中国硬件称王软件落后:Pantera 深访揭示具身智能中美差距 - Woofun 研究院
#资讯
中国硬件称王软件落后:Pantera 深访揭示具身智能中美差距 核心要点 Pantera合伙人实地调研深圳,发现中国占据全球 90%人形机器人产量,硬件供应链具绝对优势。但受资本短视与数据质量制约,底层软件算法落后美国 1 到 2 年,高质量数据转化能力成为核心壁垒。
据 Woofun AI 消息, 合伙人 与投资人 深入深圳机器人产业链腹地,通过实地走访得出明确结论:中国在具身智能硬件制造领域占据全球主导地位,而美国在底层软件算法上保持领先,数据环节的质量而非数量才是决定未来竞争力的关键变量。
具身智能(Embodied AI)正引发全球体力劳动市场的范式转移。当前全球拥有 22 亿体力劳动者,其年度薪酬总池规模超过 $20 万亿。即便机器人仅渗透该市场的 1%,其产生的营收体量也足以比肩当今全球最顶尖的科技巨头。中国在这一进程中扮演不可或缺的角色,2025 年中国制造商占据了全球人形机器人产量的 90% 以上。
然而,地缘政治风险正在加剧,美国联邦通信委员会( )近期对外国制造的先进机器人设备实施的限制措施,凸显出供应链安全已成为产业重塑的核心变量。作为专注基本面的投资机构,Pantera Capital 认为必须通过表象理解这一宏观格局,因此团队选择深入前线,亲自见证产业现状,而非仅隔岸观火。
在深圳这座被誉为中国硬件之都的城市, 、 、 等科技巨头总部林立,构成了全球制造业核心枢纽。这里拥有随处可得的原材料、极具成本效益的物流网络、成熟的大规模量产产线以及精通精密制造的熟练劳动力大军,形成了其他新兴制造中心极难复制的结构性护城河。
这种供应链优势不仅转化为极致的成本竞争力,更带来了惊人的创新迭代速度。在深圳,一家人形机器人初创公司可以在早晨冒出新想法,随即通知上游供应商,中午新定制的零部件就能直接送到办公室。
这种响应效率使得中国制造商能够以更低价格供应更优质的前沿硬件,彻底打破了外界关于中国只能制造低质仿制品的刻板印象。随着前沿模型实验室对定制化数据采集设备需求爆发,中国在低成本规模化制造此类设备方面具有独一无二优势。
中国市场的另一个显著特征是极度激烈的内卷竞争,这种竞争不断压低产品售价,将行业利润率压缩至趋近于零。一家初创公司花费整整一小时介绍其下一代执行器的技术突破,但当被问及市场竞争突围策略时,创始人脱口而出:'当然,价格才是最重要的。'这种看法在业内绝非个例。一位连锁零售店老板感慨,在国内做生意很难赚到利润,因为总有竞争对手愿意牺牲当年利润抢夺市场份额,寄希望于明年再挣钱,结果下一年又会出现新的搅局者以更低价格恶性竞争。中国文化中根深蒂固的'吃苦'精神,虽然抑制了单个企业获取超额商业利润的能力,但从宏观层面看,却让整个国家的供应链产业集群获得了惊人的整体竞争力。
此外,中国处于机器人产业链最上游,赋予了其近距离洞悉全球前沿技术演化趋势的天然优势。各大前沿实验室不断尝试全新的数据采集方式,从触觉和力反馈传感手套到配备八颗高清摄像头的视觉采集头显。作为全球几乎唯一能快速且低成本交付此类前沿硬件的供应方,中国制造商能够极早捕捉到全球顶尖实验室在技术需求上的微妙变化,甚至能比整体市场提前 3 到 6 个月预判出下一代技术演进风向。
