157: 与陈哲的「具身季报 26Q1」：宇树招股书、人形再思考、英伟达世界模型、高自由度灵巧手
摘要
宇树的核心资产不是春晚曝光，而是量产一致性与科研本体的事实标准。 21 台宇树人形机器人同时完成弹射、翻滚和大回环，背后是 2025 年强化学习、模仿学习与 sim-to-real 的集中落地，也依托其百万级电机设计、生产和量产经验。其人形收入占比从 2023 年不足 2% 升至 2024 年 27%、2025 年前三季度 51%，人形机器人毛利约 63%；陈哲提醒，高毛利首先说明客户仍以价格不敏感的科研市场为主，而 G1 发布约 20 个月仍无真正挑战者，说明“硬件公司的优势可能是十二甚至二十四个月”。
陈哲本季度最显著的认知变化，是不再确信双足只是昂贵而无必要的形态。 人形机器人只占约 40×60 厘米站立面积，却能从地面操作到约 2 米、Atlas 最高触达约 2.3 米；搬运 20 公斤箱子的轮式 Boston Dynamics Stretch 重约 800 公斤至 1 吨，同等载荷的人形可能仅 70—80 公斤。轮式方案若要四轮四转、升降和动态取放，同样需要大量电机和沉重底盘，“复杂度和成本不一定比人形低”。
Q1 的网球、功夫和全身控制 demo 证明了能力边界正在外扩，但还没有证明通用自主性。 银河通用的人形机器人面对最高可达约 100 公里/小时的网球球速，需要实时感知、决策和全身闭环；它大概率借助外部相机、动捕数据和非端侧算力，却仍让陈哲把重点放在“能不能做是最关键的，怎么优化是第二步”。相对地，宇树春晚仍是事先编排的动作，Figure 视频也经过精心训练和剪辑；真正的新趋势是 locomotion 与 manipulation 开始由统一模型控制，而非两套孤立系统。
灵巧手正在成为继四足运控、VLA 和人形 locomotion 之后的重要前沿，且可能诞生一个类似 G1 的科研标准件。 Sharper 在 CES 展示自主组装风车；其方案包括 22 自由度、触觉输入和 System 0/1/2 分层控制。一只约 5 万美元的手虽昂贵，却已进入补贴科研的定价逻辑。反面样本是 Optimus Gen 3 的高自由度腱绳驱动手：前臂电机要控制 40 多根腱绳，一致性、蠕变、维修和万台量产都困难；最尖锐的质疑是，“你既然已经用了电机，你就不是肌肉，你从何而来第一性？”
NVIDIA 的 WAM 并非简单给 VLA 换名，而是把机器人策略从静态映射推向对未来的视觉预测。 DreamDojo 像基于视频的仿真器，DreamZero 则从环境和任务直接生成策略；两者试图以视频生成建立动作、环境变化和结果之间的因果链，而不是把图像、文字与遥操作轨迹做行为克隆式映射。当前 DreamZero 约 7 Hz、物理一致性仍受视频基模限制，触觉也天然缺失，因此世界模型与语言模型更可能互补，而不是一方取代另一方。
数据瓶颈只是出现了解法，还远未被解决。 EgoScale 用超过 2 万小时第一视角人类操作数据扩大多样性；陈哲描述的数据金字塔从高质量、昂贵的真机遥操作，依次下沉到 UMI/Dex UMI、第一视角视频和互联网视频，仿真既可处于中间层，也可用于 augmentation。Sunday 把两指 UMI 扩成与本体同构的三指采集器，中国公司虽在追逐“百万小时”，但有效数据仍需清洗、标注和大量训练实验，“百万小时是不是足够”，他没有结论。
中美具身竞争的分界不是单纯模型水平，而是硬件、基模和算力如何重新耦合。 陈哲认为中国在本体、灵巧手、供应链和量产上已经领先，美国以 Pi 为代表，在顶尖人才、算力和数据上仍占优；若研究越来越绑定复杂本体，中国优势可能被放大。风险在于世界模型高度依赖视频基模：目前大量机器人世界模型使用阿里 Wan 2.1/2.2，连 NVIDIA 也未必需要从零训练，但下一代 recipe 需要海量 GPU 实验，创业公司仅复制数 PB 数据就可能产生数十万元账单。
