鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

人形机器人「朋友圈」的明牌和暗战

编程导航
编程导航
2025-10-01 12:30
阅读 146
编程导航
2025-10-01 12:30
阅读 146

文 | 硅基研究室

人形机器人已告别「单打独斗」的年代,机器人顶流们正在疯狂拓宽自己的「朋友圈」。

智元机器人和高瓴携手成立基金,下场做VC后,近期正式启动了智元「创投A计划」招募,计划在三年内重点孵化超50个早期项目。

我们关注到,近期智元又参投了一家名为「星源智」的具身智能公司,算上这一笔,据「硅基研究室」不完全统计,智元对外投资已近20笔,既涉及对同行的直接投资,也涉及包括电机、传感器以及下游应用等关键赛道。

另一家备受关注的具身智能企业银河通用也在近期密集出手两家同行——专注多模态双轮足机器人的揽月动力和一家位于苏州的机器人企业一星机器人。

除此以外,机器人厂商们还在以各种形式找合作搭子,包括不限于与上市公司成立合资公司,拿订单、找场景,还有的则快速拓展市场,携手国资和当地产业链资源直接让机器人下工厂。

疯狂找朋友,对机器人厂商们而言,是一场明牌和暗战。一方面能快速拓展市场,在真实场景里形成「生产研发-商业化」的闭环;另一方面,通过与上下游产业链各方的深度合作,为未来的规模出货找到更稳定的供应链网络。

01 明牌:搞钱、订单和补短板

机器人顶流们开始「拓宽朋友圈」,下场做VC,背后的原因并不复杂。

从交易的特点来看,投早、投产业链成了机器人厂商的集体共识。

智元参投和孵化的企业中,投资轮次主要集中在早期。据官方数据,其中70%成为注册轮、20%为种子轮、10%为天使轮,银河通用的两笔公开投资也为天使轮和种子轮。

投早背后是智元们对当前产业链的洞悉——当前具身智能还在早期发展阶段,赛道周期长、项目百花齐放、热钱还在涌入,创业者都还在争夺牌桌上的机会。

而已融到钱、跻身头部估值阵营的智元们,既在学习如何融钱、搞钱,自然也要学着怎么花钱。

此前智元机器人CEO邓泰华就表示,目前公司状态是「想融就融」,“在没有任何收入的情况下,正常业务也能够保持三年的经营”,有着充足现金流的智元本身就具备花钱组建生态的底气。

投早一方面能搞钱,带来了不错的财务回报。

据邓泰华透露,智元从「投早投小」的布局中取得8倍投资年化收益率。我们关注到,在智元的投资组合中,已涌现出不少明星项目——包括今年已完成三笔融资的首形科技、今年9月完成A+轮的千觉机器人、5月完成Pre-A轮的灵初智能。

一位不愿具名的VC告诉我们,智元下场自己做投资不是坏事,也没什么可惊讶的:“账上有钱,圈子里互相都了解和认识,投资本身就是以一种间接的方式卡位未来,提升自身影响力。”

另一方面,和单打独斗相比,机器人是「本体、小脑、大脑」的结合,想要建立「感知—认知—决策—行动」的闭环,既需要上游高性能电机、高精度减速器、传感器和芯片平台的配合,也需要进入真实场景,通过获取订单,推动技术升级和数据采集,最终实现产能的稳健扩张。

换言之,在这条复杂的产业链上,当前没有一家本体厂商能全知全能,而通过和上下游企业的合纵连横,既能为智元们带来看得见的订单,又能在后续竞争中弥补短板。

头部机器人厂商大多是通过建立合资公司、战略投资、股权投资基金等方式,与上下游企业「交朋友」,具体来看,可以分成四类朋友——

第一类是具备实体场景,能帮助机器人厂商实现PoC验证,落地商业化的企业。

比如智元和富临精工的合作,直接让近百台远征A2-W将落地富临精工工厂。

再比如银河通用与博士共同成立的合资公司「博银合创」,探索智能机器人在汽车制造环节的落地。

智平方近期也宣布和半导体显示面板制造商惠科旗下的深圳慧智物联技术服务有限公司达成了合作,未来三年将在惠科全球生产基地累计部署超1000台具身智能机器人,覆盖仓储物流、上下物料、零部件装配到质检测试等全流程。

