2025具身智能行業年度盤點：從先鋒亮相到理性前行

撰稿 ：Vicky

編輯：陳茜

具身智能是2025年的最大的“泡沫”嗎？

年初，宇樹突然放大招，發布了5900美元的R1人形機器人。要知道，就在一年前，業內普遍認為人形機器人的成本底線還在2到3萬美元，宇樹這一招，相當于把整個行業的價格預期直接打碎。

緊接著，Figure AI的估值從2024年的26億美元一路狂飆到390億美元，達到了15倍的增長。投資方名單讀起來像科技圈的奧斯卡頒獎典禮：微軟、OpenAI、英偉達、貝佐斯、英特爾、三星。

資本市場瘋狂押注，仿佛具身智能的未來近在咫尺。

但與此同時，特斯拉喊出要生產5000臺Optimus的豪言壯語，實際只組裝了大約1000臺就按下暫停鍵，面臨重新設計。馬斯克那句“特斯拉八成的價值將來自于Optimus”的豪言，在現實面前顯得有些尷尬。

這一冷一熱，實在是有點讓人困惑。具身智能到底發展到哪一步了？本篇文章就將從算法、硬件、數據、資本以及主要大玩家路線等等這幾個方向一一給大家展開解讀。

01

具身智能是什么？為什么2025年爆發？

在聊行業現狀之前，先說清楚什么是具身智能。

如果說ChatGPT是“會說話”的AI，那具身智能就是“會動手”的AI。它的核心是VLA，Vision-Language-Action，視覺-語言-動作模型。它把三個東西統一到一個神經網絡里：Vision（視覺）：看到當前的場景；Language（語言）：理解任務目標和常識；Action（動作）：輸出具體的控制指令。

簡單說就是三個能力：看得懂環境、聽得懂指令、做得到動作。

這和傳統機器人有什么不同？

打個比方，傳統工業機器人就像只會背固定臺詞的演員，你給它編好程序，它就按部就班執行；但具身智能機器人更像會即興表演的演員，它能理解環境變化，自主做決策。

比如你讓它疊毛巾，傳統機器人需要毛巾每次擺放位置完全一樣。但具身智能機器人能識別：哦，這次毛巾皺了、偏了，那我調整一下動作軌跡，照樣能疊好。

Dyna Robotics是硅谷炙手可熱的具身智能公司，一年前剛成立，如今A輪融資達到1.2億美元，估值6億美元，投資人包括英偉達。而“疊毛巾”這個任務正是讓Dyna最先火出圈的demo。

York Yang Dyna Robotics聯合創始人 VLA簡單來說就是我們拿了大模型領域VLM作為“backbone”（核心），但是我們會在最終輸出結果的時候，把這個結果轉化成在機器人領域可用的action（動作）。action（動作）直觀理解就是，比如說我要把這個手臂移動到某一個坐標點的這些命令。

VLA其實大家詬病最多的是：為什么我們需要L（Language，即“語言”）？因為在過去傳統的機器人算法里面，很多都是純基于視覺。但是你仔細去想，其實你大腦其實會產生類似于語言的東西，去告訴你在一個長線任務中，到底你第一步做什么，第二步做什么。

L的作用就在于，對于一些非常復雜的任務，它是可以通過在大語言上面已經訓練出來很多邏輯性的東西（去處理），比如說你要喝水，它就會知道你需要找杯子或者找瓶子。這個是通過大語言模型已經直接可以給你的一些東西。利用VLA的主要目的，其實就是如何把Language（語言）跟Vision（視覺）夠更好地結合起來，否則你如果只有Vision（視覺），你能做的任務可能就都是短線的，你做不了任何長線的、需要去做推理的一些任務，所以這是我們為什么非常專注地引入語言這部分的主要原因。

這就是質的飛躍：機器人不再是執行固定程序的機械臂，而是通過視覺-語言-動作的集合，能理解、能規劃、能適應的智能體。

具身智能不是新概念，為什么2025年突然爆發？有這三個因素。

第一，大模型本身已經趨近于成熟。

無論是OpenAI還是其他公司近期發布的大模型，能力提升已更多體現為增量式演進，而非早期從GPT-3.5到GPT-4那樣的跨越式躍遷。在這一背景下，大模型的整體能力正在趨于穩定，且已經足以作為具身智能系統的可靠基礎能力層。

ChatGPT證明了，大語言模型能理解復雜指令、做推理規劃。這套能力可以遷移到機器人上：你說“幫我做早餐”，它能規劃出“先拿雞蛋、再打蛋、然后開火煎”這樣的多步驟序列。

