与陈哲的具身季报 26Q1：宇树、人形机器人与世界模型

从春晚回到一台产品：G1 为什么难以被跟随

节目把宇树春晚的效果拆成了几层。真人动作先通过动捕或遥操作记录下来，仿真环境再用强化学习处理扰动，把较粗糙的示范转成更稳定的控制策略。最后，策略要迁移到真实本体，并且在每台机器上都能工作。G1 头顶的激光雷达也意味着它开始具备初步的建图和定位能力，但这仍然不等于机器人已经能在开放环境中自主决策。

宇树的另一项优势是产品定义。H1 大约 1.8 米，G1 降到约 1.3 米；身高和重量一起下降后，电机功率、运动表现与电池压力都更容易控制。对于科教市场来说，小人形可以支持许多与全尺寸人形相近的研究，因此 G1 是围绕科研场景重新设计的产品，不只是把更大的机器人缩小。

G1是宇树第一台真正为科研市场正向设计的机器人。

这也解释了为什么 G1 发布近两年后，仍没有出现真正同等的竞争者。做出一两台样机，与生产上千台、上万台可靠的机器，是两种不同的能力。宇树此前已经卖出数万台四足机器人，每台至少包含 12 个电机；零部件设计、装配误差和测试流程在更早的产品中反复经受了验证。后来者可以在演示上追平，却仍要补足供应链和量产的时间。

收入增长没有消除科研市场的限制

节目对招股书的复述显示，宇树人形业务收入占比从 2023 年的不到 2%，升到 2024 年的 27%，再到 2025 年前三季度的 51%。人形业务的毛利约为 63%，但陈哲没有把这个数字直接解释成大规模商业化的证据：目前的客户仍以科研机构为主，订单分散，市场规模也有限。科研客户对价格的敏感度较低，供给稀缺时，毛利自然会高于成熟的规模化产品。

宇树能够活下来，和这种经营方式有关。陈哲回忆，2019 年宇树规模很小，一年卖出十几到二十台机器狗，却已经有约 1000 万元收入并保持盈利。王星星长期把注意力放在本体、零部件和产品稳定性上，没有在早期同时押注 AI、消费市场和宏大叙事。这个选择牺牲了外界更容易理解的增长故事，却给公司留下了等待新需求出现的时间。

下一阶段，宇树需要补上大脑与模型。节目提到其计划募资 40 亿元，其中 20 亿元拟投入大脑研究。陈哲的判断比较克制：宇树未必需要在基础模型上领先，只要它继续成为全球科研人员使用人形机器人的事实标准，外部团队在这套硬件上训练出的模型也会把生态带回宇树。

人形的价值重新落到空间、重量和重心

银河通用的人形机器人打网球，是这一季度另一个重要画面。网球速度可以达到每小时 100 公里，机器人要在很短时间内识别来球、判断落点、移动身体并完成挥拍。这个系统由动捕、强化学习和较大的场地工程共同支撑，球路处理还依赖场外摄像头与外部算力，因此它不能直接等同于端侧量产能力。但它把一个此前很难想象的任务变成了真实机器上的工程问题。

这类演示也改变了陈哲对双足形态的看法。他过去认为仓库和工厂只需要两只手，轮式底盘可以承担移动；后来他开始比较完整系统的复杂度。一个稳定的人形机器人在结构化环境中只需约 40×60 厘米的占地，还能从地面触达约 2.3 米的高度。若轮式机器人要在高处取放 20 公斤左右的箱子，就需要用更重的底盘抵抗重心变化；节目举到的 Boston Dynamics Stretch，整机重量约一吨，而全尺寸人形机器人的重量可能只有七八十公斤。这个比较依赖具体任务和结构，但它说明轮子并不在所有指标上天然更简单。

当一个机器人真正实现某一种能力，当一个机器人真正稳定的交付某一种能力的时候，它可以做的事情，或者它可以创造的价值，会得到一个快速的释放。

新版电动 Atlas 又把问题往前推了一步。它用更少的标准化旋转电机和性能冗余换取多种动作，头部与躯干可以完整旋转，左右腿也不必严格区分。这样的设计不必复制人的每一处限制，同时降低了装配和现场维修的难度。对美国制造业来说，结构简单、容易装配并非审美选择，而是对熟练技术工人不足的现实回应。

灵巧手把触觉重新带回控制回路

Optimus 的绳驱灵巧手把电机放在前臂，用腱绳模拟肌肉和肌腱。它追求更接近人手的灵活性，但代价是手腕和手掌的狭小空间里要安排四十多根腱绳，还要处理松动、柔变、磨损、替换和重新装配。仿生设计并不自动等于第一性选择：电机、齿轮和腱绳无法像肌肉组织那样恢复，材料的能量密度也与肌肉不同。

Shadow 的三层控制架构提供了另一种理解。System 2 用文本做低频的任务规划，System 1 结合视觉和机器人状态输出粗略轨迹，System 0 再根据触觉和接触状态，在高频层面调整每个手指与关节。一个人可以只看一眼就猜到杯子的材质，却要在碰到杯子后才知道握力是否合适；机器人也需要把这种接触后的修正纳入控制。

