# 与陈哲的「具身季报 26Q1」：宇树招股书、人形再思考、英伟达世界模型、高自由度灵巧手

> 晚点聊 LateTalk No. 157 精读

- 发布日期：2026-04-02
- 主持：程曼祺 等
- 原节目：https://www.xiaoyuzhoufm.com/episode/69ce3bdcf6e591a7ac937701
- 网页版：https://latetalk.qiaomu.ai/ep/69ce3bdcf6e591a7ac937701.html
- 精读字数：约 8750 字（阅读约 19 分钟）

> 本文为 latetalk.qiaomu.ai 基于节目转写的 AI 整理精读，不是逐字稿；引用请注明出处并链接网页版。

2026 年 3 月，陈哲在英伟达 GTC 现场看完一圈 demo，回国后给这一季的具身智能排了个前五：宇树春晚、Sharpa 灵巧手、英伟达世界模型、银河通用打网球、波士顿动力新版电动 Atlas。这五件事分别落在本体、零部件、大脑、系统整合和工业应用五个位置，几乎是一张完整的产业地图。

陈哲是 Alphaist Partners 创始合伙人，此前在五源资本投了七年机器人和硬件，海柔、松灵、本末、地瓜都在他的名单上。这期《晚点聊》是他和程曼祺合作的第一期「具身季报」，两人从中美两家头部公司的近况聊到灵巧手和世界模型两条技术路线，再落到端侧算力和上市潮。

节目里最有价值的部分，是几个反直觉的判断：宇树的高毛利来自科研市场本来的定价方式，和技术溢价关系不大；人形机器人未必比轮式机器人复杂；特斯拉坚持的绳驱灵巧手，可能从第一性原理上就站不住。下面按时间顺序拆开讲。

## 春晚二十台机器人，难在一致性 0:04:48

宇树今年春晚的功夫表演，业内认可度比去年高了不少。去年转手绢被不少做机器人的人吐槽，因为手绢是连在机械装置上的，抛出去必然会回收。今年不一样，二十多台机器人在台上同时完成弹射、大回环、连续翻滚，动作背后用的技术基本是 2025 年年中甚至下半年才发表的论文。

陈哲把关键点放在一致性上。二十多台量产机在同一个舞台上做复杂动作，每台机器受到的干扰都不同，最终呈现高度一致的效果，考验的是硬件质量控制和运控算法的稳定性。**他认为这是宇树目前相比所有公司最大的优势。**

和波士顿动力早年的跑酷视频相比，原理已经完全不同。当年那批视频靠传统控制算法加一群有经验的老专家调参，拍摄时精心剪辑，失败次数不少。今天的动作 policy 用强化学习在仿真里训练，对环境扰动的适应能力强得多。宇树这次每台机器人头顶还装了激光雷达，具备初步的建图和定位能力。

需要泼的冷水也清楚：这些表演本质上是事先编排好的固定动作，遇到大干扰很难自主决策，而且全是全身和下肢运动，没有涉及上肢操作。今天具身智能的大量研究工作恰恰围绕操作展开，宇树在这一块还没有太多动作。

## 招股书里的宇树：高毛利与科研市场的定价逻辑 0:15:56

宇树招股书披露的收入结构变化很快。2023 年人形机器人占收入不到 2%，2024 年到 27%，2025 年前三季度已经超过 50%。陈哲的判断是，这家公司未来会以人形为核心，四足机器人长期看只是更小的份额。

毛利这一项更值得看。2025 年人形机器人毛利超过 60%，在软硬一体产品里算很高。陈哲的解释是，今天人形机器人绝大部分卖给科研市场，这个市场规模小、订单分散，传统科研教具做到七八十的毛利很正常。**高毛利来自市场缺乏竞争加上客户对价格不敏感，和技术溢价关系不大。**

他拿激光雷达早期做类比：主要卖给 L4 公司做研发设备时，毛利同样很高，因为客户数量明确、需求明确，降价不会带来两三倍的销量增长，定价由相对竞争力决定。

真正的问题是，G1 发布已经 20 个月，为什么没有第二家公司抢下这个位置。陈哲的答案在产品定义：G1 是宇树第一台为科研市场正向设计的机器人，身高从 H1 的 1 米 8 降到 1 米 3 左右，质量大幅下降，对电机功率密度、运动表现和电池都有帮助。做科研，1 米 3 和 1 米 8 能做的研究差不多，但成本和稳定性差很多。

