？

陳哲 ：其實沒有一個獨立的 Cosmos 2 品牌。Cosmos 最早是 25 年 CES 發佈，去年和今年初有過迭代。之前其實是幾個獨立的模型：獨立的 predict、transformer 和 reason 模型，這次相當於把它們縫織進了一個統一架構。在 Cosmos 3 之前還有一個 Cosmos Policy 子模型，是用之前的 Cosmos 加上一個動作 head，讓它能直接輸出機器人操作；這一次是把大家統一起來了。

在英偉達的 scope 裏這是一個更大的 picture：Cosmos 3 是爲英偉達的芯片和算力平臺做優化的，同時英偉達也想推廣它的一套機器人開發套件。它當然也可以用在自動駕駛，因爲它是一個通用的世界模型，只是可以輸出不同模態——不同組合下，兩個 transformer 的激活程度不一樣。比如圖片到文本，可能只需要自迴歸 transformer；文本、圖片到動作和視頻，就需要激活下面的 diffusion model。我相信其他大公司、包括中國大廠之後也會開發出類似思路。

晚點 ：哪怕收縮到和 Robotics 相關的領域，也有很多不太一樣的東西都被叫做世界模型，你會怎麼分類？

陳哲 ：我用 6 月份英偉達那篇世界模型官方綜述裏的分類，分成三種。

最底層叫 Video World Model，代表是 Google 的 Veo、阿里的 Wan，本質底座是一個視頻生成模型——根據條件或描述生成視頻，也就是對未來狀態的預估；英偉達自己把 Cosmos 3 也放在這一類，因爲它是個萬能模型。

第二種叫 Action-Conditioned World Model，前提基於你的動作——給定一個動作，在這個條件下生成世界模型，比如 DreamDojo、Genie、JEPA。DreamDojo 其實是一個世界仿真器，但它的 input 是你的動作、你想對環境產生什麼變化，模型在訓練中會基於真實物理變化記錄這些動作對環境的影響。這裏的動作具體指物理世界的動作，不過一段文字指令也可以被視爲一種 action。

第三類是 World Action Model，WAM，就是現在特別火的方向——核心是通過這個模型生成機器人的動作，可能同時也能生成未來的圖像或視頻，所以它更是一個 policy。不管是 DreamZero 還是螞蟻的 LingBot-VA 都屬於這個定義。在具身領域我們更關注機器人怎麼響應和操作，所以 WAM 是目前最關注的方向。

晚點 ：你前面說跟一些做 LLM 的人聊，他們對 VLA 和 world model 被對立起來覺得很費解。

陳哲 ：對，在他們的想象中，最好的模型就應該是個 Omni-model，也就是 Cosmos 3 這個方向。所以我認爲 Cosmos 3 代表了大家對這種模型的一種終極思考：作爲一種智能模型，它就應該 take 不同的模態、也能輸出不同模態。

今天的 VLA 更擅長生成指令、生成動作，而 world model 作爲以視頻爲 backbone 的模型更擅長對狀態的預測，這兩種能力如果巧妙結合，從終極性能來講肯定更好。這也是爲什麼 GEN-1、π0.7 都開始融合一些 VLA 和世界模型——它們本身也不是誰替代誰的關係。

晚點 ：現在世界模型成了非常火熱的創業風口，國內出現很多新公司，有些今年才成立就成長爲 10 億美元估值的獨角獸，好幾個創始人都非常年輕。

比如比較火的有 Genesis、LiberAI 這樣偏具身的智能公司；也有流形空間（Manifold）、逆矩陣、模式星空等也跑得很快。我 4 月初跟其他投資人聊，那會兒已經有人整理出 49 個世界模型公司。還有成立較早、目前估值較高的極佳視界（23 年成立），其餘大多是 25、26 年成立的中國公司。海外方面有上季度 GTC 期間宣佈融資 4.5 億美元的 Rhoda AI，之後英偉達 GEAR Lab 和 DreamZero 團隊的 Joel Jang 也出來在美國創業。

陳哲 ：具體的公司很難列全，world model 是一個蠻大的概念，太多公司都能貼上這個名字，所以很難判斷每家到底做的是純粹的 world model，還是相關性有多大。

