宇树科技估值争议背后：人形机器人赛道，技术、资本与泡沫的博弈

最近，人形机器人赛道的一则融资新闻引发了不小的讨论。宇树科技宣布完成B2轮融资，投后估值达到610亿人民币。这个数字本身已经足够惊人，但更引人注目的是，市场上有一种声音认为：“610亿的宇树，被估低了”。其依据是，大洋彼岸的竞争对手Figure AI，在获得OpenAI、微软等巨头投资后，估值已高达2800亿人民币。

一个610亿，一个2800亿，近5倍的差距。这仅仅是资本市场的“水土不服”，还是背后隐藏着技术路线、商业化前景乃至全球产业链话语权的深层逻辑？对于关注硬科技、机器人乃至AI应用落地的开发者、工程师和投资者而言，理解这场估值博弈，远比看热闹更重要。它关乎我们如何判断一项前沿技术的真实价值，以及在这个充满想象力的赛道里，机会究竟在哪里。

本文将抛开浮夸的标题，深入拆解宇树与Figure AI的差异，探讨人形机器人估值背后的核心要素：技术栈的成熟度、商业化场景的清晰度、供应链的掌控力，以及最重要的——离“有用”还有多远。我们不仅会分析现象，更会提供一套评估此类硬科技项目的思维框架。

1. 估值差距的根源：不只是技术，更是叙事与生态

首先必须明确一点：估值从来不是对公司当前盈利能力的精确计算，而是市场对其未来现金流的折现预期，其中夹杂着巨大的叙事成分。Figure AI的2800亿估值，是一个典型的“硅谷叙事”驱动下的产物。

1.1 Figure AI的“明星光环”与生态绑定 Figure AI的高估值，核心支撑点并非其机器人已经大规模出货或产生巨额收入，而在于其构建的“顶级生态联盟”。

• 资本背书 ：投资方包括OpenAI、微软、英伟达、贝佐斯、英特尔等。这不仅仅是钱，更是战略资源的注入。OpenAI提供最前沿的多模态大模型能力，微软提供Azure云与潜在的To B销售渠道，英伟达提供算力与机器人芯片方案。这个组合，几乎涵盖了AI机器人从“大脑”（大模型）到“神经”（计算）再到“落地”（云与市场）的全链条。
• 叙事焦点 ：Figure AI将自身定位为“具身智能（Embodied AI）”的标杆，其演示视频极力强调机器人与人类的自然语言交互（与OpenAI模型结合）、从观察中学习执行任务的能力。这讲的是一个“通用型机器人”的故事，天花板极高，符合硅谷对下一代颠覆性平台的想象。

1.2 宇树科技的“务实路径”与制造优势 相比之下，宇树科技的610亿估值，则更贴近中国硬科技投资的常见逻辑：技术产品化、供应链和渐进式商业化。

• 技术积累与产品迭代 ：宇树起源于大学实验室，在 高性能伺服关节、运动控制算法 等领域有深厚积累。其产品如H1、Unitree G1等，在运动能力（快速行走、奔跑、跳跃）上展示了业界领先的水平。宇树的叙事更偏向于“先让机器人稳定地动起来，并且动得快、动得稳”，这是实现任何上层应用的基础。
• 供应链与成本控制 ：宇树创始人王兴兴曾公开表示，其自研关节成本远低于海外采购。在中国强大的制造业供应链加持下，宇树在将机器人“造出来”并控制成本方面，具有天然优势。其估值部分反映了这种 规模化制造和降本潜力 。
• 商业化场景探索 ：宇树在巡检、物流、教育科研等B端场景已有落地尝试。虽然还未到爆发阶段，但路径相对清晰，是“从专用到通用”的渐进式思路。