另一层门槛在量产。宇树在做 G1 之前，四足机器人已经卖了几万台，每台至少 12 个电机，等于真正完成过百万级电机的设计、生产和量产。新公司做出一两台超越 G1 的样机不难，做到上千上万台的可靠生产，时间成本压不下去。陈哲说，大模型公司的领先优势可能只有 3 到 6 个月，硬件公司可能是 12 到 24 个月。

> 我认为语数的成功跟大疆的成功类似的地方都是，这是一个创始人真正非常热爱和笃定的方向。

他 2019 年在杭州见到王兴兴时，公司一年卖十几二十只机器狗，收入一千万人民币左右，不到十个人，是盈利的。不盈利的话，2019 年就见不到这家公司了。投资人自始至终不喜欢科研市场，朱啸虎公开表达过这个看法，但王兴兴的专注让宇树活到了具身智能热潮。

下一个阶段的挑战在智能。2025 年前三季度宇树研发费用 9000 多万，比很多机器人公司都少，核心管理层里也没有 AI 背景的合伙人。这次招股书计划募资 40 亿，其中 20 亿投向大脑研究，近期也开源了 VLA 和世界模型的工作。陈哲判断宇树在大脑上会长期采取跟随策略，而且够用：只要它持续占据人形机器人科研市场的事实标准，所有最新研究都基于它的硬件做，这个生态位很难被替代。

## 银河打网球与双足价值的再思考 0:28:22

银河通用春节后发布的打网球 demo，陈哲列进前五，理由是它第一次让人形机器人在高速、需要实时反馈的任务上有了像样的表现。网球的球速可以到每小时 100 公里，球场空间小，预判和响应的时间窗口极短，对轮式机器人都是难题，双足人形做完整挥拍击球，以 2026 年初的技术栈看是相当复杂的工程。

Karpathy 在 X 上回复说这肯定是 AI 生成的，陈哲第一次看也有同样感觉。这个 demo 大概率没有用板载算力和视觉，球场上布置了外部摄像头，用的是非端侧算力。但计算机科学的经验是，只要事情能做，人类总能想到办法把它优化到更小的算力和资源上。能不能做是第一位的，怎么优化是第二步。

这个 demo 更大的意义在于拓宽想象：在现有技术基础上，通过组合和工程优化，人形机器人能做到什么程度。Figure 在 1 月和 3 月发布的全身运控 demo 同理，动作丝滑自然，背后是大量针对性训练和精心剪辑，但确实是真机自主执行。

顺着这个话题，程曼祺问了一个老问题：双足到底有没有必要。陈哲说自己很长一段时间也怀疑，最近被波士顿动力的几段访谈冲击到了。

他的算法是这样的：人形机器人在结构化环境里稳定移动，只需要 40×60 厘米的空间，腿和身体的自由度让它能下探到地面、上探到 2 米 3 的高度，搬 10 到 20 公斤的箱子，全尺寸人形今天基本能做到。换成轮式，要覆盖同样的高度范围，底盘会大得多，而且重心是硬伤。波士顿动力的 Stretch 为了从货架取一个 25 公斤的箱子，整机重量在一吨左右，因为升得高，下面必须够重。人形机器人七八十公斤就能动态调节重心和姿态完成同样的事，重量差十倍。

再往深一层，一个在空间里移动性很好的轮式机器人，理想方案是四轮四转，八个主动电机，加上适配不同高度的升降结构，还要更大功率的电机和电池来驱动更重的底座。**论复杂度和成本，轮式不一定比人形低。**

## 新版 Atlas：人形也可以超人 0:39:45

波士顿动力新版电动 Atlas 有几个鲜明特点。一是高度模块化的设计，全身主要执行器只有两种，逻辑类似工业机械臂和协作臂的区别：以前每个关节定制电机和减速机，现在用少数标准化电机加性能冗余实现多功能，生产和组装难度大幅降低。

