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

宇树辟谣“IPO生变”

编程导航
编程导航
2026-01-06 12:30
阅读 130
编程导航
2026-01-06 12:30
阅读 130

作者 | 柴旭晨

编辑 | 周智宇

具身智能独角兽宇树的IPO之路,依旧广受瞩目。

1月4日,有消息称宇树科技A股上市的“绿色通道”被叫停。当晚,宇树火速辟谣,表示该消息与事实情况不符,并明确表示公司从未涉及申请所谓的“绿色通道”事宜,目前的上市工作正按计划正常推进。

所谓“绿色通道”,指的是为特定类型企业提供的优先审核机制,特点是“即报即审、审过即发”。支持的是突破关键核心技术的科技型企业,如商业航天等行业。

作为当前国内具身机器人最当红的玩家,市场也一直对宇树有所期待。

根据宇树去年9月份公开的上市信息,其要在2025年最后一个季度向证券交易所提交申报文件。当年11月中旬,宇树完成了IPO辅导工作,中国证监会官网显示,宇树拟申请在境内IPO,距离上市似乎仅差临门一脚。

只是随着宇树IPO辅导工作完成多时,证券交易所却未披露相应文件,使得市场对其IPO是否顺利,也有了些许疑惑。

相关部门的“降温”之举,放大了这种担忧。去年11月底,国家发改委相关负责人明确表示,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,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。

这都使得宇树科技的IPO进程,成为市场观察国内机器人赛道资本化走向的风向标。

当前,具身智能市场已经来到爆发的前夜。具身机器人正被视为继汽车之后的下一代超级终端,资本正以史无前例的速度涌入具身智能赛道。IT桔子数据显示,截至2025年12月27日,国内机器人领域融资事件达610起,较2024年增长近3倍,总融资额超570亿元。

一级市场的火热也迅速向二级市场传导。2025年,递交上市申请的机器人产业链企业数量显著增加。此外,还有部分企业选择通过并购方式曲线进入资本市场。

“随着大模型的快速发展,现在终于有机会让AI与机器人结合真正落地干活。”宇树创始人王兴兴感叹道。人们也开始憧憬,未来机器人会真正进入工作岗位,包括家庭工作、工厂、服务业等。而“让AI干活”,正是宇树这些玩家规模化商业落地的关键节点。

行业一片火热,面对难得的机遇,玩家们都在争抢进入决赛圈的门票,投资者也在物色、加注自己选定的标的。狂热竞争之下,谁能够拿到更多的弹药去市场开疆拓土,谁就能掌握更多赢面,宇树也不例外。

因为,具身智能涉及AI、精密机械、传感器融合、运动控制等众多前沿且复杂的技术,任何一点的突破都需要巨额的资金投入。同时对于这个用户尚未形成刚性需求的新兴市场而言,教育用户、塑造品牌、构建渠道同样需要大量资金投入,这关乎着机器人行业能否实现商业闭环。

业内人士向华尔街见闻指出,此前,在一级市场上,只要贴上“人形机器人”标签的项目往往能获得超高溢价。但二级市场的投资者更加务实,他们看重的是商业化,是订单、复购率。

因此,为了占领C端用户的心智,一个月前,宇树在北京CBD核心商圈的京东MALL开业了全球首店,现场表演机器人舞蹈和拳击赛。此外行业内还传出消息,宇树正争取2026年央视春晚的表演资格。尽管宇树表示不予回应,但行业深知,这关乎其能否在亿万观众面前夯实“中国具身智能”的品牌形象,一旦产品能够真正融入大众日常生活,所爆发的市场能量将不可估量。

而无论是宇树的线下体验店,还是争夺春晚曝光,都需不断从外部资本市场获取弹药,以维持高强度的研发投入和市场开拓,支撑其走到盈亏平衡甚至盈利的拐点,最终成功卡位,这是一场与时间的赛跑。

可以说,宇树的IPO关乎着国内机器人的赛道能否继续火热。对于王兴兴及其团队而言,聚光灯下,任何细微的动作都会被放大。

但王兴兴此前曾表态,要把公司上市比作高考,“这是企业迈向更成熟管理和运营的重要阶段。” 他进一步说明:“上市不仅是对过去九年发展的总结,更是对股东的负责。这将推动公司进入新的发展阶段。”

宇树若能通过常规流程成功过会,也将为后续排队的玩家树立价值标杆。

因此,行业期待看到中国的人形机器人企业能够凭实力敲响上市的钟声,因为那不仅代表一家企业的成功,更标志着中国智造在攀登全球科技树顶端的征途中,又迈出了坚实的一步。

风险提示及免责条款
市场有风险,投资需谨慎。本文不构成个人投资建议,也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资,责任自负。
原文链接: 宇树辟谣“IPO生变”
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