★ FEATURED ARTICLE 1. 榜单背后具身智能赛道正在“去泡沫化”1.1 今年的 TOP20 评的是什么我做机器人这行也快十年了前几年最怕看到各种“榜单”因为很多榜单说白了就是融资榜、PR 榜谁融的钱多、谁的PPT好看、谁的人形机器人走路走得稳谁就能排前面。但今年这份具身智能机器人 TOP20 榜单不一样圈内人看完第一反应是这榜单终于开始讲“人话”了。榜单没有把权重全压在融资额和 demo 效果上而是更关注产品交付、实际场景落地、客户复购率、故障率、毛利率这些硬指标。你对比前两年的榜单就会发现当时很多经常刷屏的公司今年连名单都没进反而是那些闷头在做产线巡检、物料搬运、零售理货的公司冲了上来。这说明一个信号具身智能赛道从讲故事阶段进入兑现阶段资本和产业都在用订单投票。那具体从哪几个维度评我根据圈内信息做了个拆解大致权重可以这么看技术成熟度占比最高包括感知准确率、抓取成功率、运动控制稳定性、系统连续运行时长其次是商业落地能力包括真实交付台数、客户行业分布、复购率、单客户价值再往后是团队和供应链包括核心人才密度、专利布局、核心零部件自主可控程度最后才是融资和品牌声量。这个排序很有意思。前几年排序几乎是倒过来的融资排第一只要钱到位就能上榜。现在变了因为大家发现具身智能这玩意儿不是纯互联网项目不能靠烧钱烧出护城河它要跟物理世界打交道要做可靠性测试要过安全认证要在客户工厂里 7x24 小时不出大乱子。这些都是钱解决不了的事只能靠工程团队一点点磨出来。1.2 上榜公司的两类典型形态翻完整份 TOP20 名单你会发现一个明显的规律能上榜的公司基本分成两类。一类是通用具身智能平台型公司以人形机器人或者通用移动操作为载体目标是做出一个“什么都能干的机器人大脑和身体”典型代表就是榜单头部的某通用具身智能公司另一类是场景深耕型公司从工业 AGV/AMR、复合机器人切入先在半导体、3C、能源等垂直行业扎下去再逐步把泛化能力做起来典型代表是这次强势上榜的某智能移动操作机器人公司。用外行的话说前者是“先造一个万能人”后者是“先找一份能干好的活”。两种路线没有绝对的谁优谁劣但在当下的商业环境里后者更容易拿到真实订单因为客户不会为“未来什么都能做”买单客户只会为“现在能帮我解决这个问题”买单。不过话说回来前者天花板更高一旦通用能力突破能覆盖的市场远超细分场景。榜单同时容纳这两类公司其实是健康的代表整个行业既有仰望星空的也有脚踏实地的。我特别注意到某智能移动操作机器人公司它本来在移动机器人底盘领域就有多年积累这次把机械臂、视觉感知和底盘融合在一起做成了具备“手眼脚协同”能力的复合机器人在多个工厂里已经跑了一年多数据非常扎实。这类公司上榜不是靠概念而是靠一台一台交付堆出来的含金量很高。2. 头部玩家的技术路线与产品化逻辑2.1 通用具身智能平台先做大脑再做身体榜单里排名靠前的某通用具身智能公司走的是典型的“通用大脑通用身体”路线。他们的核心假设是未来机器人需要具备跨场景的泛化能力不能每个场景都从零开发所以要把感知、决策、控制打通成一个端到端系统让机器人像人一样能看、能想、能动手。这条路线需要的技术栈非常立体。最底层是数据包括大规模真实场景操作数据、仿真合成数据和遥操作采集数据中间层是模型目前主流方向是 VLAVision-Language-Action视觉语言动作模型把图像、语言指令和动作输出对齐到一个神经网络里再上层是部署框架需要做 sim2real仿真到真机迁移解决仿真环境和真实世界的差异问题。你可能觉得这不就是“塞一个 GPT 进去”吗远没这么简单。语言模型输出的是 token机器人需要输出的是关节力矩和末端轨迹而且必须在几十毫秒内完成闭环。更关键的是安全约束机器人不能像聊天 AI 一样胡说八道它要保证“每一步都不撞人、不摔东西、不失控”。所以现在的通用平台普遍采用分层架构上层大模型做任务规划和语义理解下层运动控制和安全保护还是靠传统机器人学方法比如 MPC模型预测控制和实时防碰撞算法。在落地层面这类公司目前比较务实的场景集中在零售理货、工业质检、科研教育、公共导览。