摘要

这场把ABB、拓斯达、宇树、星动纪元四家拉进“小黑屋”的对谈，最硬的共识是行业将经历洗牌。 “头部具身企业有没有名不副实的”一问，主持人随后总结为除宇树外全员举Yes；William王浩然给出结构算术——全行业融资前十家拿走40%，剩下约两百家平均每家可能只有几千万元到1亿元，拿不到钱的企业“可能很难活下去”，六七家头部已过百亿、活下来应该没有问题，腰部及以下“寒冬肉眼可见”。南立新认为，真正惨烈的竞争可能才刚刚开始，因为有太多钱进入行业。
第二个跨阵营共识：工业一定先于家用落地，且短期内传统工业机器人加AI可能跑在人形具身前面。 ABB郑锡亮的论据是工厂“任务已经被切分”、高度有序，中集集装箱焊接这类窄场景不需要复杂技术；宇树谢一鹏补上社会学理由——“人总归要在某个环境里接受新事物，那个环境可能会是工厂”。各方都认为硬件差距已相对收敛，瓶颈在软件和泛化能力。
钱的问题上，转型派反而比新秀派更悲观。 郑锡亮：人形仿真、合成数据“一次训练我听说是两千万美金”，普适性任务要引爆corner case，“这个钱一定会指数级上涨”，账上十亿很快就可能用完；南立新判断2026年肯定不缺钱，“真正缺钱的可能是二零二七和二零二八”，且2026年实现不了商业化，行业还在等“AlphaGo时刻”。
宇树的模式是以产品公司思路避免重项目制，形成规模化飞轮。 去年交付六千多台人形机器人（大体以一款型号为主），今年目标两到三万台，以制造规模效应养利润、反哺内部技术迭代；谢一鹏称最稀缺的资源不是钱是时间——他亲自到产线动手测量、去物流现场做分拣动作，“把机器人搬过去试一试来不及，我要自己去做一下工人做的动作”。
星动纪元给出最锐利的场景选择框架：“先替人去死”的价值高于替代人。 机场排爆“直接遥操作就能把炸弹拆了，机器人炸了再买一台新的”，尘肺、喷漆类场景不要求高精度；他同时列出新秀补课清单——CE、UL、PSE、CCC认证、数据跨境合规、保修与金融方案，都是传统行业早已处理、但具身行业还需要补课的事。其数据飞轮设想：欧洲客户出预算、中国出技术、菲律宾遥操作（月薪一千五百元对欧洲一两千欧）。
进度条共识落在三成上下：具身正处“iPhone出世之前的诺基亚时代”。 Robin称中国每万名工人约500台机器人（世界前三，韩国最好约1000台），工业机器人五十年进度条约30%—40%，已入个位数增长区间；跨家数据复用要分层看——视觉、环境数据可复用，遥操作轨迹（星动L7身高1.7米）与力控可能不能直接复用，事实标准可能由“特别有说服力的行业应用”背后的数据格式形成，而且形成标准的时间可能比预想更短。
家用的终局是一场赌局：郑锡亮与同事赌十年内人形机器人家庭渗透率能否过1%。 William的冷水是家庭泛化成本“高到不可置信”，“最大的对手可能是月薪四千港币的菲佣”；但机器人“一万台全是统一动作，可以scale up”。行业加速的关键变量是具身OS能否出现——OpenClaw式Agent调用各家VLA模型，主持人类比智能机普及“除了iPhone时刻还要看安卓的开放生态”。

精读

1. 徐勐定调：为什么是深圳、出海、具身

徐勐的三个理由：长三角、珠三角供应链配套最齐全，大量具身企业在此聚集；很多具身企业“从初创伊始就具备出海基因”或瞄准海外市场；具身企业随AI迭代产品快速迭代，处在爆发式成长期，“今年就是走进现场、走进客户、走进实践的元年”。
主持人卫诗婕的尖锐追问——“难道不是因为具身企业现在账上现金都比较多吗？”徐勐承认“这个问题有些尴尬”，但强调看的是前景：“SAP客户金字塔的基石中，百分之八十以上都是中小型企业”，林德、西门子、拜耳最初与SAP合作时规模也并不大。