World model 爲什麼有這麼大的衝擊？本質上是因爲我們看到 VLA 這種方法：一個 video-language model 加上動作序列，迭代下來遇到了一定的性能瓶頸。而用視頻生成路線來做機器人 policy，其實早在 23 年就有工作嘗試，比如字節做的 GR1、GR2 就是 video action model 比較早期的嘗試。但因爲 VLA 能更快給出一個 60 分的答案，典型代表就是 π0 的發佈——它開源、又代表當時的 SOTA，所以很多團隊快速跟進。

VLA 抽象來講本質上是一種行爲克隆：把一段文字、圖片描述和一段機器人運動信號建立聯繫，反覆試教就能讓 VLA 輸出類似的關節信號。但這條路線泛化性侷限非常明顯。而視頻生成路線可以用到更海量的數據 knowhow，裏面包含大量物理先驗知識，原理上很有吸引力。只是 23 年最早嘗試時，沒有一個像 Wan 這樣預訓練好的開源視頻模型，也沒有 diffusion policy、flow matching 這些能生成比較好的關節序列的方法，這些是 24、25 年才逐漸成熟的。所以 world action model 的很多基礎 recipe 三年前就有了，但能力是到 25 年底、26 年初才逐漸釋放。

今天 SOTA 的視頻生成模型：可靈、Seedance、Veo 3，對物理、對常識的理解都到了很好的狀態，用它來做機器人預測和策略理論上就能得到很好的效果。這一系列要素的出現，是這個概念在 26 年突然爆火的原因。

晚點 ：看到這麼多公司融這麼多錢，作爲投資人，你是什麼心情？

陳哲 ：因爲大家在大模型裏賺了一些錢，賺了錢的人會把更多錢投進去，沒賺到錢的人也會在這一波補票，這是估值能在非常短時間內漲這麼多的誘因。

但從更長角度看，在具身領域不管硬件還是模型，中國公司都有非常好的資源和能力，國家也有非常多的支持和戰略投入，對於立志成爲這個領域世界級公司的創業公司是非常好的機遇。這到底會不會像當年的電動車浪潮，可能 100 多家公司分別成立？I don't know，但一波大浪肯定會有大量人才和資金湧入，這也反映了這次變化來得有多麼劇烈。

晚點 ：最後一個 Top 5 進展是被世界模型反襯得有點過時的 VLA。你提到兩個具體進展：Physical Intelligence 的 π0.7 和 Generalist 的 GEN-1。先說 π0.7，你看到的啓發是什麼？

陳哲 ：給他們貼不貼 VLA 標籤可能都不是最重要的，我提到他們是因爲他們是現有模型公司這個季度蠻有啓發性、創新性的突破。

Pi 是一家非常創新、穩步迭代的公司，從 0.5、0.6 到 0.7 每個版本迭代都很明顯。0.7 和之前版本最大的區別是，它在一個傳統 VLA 的基礎上，接上了一個輕量的世界模型。這個輕量世界模型可以提供對未來任務圖像的預測，用這個預測來影響生成模型去生成相應的動作——比如我要去拿杯子，當手只動到某個位置時，它會生成未來幾幀應該是什麼樣子，比如物體和我之間的位置關係、它的形變，再用這個未來子目標圖反饋到 VLA 的生成過程裏。

晚點 ：這好像挺符合人的直覺。比如你要扔一個紙團到有點距離的垃圾桶裏，會腦補一下軌跡。

陳哲 ：對，我們的腦補就是用什麼樣的力、角度可能導致什麼結果，所以會根據腦補去調整。Pi 一直在引領 VLA 研究前沿，比如 0.6 時提出了類似長時間 agent 規劃的能力——用文本記錄的方法把當前狀態做持續性存儲，根據之前觀測到的狀態來規劃具體動作。這些小改進在 Pi 每個版本里都非常引領行業。