我去看过一个实验室里的通用机器人demo它能根据一句“把红色杯子放到左边托盘”完成完整操作识别、抓取、摆放一气呵成准确率已经能做到95%以上。但这个数字在实验室环境下很好看拿到真实产线上就没那么容易了因为光照变化、遮挡、物体随意堆放、偶尔有工人经过都会让系统崩溃。这也是整个行业的共性难题。2.2 复合机器人路线先锁定场景再反推硬件与通用路线形成鲜明对比的是场景深耕型路线代表就是榜单中的某智能移动操作机器人公司。这类公司的打法是先选定一个痛点足够痛、付费意愿足够强的行业然后围绕这个场景去设计整个机器人系统包括底盘形态、机械臂选型、传感器布置、软件系统甚至包括业务流程的重新梳理。举个例子在半导体晶圆厂里机器人需要在洁净环境里完成晶圆盒的搬运、上下料、设备间的物料调度精度要求高、节拍要求高、稳定性要求极高。传统 AGV 只能搬运机械臂只能固定工位操作而复合机器人把两者结合后就可以在一个移动底盘上完成“行走抓取操作”的连续动作。听起来容易实际做起来很痛苦底盘和臂的协同控制会产生耦合扰动臂在运动时底盘会晃定位精度就会下降走行到目标位置后需要重新定位视觉标定机械臂和底盘之间的相对位姿标定误差直接决定抓取成功率。这类公司的核心壁垒其实不只是硬件而是场景 know-how。他们得懂客户的工艺知道晶圆盒不能磕碰、知道产线换型时哪些参数需要调整、知道客户对停机时间零容忍。这也是为什么纯互联网背景的机器人团队很难在制造业做深因为缺了行业积累技术再强也落地不了。我比较欣赏这类公司的数据习惯他们没有一上来就追求“大而全”的通用模型而是先在固定场景里把成功率和节拍做到极致一步一步积累数据。这种数据不是公开数据集能替代的它有明确的物理约束和行业语义含金量极高。未来如果通用模型成熟了这些长期积累的场景数据反而会成为最珍贵的资产。3. 榜单背后的硬核技术拆解具身智能到底拼什么3.1 感知层从“看得见”到“看得懂”先说最容易理解的感知层。前几年大家觉得给机器人装个摄像头就能看世界后来发现“看到”和“看懂”之间隔着一整支算法团队。具身智能对感知的要求比自动驾驶还要苛刻因为机器人不是只做目标检测它还需要理解物体的位姿、材料属性、受力情况、操作可行性。目前主流的感知方案是 RGB-D 相机激光雷达触觉传感器的多模态融合。RGB-D 给出颜色和深度信息激光雷达用来做全局定位和建图触觉传感器用来检测抓取时的滑移和压力。榜单里的头部公司几乎都有自己的一套感知算法而不是简单买开源的 YOLO 改一改就上。差异主要体现在长尾场景透明杯子怎么识别、反光金属表面怎么恢复深度、堆叠杂乱的零件怎么分割这些都是公开数据集很难覆盖的。我见过一个很有意思的案例某公司做仓储拣选机器人经常在抓取一个叠在另一个物体上面的盒子时失败原因是深度相机对弱纹理表面特别不敏感导致位姿估计偏差。最后他们把触觉传感器加进抓取流程用“视觉粗定位触觉精校正”的组合方式把抓取成功率从87%提到了98%。这说明感知不是一颗摄像头就能解决的很多时候要靠多传感器互补甚至要重新设计夹爪的结构。3.2 决策层大模型与传统控制如何平衡决策层是具身智能最有争议的部分。一派认为未来属于端到端大模型只要数据够多、算力够强机器人就能学会一切另一派认为机器人控制必须建立在可解释、可验证的物理模型之上大模型只能做辅助。我的观点是分层的混合架构才是当下最可靠的工程方案。具体来说可以把这个架构拆成三层。任务规划层由大模型负责通过自然语言或者视觉输入理解“用户想让我干什么”输出一个有序的子任务列表技能层由强化学习或模仿学习模型负责针对每个子任务生成粗粒度的动作序列执行层则由传统控制算法负责比如运动学逆解、阻抗控制、力控确保机器人每个关节的力矩和轨迹是平滑、稳定、安全的。有人会觉得这种分层架构不够“AI”不够性感。但你想想如果让一个大模型直接输出每个关节的 PWM 信号一旦遇到训练分布之外的情况模型给出一组毫无意义的数值机器人可能直接飞车撞墙。这在工业场景是不可接受的。