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

人形机器人的2025:一半是迷雾森林,一半是星辰大海

编程导航
编程导航
2025-12-18 12:30
阅读 128
编程导航
2025-12-18 12:30
阅读 128

从来没有哪一个行业,像人形机器人这般,如此接近人类想象中的未来。

“人形机器人是AI领域中最令人兴奋的课题之一。”英伟达创始人黄仁勋表示,未来人形机器人的数量将超过人类人口数量。二十年内,每个家庭都可能会拥有多台人形机器人,就像电脑和智能手机一样普及。

马斯克,作为人形机器人的主要推动者,也表示“人形机器人业务的价值未来可能超过特斯拉汽车业务和自动驾驶业务的总和。”

当然,以上仅是利益相关方的乐观一面,并非所有人都这么想。

金沙江创投的董事长朱啸虎就认为,当前人形机器人商业化路径不清晰,批评其演示功能(如翻跟头)与解决实际问题的“干活”能力脱节,并因此批量退出相关投资项目。

作为iRobot联合创始人、MIT机器人实验室前主任的罗德尼·布鲁克斯,则是目前最严厉的批评者之一。他直言埃隆·马斯克对于人形机器人的量产和能力预测是“纯粹的幻想”。

人形机器人是可以看见的未来吗?

从钱的流向来看,2025年前9个月,全球(特别是受中国市场驱动)在人形机器人领域的投资交易额达到约70亿美元(约合500亿人民币)。这一数字相比去年同期增长了250%,太多人期待着机器人的“星辰大海”。

但在产品上来看,几乎所有的人形机器人都还停留在跳舞拳击、走路摔跤的状态,技术发展仍困在迷雾之中。

“热钱”和“冷产品”,共同构成了人形机器人的2025年基本面。

VLA路线通向的“迷雾森林”

“人形机器人受到关注的更本质原因是,AI大模型的出现。”

宇树科技创始人王兴兴曾对笔者表示,传统人形机器人的训练算法,相当于是靠一些聪明的人类大脑去写一些数学方程式,然后去求解这个方程,制定机器人的运动轨迹。但这些方程式有很大的局限性,一旦环境出现变化,可能就没法用了,需要重新设计新的方程式。

这样的训练方式会导致代码量非常大,而且当系统复杂到一定程度,单纯靠人力是无法维护这个系统的。

但是对于AI来说,只要模型搭建得足够好,然后不断给AI投喂数据和算力,AI就可以不断地试错。利用强化学习算法中的奖励机制,AI就能自动把好的训练结果留下来,坏的扔掉,训练效率得到质的提升。

此前,人形机器人厂商所广泛应用的AI模型为VLA模型(视觉-语言-动作模型)。它的技术逻辑可以简单描述为,将人类指令和外界多模态信息(声音、图像、视频)转化为计算机语言,继而控制机器人行为。

2025年,VLA模型在人形机器人领域开始碰到“麻烦”。

VLA模型和大语言模型,本质上都是利用规模庞大的数据进行训练,继而产生“智能涌现”。大语言模型领域,通过“大力出奇迹”的方式,不断提高算力和数据量,诞生了ChatGPT。

但在VLA模型的训练中,互联网上的静态、非结构化文本和图像数据,并不是训练所需的核心数据。训练VLA模型需要的具身智能数据是连续的、动态的、三维甚至四维的时空轨迹流。而物理世界数据的稀缺与复杂性,成为了制约VLA模型能力跃升的主要瓶颈。

王兴兴指出,VLA模型是一个相对比较傻瓜式的架构。基于VLA模型的机器人现在跳舞、打拳效果很不错。可问题在于,如果要训练机器人跳全新的舞蹈,每次有新的动作都要从头开始训练。

“VLA模型还是不够(完善)的,整个行业里还没有人做得很好,强化学习的Scaling Law(技术收敛路径)还没有出现。”王兴兴称。

此外,小鹏汽车创始人何小鹏对VLA模型的质疑,则聚焦在于其架构中的“L”(Language/语言)环节。

何小鹏表示,视觉输入到语言(L)的转译,以及语言(L)推理到动作(A)转译,都存在着巨大的信息损耗。语言作为中间媒介,损失了原始视觉数据中的大量细节和物理世界的连续性信息。并且,只要中间有“L”存在,就一定涉及到人工筛选或标注,这种方式“又慢又贵,且无穷无尽”。

