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

“AI具身家庭机器人”第一股上市了,95%收入在海外

编程导航
编程导航
2025-12-30 23:50
阅读 222
编程导航
2025-12-30 23:50
阅读 222

图片来源:卧安机器人

图片来源:卧安机器人

12月30日,被视为“AI具身家庭机器人第一股”卧安机器人(股票代码:6600.HK)正式登陆港交所主板,上市发行价73.8港元/股,首发募资总额16.4亿港元。 

截至上市首日收盘,卧安股价上涨0.07%至73.85港元/股,总市值为164.11亿港元,约合147.7亿元人民币。 

卧安机器人由李志晨、潘阳联合创立于2015年,至今已有十年,并不是借助具身智能风口成立的机器人公司。

股权结构上,李志晨、潘阳及一致行动人合计持股44.53%,为公司控股股东;“大疆之父”李泽湘通过关联实体合计持股12.98%,高秉强间接持股9.72%,两位行业权威均以非执行董事身份深度参与公司发展。

上市前,卧安已完成8轮融资,累计融资3.91亿元,股东包括高瓴、源码、达晨等知名机构。 

卧安并非一上来就在做人形机器人,其最早在智能家居赛道火出圈的。

2017年,卧安机器人正式推出全球首款手指机器人及“SwitchBot”品牌旗下的第一款产品SwitchBot Bot。后来,卧安机器人又推出了窗帘机器人、门锁机器人等。

招股书显示,卧安机器人旗下品牌“SwitchBot”的产品线,涵盖了AI具身家庭机器人系列,包括增强型执行机器人及感知与决策系统,以及其他智能家庭产品与服务,拥有7大产品类别,42个SPU。

比起小米等公司AI具身家庭机器人系统领域的影响力,卧安之所以在国内市场鲜少被人提及,是因为其主要销售渠道在日本、欧洲及北美等地,公司95%以上的收入来自海外市场,日本是其第一大市场。

招股书显示,2022年至2025年上半年,卧安来自日本、欧洲及北美市场的合计收入占总营收的比例分别为95.5%、95.6%、95.0%及96.6%。

上市文件截图

卧安机器人招股书截图

其中,2022年至2024年,日本市场占卧安营收比重分别为61.4%、62.3%、57.7%。2025年上半年,来自日本市场的收入为2.68亿元,营收比重进一步上升至67.7%,占比近七成。

同时,2022年至2024年间以零售额计算,卧安机器人在日本AI具身家庭机器人系统行业中排名第一,2024年市场占有率为20.7%。此外,2025年上半年,欧洲市场收入为0.68亿元,占比17.2%;北美市场收入为0.46亿元,占比11.7%。 

卧安的收入从2022年的2.75亿元增长至2024年的6.10亿元,复合年增长率达49%。 

卧安在2025年上半年实现收入近4亿元,相当于2024年全年的65%;毛利率持续攀升至54.2%,并于2025年上半年实现扭亏为盈,经调整EBITDA达5414万元。

在研发投入上,卧安长期维持约20%的研发投入占比,重点投入机器人定位、AI视觉、边缘计算及人形机器人技术,同时建设数据采集工厂优化VLA模型。

除了上述基础产品,卧安也在开辟新赛道,主要聚焦在运动机器人(如已推出的和真人对打的AI网球机器人Acema),陪伴机器人(如搭载本地大模型的AI陪伴机器人Kata Friends),以及人形机器人。

值得关注的是,卧安计划于2026年1月推出首款人形家务机器人H1。这是一款只专用于家务的机器人。

卧安CEO李志晨在与源码资本的对话中表示,如果有一个超级通用机器人,既是管家又是保姆又是保安又是助理,那人们可能会担心,它可能会取代人。但如果每个机器人只负责一个具体的职责,比如保姆机器人、保安机器人,你就不会有这种担忧,人永远是未来家庭的主人,其中涉及未来的人机关系。

在他看来,从效果上看,专用机器人是最优解。人类的任何需求都有一个最能被满足的产品形态。所以卧安的产品矩阵是:宠物机器人提供情绪价值和管家功能,保姆机器人(如H1)做家务劳动,运动机器人提供陪练,其他专用机器人各司其职。 

他认为,未来的家庭,并不会由一个全能机器人包揽一切,而是会延续人类社会长期形成的分工逻辑。通用本体并非技术上不可实现,但在家庭这一高度私密、长期共处的场景中,并不构成最优的人机关系形态——机器人需要清晰的角色边界,有所为,也有所不为。

家庭场景的核心挑战,在于任务的长尾与分布漂移:同一任务在不同家庭、不同光照、不同物体形态下会出现大量极端情况,仅依靠规则或人工枚举难以长期覆盖,因此需要学习型模型的泛化能力,并在执行层结合传统控制与安全约束形成工程闭环。

李志晨判断,行业真正接近“GPT时刻”,在于能否形成可规模化的数据闭环,并验证学习型模型在真实家庭场景中的持续泛化能力,让人看到Scaling Law在具身领域的体现。这里的关键不是“堆参数”,而是可持续的数据闭环、可复用的任务表征与接口,以及可对齐的评测基准先收敛,规模扩展的收益才会稳定显现。

人形机器人赛道的竞争越来越激烈,作为相对稀缺的具身智能家庭场景商业化标的,卧安可以说抓住了当前AI物理落地的风口。

从轻量化智能改造配件,到运动、陪伴机器人,到开拓运动、陪伴机器人赛道,再到未来的人形机器人赛道,卧安的产品规划和增长路径,看起来没有会跳舞的人形机器人那么显眼,但产品有真实落地的场景,能够自我造血,这或许是卧安能成功IPO,被资本市场看好的重要因素。(作者|张敏,编辑|李程程) 

原文链接: “AI具身家庭机器人”第一股上市了,95%收入在海外
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