然而,数据采集并非简单的数量堆砌。几乎每家中国机器人公司都声称正在推行规模庞大的数据采集工程,并将数据广泛输出给全球客户。表面上看,企业安排工人戴上采集头显捕捉第一视角本体感知数据,以此赚取额外收入。但深入交流后发现,背后的运作机制远比表面复杂,且通常伴随地方政策层面的明确引导。多位业内人士透露,中国各级地方政府是推动这一波数据采集浪潮的核心主力。在中央出台扶持机器人产业发展和促进就业的激励政策后,地方政府敏锐意识到,对数据采集环节进行财政补贴,是短期内创造机器人相关新增就业岗位的捷径。地方官员在量化考核指标驱动下,往往倾向于追求易于统计的短期考核结果,这种追求有时会以牺牲更高维度的长期产业战略为代价。数百万美元的资金正被持续砸向一些价值存疑的训练数据上。在中国各地,涌现出许多所谓的'数据农场',工人们日复一日机械地重复同一种动作,堆砌出成千上万小时的'机器人训练数据'。
0 关注
然而,这类高度重复、同质化的数据集,在最初几份之后,对于提升模型的泛化能力几乎无法带来任何实质性的增量价值。
尽管数据质量堪忧,这些数据依然能源源不断卖给海外客户,这反衬出数据稀缺性仍是当前机器人模型研发的最大瓶颈。不同于大语言模型可直接抓取互联网海量现成文本语料,机器人领域根本没有对应现成的现货数据池。真正有价值的机器人训练数据形态各异,而解锁下一代模型性能跃迁所需的数据类型,目前在现实世界中甚至尚未达到能有效利用的规模。因此,真正的核心壁垒从来不是数据采集本身,而是将原始数据转化为高价值训练信号的能力。令人鼓舞的是,越来越多的前沿迹象表明,扩展律(Scaling Laws)同样适用于机器人模型,即随着训练数据规模提升,模型性能会呈现确定性增强。
这意味着市场对高质量、多样化的异构机器人训练数据将保持持续旺盛需求,而这类数据必须能精准匹配跨模态、不同采集手段以及新型训练架构不断演进的标准要求。在'高质量数据'定义不断发生动态变化的行业环境中,最具防御力的竞争壁垒,在于能否成为全球顶尖前沿实验室不可替代、深受信任的科研合作伙伴。赢得这种行业声誉的关键,在于在数据标注、清洗筛选和模型评测上拥有极高的专业品味,而非单纯依赖堆人头的采集产能。未来的赢家很可能不是那些采集数据总量最大的团队,而是具备深厚具身智能科研背景、能够以最快速度协同前沿机器人企业技术演进的团队。正如 和 凭借顶尖的科研理解力深度绑定全球顶级大模型实验室一样,这一逻辑在具身领域同样成立。
Woofun AI 整理数据显示,中国机器人企业在软件算法层面存在明显短板,这被称为'房间里的大象'。在 Pantera 团队深圳的所有参访中,AI 软件始终是一头谁都不愿主动挑明的难题。现场看到的大多数人形机器人和设备,其自主决策与泛化能力极其有限,绝大部分严重依赖人工遥操作(Teleoperation)或预设的固定程序动作。多位企业高管坦言,自家机器人目前缺乏高阶 AI 能力,底层软件算法至少落后海外头部竞对 1 到 2 年。而在基层年轻员工口中,往往能听到少一些官方客套、多一些残酷真实的现状。
他们开玩笑承认,自己的软件系统目前根本无法在复杂场景中正常运转,之前的很多尝试也称不上全力以赴。这部分原因在于考察集中在重硬件的深圳,而非更侧重软件算法的杭州或上海,但这背后确实折射出更普遍的行业底层事实。中国在硬件制造和数据采集这两大核心要素上的统治力,并未自然转化为在软件算法上的领跑地位。许多中国的人形机器人整机厂商并没有从底层研发自己的基座模型,而是继续将美国前沿实验室发布的开源模型作为自身软件能力的基石,特别是 、 ( )以及 等机构的开源生态。