二是它不受人体物理限制。头部和躯干可以 360 度完整旋转，人从面朝北转到面朝南需要三四步转身，它转一下腰就行。左右腿可以互换，左右手同理，现场维修替换的成本也低。

陈哲认为这个设计取向和美国制造业的现状直接相关：熟练技术工人稀缺，只能把结构做简单、靠性能冗余解决安装和维修问题。波士顿动力现在的主要股东是现代汽车，很多生产组装和前期测试在现代的工厂里完成，这是美国补制造短板的一条现实路径，代价是同样的东西在美国做要付出两到三倍成本。

## Optimus 延期与绳驱方案的争议 0:42:29

特斯拉 Optimus Gen3 原计划今年一季度亮相，现在至少延到 6 月下旬，量产时间也可能从 10 月推到明年。陈哲说这符合行业预期，有一句话叫 Elon is always right, but his timing is always wrong。

硬件上的挑战集中在手。特斯拉在做高自由度的绳驱方案，把大量电机放在前臂，通过腱绳传动到手指，逻辑是模仿人的肌肉肌腱，追求仿人的灵巧性。问题在于，组装一只高自由度灵巧手，需要在手腕和手掌的空间里插入四十多根腱绳，一致性、鲁棒性、可靠性都是难题，任何一根松动或损坏，再组装和维修都非常麻烦。

陈哲的朋友反问过一个更根本的问题：既然已经用了电机，就不是肌肉，第一性原理从何谈起。人的肌肉可以再生，拉伤后通过恢复和训练能自愈，腱绳、电机、齿轮的磨损不可逆；肌肉的能量密度和力矩密度也远高于电机。用一个不是肌肉的东西模仿肌肉，还得不到同样的性能，这本身就不符合第一性原理。

他拿特斯拉当年选纯视觉方案做类比：那时所有人都不相信，最后靠几年工程努力把愿景实现了。绳驱灵巧手会不会重演，他说不准，但 2026 年量产一万台的目标，在这条路线上挑战巨大。

顺带说到 Figure。陈哲的评价是，这家公司值得颁一个奥斯卡最佳影视特效奖。创始人 Brett 此前做过飞行汽车公司 Archer，2021 年上市后不久离开，再之前卖过一家创业公司，特点是能不断找到下一个热点，也能吸引认可他愿景的投资人，历史记录是快速卖掉公司或带上市。市场对他是否有足够的专注度和韧性有争议，但不可否认 Figure 过去两年吸引了大量软硬件人才，Helix 那套从低频到高频的三层全身运控框架，从展示效果和内部反馈看，能力在市场上是领先的。

Figure 融这么多钱，另一面是美国制造的国家意志。机器人供应链在美国已经大面积消失，想完全本土生产人形机器人，前期投入巨大。中国几百万成本能攒出一台人形，美国很难做到。

## Pi、Sunday、Generalist：智能与数据的三条路 0:57:58

Pi 被很多中国从业者当作标杆。除了去年的 0.6，这一季它发布了解决长程记忆问题的思路，类似给模型加一个文本记录，持续记录当前状态并反思，提升长程操作的一致性和稳定性。还有真机强化学习和复杂场景下动作端在线强化的新框架。陈哲认为在跨维度和动态环境适应性上，Pi 全球最领先。

Sunday 是以模型和数据为主、轻硬件的公司。陈哲很佩服这类创业者能推出世界上没有、事后又觉得合理的巧妙设计。池骋在斯坦福时参与的工作后来演化成 UMI，一个手持的同构夹爪，带触觉反馈，被广泛用于数据采集。Sunday 在此基础上把两指扩到三指，增加了大量夹爪做不了的动作，迭代很多版本才收敛到今天形态，然后可以低成本采集大量数据。

英伟达的 EgoScale 数据框架用超过 2 万小时的自我中心人类数据，打破了灵巧操作迁移的规模瓶颈。陈哲把它放进数据金字塔里理解：最上层是机器人直接遥操数据，最准最贵；往下是 UMI 这类类机器人架构的末端数据；再往下是第一视角的人类操作视频；最底层是互联网上广泛的物理现象视频。EgoScale 用的是 Manus 手套采集，甚至没有精细的手指动作，但作为预训练数据，VLA 和世界模型都能用。