第二，算力價格腰斬再腰斬。隨著芯片廠商不斷推出性能更強的新一代芯片，等效算力的單位成本呈現長期下降趨勢，往往每隔幾年，獲得同等算力所需的成本就會降至此前的一半。

2023年，租一張NVIDIA H100 GPU還是天價。現在，云服務的算力價格戰愈演愈烈，訓練大模型的成本大幅降低。以前只有頭部公司玩得起的游戲，現在創業公司也能上桌。

第三，硬件供應鏈成熟。

機器人硬件整體的零部件成熟度已經相對較高。尤其是在過去一年人形機器人熱潮的推動下，大量資本和工程資源被投入到核心基礎部件的研發中，包括電機、減速器等關鍵組件，使得相關技術持續成熟的同時，成本也在不斷下降。

宇樹直接把價格打到5900美元，此前，行業普遍認為2-3萬美元的區間已經能實現規模化生產。成本曲線的陡降，讓商業化不再是天方夜譚。

這三股力量疊加，把具身智能從實驗室推向了商業化的前夜。但這不是盲目的樂觀，而是基于技術成熟度的理性判斷。所以，目前具身智能的能力邊界在哪里，它能做什么？

02

機器人現在能做什么？

Chapter 2.1 已經能做的事情

我們先來說說能做到的事情：工業和商業場景已經有實際應用了。

疊毛巾、疊衣服，聽起來簡單，但Dyna的機器人能做到24小時疊700條毛巾，成功率99.4%。這在酒店、洗衣房已經是實打實的生產力。而且他們的基礎模型里面包含了各種各樣的場景數據，像切菜、切水果，準備食物，早餐清掃和物流分揀。

寶馬集團BMW的工廠里，Figure的機器人在做簡單裝配和物料搬運。Agility Robotics的Digit在倉儲物流場景搬箱子。1X也將向瑞典巨頭EQT交付最多1萬臺1X Neo人形機器人，主要應用于制造、倉儲、物流等工業場景。更別提亞馬遜已經部署了100萬臺專用機器人，幾乎要超過其156萬人類員工的數量。

這些都不是Demo，是真實在跑的商業項目。這就是“理性前行”——不求全能，但求實用。

Chapter 2.2：正在攻克的任務

目前有什么還做不到，頭部公司正在攻克的任務呢？比如說：中等難度的任務，像做早餐。

這是個“長線任務”，需要規劃多個步驟：拿食材、切菜、擺盤、開火、翻炒。每一步都要精準執行，還得控制力度，不能把雞蛋捏碎，也不能切菜切到手。Dyna最新的demo顯示已經攻克了做早餐這個長線任務。

而Figure也展示過兩臺機器人協同工作的Demo，一臺遞工具，一臺操作。這在家用場景很有用，但穩定性還在打磨。

Chapter 2.3：還做不到的事情

而最難的是家務。因為每個家庭環境都不一樣。光照變化、物品擺放、家庭成員走動，這些都是“非結構化環境”的挑戰。

相對來說，工廠是“結構化環境”，光線固定、物品位置固定、流程標準化。但家里完全是另一回事。而且家務還有個致命要求：零容錯。機器人在工廠打碎個零件，損失可控。在家里打碎碗、傷到人，那就是事故。

王浩 自變量機器人CTO 比如說機器人執行任務的時候，桌布上有一個小的褶皺，你的杯子可能放置不穩，可能有一個透明物體反光，它剛好干擾了相機等等。這些微小的物理變化，人類其實可以憑直覺和豐富的經驗去瞬間適應的，但由于非常依賴于數據驅動，AI大模型它面臨這些新的挑戰，它不一定能真正去感受到。

所以，機器人進家庭，技術門檻比進工廠高得多。但這不意味著遙不可及。

York Yang Dyna Robotics聯合創始人 我們是覺得，最開始肯定是在我們當前在開拓的一些市場，比如商用服務，商用的一些人工的部分，就是和人工一起去完成一些任務，這樣的一些場景。但是我們覺得家用其實也沒有那么遙遠，并不需要完整的、非常通用的AGI。你可能只需要幾個任務就可以進入到家庭的場景里，先讓機器人在家里面干起活來，然后逐漸地通過模型的迭代讓它產生更多的能力。

當然我們的硬件成本降到普通家庭可承擔的范圍內，我們可能就會優先，比如說我先以疊衣服的功能賣給家庭，然后逐漸去拓展一些其他的功能。所以這個時間線應該也不遙遠，可能也就在1~2年左右。