晚點 ：再聊 Generalist 的 GEN-1。我自己體感是，國內從業者對 GEN-1 的討論度比其他模型更高。

陳哲 ：它有幾點顯著突破。第一，把大家覺得比較慢的 VLA 執行速度顯著提高了，不再慢悠悠地執行任務。第二，在一些比較複雜的長程任務裏，他們宣稱實現了非常高的準確度——有幾個任務從百分之六十幾的平均成功率提到了 99%，反映了模型在任務能力上的顯著跨越。還有一點大家非常關注：他們自己採集了 50 萬小時的真實世界交互數據，是一種 UMI type 的無本體數據採集，非常高效。同時，他們用這 50 萬小時數據，在沒有一個 pretrain 的 VLA 基礎上，相當於自己訓練了一個端到端模型。

這點體現了團隊對自己技術路線的高度自信，以及模型有比較強的 scaling 能力。他們在報告裏也清晰展示：從 1 萬小時、幾萬小時到 50 萬小時，泛化性和能力都能得到顯著提升，這其實是在展現 Scaling Law 在這上面是否有效。Generalist 一直宣稱自己找到了 Scaling Law 的鑰匙。

晚點 ：你說他沒有在一個 VLM 上微調、展現了團隊非常有自信，是因爲這個做法很罕見嗎？

陳哲 ：研究界容易出現路徑依賴，尤其當某些方法被證明有成效時。國內很多模型團隊因爲 Pi 開源，會在 Pi 基礎上做大量後訓練和微調，喜歡拿它作 benchmark，證明 “我比 π0.5 增加了多少性能”。這一方面說明 Pi 在引領行業標準上的影響力；另一方面也說明，要獨立開創一個新技術方案、投入這麼大數據量去採集訓練，是需要相當大勇氣和決心的。

晚點 ：所以對同爲美國公司的 Generalist 和 Pi，他們相互之間都不屑去 follow 對方。

陳哲 ：美國的創業環境整體非常獎勵創新，你很難見到兩三個團隊講一模一樣的故事，很多團隊想方設法在技術上、路線上找到差異化，投資人也會獎勵第一個做這件事的人。

美國的巨頭公司非常多、非常活躍，本身就有大量創新業務和前沿實驗室，很多很好的工作本來就來自 Google 、Meta、亞馬遜。所以在美國做硬科技創業，如果不能做出有差異性、有創新性的事情，就很難獲得加速度、很難被 acquisition——而被大企業收購本來就是美國硬科技創業很正常的 exit。

所以你會發現美國有些公司可能是 “爲了創新而創新 ”，因爲大企業的創新本身就很有競爭力，只做更便宜的、同樣的東西，就很難獲得溢價。

晚點 ：從 GEN-1 目前的公開信息，能看出 Generalist 對世界模型的思路嗎？

陳哲 ：他們其實比較排斥把自己定義成世界模型或 VLA。Peter Florence 專門寫過一篇文章，大意是說他們的做法既不是把動作粘到 VLM 上變成 VLA，也不是一個世界模型，而是完全按照物理交互的原生數據去訓練。這是爲什麼他們採集的幾十萬小時數據可以直接用來訓練一個 transformer network，而不需要依賴一個 VLM 或 video generation model 作爲 backbone。

具體細節不知道，因爲沒開源過。但思路是一樣的，因爲這羣人是從 Google 出來的。在最早 Google 那個開山的工作 RT-1 裏就展示過：RT-2 是 VLA 這個風潮的起點，而在它之前的 RT-1 訓練了一箇中等 size 的 transformer，input 是文字描述、一些動作圖片和關節序列，output 是在線生成關節序列，backbone 就是一個獨立訓練的 transformer。

晚點 ：這個季度 Gemini Robotics 也發了新模型，4 月叫 ER 1.6，但你沒把它排進 Top 5。你怎麼看 Google 在這塊的成果和影響力？

陳哲 ：Google 的 Gemini Robotics 還是一個比較大的部門，推進的研究比較多。ER 1.6 全稱 Embodied Reasoning 1.6，你可以想象成一種更好的 VLM——它並不能直接輸出機器人的控制或 policy，而是相當於在 VLM 上提供了更多對空間和任務的理解、reasoning 能力，更好地通過圖片、視頻對物理環境進行描述和推理。它的對比對象是直接跟 Gemini Flash 3.0 比的，本質上就是一個通用模型，只是訓練了更多對物理環境的理解。