相反分层架构让大模型只做自己擅长的事情——语义理解和任务分解把精确的数学计算交给控制工程师每一层都有兜底系统才敢长时间无人值守运行。最近头部公司的论文和专利也验证了这个趋势。大家逐渐意识到端到端是远期目标但眼下要交付可靠产品必须做混合架构。这也是为什么榜单里那些“看起来技术没那么炫”的公司反而能保持低故障率因为它们没有拿客户产线去做大模型实验。3.3 执行层灵巧手与移动底盘的成熟度执行层决定了机器人最终“能不能干成事”。人形机器人的手被认为是最大的门槛之一因为人手有20多个自由度而市面上多数灵巧手只有6到12个自由度并且价格高昂、可靠性差。榜单里做得出色的公司往往不是那些宣称灵巧手自由度最高的公司而是抓取成功率和手指寿命最长的公司。你可能看过很多灵巧手演示视频能拧瓶盖、能弹钢琴但到了产线上你会发现真正的挑战不是“能不能做复杂动作”而是“能不能一整天重复做同一个动作而不坏”。很多灵巧手的减速器、腱绳传动机构寿命只有几千次操作在工厂里一天可能就要操作上千次没几天就罢工了。所以大家现在更务实先把三指或两指的欠驱动夹爪做到极致把可靠性提上去再慢慢增加自由度。移动底盘同样重要。人形机器人的双足运动虽然赚眼球但真干活的时候轮式或轮腿混合底盘的效率、稳定性、成本都要划算得多。榜单里的复合机器人几乎都采用全向移动底盘配合高精度定位系统在室内环境下可以实现毫米级重复定位。视觉导航加激光雷达也可以但在高动态环境下还是需要多种传感器融合配合 IMU 做里程计修正才能在长时间运行后不掉精度。4. 怎么用这份榜单从看热闹到做决策4.1 给技术选型和采购方的三个判断指标如果你是制造企业、仓储物流负责人这份榜单其实可以当作供应商筛查的起点但千万别只看排名就做决定。我建议把注意力放在三个指标上。第一个指标是场景匹配度。这家公司有没有在你所在的行业做过两个以上的真实案例客户的生产工艺、节拍要求、环境条件是否跟你类似泛泛的“零售行业经验”不代表能做好半导体。你要看到的是同行业、同类工序的落地数据。第二个指标是服务与交付能力。这里包括交付周期、现场调试人员的数量和水平、售后响应速度、是否支持产线升级时的二次开发。很多机器人公司研发感觉很厉害但现场实施团队只有几个人项目一多就崩了产线停了几天都没人处理这种合作会让你痛不欲生。第三个指标是数据安全与合规。具身智能机器人会采集大量图像、点云、工艺参数如果你的工厂涉及保密配方或者敏感工艺一定要确认供应商的数据存储方式、是否上云、数据归属权、是否支持本地化部署。现在有些机器人公司默认把客户数据传到自家云端做模型迭代这在国内制造业是个很大的隐患落地方案里必须把数据边界写清楚。4.2 给投资人和研究人员的榜单使用手册如果你是做投资或者产业研究的榜单的价值更多在于提供候选池而不是直接告诉你该投谁。我建议把上榜公司放到“底层自研程度”和“场景纵深”这两个维度组成的四象限图里去看。底层自研程度怎么看去查专利特别是关于核心控制、感知融合、数据采集的发明专利而不是那些外观专利去看核心团队的论文和工作履历看看他们是不是真正从机器人学、控制工程、计算机视觉背景出身还要看公司是否具备核心零部件的供应链话语权比如是否使用自研的伺服驱动器、关节模组、控制器。场景纵深的判断就简单一些直接看客户行业集中度和复购率。如果一家公司上榜原因是做过几十个完全不同的行业案例但每个行业只有一台试用机这种广度没有价值因为它无法形成行业级的 know-how相反如果一家公司在三四个相关行业里有一个几百台的保有量并且老客户持续下单那它的场景纵深就很扎实。4.3 我总结的避坑清单这几条是我个人的经验写出来给大家参考不要只看 demo。demo 可以精心剪辑、控制变量、提前准备几百次才成功一次一定要到现场看连续运行最好去问这家公司的老客户看看设备的平均故障间隔时间。不要只看自由度。灵巧手的自由度不等于抓取能力。要看抓取成功率、可抓取物体的覆盖范围、手指寿命、更换成本。对大多数场景来说一个简单的平行夹爪加吸盘组合比一只昂贵的十四自由度灵巧手更实用。不要只看是否“自研”。自研本身不是优点自研还得有性能优势。有些公司为了讲故事连螺丝都叫自研但实际性能不如外购。