2. SAP的焦虑三七开：AI在重新定义SaaS标准

面对“上一代工业AI公司都该归入历史”的声音，徐勐答“三七开”：百分之三十焦虑——“资本市场可能比我们更焦虑”，百分之七十兴奋。“未来SaaS公司的AI是从数据、从应用中成长出来的，这是新一代SaaS的标准。”
SAP对具身企业的价值三点：To B量产爬坡中的降本增效与出海合规；具身最需要的“营养”——具有上下文、来自客户端的数据；以及SAP推出的Business AI解决方案，和具身企业打通，实现Agent从物理世界向数字世界、从数字世界向物理世界的穿透。

3. ABB不接“老登”标签：范式变化面前没有路径依赖

Robin郑锡亮开场自嘲“师姐上来就把ABB归到了老登的范畴”，随即摆资历：1974年开发第一代全自动、全电动机器人至今五十年，2015年做双臂机器人已十年，“我们应该说是具身智能机器人的先驱者”，靠焦虑和求生欲“保持谦逊”。
他的核心判断：正在经历范式变化，“你不能有路径依赖，得用新的方法去做，就像自动驾驶一样”。ABB提出“自主多功能机器人”——从人编程执行转向机器人按任务自动规划、自我感知、自我决策、自我执行，并切换多个场景。他自我定位为内部创业者，“从老兵变成新兵”，“既有焦虑，更多的是兴奋”。

4. 四大家族的底气：单点应用上工业机器人可能走在具身前面

Robin算自由度账：工业机器人通常4—6个自由度，加外轴可能是7—8个；人形机器人最多能做到80多个，任务广泛性不同；但工业要求稳定、可靠和高精度，工业机器人在细分场景落地上有天然优势，不必一开始适配很多场景，把特定场景做深、做细即可。
他的划重点原话：“在单点应用上，我个人认为工业机器人有可能会走在具身智能的前面。”视觉检测、工业视觉已大量落地即是佐证。

5. 拓斯达的转型主线与“攘外必先安内”

Ryan王琪复盘近二十年：2007年从注塑周边设备起家、2010年布局直角坐标机器人、2013年进入4—6轴工业机器人、2025年发布轮式人形机器人，今年1月又发布四足轮式机器人，“一直以客户需求为导向”。
SAP的角色是“攘外必先安内”——拓斯达业务线较多，计划、订单、仓储物流、财务等需要标准规范运营，SAP提供底座，“让我们安安心心向外拓展”。
Robin谈ABB与SAP的全球化配合：ERP逻辑是“全球一盘棋”，但本地要适配共生，“就像一个国际化餐厅，菜单大体一致，但要配合当地口味，还要不断出新”。SAP帮助ABB在全球协同与本地适配之间保持灵活性和敏捷性。

6. 宇树的差异化：用高压场景倒逼技术进化

Peter谢一鹏一句话定位：专注高性能足式与人形机器人，2017年起与工业界合作；巡检是最早在工业领域走通的“小闭环”——高价值重资产、对停产极度敏感的连续生产工厂已经感受到价值传递和价值创造。
主持人的读法：宇树善于借势——春晚这种高压平台不断倒逼技术进化。Peter介绍，与懂表演的专家深度合作后，“机器人在几个小时或几天内学会一段新的表演”，宇树“在工业领域也在追求同样的深度和同样的价值创造”。至于王兴兴对人形机器人落地时间的口径变化，他只说技术发展速度和科研探索广度都达到了前所未有的水平，“大家还可以再期待一下”。

7. 星动纪元：脱口秀演员卖机器人，海外订单占52%

William王浩然自曝入行前是全职脱口秀演员，学术背景是机械工程及自动化，“不算入错行”。星动纪元三点：世界顶级的大脑和灵巧手；国际化“写在DNA里”——创始人陈建宇毕业于UC Berkeley，公司约52%的订单来自海外；与SAP合作物流分拣，“双十一、618，包括美国的黑色星期五”都会出现爆仓，7×24小时三班倒也做不完。
他把合作比作舞台：自己像导演，要给观众呈现一台戏；星动纪元则要像演员一样随时保持ready状态。双方会打通接口、API和SDK，把方案与产品打磨好，让SAP面对合作伙伴时可以随时推出星动的产品。