Google 想做這個領域的安卓：偏大腦、偏 API、偏軟件的位置，發揮自己在語言模型方面的優勢，把空間推理封裝成可被調用的產品。ER 1.6 發佈時提到了一些合作，一個載體落在波士頓動力的四足機器人 Spot 上：Spot 出貨量應該有幾千只，真正用到了工業巡檢，比如油氣田場景——機器狗需要上下樓梯、進複雜地形，去檢查傳統閥門和儀表盤上的數字，也會檢查有沒有異常值。其他合作方還有 Apptronik（之前開發有一些 delay）和思靈的人形機器人 AgileONE。

ER 1.6 代表了大廠對這個問題的一種態度：如果能用通用模型把問題解決，那最終可能它真的只需要訓練一個 Omni-model 來解決所有事情。更底層的問題是：我們到底有什麼理由相信，很多年以後，所謂 embodied AI 的模型不會由 Anthropic、OpenAI 或 Google 這樣的通用模型大廠來提供？如果 Omni-model 這條路線最終被證明有效，那機器人對空間的理解、對動作的預測，是不是都可以被融合進一個更大的通用模型裏？

晚點 ：有一種反方觀點：這種模型形成過程中需要大量硬件參與、需要硬件去收集數據，而很多通用模型公司不做、或非常不擅長這部分。

陳哲 ：今天的確可能不擅長，因爲沒有爲這件事優化。但大模型公司花了幾十億、上百億美金在做各種語料和數據標註，只是主要是文本和圖片數據。

晚點 ：OpenAI 5 月底更正式地官宣了 robotics team。Sam Altman 發推說在找頂尖全棧人才（硬件、系統、機器學習等），短期場景是給自己造 AI 算力的基礎設施，長期願景是做一個每個人都會用上的機器人。團隊 leader 是 Aditya Ramesh，DALL·E 的作者，紐約大學本科畢業就進了 OpenAI，並沒有讀博士。

陳哲 ：OpenAI 的 Robotics 團隊就是基於他們之前做 DALL·E、做 Sora，也就是做圖片、視頻生成的團隊建立的。OpenAI 內部對 Sora 的定位一直認爲它就是一個世界模型，Ramesh 之前帶的團隊在推特上的名字就是 World Simulation Research。所以 OpenAI Robotics 今天這麼高調成立，實際上就是看到了這一系列技術的拐點或突破。

晚點 ：你覺得他會投入多少？之前 Anthropic、Claude Code、Claude Cowork 這些強勢增長給 OpenAI 壓力比較大，有段時間他把 Sora 2 也關掉了，有收縮和重新聚焦的趨勢。他真的會把 Robotics 當一個重點嗎？

陳哲 ：我想分享一個觀察：今天哪怕最大的 embodied AI 研究團隊，真正涉及的算力和模型規模，相比旗艦的視頻生成模型、更不用說旗艦的語言模型，都是一個非常小的量級。以 Cosmos 3 爲例，它應該已經代表了今天 embodied AI 訓練投入的最高算力預算，大概在萬卡級別，這已經是整個具身研究算力的天花板了。所以對 OpenAI、Anthropic 這種頭部 LLM 公司來講都不是特別大的預算，一個類比是螞蟻的靈波團隊，LingBot-VA 應該也就在萬卡級左右。

OpenAI 想做全棧，是因爲機器人研究離不開硬件：研究還很早期，脫離硬件就很難得到驗證。我知道 OpenAI 會把靈巧手作爲一個特別大的投入方向，他都要進這個市場了，不可能再去搞夾爪。考慮到他們有相當大的算力，也能吸引非常頂級的研究員，我還是很期待他們在未來一段時間拿出一些行業 SOTA 的進展。

宇樹定下估值錨點：本體會分化，大腦可能寡頭化

晚點 ：二季度宇樹正式科創板 IPO 過會，接下來很快會登陸科創板。頭部公司這一批上了之後，後面的公司會怎麼樣？

陳哲 ：宇樹上市對具身行業的發展和投資都是一個標誌性事件，給今天所有頭部具身公司定了一個估值錨點。通用型機器人一定會出現非常大的公司，因爲人形機器人本來就是非常通用、非常 general 的產品。但因爲人形今天在物理上還有蠻多限制——功率密度、電機密度、電池密度、重量、體積。哪怕長期普及之後，可能也會分化出不同的人形機器人服務不同場景：小型機器人在娛樂表演甚至科研，大型機器人在需要重載、搬運、大 payload 低速的場景。所以本體不一定是 winner take all，但大腦有可能。