简单对比：

维度	Figure AI	宇树科技
估值驱动核心	生态叙事与通用AI潜力	核心技术、制造能力与渐进商业化
优势	顶级AI资源整合，通用平台故事	核心零部件自研，运动控制强，成本可控
风险	技术路径未经验证，商业化遥远	在“AI大脑”与应用生态上需补强
类比	更像早期的“机器人领域的OpenAI”	更像“机器人领域的比亚迪”（垂直整合制造）

所以，估值差距首先反映的是两种不同的价值评估体系：一个为“无限的未来可能性”支付巨额溢价，另一个则为“扎实的当下实现能力”定价。

2. 技术栈拆解：运动控制 vs. 智能交互，谁更“卡脖子”？

人形机器人的技术栈可以粗略分为“身体”和“大脑”两部分。宇树和Figure AI的侧重点截然不同，这直接影响了它们的估值逻辑和开发难度。

2.1 “身体”能力：运动控制与硬件 这是宇树的传统强项，也是机器人落地的基础门槛。

• 核心：高性能伺服关节 。包括电机、驱动器、减速器、传感器一体化设计。它决定了机器人的力量、速度、精度和能耗。宇树的自研关节是其护城河。
• 算法：实时运动控制与平衡算法 。让双足机器人稳定行走、抗扰动、适应复杂地形，需要极强的模型预测控制（MPC）、状态估计等技术。
• 开发者视角 ：这部分技术栈更接近传统的机器人学、控制理论、机械电子，代码和算法对实时性要求极高。例如，一个简单的站立平衡控制环，可能就需要在1kHz的频率下运行。

// 一个高度简化的机器人单腿站立PD控制伪代码示例，用于说明运动控制的实时性
void balanceControlLoop() {
    while (robotIsOn) {
        // 1. 高频状态读取（1kHz或更高）
        auto current_imu_data = readIMU(); // 读取惯性测量单元数据
        auto joint_positions = readJointEncoders(); // 读取关节编码器
        auto foot_force = readFootSensor(); // 读取足底力传感器

        // 2. 状态估计（例如，估算身体质心位置和速度）
        BodyState estimated_state = stateEstimator(current_imu_data, joint_positions, foot_force);

        // 3. 计算期望的关节力矩（PD控制）
        // desired_torque = Kp * (desired_angle - current_angle) + Kd * (desired_velocity - current_velocity)
        VectorXd desired_torques = computePDTorques(estimated_state, desired_standing_pose);

        // 4. 安全限幅与输出
        desired_torques = applyTorqueLimits(desired_torques);
        sendTorqueCommandToMotors(desired_torques);

        // 5. 等待下一个控制周期（例如，1ms）
        sleep_for(microseconds(1000));
    }
}

2.2 “大脑”能力：感知、决策与交互 这是Figure AI借助OpenAI重点讲述的故事，也是当前人形机器人走向“有用”的关键瓶颈。

• 核心：多模态大模型（LMM）与具身智能 。让机器人能看懂场景（视觉），听懂指令（语音），规划任务（推理），并生成具体的动作序列。
• 技术栈 ：涉及计算机视觉（CV）、自然语言处理（NLP）、强化学习（RL）、任务和运动规划（Task & Motion Planning）。
• 开发者视角 ：这部分更接近现代AI研究，依赖大规模数据、预训练模型和强大的算力。开发流程可能涉及调用API、微调模型、设计提示词（Prompt）等。

# 一个概念性的代码片段，展示如何利用大模型API进行高层任务分解
# 注意：此为示意，非真实Figure AI或OpenAI代码
import openai # 或其他机器人专用大模型API

class RobotBrain:
    def __init__(self, api_key):
        self.client = openai.Client(api_key=api_key)