這就是“理性前進”——不是等到機器人變成科幻電影里的全能管家再推向市場，而是從一個明確的、用戶真正需要的功能切入，逐步迭代。

03

2025年的技術突破

雖然挑戰重重，但2025年確實有幾個值得關注的技術突破。業內人士很坦誠地告訴我們，每一個突破都不是革命性的，但都是實實在在的進步。

Chapter 3.1 突破點1：雙系統架構流行起來

很多公司開始采用所謂“System 1 + System 2”的架構。

System 1是“快思考”，負責反射性動作，比如抓取、移動，參數量小，響應快，可能只有8000萬參數。

System 2是“慢思考”，負責復雜規劃，比如“做早餐”這種多步驟任務，參數量大，可能有70億參數。

這種分工很像人類大腦：你伸手接球是本能反應，但規劃一頓飯需要仔細思考。

Figure AI的Helix模型就是這個架構的代表作。它們在和OpenAI“分手”后，兩周內迅速推出這個自研模型，創新性地用單一神經網絡控制整個上半身的35個自由度，還能同時控制兩臺機器人協作。

這種架構的成功，證明了機器人基礎模型和大語言模型的Scaling Law可能不一樣——不是越大越好，而是要找到合適的參數分配策略。

Chapter 3.2 突破點2：合成數據的革命

機器人數據為什么這么貴？原因也很簡單：因為人類一天只有24小時，收集真實操作數據太慢太貴。

NVIDIA的解決方案是：用模擬器生成合成數據。他們展示過，11小時內生成78萬條操作軌跡。相當于6500小時或連續九個月的人類演示數據。雖然合成數據和真實數據有差距，但至少解決了“數據荒”的燃眉之急。

但這里有個關鍵的技術權衡。

York Yang Dyna Robotics聯合創始人 因為我們之前也和挺多做大語言模型的這些人聊過，他們已經發現，語言方向的數據，哪怕用很多低質量數據，比如一堆文本，中間插了一段廣告，然后再是接著文本，就這樣的數據它一樣能訓練出比較好的模型。因為模型它看的數據足夠多之后，它自動就會過濾掉廣告。但是機器人當前我們覺得scaling（規模化）更多的是來自于比較高質量的數據。你如果囊括了很多很繁雜的數據在里面，機器人模型可能就不知道我要pay attention（注意力集中）在哪一個地方，所以最終它其實出來的效果并沒有那么好。

Physical Intelligence的π0模型、開源的OpenVLA模型都能控制多種不同的機器人。同一套模型或策略，不需要為每一種機器人重新訓練，就能夠在不同形態、不同硬件配置的機器人上有效工作，這就叫跨機器人泛化能力。

這很重要。以前每種機器人都要單獨訓練模型，成本高昂。現在一個模型適配多種機器人，數據可以共享，成本大幅降低。

但技術難點也很明顯：不同機器人的動作空間差異巨大，手臂長短不一、關節數量不同，怎么讓一個模型都能控制好？

這種在完全陌生環境也能工作的能力，不是100%完美，但已經是實質性的進步。

Chapter 3.4 突破點4：多機協同

Figure展示過用單一神經網絡協調兩臺機器人協作。創新性地用單一神經網絡，控制整個上半身的35個自由度，同時還能控制兩臺機器人協作。

聽起來簡單，實際上難度很高。兩臺機器人要互相配合，時序、力度、位置都要精準同步。這在未來工廠場景會很有用，但現在還處于早期驗證階段。

這些技術突破，沒有一個是顛覆性的，但每一個都在扎實推進。這正是2025年的特點：不再追求炫酷的Demo，而是在可驗證、可量化、可復現的方向上穩步前進。

技術突破是一方面，但行業里還有幾座大山沒翻過去。清楚認識這些難題，恰恰是“理性前進”的前提，也讓現在的具身智能來到了大爆發的前夜。

04

沒解決的核心問題Chapter 4.1 難題1：數據困境

首先，是數據困境。ChatGPT訓練用了萬億級token，相當于把整個互聯網的文字都喂給它了。

但機器人操作數據極度稀缺。Google訓練RT-2模型，花了17個月在真實廚房收集13萬條數據，場景泛化能力依然有限。

為什么機器人數據這么難收集？因為需要真實機器人在真實環境操作，每一條數據都要花錢花時間，出錯還可能損壞設備。這不像文本數據，爬蟲跑一跑就有了。所以大多數機器人基礎模型仍依賴于少量真實數據加大量模擬合成數據加強化學習/自監督方法。