晚點 ：就是如果 Omni 模型這條路線成立的話。

陳哲 ：如果有一個超級模型的能力顯著比別人高。這件事我們在 Anthropic 身上已經看到非常強的端倪：它可能不是 winner take all，但至少是一個寡頭化的現象。

它反映的更底層的問題是：大腦作爲一個智能產品，智能一定是兩極化的——要麼追求最好的智能，要麼追求一個 OK 的智能。而模型本身是一個邊際成本很低、可以被開源共享的產品，所以長期來看，智能模型大概率會分爲高水平的開源模型和頂級水平的閉源模型，沒有其他模型的生存空間——如果一個閉源模型的能力超不過 SOTA 的開源模型，它就沒有存在價值。如果這個格局對語言模型成立，我認爲對具身模型，終局很可能也是這樣。

模型創業公司的終極拷問

晚點 ：那誰在提供高水平的開源模型？是 Google、英偉達這種想做生態的大公司嗎？

陳哲 ：很可能。在語言模型裏，目前不就是千問、DeepSeek 這樣的公司在提供嗎？

我們跟一些具身模型公司創業者討論時有一個兩個挺難回答的終極問題：第一，你如何跟一個最好的開源模型競爭——它大概率由英偉達這樣的公司提供，因爲它的商業模式不依賴模型變現，而是算力變現，所以可以把模型開源。第二，你怎麼跟寡頭化的、最頭部的私有模型競爭——這個供給大概率來自 Google 、阿里、字節、Anthropic。

晚點 ：有創始人給過你比較有說服力的答案嗎？

陳哲 ：這個問題在當年 Anthropic 創業時也被投資人反覆問到過，但 Anthropic 成爲了 Anthropic，OpenAI 一開始可能也很難回答。

客觀說，今天具身智能創業和投資的熱潮，跟上一波語言模型創業公司的成功是有關係的。我們已經有幾家大語言模型創業公司成功上市，給投資人創造了豐厚收益，所以很合理地推斷具身模型裏可能也有同樣機會。但創業的挑戰是，如果所有人都這麼想，市場一定會出現過度競爭、過度投資，最終的贏家還是比較稀缺的，回報預期會被大大壓縮。

落地節奏：中美與軟硬件的差異，但週期在縮短

晚點 ：宇樹作爲中國第一家要上市的具身公司，其實已經盈利很多年了，但大部分公司還處在前期探索。關於落地節奏，這個季度你有什麼新想法？

陳哲 ：可能要從兩個維度看：中美的差異，以及硬件公司和模型公司的差異。

以美國領先公司爲例，無論 OpenAI 還是 Physical Intelligence，都符合一個典型的美國前沿創新 pattern：一羣非常聰明、有願景的人才聚在一起，對一個有巨大潛力但長期不確定的方向持續投入。美國的環境也提供了比較好的早期孵化：OpenAI 從 15 年成立到 22 年底 ChatGPT 出來前，其實一直沒有明顯的商業化進展，但不妨礙它吸收大量人才和資源。

今天 Physical Intelligence 也在做同樣的事，不斷髮布甚至開源領先模型，但 so far 也沒看到特別清晰的商業化時間表。基本所有美國公司現在都有這個問題，包括 Figure，它現在也沒有任何一單確切、真正被驗證的落地收入，只是會對外展示一個 “我要落地” 的姿態；姿態跟事實還是挺不一樣的。

國內本質上是大家對這種長期不確定性探索的容忍度非常差，所以你一定更需要做出這樣的姿態，而且最好是個事實。在中國今天的挑戰是：如果我跳出來說，明確告訴投資人 10 年之內絕對不做商業化、不做落地，那你怎麼獲得足夠資源、吸引足夠人才、在資本上有好反響？