第一视角视频的问题在于，人的手和上肢自由度远高于今天任何机器人，很多手腕和手指动作根本迁移不过去，这个 GAP 只能靠硬件自由度提升来缩小，这也是要做高自由度灵巧手的原因。陈哲不认为数据瓶颈已经解决，只是大家看到了可能怎么解决，还在验证阶段。国内很多公司今年目标是采集百万小时真实数据，但有效、清晰、有标注的百万小时，还需要很长时间。

## 灵巧手的 G1 时刻与三层架构 1:07:06

过去一年海外研究人员用得最多的是心动纪元 12 自由度的灵巧手，最近三四个月 Sharpa 的 22 自由度手开始铺开，人手不算手腕也是 22 个自由度。Sharpa 在 CES 上展示的长程自主组装风车，让外界看到了当前灵巧手的水平。这只手售价 5 万美元，很多是补贴给研究机构，目的是成为研究的基础环节。

Sharpa 提出了三层架构：System 2 是低频、高维的语言规划层；System 1 接收视觉和机器人状态，输出粗略的手臂关节轨迹和夹爪开合；新引入的 System 0 接收触觉信息和 System 1 传下来的粗略轨迹，实现高频的精细闭环控制。摸到物体之前没有触觉信号，System 1 定位不准、抓不起来，System 0 介入，根据接触信息和任务意图决定每根手指每个关节怎么动。

这对应人的大脑、小脑和末梢神经。把手指神经末梢的感觉屏蔽掉，一些看起来很简单的工作就做不了了；反过来蒙上眼睛，很多任务照样能完成。今天的 VLA 和世界模型，训练方式里基本完全没有触觉信号。

陈哲认为灵巧手可能存在一个类似 G1 的机会。2020 年 MIT Mini Cheetah 开源了准直驱 QDD 电机结构和完整控制算法，国内大量团队快速搭出四足机器人，小米做铁蛋，小鹏收购公司成立鹏行，一时间热闹非凡，同期宇树并不起眼。最后宇树走得最远，因为王兴兴本分专注，就想把四足做好，没拿钱去搞 AI、搞 C 端量产。

灵巧手今天处在同样的位置：谁能足够克制和专注，把产品做到足够可靠、自由度足够高、成本足够低、传感器和开发环境足够完善，谁就能成为全球研究人员默认的选择。反过来，过早谈商业闭环、不够开放地和科研市场合作，可能错失这个机会，就像小鹏 2021 年推机器马量产，时机根本没到。

> 沙帕的目标肯定是要大于这个，其实今天我跟李一帆稍微聊了一下，他说他觉得最重要的还是 AI 能力。

## 世界模型：不再以语言为底层 1:14:30

VLA 的底层是多模态语言模型，本质上是带有描述的行为克隆：输入静态图片和文字描述，强行映射出一段关节动作序列。所以泛化差，蓝杯子换成红杯子、左边换到右边就可能失效，因为要克隆的行为分布里没有这些样本。扫二维码这种任务，画面变了模型不知道扫没扫上，不加外挂都做不了。

世界模型的底层是视频生成模型，对应人类智能的另一半：视觉。英伟达的 DreamDojo 像一个基于视频的世界模型仿真器，可以预测和渲染未来世界的样子；DreamZero 通过视频生成的方式，把当前任务和环境输出成机器人要执行的策略和动作。它不再是从描述直接输出动作序列，而是先脑补、建立因果推理，再生成符合世界规律的动作，脱离了以文本和动作克隆为核心的控制范式。

陈哲说，文字代表的推理是低频、复杂的思考过程，视频代表的智能更应激、更实时、更与环境互动，两者在通用机器人里都不可或缺。王兴兴在 GTC 上也提到，从宇树的立场更看好世界模型，因为理论天花板更高：没有视觉，读再多文字也理解不了自然界的很多现象；哪怕不识字，人也能很好地生存。

世界模型当前的问题很明显。DreamZero 在机器人上只跑 7Hz，速度很慢。但陈哲认为速度问题都可以解，GPT-3 刚出来时 token 生成也很慢，今天快了一百到一千倍，路径探索才是难的。更关键的是，具身智能一直高度受益于外部基座模型的进展：有了更好的 VLM 才能训出更好的 VLA，有了更好的视频生成模型才能训出更好的世界模型。这个外部力量不由行业自己决定。