8. 怎么说服工厂：POC加数据飞轮，把遥操作放到菲律宾

William的方法论两个词：POC——签NDA、客户发视频、Demo Room快速验证“能不能做”、给出MVP；数据飞轮——工业老板“投了钱立马就要见效益”，但模型训练按传统方式可能需要几个月甚至一年。
他的跨地域设想：欧洲客户出预算，中国打磨技术，数据采集和遥操作放在菲律宾——一个人一个月1500元，三个人7×24小时三班倒每月4500元，而欧洲一个人的成本可能是一两千欧元。这样客户可以立刻享受产出，视频也能继续用于模型训练。
Peter的对照答案更朴素：价值创造建立在对真实需求的深刻理解上，“深入到真实的现场、真实的动作、真实的任务里面去”，找到以前技术不能满足、新技术能突破临界点的方向，“这里面蕴含着非常大的工作量和深入的思考”。

9. 南立新的白皮书发现：行业还在断层阶段

创业邦与SAP访谈了五十多家具身智能创业公司。背景数据：去年已公布融资超过520亿元，发生了500多起融资事件，还有很多未公布融资。核心发现是“断层”——物流、巡检等企业场景已经有一些批量应用和实际使用，但“大部分都还在POC和小批量验证阶段”。
她的框架：企业进入商业世界，除了突破物理智能还需要商业智能；物理智能交给机器人企业攻坚，商业智能正是SAP参与数据共创的位置，整个产业链还需要打通。

10. 快问快答一：账上十亿够不够？转型派强调资金压力

Ryan认为“真正的具身智能竞赛其实才刚刚开始”，数据、场景、人才都需要重投入，“再多的钱都不够花”。Robin补数字：“人形机器人从仿真、合成数据训练角度讲，一次训练我听说是两千万美金，十亿很快就没了。”
Peter和William举Yes，但把焦点转向别处。Peter说“这个领域最宝贵的资源是时间”——昨天上午谈方案、下午在产线亲手测量、今天下午去物流企业亲自做分拣动作，“把机器人搬过去试一试来不及，我要自己去做一下工人做的动作”。William承认“家大业大开销也大”，十亿不少，但做好产品需要更多资源。
南立新的判断是会缺钱：目前的POC并没有充分发挥具身机器人的三维特征，“很多事情二维的传统机器人也可以做到”，走向真实场景尤其量产时才需要大量资金。

11. 快问快答二：名不副实？主持人总结为除宇树外全员举Yes

Peter没有直接评价具体企业，只说自己在工作和生活中看到的从业者都很努力，相信还有许多大家不知道的成果正在孵化。
Robin的两点理由：其一，“现在哪怕是人形，也没做到具身”，更多还是硬件，和工业机器人没有本质区别；其二，技术变化太快，未来情况可能大变，“是不是名副其实要打个问号”，行业肯定会洗牌。
William补充：现在还在风口期，可能是“泥沙俱下”的状态，之后会有一定洗牌。
南立新提醒战局远未结束：“今天的头部未必是未来的头部，真正惨烈的竞争可能才刚刚开始，因为有太多钱进来了。”她的金句是：计算机产业正在被重新定义，“现在谈谁是泥沙，还为时尚早”。