柯麗一鳴 Physical Intelligence研究員 一個人的一生假設是100年的話，大概我們很粗略的算就是100萬個小時，我覺得現在在我的目所能及或者我公開信息看到的范圍里，好像沒有人有100萬小時的數據集，我是這么猜想的。 我會覺得什么時候我們能夠收到100萬小時等同于一個人一生的物理經驗的數據，我覺得可能我們才開始后面的探索。

如果說數據是機器人的“石油”，但現在這口井還沒打出來。

Chapter 4.2 難題2：Sim-to-Real Gap

在虛擬世界訓練機器人很便宜，可以同時跑幾萬個模擬器。但虛擬世界永遠不等于真實世界。就像你玩賽車游戲很厲害，不代表真的會開F1。

真實世界的摩擦力、柔軟度、光線變化太復雜，仿真只能還原部分真實物理特性。剩下的就是機器人從模擬器到真實世界“水土不服”的根源。

NVIDIA的Genesis和Isaac模擬器在努力縮小這個gap（差距），但完全消除還需要時間。

Chapter 4.3 難題3：Embodiment Gap

人手有27個關節，能感知壓力、溫度、質地。機器人的靈巧手通常只有15-22個關節，傳感器也沒那么精細。即使完美模仿人類的動作軌跡，效果也不同。人類能輕柔地拿起雞蛋，機器人可能一用力就捏碎。

York Yang Dyna Robotics聯合創始人 第一，人類的手和機器人的手，如果你想讓它這個能力遷移得很好，需要做得非常接近。這也是為什么現在有好多人在做很靈巧的靈巧手，非常接近人的自由度，這件事本身是一件非常困難的事情。

第二，但你再接近，它也不是完全一樣。所以在機器人的數據和人的數據中間還是會有一個鴻溝，就我們所謂的embodiment gap，這個embodiment gap在當前學術界也好、工業界也好，大家都公認是一個比較難解決的問題。所以這樣的數據遷移的效率會比較低，哪怕你采集了很多數據，如果只有30%或者50%可用，你的總數量就會需要去乘以可能性的數字，所以這是它的一定的局限性。

這就意味著，特斯拉想用YouTube上海量人類視頻訓練Optimus的策略，面臨巨大的技術挑戰。這也是為什么特斯拉在生產了1000臺后暫停重新設計。理想很美好，現實很骨感。

Chapter 4.4 難題4：可靠性

ChatGPT回答錯了，用戶笑笑就過去了。機器人動作錯了，可能砸壞東西、傷到人。這是質的區別。

具身智能必須達到極高的可靠性，才能真正走進工廠、走進家庭。這個標準比大語言模型嚴苛得多。

Chapter 4.5 難題5：成本困境

目前人形機器人價格需要降到2萬美元左右，才能在物流等場景形成足夠吸引力。

但價格下降需要規模化生產。規模化生產需要大量訂單。大量訂單需要價格足夠低。

這是個循環困境，需要有人先打破僵局。宇樹的5900美元定價就是在嘗試打破這個僵局，但能否引發價格戰，帶動整個行業降本，還需要觀察。

認清這些難題，不是悲觀，而是理性。正是因為目前初創公司們都很實在地承認這些瓶頸存在，具身智能才來到了爆發的前夜。

05

主要玩家和技術路線

Chapter 5.1 硬件巨頭：Tesla、Figure

這一派公司包括了特斯拉和Figure，他們的策略是軟硬件一體化，打造數據閉環。

Tesla利用FSD自動駕駛技術的積累，把視覺感知、路徑規劃的能力遷移到Optimus上，還能用工廠的生產線積累數據。前工程主管Milan Kovac說得很直白：“我們只是從輪子上的機器人變成長著腿的機器人。”

但現實比預期復雜。5000臺的目標只完成了五分之一，就不得不暫停重新設計。這說明即使是特斯拉這樣的巨頭，在embodiment gap面前也要低頭。

Figure則在和OpenAI“分手”后，獨立開發了Helix模型，自己掌控技術路線。兩周內推出的Helix模型，展示了他們確實有技術實力。15倍的估值漲幅，也證明資本市場對這條路線的認可。