这也解释了为什么世界模型可能是大厂主导的方向。视频生成模型对算力和资源的消耗是指数级的，远大于文字模型。全世界做得最好的几家，谷歌、字节、快手，都是最大的互联网公司。OpenAI 几天前宣布停止 Sora 的产品工作，背后也是持续投入和变现场景的问题。今天几乎所有的世界模型和机器人视觉模型，基座用的都是阿里开源的万 2.1 或 2.2，英伟达自己也没训。但很多研究员反馈，万并不适合机器人视频生成，它最初不是为这个目的做的，只是开源里最好的选择。

创业公司也不是没有机会。陈哲在 GTC 见到了刚宣布 4.5 亿美元融资的 Rhoda AI 团队，他们以世界模型为创业方向，自己采集了大量第一视角数据做再训练。国内也有极佳科技这类宣称做世界模型的公司。陈哲的感受是，视频生成这条路的陡峭度明显高于 VLA，理论上限更高，同时也更难，而且看起来特别大厂友好。

触觉是另一个变量。哪怕世界模型到了完美状态，闭着眼睛能脑补未来 30 秒发生的所有事，视频模态里天然没有触觉信号。怎么把触觉融合进去，得靠具身行业自己解决，这恰恰是很多创业公司在做的事：训不了超大的 VLA，也预训练不了超大的世界模型，但可以解决灵巧手操作，可以解决触觉和末端执行器的结合。大公司喜欢有规模效应的事，创业公司的空间就在这里。

## 端侧算力：英伟达统治力逐层减弱 1:43:42

人形机器人做实时推理，目前默认选择是英伟达的车载芯片 Orin 甚至更高端的 Thor 系列，不是 Jetson，因为算力不够。陈哲的逻辑很直接：今天做端到端自动驾驶的公司，把一个模型实时压到 Orin 上已经费尽九牛二虎之力，具身的 VLA 和世界模型复杂度不会更低，还完全没到节省算力的阶段，一两百瓦功耗内能拿到的最好算力就是自动驾驶芯片。

国内很多公司在跟地平线合作。地平线在量产自动驾驶芯片里占约 40% 份额，车载芯片自然会被用到人形机器人上。华为在高级自动驾驶有份额，但受制裁限制，芯片产能优先供给云端和手机，车载优先级不够，机器人更靠后。

从云端到车载再到机器人，英伟达的统治力逐层减弱。云端 GPU 是压倒性地位，车载有高通等对手，到了真正量产的机器人，成本、功耗的权衡更严苛。看今天规模量产的家用和商用机器人，扫地机、无人机，没有一家用英伟达的方案，这个市场开放给地瓜、地平线，以及全志、瑞芯微这类传统 MCU 芯片公司。

陈哲把这总结为典型的创新者窘境，和当年英特尔拒绝给 iPhone 做芯片一样：云端太赚钱，车载和机器人不是公司内部的重点。特斯拉则验证了另一条路，马斯克明确说量产汽车和 Optimus 会用同一款芯片，从架构、算力到能耗统一优化。这意味着国产自动驾驶芯片的领先公司，在具身时代大概率也是强有力的竞争者，小鹏、华为、理想、小米这些能量产芯片的车厂都在名单上。

但芯片市场成熟后不会容纳这么多供应商。历史上复杂芯片基本只有两个玩家，第一名八成、第二名两成。人形机器人很可能是一个高度收敛的赛道：智能手机之所以收敛，是因为人的手就长这样；功能机时代形态多样，iPhone 之后高度集中。今天的机器人都是 feature robot，扫地的、搬运的、工业的，一旦通用机器人成立，赢家会高度集中。汽车看着分散，其实美国三家、日本三家、韩国一两家、欧洲三家，已经高度集中，智能化和软硬一体只会让集中度更高。