我们与业内研究人员的交流表明,不少中国机器人企业似乎更倾向于不在基座模型研发上投入巨额重资本,而是把精力集中在对现有开源模型的后训练(Post-training)微调上。对于美国的前沿模型实验室而言,这恰好构成了一个战略切口:开源可以演变为极其强大的市场分发策略,推动全球开发者采用并围绕其模型构建生态网络。随着这些基座模型的通用性能变得越来越强,中国制造商自主研发替代性底层模型的动力可能会进一步被削弱。模型蒸馏在中国企业界早已是公开的秘密,显然部分团队正押注能将这种路径复制到机器人赛道上。
然而,不同于大语言模型可以通过合成文本实现高效的模型蒸馏,机器人模型面临着更为复杂的工程挑战。对机器人模型进行蒸馏,不仅需要底模算法,还需要海量的真实物理交互数据、硬件协同基础设施以及严苛的现实世界实测验证。这使得即便拥有强大硬件制造能力的企业,要想纯靠蒸馏复制海外最前沿的模型能力,难度也呈几何级数增加。
商业规则的深层分野源于两地创投生态的差异。在一个仅用当代高管一辈子的时间就彻底脱离贫困的国家,物质记忆留下的深刻印记清晰可见。中国社会弥漫着强烈的拼搏与追赶文化,这在新兴财富快速崛起的地区非常普遍:人们渴望尽快赚取确定性的商业利润,生怕跌回后视镜中记忆犹新的贫困岁月。这听起来似乎合情合理,但真正令人震惊的,是这种心态对整个创业与创投生态产生的深远塑造。在走访中国初创公司的过程中,团队反复听到一句带着艳羡的感慨:'美国的初创公司根本不用为短期赚钱发愁。'这直指中国团队承受的来自投资人的严苛商业化压力。
这种分歧源自中国风险投资生态中普遍偏短的投资回报周期预期。许多初创公司在成立 2 到 3 年内就被要求产生可观的业务营收;一旦稍有起色,投资人便会急不可耐地推动其冲刺上市。我们推测,中国风投机构之所以缺乏对长期投资周期的耐心,主要有以下几重原因:一方面是缺乏高回报的替代性资产(过去十年在窄幅震荡的股票市场、一线城市仅有 1% 左右回报率的住宅租金,再加上资本管制的限制);另一方面,则是缺乏类似海外大学捐赠基金那类能够承受超长周期的长线机构出资人(LP)。这倒逼创业团队将重心严重倾斜向硬件代工和数据采集外包服务,因为这类业务回款更快、资金回流周期短;而对于商业化路径漫长且充满不确定性的底层软件研发,则敬而远之。
此外,两地在知识产权保护的态度上也截然不同。尽管走访中在很多公司的走廊墙上看到挂满了自豪展示的专利证书,但实质性的知识产权保护相对薄弱在业内却是不争的事实。这迫使企业必须以最快速度将每一项微小创新进行商业变现,否则很快就会被同行以更低成本模仿抄袭并率先抢占市场。其最终导致了激励机制上的结构性错配:中国在机器人物理层构建起了极其强大的壁垒,但现有的资本环境与考核导向,却在客观上抑制了将这些物理优势跃升为软件领导地位所需的超长期耐心资本投入。
应用场景的分歧进一步加剧了这种差距。目前中国市场的人形机器人出货量虽然十分亮眼,但几乎没有被投入到任何具有实质性经济产出的生产场景中。眼下中国的人形机器人主要被部署在低商业附加值的展示和娱乐场景,例如在展厅、博览会中向参观者进行简单指引,或进行跳舞、打功夫表演。四足甚至双足机器人目前绝大多数依然只是卖给高校科研实验室或极客爱好者。这与美国市场形成了鲜明反差。在美国,机器人正加速渗透进高价值的工业制造与物流仓储场景,部分企业已经锁定了数千万美元规模的长期商业采购大单。