晚點 ：我想到一個辦法，就是你是梁文鋒，很有錢。

陳哲 ：對啊。所以我一直覺得 DeepSeek 是一家非常稀缺、非常不一樣的公司。當你自己足夠成功、對這件事有足夠信仰。客觀講，OpenAI、DeepMind 本來就是一羣 billionaire 的嘗試，OpenAI 本來就是一個非營利公司，商業化和盈利本來就不是這種公司開始時的目標。

所以今天更大的一個分歧在於，我們認爲具身整個研究和行業發展到底到了什麼階段。如果它像當年的自動駕駛，至少需要 10 年甚至 15 年才能規模商業化（Waymo 實現了商業化但還沒盈利）——還有沒有人願意創業和投資？而如果判斷 5 年之內就能商業化和盈利，那會有更多人願意投。所以一個很底層的問題是：大家對這個週期的判斷是有差異的。

晚點 ：你目前對這個時間的判斷，是在縮短還是變長？

陳哲 ：相比去年，這個週期肯定在縮短。因爲一些基礎要素在快速成熟，而且語言模型領域的進展讓大量能力、算力、數據能遷移到具身領域。這也是爲什麼我們把 Figure 和星動紀元用人形機器人做快遞分揀單獨拿出來說——因爲我們至少看到，在這樣一個場景裏，一個通用型人形機器人用新的算法技術棧可以更好地解決問題，是有實際落地可能性的。

下季度展望：未來 6 個月是大廠入場的最後窗口

晚點 ：你對下一段時間行業裏的變化有什麼展望？

陳哲 ：有一件事我最近反覆思考，認爲會變得更主流：人形機器人作爲一種形態，未來一兩個季度可能有更多產品在具體場景落地和商業化，也有更多公司進入這個市場、宣佈他們的人形產品計劃。

當然從宣佈計劃到發佈產品，至少有 1 年到 1 年半的時間。我的設想是：未來 6 個月是進入這個遊戲的最後窗口。如果你不在 26 年啓動，那麼等到 27、28 年人形真正開始廣泛落地時，你就沒有身位了。

晚點 ：國內主流手機、汽車廠商多少都已佈局人形機器人，字節、騰訊、阿里等互聯網大廠在全棧方向上可能有哪些動作？

陳哲 ：對這類大廠來說，可能更好的對標是像 Pi 和 Anthropic 這樣的模式，因爲他們太擅長做模型了，模型的商業模式跟他們本身能力高度相關，這也是爲什麼今天國內大語言模型裏字節、阿里都非常領先。

在中國做具身創業還有一個悖論：除了你很難做一家 10 年沒有商業化、沒有收入的公司，投資人和資本市場也更難容忍一家公司不是全棧、或者有大量能力依附於其他客戶。這導致的結果，也是我們正在看到的，就是所有的具身大腦公司都在宣佈他們在做機器人本體。

晚點 ：我前段時間採訪許華哲，他有一個非主流的想法：不應該所有事都在公司 in-house 做，有些事應該交給生態。

陳哲 ：我認爲這件事可能是對的，也是一個非常美國式的想法。站在他創業的角度，如果你做全棧的 timing 已經太晚、沒有特別好的身位，那就在你的細分領域裏做到行業最好，這是有價值的。我覺得最終的大贏家大概率還是有全棧公司的機會——蘋果、小米、華爲這樣的公司在具身時代也會存在。

但很有意思的是：今天市值最大的幾家公司其實不是全棧公司，比如英偉達不是，Anthropic 或 OpenAI 最終上市了可能也不能叫全棧公司。所以到底全棧是終局，還是垂直一體是終局？我覺得長期都會反覆擺動，它本質上是一種博弈和競爭的關係。

包括很多投資人會 challenge 宇樹，認爲它只是一家硬件公司，沒有 AI、沒有模型。我其實不太認可這個 challenge。如果假設宇樹未來一直是一家硬件公司，那它也是一家很賺錢的硬件公司；我不覺得有什麼原因它不能長出自己的軟件或 AI，如果公司從戰略上真的想做這件事的話。

題圖來源：Figure AI 5 月中旬的直播。

- FIN -