据「硅基研究室」不完全统计,目前机器人在汽车、医疗、零售、物流、锂电、光伏等领域均有落地案例。

第二类是自带产品和渠道经验的企业,机器人企业与其共同研发产品,利用其客户网络和渠道资源,拓宽市场。典型如智元和软通动力、格力博的合作。

第三类则是产业链核心供应商,机器人企业通过投资参股上游企业,形成更稳定的供应链网络。如卧龙电驱与智元的双向注资,投资伺服电机厂商富兴电机等。

第四类则是在垂类领域具备典型技术优势的企业,以此来弥补机器人厂商技术能力短板。

灵初智能联合创始人陈源培曾在采访中谈到智元参投的目的,正是看中了灵初智能的强化学习能力。

另一家被银河通用参投的一星机器人则是背靠吉利生态。除此以外,我们还了解到,一星机器人在苏州和杭州设有数据采集厂,可承接数据采集任务,这对未自建数采厂的银河通用来说,或形成协同效应。

02 暗战:两种路线、不同生态

扩充朋友圈背后,其实也是机器人「黎明前夜」的一场暗战。

宇树科技创始人王兴兴就看得很清楚,他说:“前夜反而是比较麻烦的。最大的问题是行业内各家技术路线差别很大,都有各自的想法,这就会导致这个领域非常热闹,但整体进展没那么快。”

有投资人将当前的具身智能的发展阶段类比于七八年前的自动驾驶(L4):“融资节奏快但商业化落地仍相对缓慢。”

目前国内估值超百亿的机器人企业只有两个——智元机器人(150亿元)和宇树科技(约120亿元),而卡位百亿的则为银河通用、梅卡曼德机器人和傅利叶智能,在赛道早期,能持续拿到融资弹药的机器人厂商必须要提前占位,带动具身智能技术栈越来越强、产业链越来越实,以各种形式对外投资,建生态当然也无可厚非。

但上述估值百亿俱乐部玩家在这场暗战也清晰地分成了两类阵营:一类是像智元一样的「激进玩家」,另一类则是宇树科技、梅卡曼德此类「冷静玩家」。

态度分化背后,是对路径和生态理解的差异。

智元在引入「华为系高管」后,确立了机器人「本体+AI」全栈技术路径,在生产端,智元还自建了工厂,在数据端,智元也有自己的数采厂。

除此以外在场景端。和不少机器人厂商的聚焦路线不同,智元选择了多线并举和软硬一体的「沿途下蛋」战略。据邓泰华此前的叙述,智元选择了七大场景布局,除了工业和零售端的「移动、抓取、放置」能力外,在智元给出的场景应用中还包括了文娱表演、机器狗/商业清洁等场景。

这种高举高打的动作也让智元不得不关注加码供应链和生态布局。

同时,华为系高管本身也擅长处于和集成商的关系,大客户、项目管理、供应链和生产工艺的knowhow也是智元当下的相对优势。

另一家崇尚软硬一体和高举高打的机器人企业银河通用也是一样。

除了擅长的零售场景外,银河通用和博世中国、博原资本(博世集团旗下市场化投资平台)联合成立了合资公司「博银合创」,来推动具身智能技术在汽车和工业制造领域的产业化应用。

在康养场景,银河通用还联合首都医科大学宣武医院成立「主动健康具身智能机器人联合实验室」,与四川大学华西第二医院等展开深度合作。

相比之下,在对外投资上,显得颇为冷静的宇树科技和梅卡曼德也有自己差异化的理解。

以硬件驱动的宇树科技以垂直整合的策略,实现了覆电机、减速器、控制器、激光雷达等核心零部件的自研,和智元与供应链生态的相互绑定相比,更强调供应链的自主可控。

梅卡曼德则聚焦卖标准化的产品,其自主研发的「手眼脑」平台,包括了Mech-GPT多模态大模型、高精度3D相机和多指手,也已在现实场景落地,其智能视觉系统已部署到了上千个场景。

可以肯定的是,这场机器人厂商间的朋友圈之战才刚刚开始。

一方面,在软硬件侧,行业都未形成统一的标准,各家都在通过深耕一两个垂直场景或多个场景并行,获取真实场景的数据反馈,由此建立商业闭环和数据飞轮,在特定场景里形成稳定的具身智能技术栈。

另一方面,在供应链侧,当前整个具身智能的供应链成熟度也还在早期,此前智元合伙人、具身业务部总裁姚卯青智元就表示:“很多供应商做过沾边的产品,但定向为人形机器人做出满足负载、扭矩、尺寸、重量等需要定制化,这个过程相对较慢。”

因此,本体厂商必须要和供应商一起去探索供应链的升级和标准化之路,让机器人真正被用起来。

在可预见到的将来,机器人厂商和产业链依旧还是「边跑边学」的思路,一个高度分工明确的供应链生态也尚未形成,不可能靠5家、10家企业就能搞定。

如前文所说,扩充朋友圈并非是坏事,在任何商业世界,没有朋友的支持,本来也很难玩得转。

原文链接: 人形机器人「朋友圈」的明牌和暗战
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230