造成这一根本分歧的关键,在于两地劳动力成本与供给结构的巨大落差:西方高昂的人力成本叠加年轻一代对蓝领体力劳动的排斥,形成了极强的自动化降本经济驱动力。即便如此,技术进步往往远早于大规模商业化普及。一位中国创业者分享了一个生动的比喻:今天的人形机器人就像是马车时代的早期汽车,当时人们普遍质疑汽车的实用价值,因为马车已经完全能够满足日常出行需求;但当时的人们无法预见,汽车日后将彻底颠覆整个交通出行版图并催生全新的庞大产业。我们坚信,这一颠覆性演化规律同样适用于人形机器人。今天的大众与企业难以理解为何需要通用人形机器人,纯粹是因为他们尚未真正见识过通用具身智能最终所能释放的全部潜能。
此外,由于中国本土缺乏通过替代人工降本的迫切经济诉求,探索前所未有的商业化应用场景的内生动力相对不足,这也在一定程度上让当地的创业生态表现得更为保守。
通用人形机器人终将成为未来成本最低的劳动力形态。行业内一直在激烈探讨一个核心问题:既然专用机器人处理特定任务时更加高效稳定,世界为何还需要通用人形机器人?在中国的实地调研也印证了这一现状:在当前阶段,专用机器人的实际作业能力确实远胜通用机器人。通过聚焦于边界明确、可量化的细分任务,专用机器人能够实现更快的商业化闭环。
然而,在横向规模化扩张方面,专用机器人有着天然的上限。一家企业不可能在日常运营中针对每一种不同工序各采购一套专门的机器人;同样,一个普通家庭也绝不可能同时购买一台洗碗机器人、一台擦桌机器人、一台洗衣机器人和一台叠衣机器人。专用机器人在单一环节的表现固然更胜一筹,但一旦需要多台机器组合才能完成一连串日常工作时,其整体采购与维护的经济性便会大打折扣。我们认为,通用人形机器人最终将成为成本最为低廉的劳动力形态。
其核心优势并不在于它能以 99.9% 的极致精度完成某一特定任务,而在于它能够以 99% 的合格精度同时胜任上百种完全不同的日常工作。人形机器人无需在洗碗、叠衣或洗衣的每一个单项上做到天下第一,它只需在这三项以及更多家务上做得足够好即可。随着模型泛化能力的提升,同一套通用硬件底盘可以解锁无限扩展的技能库,而无需企业或家庭额外购置其他专用设备。归根结底,通用人形机器人的终极经济学壁垒,并不在于单点作业能力的极致化,而在于单台设备能够覆盖的任务种类数量的最大化。
这种通用泛化能力,伴随运行稳定性的提升以及硬件制造成本的持续下探,将从根本上颠覆整个物理体力劳动的经济模型。
数据采集市场体量巨大,核心价值向'数据智能'沉淀。伴随扩展律成功延伸至物理世界 AI 领域的更多确凿证据,机器人数据采集必将成长为一个极其庞大的市场。 近期发布的 Helix 2.5 模型给出了令人振奋的实测证明:随着训练数据量的成倍增长,机器人模型能力的提升展现出高度的可预测性。正如更大规模的数据与算力推动了大语言模型的能力跃迁一样,机器人领域也正在复刻同样的演进轨迹。
这意味着随着前沿实验室加速竞逐通用具身智能,对机器人训练数据的刚性需求将呈现持续爆发态势。然而,单纯增加数据规模并不等同于获得了更高质量的数据。在中国的实地考察更加坚定了这一认知。
尽管大型数据农场能够批量刷出成千上万小时的实操录像,但这种同质化极强的数据对于提升模型泛化性能的边际增量价值微乎其微。随着产业进入深水区,行业瓶颈将迅速从'采集更多小时的数据'转向'精准筛选出真正有价值的核心数据片段'。因此,真正的蓝海机遇并不在粗放的数据采集,而在于如何将原始的训练时长转化为可量化的模型能力提升。这需要更精细的数据标注、过滤、清洗与评测体系,以便从大量冗余、低质的流水线数据中提取出宝贵的有效训练信号。随着机器人模型的飞速迭代及其对数据标准的不断重构,持续挖掘并交付高价值优质数据集的专业能力,将构成远比单纯铺人头采集更为深厚的竞争壁垒。