但他們真正商業化部署的也就幾十臺。Demo很精彩，規模化還在路上。第二派就是我們剛才提到的Physical Intelligence和Skuid AI。

Chapter 5.2 AI公司：PI和Skild AI

與多家同時押注硬件的機器人初創公司不同，這些公司的策略是模型先行，跨平臺適配。

Physical Intelligence的π0模型不綁定特定硬件，能適配多種機器人。他們的邏輯是：先把模型能力做強，硬件可以后續選擇最優方案。

而另外一家則是Skild AI，一家專注于構建機器人基礎模型的軟件公司。Skild AI核心方向同樣是打造一種與具體機器人形態無關的通用基礎模型，可根據不同機器人平臺和應用場景進行適配與定制。

今年7月，Skild AI發布了其通用機器人系統Skild Brain，并公開演示視頻，展示機器人完成拿取餐具、上下樓梯等操作能力。近期軟銀與英偉達正計劃對它投資10億美元，把它的估值提升到140億美元。

Chapter 5.3 生態平臺：NVIDIA、Google

第三類是主打生態的平臺。

NVIDIA提供模擬器和算力基礎設施，推出GR00T N1并開源，但你要用就得用全套NVIDIA生態。Google則在學術研究上持續投入，RT系列模型影響了整個學術界。

他們為整個行業提供“水電煤”。誰能制定行業標準，誰就掌握了生態控制力。

這三種路線，都在前進。沒有哪一派已經占據絕對優勢，大家都在試錯、迭代、調整。

06

總結與展望

未來還未來，已經不遙遠

回到開頭的問題：具身智能是泡沫還是未來？

答案是：2025年，具身智能正在從“先鋒亮相”轉向“理性前行”。

技術上，大模型+機器人的結合已經跑通，但遠未成熟。數據、泛化、可靠性這些核心難題還沒解決。

如果用“GPT時刻”來類比，自變量機器人CTO王浩認為，我們現在是GPT-2的水平。

王浩 自變量機器人CTO 我會覺得現在就是在GPT-2的階段，其實我們現在基本上已經知道規模化它是唯一的一個可靠路徑了，所以我們就是要在這個階段去瘋狂地積累數據，提升模型規模，同時去搭建真實具身的這種基礎設施。我的預測會到1~2年的時間，我們完全可以達到GPT-3的水平。

注意，是GPT-3，不是GPT-4。這就是毫不花哨的判斷。由于研究員們看到了這種規模化帶來的提升，所以路徑和目標更加明確，也更加唯一。

而在商業上，工業場景開始試點，倉儲、制造、服務業都有落地案例。但大規模商用可能還需要2-3年時間。

York Yang Dyna Robotics聯合創始人 我們自己的目標是在明年我們至少希望在商用場景有比較大規模的部署。家用我們會擇機看，這個時間線應該也不遙遠，可能也就在1~2年左右。

投資上，可以說泡沫和機會并存。有公司估值飆升，也有公司暫停生產，也有公司錢燒光了而破產。

開源機器人公司K-Scale Labs融資失敗倒閉，Figure AI拿錢拿到手軟，這兩個極端同時存在，說明市場正在分化，雖然具身智能的長期趨勢確定，但短期波動劇烈。

而具身智能第一個“殺手級”應用場景會是什么？

有可能是家務任務，也可能是倉儲物流，或者是餐飲清潔服務。而無論是哪個場景，都已經有重量級玩家在布局。具身智能不是“會不會發生”的問題，而是“什么時候發生”。

2025年，我們正站在這場革命的起點。行業不再只展示炫酷的Demo，而是開始腳踏實地驗證技術、打磨產品、尋找場景。

特斯拉暫停生產，不是失敗，是在重新設計，尋找更可靠的路徑。

Figure AI估值飆升，不只是資本炒作，而是他們交出了Helix這樣的實質成果。

Dyna從疊毛巾切入，不是格局小，而是在積累數據飛輪，培養模型的學習能力。

Physical Intelligence部分開源π0，不是不夠開放，而是在商業利益和技術分享之間找平衡。

這種在現有基礎上穩步提升，恰恰是行業走向成熟的標志。2025年，具身智能行業已經從“畫大餅”，進化到卷起袖子和面團。這個餅，正在一點一點，有分寸地，變成現實。

注：部分圖片來源于網絡

【本期節目不構成任何投資建議】

【視頻播放渠道】

國內：B站｜騰訊｜視頻號｜西瓜｜頭條｜百家號｜36kr｜微博｜虎嗅

海外：Youtube

聯系我們：video@sv101.net

【創作團隊】

監制｜泓君 陳茜

撰稿 ｜Vicky

編輯｜陳茜

剪輯｜Jacob

運營｜王梓沁 孫澤平 朱婕