于是,何小鹏认为应该砍掉“L”这一中间环节。直接从V→A,不再使用语言作为中间桥梁——通过海量非标注数据进行训练,实现“非常极致的数据应用”,这才是实现智能“涌现”的关键。

何小鹏团队将这种架构定义为“世界模型(World Model)”,旨在让模型具备对物理世界的深层理解和预测能力,而非仅仅基于语言进行推理。

但是,从更现实层面的技术进展来看,无论是VLA模型还是世界模型,都还未出现清晰的技术收敛趋势。整个人形机器人行业,都像是在一片“迷雾森林”中,摸着石头过河。

“真量产”VS“伪需求”

虽然技术路径仍不清晰,但是人形机器人的“亿元级订单”,却在2025年火出了圈。

比如,优必选作为“人形机器人第一股”,其公开的订单金额在行业内处于领先地位。2025年至今,优必选的累计订单总额已达到了13亿元。

同时,智元和宇树科技则联合中标某采购项目的两个采购包,总预算为1.2405亿元(含税)。该项目被认为是国内数额最大的人形机器人订单之一。此外,有消息称马斯克向三花智控等中国供应商抛出的大额订单,主要用于采购线性执行器等核心零部件,订单总金额达到6.85亿美元。

此起彼伏的“亿元级订单”,一度引发了市场质疑。

摩根士丹利的报告指出,许多厂商高调宣布的“大额订单”中,相当一部分属于框架协议订单或意向订单,而非确定性的、不可撤销的采购合同。这类订单的执行确定性较低,为未来的不确定性留下了空间。

同时,业内存在对订单中夹杂“左手倒右手”关联订单的质疑,即订单可能在关联方或生态链企业之间流转,并非完全来自独立的第三方真实需求。这种关联订单在行业发展初期有其阶段性价值,例如用于技术验证和产能爬坡,但如果被用于粉饰业绩、推高估值,则会对行业造成系统性伤害。

无独有偶,高盛在2025年11月初对包括三花智控、拓普集团、双环传动、浙江荣泰等在内的9家中国人形机器人供应链企业进行了实地调研。

报告指出,大多数供应商正在中国及海外(主要是泰国、墨西哥等地)积极规划产能,以支持人形机器人的潜在量产。这些规划的年产能规模介于10万台到100万台机器人等效单位之间。

高盛认为,这种规划是“极其激进”的,目前没有一家公司确认收到了大规模订单或明确的生产时间表。而高盛自己预测的是,全球人形机器人到2035年的出货量也仅为138万台。

“行业需要分辨当下的量产是由真实的商业需求驱动,还是仅由政策补贴和投资热度催生的伪需求。”

智源研究院院长王仲远公开表示,如果不是由真实需求形成的量产,而是由示范项目带来的一次性小需求,持续的量产就很难达成。一旦落地效果达不到预期,采购方会暂停购买,行业可能就会进入低谷。

而为了机器人能够更多地走进真实世界,一些厂商也开始利用各种方法,让其使用门槛被降低。

以智元为例,这家公司联合杭州飞阔科技、上海电气金融集团共同推出了全国首个机器人租赁生态联盟。在该生态联盟中,智元机器人作为机器人厂商,提供产品和技术支持;飞阔科技为租赁机器人的平台运营方;上海电气则为机器人需求方提供金融方案。

在机器人租赁生态联盟发起的现场,智元还宣布了加盟合作伙伴可享受的包括涵盖资金、订单与流量等支持。比如,加盟合作伙伴享受专属机器人折扣价格及现金补贴;零首付领机与利息补贴政策;联盟成员将享受官方派单等。

为了降低机器人的开发门槛,智元则推出了灵创平台。无需编程基础和专业设备,只需上传一段人类动作视频,用户即可通过该平台,实现从真人表演到机器人复刻的端到端转化。

宇树科技在11月初发布的全身遥操作平台,机器人精准复现了人类操作员的踢球、射门、舞动金箍棒、进行拳击对抗等复杂全身动作,身体协调性接近人类水平。

在远程操控下,机器人还完成了洗碗、用扫地机器人清洁、擦拭桌面、整理衣物、端水递送、踩踏板开垃圾桶扔垃圾等一系列家庭日常任务。

这显然都是退而求其次的选择。

在机器人的“AGI时刻”还未到来前,宇树科技的全身遥操作平台为实现“人类分身”提供了一条更现实的路径。通过遥操作,机器人可以在不完全自主的情况下提前进入家庭、工业等场景执行任务,为采集真实场景数据、训练机器人的“大脑”(大模型)奠定基础。