12. 2026展望：家庭1%赌局、两条路径与AlphaGo时刻

Robin重申工业先落地——打磨场景只需在运动基础上加入力控等维度就能做好工作；并抛出与同事的赌局：十年内人形机器人在家庭的渗透率能不能超过1%。
Ryan给需求侧逻辑：走访几十家头部制造企业后看到，老龄化叠加年轻人偏好网约车、外卖等灵活就业，“劳动力缺口会越来越大”；供给侧有两条路径——传统工业机器人工作站加AI能力和Agent先解决存量问题，搬运“最后十米”等场景则是“留给人形机器人去征服的星辰大海”。
南立新连给三个判断：2026年肯定不缺钱，“真正缺钱的可能是二零二七和二零二八”；2026年实现不了商业化和商业价值，“期待出现AlphaGo时刻”；今年大部分机器人还在赛场和舞台上，其他企业可能仍在实验场。William则宣布买了SAP股票：“具身行业才刚进入大航海时代，谁是未来的四皇，目前还没有定论。”

13. 小黑屋开场：核心战场是商业闭环，能不能自己造血

Ryan把洗牌判据说透：“一个技术能不能长期发展，核心就是能不能形成商业闭环……这个业务能不能自己造血。”拓斯达的打法是“像激光一样把资源和人才聚焦，把一个场景打通再去复制”——打了第一个胜仗，士气、信心和资源获取能力都会跟上。
数字背景：2021年之前营收复合增长率40%以上；之后精简智能能源、环境管理等业务，收敛为具身智能工业机器人、注塑机及周边设备、数控机床为主的核心产品和业务集群。以注塑产品为核心的上下游场景链，国内目前有几百万人从事相关工作；拓斯达去年已交付一台加入AI Agent的工作站。

14. 宇树的工业地图：跟着制造业的转身而转身

Peter拆“搬运”二字：注塑机一模多穴的高节拍下料、机加工零件的油污与抽检、乱序码垛拆垛、装车卸车、装箱分箱、配盘——“之所以叫不同的名字，是因为背后的逻辑不一样”，而且很多场景有高精度要求。
他的选场景逻辑是宏观的：制造业在应对不确定性——车企总装线可能变成“一个一个总装岛”，放到离客户市场更近的地方；大压铸、复合材料等技术仍在迭代；黑电这种“传统行业”的产品迭代周期只有六周。新技术更重要的用途是改变运营模式：更少库存、更快反应、更快迭代产品。
关键定位：宇树是一家产品公司，会把主要精力放在理解客户需要什么解决方案、如何更新和提升产品，而不是把精力全部放在沉重交付上；从机电、AI、芯片等层面改进可靠性、稳定性和适配速度，以制造规模效应养利润、推动内部快速迭代。数字：去年交付六千多台人形机器人，大体以一款型号为主；今年希望做到两万到三万台。

15. 星动的筛选：三百个POC在手，“先替人去死”的场景价值高

William的分诊逻辑：手头约三百个POC，按经济性、技术可实现性、公司战略、品牌声望等因素评估；第一优先物流，第二是工业场景，后面还有巡检、感知、导航、动态路径规划。分拣需求中若主要部分不变、少部分需要改变，就是较好的场景。他也承认蛋糕还够大，“根本没有到零和”。
他提出一类适合当前阶段的场景：机场排爆——培养拆弹专家需要十几年，炸弹爆炸后人仍可能死亡；此时甚至不需要模型，直接遥操作也能拆弹，“机器人炸了再买一台新的”。此外还有尘肺、玻璃纤维、喷漆和有毒有害物质处理等场景，不要求特别高的精度，“有人把这活干了就行”。结论是：让机器人先做人不想做、会危及人的工作，先替人承担风险，其价值可能高于先替代人。
后发优势的比喻：在北京CBD拆迁重建，不如“找一片农村推平了盖新城”；纽约地铁一百年前就有，如今信号灯管理和规划跟不上使用需求、系统不堪重负。先发者背着技术债，而具身这个高度依赖模型、灵巧手的新行业里，“我们现在也许才算是老手”。