模型层将逐步走向同质化,但美国将持续保持对中国的算法领先。我们认为,机器人底层模型层的竞争正在急剧白热化,长期来看面临同质化(Commoditized)的商品化风险。在过去几个月中,包括 Physical Intelligence、Generalist、Dyna Robotics 以及 Figure AI 在内的多家美国顶尖团队,各自独立发布了在模型能力与泛化上的重大突破。多家团队在极短时间内先后达成实质性突破这一事实表明,前沿具身智能大概率不会像大模型领域那样被 OpenAI 和 Anthropic 两家巨头垄断。
大多数蓝领体力劳动并不需要高达 200 的超级智商,它们只需要适度的环境理解力配合极佳的后训练微调即可胜任。随着训练方法论的逐步成熟和数据规模的扩大,整个行业的竞争重心将从研发通用的基座模型,全面转向场景落地部署与针对性后训练。在这样的格局下,任何单纯押注基座模型的公司,都将越来越难维持差异化的竞争护城河。在可预见的未来,我们认为美国在软件算法上仍将保持对中国的领先身位。这很大程度上是因为中国机器人企业更倾向于追逐硬件销售与数据外包带来的即时现金流,而缺乏长期投注重资本研发的耐性。
美国前沿实验室在底层算法上的持续突破,大概率将进一步加深中国厂商对海外开源生态的依赖惯性。不同于大语言模型可以较为轻松地通过文本蒸馏快速复现,具身智能的模型蒸馏门槛要高得多。模型认知必须与跨多样化物理环境和不同机械本体的真实交互数据深度闭环。单纯依靠硬件制造层面的单点优势,无法轻易逾越这道综合性壁垒。我们推断,中美在具身软件领域的代际差距,可能会比我们在大语言模型领域观察到的差距更为持久。机器人赛道具备显著的'后发优势'。
目前有海量资金正在被投入到解答机器人领域的底层重大争议中(例如模型架构路线、机械构型设计、垂直一体化 vs 水平分工等),而很多早期的初创公司注定会在这场探索中走入死胡同。今天新入局的创业团队完全可以站在先行者的肩膀上汲取经验教训,省去试错交学费的巨额资本消耗,直接基于行业最新的范式(Meta)打造最前沿的全新架构。行程最后一天的晚上八点,团队坐上了同一辆汽车,踏上前往香港国际机场并飞回纽约的归途。在对深圳机器人核心产业带进行了全方位的深度考察后,我们对全球机器人产业的发展全景有了焕然一新的认知。
'现场现物'。这次实地考察再次坚定了我们的信念:在这个信息过载的时代,亲临一线、亲眼所见,依然是专注基本面的投资人构建独立思考与深度研判的最坚固基石。中国无疑将在重塑全球机器人的未来版图中扮演举足轻重的角色,我们也将密切关注硬件、软件以及二者之间所有环节的演化进程。数十年的制造业积淀赋予了中国在硬件制造上极其巨大的、甚至难以逾越的壁垒。
然而,短期量化目标驱动的数据采集弊端隐现,资本层面对即时回报的短视,也让本土企业在面对需要长周期攻坚的底层创新时相比美国企业受到更多掣肘。有一点比以往任何时候都更加清晰:我们离开深圳时,对机器人赛道的未来前景充满了更加笃定的信心,并坚信当下正是重仓投资该产业的绝佳时机。在底层软件真正具备足够的泛化能力、让人形机器人具备实质生产力之前,行业在数据采集、高维标注和数据智能领域依然存在巨大的结构性缺口。我们始终在寻找那些在机器人数据与具身智能领域打造突破性解决方案的优秀创业者。
如果你正深耕于此,我们的投资团队非常期待与你交流。
评论
暂无评论