对创业者更稳健的路径，可能是先做 feature robot。汪滔做无人机，石头做扫地机，还有割草机、仓储机器人、泳池机器人，今天很多年轻创业者走的就是这条路。这类公司能不能进化成通用机器人公司？陈哲说有可能，但对组织和文化是巨大冲击。他举苹果的例子：不是所有做电脑的公司都完成了苹果后来做的事。更贴切的是计算器，惠普和德州仪器把计算器卖进千家万户，却没有进化成家用 PC 公司。最终摘得通用机器人桂冠的，应该是积累了相关能力的公司，光机电结构、精密工程、量产，这些占了一半的 recipe，另外一半看团队的学习和迭代能力。Sharpa 如果有一天做成通用机器人公司，他不会觉得奇怪。

## 上市潮与下季度看点 1:53:59

宇树提交招股书，拉开了中国具身智能公司上市潮的序幕。陈哲的判断很明确：机器人是中国未来十年国家级的发展主线，宇树的上市会开启有全球竞争力的中国公司发展的新阶段。他反复强调宇树是一家商业质量很好的公司，有真实用户价值、真实收入、经营高效，不是泡沫公司，比很多其他公司的上市更有代表性。

但他也提醒，市场容易对技术的短期变化有过高预期。他做了一个统计：中国今天估值超过 100 亿人民币或 15 亿美元的人形和具身智能公司已经超过 20 家；大模型最狂热的 2023、2024 年，估值超过 100 亿的大模型公司也就四五家。而大模型已经有非常明确的商业化和行业应用机会，OpenAI、Anthropic 的收入摆在那里；具身智能进入真实商业场景还需要很长时间，最头部的宇树也就是 2 亿多美元收入。**20 家百亿估值公司对应这样的收入体量，需要时间吸收和淘汰。**

他观察到，清华、北大、交大、复旦最聪明的年轻人，可能一大半在搞具身智能，跟过去两三年一半的聪明脑袋搞 AI 相似。他觉得这比 2012 年最好的脑袋都在想怎么提高广告转化率要好。站在国家发展阶段看，中国企业第一次到了可以引领世界前沿的位置，从追赶者进入原创者的节奏；大模型技术、生成技术、算力和数据中心的成熟，也让具身智能到了临界点。

下个季度他期待三件事。一是世界模型，看谁能拿出显著超越 Pi 当前 VLA 路线的结果。二是灵巧手，更多研究人员拿到带触觉的高自由度灵巧手后，会不会有更多灵巧操作的成果出现。三是北京亦庄的人形机器人马拉松，去年很多人觉得是搞笑的噱头，今年几乎所有有头有脸的人形机器人公司都在全力备战。陈哲把它类比成汽车工业的 F1：高密度、高竞争性的活动会催生前沿技术和方案的突破，再下放到量产版本，而且是民众能理解、能欣赏的活动，表演意义和宣传意义都重要。

节目最后，程曼祺问了一个开放问题：人形是不是未来通用机器人的最优解。陈哲说自己以前有很多质疑，更倾向于未来会扩散出多种形态，就像既有汽车也有飞机。但今天答案更模糊了。他不是盲目的技术乐观主义者，知道这件事很难，也理解技术突破是非线性的，过了临界点可能进入正向加速。临界点能不能突破，还是永远卡在机械结构、电机结构、能量结构的物理限制上，他没有倾向性的答案。他能看到的是，整个世界的资源、脑力、算力都在涌向这个市场，试图解决最难的问题。

这期季报给出的可带走判断有三条。第一，看具身公司别只看 demo 的惊艳程度，要看一致性、量产可靠性和生态位，硬件公司的领先窗口是 12 到 24 个月，比大模型长得多。第二，灵巧手和触觉是当下创业友好度最高的方向，大厂忙着卷视频生成基座，触觉信号不在任何现成模态里，谁把高自由度、带触觉、开发环境完善的手做成科研市场的事实标准，谁就拿到了类似 G1 的位置。第三，世界模型理论上限更高，但算力和数据门槛把它推向大厂，创业公司的机会在基座之上的场景 know-how 和数据，以及触觉和末端执行器这类大厂不愿意做的脏活累活。下一季度，盯住亦庄的机器人马拉松和第一批带触觉的灵巧操作成果，这两个信号比任何融资新闻都更能说明行业走到了哪一步。