你要比的是最终指标比如循环时间、定位精度、能耗、噪音、安全响应速度。不要忽略安全标准。具身智能机器人是要和人共处的出口到欧盟要过 CE 机械指令在国内要符合相应的安全标准涉及协作机器人还要做力矩限制和急停逻辑。榜单里有些公司对安全测试的投入极其有限这类产品在人密场景下非常危险。5. 具身智能的下一步榜单之外的冷思考5.1 数据才是真正的护城河看这份榜单时我脑子里反复出现一个词数据飞轮。榜单排在前面的公司背后几乎都有一套高效的数据收集和利用体系。机器人公司跟软件公司不同它获取数据的成本极高要么靠手遥操作采集要么靠仿真生成要么靠真机自主运行积累。前两者成本高、规模有限后者需要大量设备已经部署在客户现场这是一种“先有鸡还是先有蛋”的困局。少数头部公司已经开始尝试“客户现场数据脱敏回流”的模式就是在客户授权的前提下把操作数据脱敏后用于模型迭代。这个模式如果跑通会形成巨大的先发优势机器人用得越多模型就越好然后机器人就卖得越好形成正向循环。这也能解释为什么有的公司宁可亏损也要把设备铺出去因为卖设备本身不赚钱数据才是最值钱的资产。我觉得未来两三年内“机器人数据服务”会成为一个独立品类。到时候榜单的排名规则可能又得变不再是看谁卖了多少台机器人而是看谁掌握了多少高质量场景数据。这是个值得长期跟踪的信号。5.2 人形之外的非人形具身智能很多非专业的朋友一听到“具身智能”第一反应就是人形机器人这个印象是媒体造成的。实际上具身智能指的是“能在物理世界中感知、理解并执行任务的智能体”形态可以千变万化四足机器人、机械臂、轮式移动操作机器人、特种作业机器人都算。榜单里其实也有几家做非人形的公司但我认为比例还是太低了。从落地速度看固定工位机械臂和移动操作机器人远比双足人形成熟。人形机器人要解决平衡、关节驱动效率、成本、安全等一系列问题短期内很难大规模商用。所以我的判断是未来三五年赚钱的主力仍然是轮式移动操作机器人和工业臂人形机器人会在科研、展示、部分服务场景里慢慢渗透。这次榜单里某智能移动操作机器人公司的上榜恰恰证明了“非人形也能强势出圈”。资本市场喜欢性感的“人形”故事但工业客户只关心 ROI复合机器人已经能算清楚经济账了。我相信以后的榜单会出现更多“丑但能干”的形态。5.3 从业者现在应该做什么看了这份榜单不同身份的人应该有不同的行动方向。如果你是算法工程师别只埋头刷榜单论文一定要学机器人学基础包括运动学、动力学、坐标系变换、滤波器设计这些都是写实际机器人程序绕不开的东西。纯大模型背景的人做具身智能前期会被这些“脏活”折磨得很难受但跨过去之后你的竞争力会非常强。如果你是技术管理者建议把“可靠性测试”和“失败分析”提到最高优先级。榜单里排名上升快的公司一定是在故障修复速度上下了大功夫。要给团队设定明确指标比如机器人平均无故障运行时间、单次故障恢复时间、远程运维覆盖率。这三个指标比任何算法排行都有意义。如果你还只是对这个领域感兴趣的爱好者我建议不要一开始就研究人形机器人。你可以找一个开源项目比如开源机械臂或者开源仿真环境先在仿真里跑通一个“抓取-放置”任务感受一下整体流程。然后一步一步把代码部署到真机上。即便只是一个小小的单臂桌面机器人也能让你理解什么叫“真实世界的残酷”。说到底具身智能不是一个短视频里展示的炫酷 demo也不是榜单上一个冷冰冰的排名它是把算法、机械、电子、控制、数据、场景揉合在一起的大工程。这份 TOP20 榜单的意义不在于告诉你谁最强而在于告诉你这个行业里哪些方向正在被验证为有效。它的局限是只代表阶段性的结果不代表终局。我个人的习惯是每年拿到新榜单第一件事不是看排名而是把去年榜单找出来做个对比看看哪些公司消失了、哪些公司位置变化大再琢磨背后的原因。这种对比往往比榜单本身更有启发。最后一个小建议你也不妨把这份榜单当作行业地图沿着每一家公司的技术路线去搜它们近半年发布的专利和工程论文。别急着下结论先画一遍四象限图再补上客户调研。等你自己做完这套功课哪怕最终判断跟榜单完全不同那也是一种有价值的独立认知。
阅读完成 · 觉得有帮助？