16. ABB的切入逻辑：中集的铁板公差，一个窄场景就够

Robin不评对错：“切入点是先取社会价值还是先拿商业利益，这是公司选择的问题。”ABB的原则是从现有服务的行业里挑落地点：“你过去没有服务过这个行业，连know-how都没有，怎么去服务它？”
他讲中集案例：集装箱焊接不同于汽车——汽车进料通常符合六西格玛标准，CPK要求高、公差小；集装箱进来的两块铁板之间可能有很大公差，这个问题目前还解决不了。“这是非常窄的场景，不需要很复杂的技术，解决这个小间隙就好了。”
对“每个细分场景都挤满玩家”的追问，Robin泼冷水：某些领域“不是几家，可能是上百家、上千家”，机器视觉已卷到几千块钱就能做。他用盖楼比喻：先确保第一层的基础模块完整，选几个领域把能力做深，再做第二层，最后到塔尖。

17. 钱会指数级烧：打螺丝的corner case与投资人的预期定价

Robin用打螺丝解释训练成本曲线：特定场景已经可以打，但要找到“普适性的打螺丝”，就要沉淀早期方法论、进入大量企业收集数据、测试，再回炉训练——还要把corner case引爆出来，“这个钱一定会指数级上涨”。
William的两条缺钱逻辑：行业还没有到GPT时刻，持续更新数据需要大量资金；且投资人买的是预期，“就像买股票，不及大家的预期，股价自然往下跌”——技术若在关键节点差一步没赶上，持续融资就可能中断。

18. 乱象与数据：炒大蒜的经验搬到炒机器人

Robin直言“工业机器人其实已经有很多乱象了，从财务报表上看得非常清楚”——叙事是先抢地盘再发展，“按照互联网那套方法做”。William的历史观：“太阳底下没有什么新鲜事，无非是把上一代炒房、炒大蒜的经验搬到炒机器人”——找投资人、做一台原型机、找几个地方演示，是否有真实订单可能并不关心。与此同时，他整体支持数据采集和数据工厂，认为行业确实缺高质量数据；Peter则说自己没有精力想这些，只要产品足够好、能够活下去即可。
数据可复用性的技术拆解——Robin听说跨家数据“好像不能直接使用”，并点出标注和测量难题：自动驾驶大致是米级，人形可能是厘米级，工业机器人可能是毫米级；进入这个维度后，单靠视觉可能不足以判断动作好坏。
William分层回答：视觉数据、环境数据可以复用；人类遥操作轨迹可能不能复用——星动L7身高1.7米，基于1.7米机器人采集的遥操作数据，换成1.8米或1.2米可能就不能直接复用；底层运动控制、抓取力等数据也可能因算法和力控不同而不能复用。
Peter谈标准：中国工信部正在推动标准制定，宇树也有参与，同时密切跟踪IEC、IEEE等国际组织的进展，因为这直接影响产品认证；英伟达的“universal data／统一动作空间”目前更多处于科研、论文阶段。他的判断是，若出现“一组特别有说服力的行业应用”，其数据格式可能成为事实上的行业标准；这个过程有时会比他的预测更短、更快。

19. 洗牌的算术：前十家拿走40%，腰部以下寒冬肉眼可见

William收回“寒冬”说法，改称洗牌，并给出结构数据：全行业融资前十家拿走40%，剩下的可能有两百家左右，平均每家可能只有几千万元到1亿元；“平均数对每一家来讲没有意义”，拿不到钱的企业可能很难活下去。前面的头部企业中，他认为已有六七家过百亿，星动纪元也在其中；这些企业活下来应该没有问题，但腰部及以下、到脚脖子level的企业，寒冬可能肉眼可见。
William也提醒小公司扪心自问：“我是不是走在正确的方向上……社会上还有那么多没被满足的需求，我有没有真正满足其中哪怕一个？”Robin从行业演进看，机器人本体已经卷得很厉害，“用老的路径依赖再这么卷，大家都没有出路”，具身提供了“另外一个层次的竞争”。