    def process_user_command(self, command_text, camera_image):
        """处理用户指令和视觉信息"""
        # 构建给大模型的提示，包含场景描述和指令
        prompt = f"""
        你是一个家庭服务机器人。你看到的场景是：{self._describe_image(camera_image)}。
        用户指令是：“{command_text}”
        请将指令分解为一系列可执行的机器人动作步骤。
        只输出JSON格式的动作序列。
        """
        response = self.client.chat.completions.create(
            model="gpt-4-vision-preview",
            messages=[{"role": "user", "content": prompt}],
            response_format={"type": "json_object"}
        )
        action_sequence = json.loads(response.choices[0].message.content)
        return action_sequence # 例如：[{"action": "move_to", "target": "冰箱"}, {"action": "open", "object": "冰箱门"}]

    def _describe_image(self, image):
        # 调用视觉模型生成场景描述
        # 此处简化处理
        return "厨房，冰箱门关着，桌面上有一个空杯子"

结论 ：宇树在“身体”（运动）上建立了高壁垒，但“大脑”（智能）是其需要补课的方向。Figure AI拥有顶级的“大脑”潜力，但其“身体”的运动能力是否经得起复杂环境的考验，仍需观察。真正的“卡脖子”环节，正在从硬件的精密制造，转向软硬结合、AI与控制系统深度融合的工程能力。

3. 商业化场景对比：从“炫技”到“干活”的鸿沟

演示视频很酷，但投资人最终要看回报。两者的商业化路径设想差异巨大。

3.1 Figure AI：瞄准通用替代，路径长但想象空间大

• 目标场景 ：仓储物流、制造业组装、零售、甚至家庭服务。其终极梦想是制造能替代广泛人类劳动的通用机器人。
• 挑战 ：
  1. 长尾问题 ：真实世界任务无限多样，机器人需要处理大量未曾训练过的 corner case。
  2. 安全与可靠性 ：在非结构化环境中与人类共处，安全标准极高。
  3. 成本 ：即使技术成熟，初期成本也必然高昂，需要时间摊销。
• 商业模式 ：可能以“机器人即服务”（RaaS）为主，按工作时长或完成任务量收费。

3.2 宇树科技：聚焦垂直场景，寻求快速落地

• 目标场景 ：
  • 工业巡检 ：在电站、厂区进行例行巡查，环境相对结构化。
  • 物流搬运 ：在仓库内进行货物转运，路线固定。
  • 教育科研 ：作为高校和实验室的研究平台。
  • 特种作业 ：如消防、救援等危险环境探索。
• 优势 ：
  1. 场景受限 ：任务边界清晰，更容易通过规则和特定训练解决。
  2. 运动能力优先 ：在复杂地形移动是这些场景的基础需求，正好发挥其长处。
  3. 成本可控 ：针对特定场景优化，可以简化部分感知和认知模块。
• 商业模式 ：直接销售机器人硬件 + 基础软件平台，或针对大客户提供定制化解决方案。

对开发者的启示 ：如果你正在考虑进入机器人领域，选择哪个方向？

• 想啃硬骨头，做前沿探索 ：关注 具身智能、机器人学习（Robot Learning）、VLA（视觉-语言-动作）模型 。技术栈偏AI算法和深度学习。
• 想结合产业，解决具体问题 ：关注 运动规划、传感器融合、特定场景的感知算法（如仪表识别、缺陷检测） 。技术栈偏传统机器人与计算机视觉。

4. 供应链与工程化：中国公司的隐形王牌

估值不能只看软件和算法，硬件产品的量产能力是另一个维度的竞争。宇树代表的的中国机器人公司，在这方面有独特优势。

4.1 核心零部件自主化 宇树自研伺服关节的成功，打破了日本、瑞士公司在该领域的垄断。这不仅降低了成本，更重要的是保证了供应链安全和快速迭代能力。在机器人行业， “有设计，造不出”或“造得出，但太贵” 是常态。自主供应链是规模化前提。

4.2 快速迭代与成本控制 依托珠三角、长三角的电子和精密制造集群，中国机器人公司能够以更快的速度和更低的成本进行原型打样、测试和设计修改。这意味着产品迭代周期可以缩短，能更快地响应市场反馈和进行技术试错。