这让灵巧手成为具身研究的一个入口。节目提到，星动纪元的 12 自由度手曾是海外研究者使用较多的产品，Shadow 则提供了 22 个自由度，接近不算手腕的人手自由度。单只手约 5 万美元，价格并不低，但如果它足够可靠、自由度足够高，又有传感器和开发环境，它就可能像 G1 一样成为研究复现的默认硬件。对厂商来说，开放给科研人员共同打磨，可能比一开始就追求完整的商业闭环更重要。

触觉对于我们最终这个任务的实现是非常重要的。

数据金字塔的顶端不是互联网视频

具身数据并不只有一种质量。最接近机器人真实执行状态的是遥操作数据，因为它直接记录了关节、电机和任务结果。Yumi、DexYumi 这类同构末端牺牲一部分通用自由度，换来人与机器人之间更小的差距。EgoScale 进一步扩大第一视角的人类操作数据，规模比遥操作大，却仍然要面对人的手腕、手指和上半身自由度更开放的问题。

最精准的、最高效的数据肯定是机器人直接的遥操作数据

互联网视频数量最多，却通常没有明确的机器人动作、关节状态或接触结果。仿真可以生成新数据，也可以扩充真实数据，但它是一种数据生产手段，不会自动消除真实世界的域差距。国内团队把百万小时真实数据作为目标，真正困难的部分还包括清洗、标注和确认哪些片段确实有效。因此，当前更稳妥的判断是行业找到了扩大数据的方法，还没有证明数据瓶颈已经结束。

世界模型把“下一步”变成显式问题

陈哲给出的宽泛定义是，世界模型根据当前观测预测未来会发生什么。在机器人场景里，视频生成模型可以充当一种仿真器：系统先预测动作会怎样改变环境，再据此生成策略。DreamDojo 更接近视频世界仿真，DreamZero 尝试从视频和任务输出机器人动作，英伟达提出的 WAM 则强调通过对未来的预测建立因果推理。

我们有一个基于现在的观测，可以预测未来会发生什么事情的这样一个模型，叫做世界模型。

这条路线和 VLA 的差异，不只是换了一个模型名字。VLA 以语言模型为骨干，把图像与文字映射成动作，容易在熟悉的样本里表现良好，却可能在颜色、位置或过程发生变化时失效。世界模型试图利用更广泛的视频分布学习环境变化，并把动作放入时间和因果关系中。语言可以承担复杂、低频的推理，视频则更接近实时环境互动；两者更像互补关系。

难点在于视频模型的训练和推理都很重。节目提到 DreamZero 的运行速度约为 7 Hz，也提到许多机器人世界模型把 Wan 2.1 或 2.2 当作开源基座，但它们并不是为机器人视频生成专门训练的模型。视频数据的采集、存储和反复实验都需要大量资源；即使有几十万小时的数据，没有足够 GPU 去试出训练配方，也很难得到稳定结果。

算力、制造和市场结构会一起筛选公司

端侧推理目前常用英伟达车载芯片，例如 Orin 或 Thor，因为机器人模型的复杂度还没有降到可以优先省算力的程度。但从云端到车载，再到量产机器人，芯片选择会越来越受到功耗、成本和供应稳定性的约束。地平线、地瓜以及传统 ARM 和 MCU 方案，可能在商用和消费机器人中拥有更直接的位置。英伟达在云端 GPU 的优势，并不自动延伸为所有机器人的量产芯片优势。

形态也会带来类似的筛选。无人机、扫地机、割草机和仓储机器人等单任务产品，给创业公司留下了先积累光机电结构、精密工程与量产经验的路径；通用机器人则需要把多任务软件和复杂硬件放进同一套产品。单任务公司的能力可以成为起点，却不会自动变成通用机器人能力，组织文化和学习速度同样要改变。

资本市场正在放大这场竞争。节目中的粗略统计是，估值超过 100 亿元人民币的具身或人形公司已经超过 20 家；陈哲把它与大模型热潮中估值达到这一水平的少数公司作比较，想说明具身的真实商业化还更远。宇树有真实收入和用户，因此它的上市更像经营质量的参照物；但上市潮也会把同质化、退出预期和未来淘汰摆到同一张表上。

赢家会高度收敛。

最后留下的问题

未来一两个季度，节目关注三个信号：有没有世界模型结果显著超过现有 VLA 路线；高自由度、带触觉的手是否带来可复现的复杂操作；亦庄的人形机器人比赛能否像汽车的 F1 一样，成为公开比较和技术迭代的场地。

但这些进展仍不会立刻解决最根本的问题：人形是不是通用机器人的最优解，还是未来会出现许多不同的形态。陈哲见过机器人行业几十年的起伏，既不把技术突破当成必然，也不愿用过去的限制替未来下结论。资源、人才和算力正在涌向这个问题，答案因此变得更近，也更难提前写下。