20. 工业为什么先于家用：工厂是被设计过的小社会

主持人的质疑：美国保姆机器人Demo从做饭到叠被子“好像也能成”，为什么判断工业先行？Peter的双面回答：家电企业需要细分全球家庭需求，甚至要问“贴两百个标签够不够、三百个够不够”；而工厂环境被设计过、任务可控，更重要的是“工厂也是一个小社会”——人要先在安全规范下的工厂里接受新事物。“并不是说家庭一定就是很晚很晚，而是人总归要在某一个环境里来接受这个新事物，那个环境可能会是工厂。”
Robin用亲身经历补刀：十几年前花1.5万元从美国带回第五代iRobot，“用了一个礼拜”就被束之高阁——从Demo到让人舒服地使用还有很长距离；工厂则是高度组织化的系统，任务已经被切分，不像家庭这么随机。
Ryan判断硬件差距已经相对收敛，“核心问题在软的能力、泛化能力”——家庭是海量场景，工厂每道工序相对规范、封闭，“先把小闭环实现，步子不用迈那么大”；但工业也有坎，厂长上来就问“节拍、你的稳定性怎么样”。

21. 进度条：工业机器人30%—40%，具身在诺基亚时代

Robin估计：中国每万名工人约500台机器人、处于世界前三，韩国最好约1000台；工业机器人发展五十年的进度条“感觉是三十到四十”，已经过了快速增长期、进入个位数增长区间；人形机器人刚刚开始，但有工业机器人基础后迭代速度可能更快。
Peter补充工业客户最要的是reliable和算法收敛性——“平时精度特别高，突然有一天飞出去了，是工业上非常厌恶的事情”；宇树从2017年做巡检起就对连续生产敏感，水炮机器狗等消防场景则能让社会看到技术确实可以救人。
William也押“差不多三成”，类比“iPhone出世之前，诺基亚、摩托罗拉、中华酷联的时代”——各家数据、接口都不一样，行业在等一个具身的iPhone/GPT时刻。他并列出新秀补课清单：CE、UL、PSE、CCC认证（现在还没有真正统一的认证标准）、数据跨境传输、保修维修、金融贷款方案、经销商体系等，这些是传统行业早已处理、但新兴企业仍需补课的地方。

22. 网球视频、数十年周期与菲佣对手

关于银河通用打网球视频，Ryan认为“应该不是”遥操作，因为反应速度很快，遥操作难度“可能反而比实时运动更高”；且球场格子、尺寸和高度标准统一，“本质上和工业场景类似”。他顺势点出真蓝海：多品种、小批量、换产调试成本高的行业机器人渗透极低，这才是AI加自动化、AI加人形机器人的土壤和空间。Peter介绍自己至少看过两篇使用宇树机器人完成类似Demo的论文：先训练视觉追踪、轨迹预测等专用模型，再连接成闭环，之后再考虑融合，参考自动驾驶从模块化到端到端的路径。
William的历史尺度：他提到第一台电脑约在1945年、到约2000年前后才开始普及；手机第一台约在1973年、到2010年前后大规模普及；工业机器人1974年出现，到九十年代、两千年前后普及。人形机器人则让他想到Honda Asimo，并感叹还不知道何时会出现大规模爆发点。
关于十年1%家庭渗透率赌局，William算账：家庭泛化到“一条浴巾扔到马桶、床上、行李架上”都要采数据，按现在的模型方法成本可能“高到不可置信”；“最大的对手可能是月薪四千港币的菲佣”。但机器人有规模化优势，模型训练出来后“一万台机器人都是统一的动作，可以scale up”。节目中还提出，家庭场景可以先抽象到养老或医院场景，因为需求可能更规范；如果机器人能承担上药、康复或护工工作，使用价值会更明确。
终局落在生态：Peter设想在机器人上部署OpenClaw式Agent，调用不同厂家的VLA模型甚至世界模型；William进一步追问Agent OS能否出现，并对VLA领域出现类似Agent的形态保持乐观。主持人的收束是：智能机普及除了iPhone时刻还要看安卓的开放生态，“具身OS到底能不能出现，能出现的话整个行业会大大加速”。Peter对赌局只答一句：“我肯定要努力帮助他去赢——还有十年时间可以拿来努力。”

165: GEAR 高深远：世界模型、自进化循环、DreamDojo 141. Freda的投资札记第2集：Tokenmaxxing、把电机塞进蒸汽机、接力赛变篮球赛、孤独、人的连接