4.3 工程化落地的“脏活累活” 让实验室机器人走向真实工地、仓库，需要解决防水、防尘、散热、长时间运行稳定性、易维护性等一系列工程问题。中国制造业积累的工程经验，对于完成这“最后一公里”至关重要。

这一点在估值中常被低估 。Figure AI的估值包含了“生态”溢价，而宇树的估值中，其 完整、可控且高效的供应链和工程化能力，可能仍未得到充分定价 。这就像新能源汽车赛道早期，特斯拉的软件和品牌被高估，而比亚迪的电池和垂直整合能力一度被低估一样。

5. 未来展望与开发者机会

人形机器人赛道无疑处于早期，无论是610亿还是2800亿，都充满了泡沫与梦想。但对于技术人来说，这里正在产生实实在在的机会。

5.1 技术融合点成为热点

• AI for Robotics ：如何将大模型的常识推理能力，安全、可靠地嵌入到实时控制系统中？需要既懂AI又懂控制系统的交叉人才。
• 仿真与数字孪生 ：在模拟器中训练机器人，是降低成本、加速学习的关键。仿真引擎（如NVIDIA Isaac Sim）的使用和开发需求旺盛。
• 中间件与开发工具 ：ROS 2正在成为机器人软件的事实标准，围绕其进行开发、优化和提供商业化工具链，是一个明确的方向。

5.2 建议的学习与实践路径 如果你是一名软件开发者或学生，想切入这个领域：

1. 基础入门 ：

   • 学习ROS 2 ：这是机器人软件的“操作系统”。从安装、创建包、理解节点、话题、服务、动作开始。

   # 在Ubuntu上安装ROS 2 Humble
   sudo apt update && sudo apt install curl gnupg lsb-release
   sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg
   echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] https://mirrors.tuna.tsinghua.edu.cn/ros2/ubuntu $(source /etc/os-release && echo $UBUNTU_CODENAME) main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null
   sudo apt update
   sudo apt install ros-humble-desktop
   source /opt/ros/humble/setup.bash
   

   • 学习机器人学基础 ：推荐《Modern Robotics》或《Robotics, Vision and Control》，理解运动学、动力学、轨迹规划。

2. 选择方向深入 ：

   • 感知方向 ：深入学习OpenCV、PCL（点云库）、深度学习框架（PyTorch/TensorFlow）在目标检测、分割、姿态估计中的应用。
   • 控制方向 ：学习C++实时编程，研究MPC、强化学习控制（如PyBullet/MuJoCo仿真环境）。
   • 智能方向 ：学习Transformer、VLM模型，尝试使用LangChain等工具链连接大模型与机器人动作。

3. 动手实践 ：

   • 使用Gazebo或Isaac Sim搭建仿真环境。
   • 在GitHub上寻找开源机器人项目（如TurtleBot3）进行代码阅读和修改。
   • 参加RoboMaster、RoboCup等机器人竞赛。

5.3 对估值的理性看待 作为开发者，我们关注估值，不是为了炒股票，而是为了判断技术趋势和职业方向。Figure AI的天价估值，标志着**“AI大脑”与机器人结合 已成为资本共识的最重要方向。宇树的估值及其引发的“低估”讨论，则提醒我们 硬核的制造、控制技术和清晰的短期落地场景**，同样拥有坚实价值。

这场估值博弈的最终赢家，很可能不是某一方，而是那个能率先将“强大的身体”与“聪明的大脑”完美融合，并在某个真实场景中实现稳定、经济、规模化应用的团队。对于身处其中的开发者而言，无论选择深耕运动控制的“神经”，还是钻研AI决策的“大脑”，抑或是连接两者的“脊髓”，都将在这个波澜壮阔的赛道中找到自己的位置。泡沫会破裂，但技术前进的脚步不会停止，真正的价值终将在工程落地中浮现。