最近，Dyna 机器人联合创始人 York Yang 发表了一篇名为《十个月的落地，让我们看清机器人行业“泡沫”真相》的文章，在社区引发大量讨论，连前 DeepMind、微软等大厂的研究人员也都纷纷点赞。下面摘录其主要观点，并附上一些补充评论。
1/ 全球机器人投入超 180 亿美元，仍以科研与教育为主，工业贡献有限
资金投入与估值：2022—2025 年，机器人领域共完成 235 笔股权融资，总计超过 180 亿美元。相比 2022 年的 28.6 亿美元，2025 年已升至 87.6 亿美元，三年翻了两倍。中国与美国对比：中国的人形机器人厂商超过 140 家，在售产品超过 330 款；美国新一代机器人公司整体估值超过 1000 亿美元。
产出方面，2025 年人形机器人实际创造的工作价值微乎其微，几乎难以统计。2026 年 1 月，马斯克在特斯拉财报会上坦言，目前没有一台擎天柱机器人在特斯拉工厂承担稳定的生产工作。公开数据显示，2025 年前三季度，人形机器人公司营收中超七成来自科研与教育，工业落地不足 10%，实际案例多集中在迎宾、导览等轻量级场景。
2/ 机器人 ≠ 大模型 ≠ 自动驾驶，只能走自己的路
大模型 靠软件和浏览器就能完成分发增长，触达全球用户；自动驾驶依托汽车这个载体，即便没有自动驾驶功能，大众仍会自发购买，更何况自驾目前还在经历可靠模型、整车、渠道三重瓶颈。机器人如果缺少智能软件，就只是一个 28 个自由度、约 28 公斤、缺少可规模化应用场景的机器，无法像大模型和自驾那样有现成场景，也没法像 iPhone 时代那样等待软件生态。如果强行对标大模型和自动驾驶，只会产生战略认知错误。
3/ 市场认知误区：硬件出货、训练时长、落地基建
硬件出货：一些人以为把硬件卖出去就等于商业渠道跑通了。参考 AR / VR，只有第二次铺货落地比第一次更高效，才算真正建立渠道，否则只是囤货去库存。
训练时长：不要只看训练数据时长这一个指标。当前已形成预训练和后训练的迭代闭环，要同时关注规模、数据质量以及后训练的迭代反馈。机器人要想快速落地，只能依赖真实场景的后训练优化信号。与大模型不同，大模型的预训练和后训练有统一的评估标准，两个阶段可以朝同一目标优化；而机器人没有统一标准，所以不能只看数据量增加，还要看数据如何量化、对标什么目标、服务什么下游指标。
落地基建：指全套落地基建体系（行业增长飞轮），包括场景评估与任务边界定义、现场部署与调试、数据采集回流至训练体系、远程诊断与稳定性监控、模型与系统的迭代更新，以及如何将单次落地经验沉淀为可复用的经验。如果没有组建起这套体系，机器人就无法进入真实场景，模型得不到真实后训练信号，预训练和后训练无法闭环，形成死循环，这也是为什么哪怕堆了再多 算力，也看不到真正技术增长的根本原因。
4/ 两种泡沫，三个赛道
机器人市场的泡沫主要存在于两类团队之间：一类认识到了技术落地的核心价值，另一类则沉迷于追求跑分视频和演示视频。
三个赛道：
- 模型优先：做强基础大模型，硬件迟早同质化，渠道自然显现。逻辑在于模型最具技术壁垒和长期价值。
- 硬件优先：机器人本体硬件较强，模型早晚开源、快速同质化。逻辑是硬件才是行业瓶颈，有了完善的本体，模型是迟早的事。
- 全栈整合：自研模型、硬件、落地部署、商业渠道全链，端到端把控业务闭环，等成熟后再分工。逻辑是当下机器人还没有任何一个环节成熟，不具备单拆的条件。
作者认为，专注跑分的团队无法确认高分能否转化为落地价值，专注硬件的团队不知道半年后设备是否还能实际使用。前两条路暗藏结构性陷阱，存在未被验证的假设。机器人领域目前仍处于未成熟节点，真正走过落地部署的团队才发现，只有全栈整合才能走得长远。
5/ 相关评论与感受
作者指出，机器人行业内研发、硬件、落地尚未形成闭环，导致部署难度大，机器人无法快速进入商业场景。检验一切的标准，只有可长期稳定量产落地的项目，而不是展厅里的 Demo。行业泡沫是正常的，但现实依旧是：研究客户的真实需求，不断打磨产品，耐心等待落地飞轮带来的复利增长。
前 DeepMind 机器人研究专家 @SOTA_kke 补充了当前机器人基础模型（Robot FMs）面临的核心挑战：
- 现实中的边缘情况（The tail of problems）非常多且难以穷尽，长尾问题严重。
- 模型还无法达到 99.9%+ 的成功率完成任务。动作块（Action Chunking）是一个不错的创新，但还需要同级别的突破。
- 运动组合性（Compositionality）不足，没法像 MCP 那样把 A 动作和 B 动作灵活组合。
- 硬件和触觉传感不成熟，缺乏人类的触觉反馈（如搬箱子时的压力 / 触感），遥操作也无法让操作人感受到机器人的实际接触，导致数据采集缓慢且不精确。
- 数据大难题，还不清楚什么类型的数据对机器人最有效。不像 LLM 拥有海量互联网免费数据，机器人缺乏类似高质量可扩展数据源。
- 部署碎片化：由于缺乏组合性，每出现一个新环境，就需要从头收集数据和训练模型，无法有效泛化。
个人观点：支持机器人全栈优先。参考工业机器人的过往经验，懂硬件的师傅基本都懂软件；参考 AI 发展历程，炫技是一时的，正确的价值变现才是长尾效应。成功率和泛化性是学术 Demo 进入工业界的主要考核指标之一，如果达不到 99% 以上，那些老师傅是不会让新东西进产线的。
参考文献：
| 
发表于 1 小时前
|
查看: 3|
回复: 0