涌向二级市场,遥望星辰大海

尽管所有人都困在技术的迷雾森林中,但似乎所有人都认为人形机器人终将走进现实。这种共识,在中国的二级市场表现得尤其明显。

截至2025年12月16日,A股人形机器人概念板块的整体涨幅为54.98%。这一表现远超大盘,显示出市场对该赛道的高关注度。

“常温超导体、可控核聚变,可能在物理原理上就是个’问号‘。可能这个宇宙就不允许这种东西存在,人类花再多时间精力也不可能实现。”

王兴兴此前对笔者表示,与它们相比,人工智能机器人虽然需要解决的问题很多,但都是有方法的。只要花时间和脑力投入,智能是可以在机器人身上复现的,它并不存在物理意义上的约束。

按照王兴兴的最新说法,人形机器人想到“ChatGPT时刻”:即机器人能在80%的陌生场景中,听懂语言或文字指令后,成功完成约80%的任务(如递水、整理房间)。

他预测,这一里程碑式的突破最快可能在1-2年内实现,最晚也不会超过3-5年。但他也强调,机器人进入普通家庭仍需要一个相对较长的过程,因其涉及更复杂的伦理道德和安全性问题。

花旗全球洞察分析师Rob Garlick则认为,人形机器人的投资回报周期可能非常短,且回报丰厚。他估计,部分机器人的投资回收期甚至可能短至36周。

据Rob Garlick介绍,尽管机器人技术并非新生事物,但当前正涌现出众多新的进展,其中AI的发展尤为关键。

他指出,人形机器人在家庭服务领域展现出巨大的潜力,如折叠衣物、修剪草坪等家务劳动,以及为老年人提供照护服务等方面,预计将迎来显著增长。此外,包裹递送、建筑施工和食品递送等领域也是人形机器人的重要应用场景。

带着对于人形机器人市场的增长期待,人形机器人厂商也纷纷开启下一段资本征程。

目前,宇树科技、智元机器人以及银河通用三家公司均在2025年下半年完成了股份制改造,这是对接资本市场前的标准动作。其中,宇树科技已完成为期132天的IPO辅导,预计在2025年10月至12月期间正式提交科创板上市申请,有望成为A股“人形机器人第一股”。

除此之外,国家发展和改革委员会在2025年12月公布的数据显示,目前我国已有超过150家企业涉足人形机器人领域。同时,超过一半的公司成立于2023年至2025年之间。

这意味着,在技术进展和盈利前景都不明朗的现状之下,大量的人形机器人创业公司需要借助二级市场的融资通道,才能更持久地竞争下去。但二级市场的门,不可能一直大门敞开。

发改委相关部门负责人公开明确指出:“当前人形机器人在技术路线、商业化模式、应用场景等方面尚未完全成熟”,而“随着新兴资本加速入场”,需要“着力防范重复度高的产品‘扎堆’上市、研发空间被压缩等风险”。

很显然,二级市场的星辰大海,不是所有人都能力去追逐。一旦风险资本降温,被挡在二级市场门外的机器人创业公司,很有可能重演多年前自动驾驶领域的公司倒闭潮。

事实上,一些类似的苗头已经出现。

2025年11月,对标宇树科技的人形机器人公司K-Scale Labs宣布停止运营。K-Scale是从YC加速器跑出来的项目之一,曾在2024年2月的种子轮融资中筹集约400万美元,估值达5000万美元。

10月,国内的具身智能创业公司一星机器人(OneStar)也传出解散消息。据媒体确认,该公司确实处于解散阶段,“有吉利背景的相关人员已经基本撤出”。这是吉利汽车创始人李书福之子李星星发起的具身智能创业项目,联合创始人、CTO丁琰是上海AI Lab的明星研究员,曾在Ford、Meta等机构从事机器人感知与控制研究。

总的来看,2025年是人形机器人在技术争议和产品信仰中,挣扎前行的一年。这是所有新兴行业在初始阶段,必须经历的过程。没有人的看破未来,有的只是正在迷雾穿行的机器人和创造它们的人。(饶翔宇)

原文链接: 人形机器人的2025:一半是迷雾森林,一半是星辰大海
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
🔥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