上市潮会强化具身的国家级叙事，也会暴露估值与商业化之间的巨大缺口。 陈哲估算，中国估值超过 100 亿元人民币或 15 亿美元的具身、人形公司已超过 20 家，而 2023—2024 年大模型最狂热时同级公司仅四五家；与此同时，头部宇树收入也只是两亿多美元量级。他认为宇树是“有真实用户价值、有真实收入、经营很高效”的标杆，但行业必然经历吸收和淘汰；面对“人形是否是通用机器人的最优解”，他的最终答案仍是：“我今天没有答案。”
精读
1. Q1 的五个关键进展已从单点动作铺到整套技术栈
陈哲强调，这份 Top 5 不是纯学术排名，而是长期机器人投资人综合技术、产品和商业潜力后的“很强的主观选择”；它恰好覆盖本体运控、末端操作、基础模型、系统工程和量产设计。
第一项是宇树二十多台人形机器人的春晚功夫表演，代表中国本体与运控的最高水平；第二项是 Sharper 在 CES 自主组装风车，让行业看见高自由度灵巧手的 SOTA 表现。
模型侧的主角是 NVIDIA DreamZero 与 DreamDojo，它们承接字节 2024 年底 GR-2 对互联网视频的利用，试图以视频生成而非文本生成来理解环境、生成机器人动作。
另外两项分别是银河通用打网球的全身实时闭环，以及新一代量产电动 Atlas；前者打开能力想象，后者则以高度模块化和 360 度旋转重新定义“人形”可以怎样超越人的结构。
2. 宇树春晚的门槛不在单个高难动作，而在 21 台机器的一致性
宇树把 2025 年才快速成熟的工作集中搬上舞台：先通过动捕和模仿学习把真人武术映射到机器人，再在仿真环境中用强化学习把粗糙轨迹训练成更稳定、更鲁棒的 policy，最后迁移到机器人本体。
曼琪注意到垫步、弹射、连续翻滚等细节“更像人”；陈哲则把重点落在一致性——21 台量产级机器同时完成复杂动作，每台受到的环境干扰都不同，考验的是硬件质量和软件稳定性，而非把一台样机调到极致。
与早期 Boston Dynamics 跑酷相比，底层范式已从专家手调 MPC 等经典控制，转向仿真、强化学习和端到端 policy；旧视频往往由大量失败素材精心剪辑，单机连续成功率也无法与 21 台同步执行直接类比。
机器人头顶的激光雷达还释放了另一个信号：近期舞蹈和跑酷开始加入视觉反馈、建图与定位，可能不再只是完全开环地播放关节轨迹，但这种感知距离复杂自主决策仍很远。
3. 舞台成功没有跨过操作与自主决策的鸿沟
陈哲给春晚热度划出的边界很清楚：所有舞蹈和功夫依然是事先编排的固定序列；若受到足够大的意外干扰，机器人还不能像人一样理解局面、重新规划并自主接续任务。
这次展示主要是全身移动和下肢运控，没有证明上肢操作、复杂接触或长任务理解。具身研究的大量难点恰在 manipulation，以及机器人如何根据物体状态和接触变化闭环修正动作。
曼琪对比了两届春晚的行业反应：去年不少从业者认为转手绢依赖机械回收装置、技术含量有限；今年认可度明显提升。变化不只来自动作更炫，而是业内能辨认出其背后的强化学习成果与多机可靠性。
4. 招股书显示人形已成宇树主线，但 63% 毛利仍属于科研市场逻辑
宇树人形业务占收入的比例从 2023 年不足 2%，升至 2024 年约 27%，再到 2025 年前三季度约 51%；从 H1 到 G1 的产品切换，已经让人形成为公司未来增长的核心。
最新口径下，人形毛利率约 63%。曼琪把它视为软硬一体产品中罕见的高毛利，陈哲的修正是：科研设备常有 70%—80% 毛利，63% 未必离谱，因为科研市场规模和销量较小、订单分散，且价格敏感度远低于工业量产市场。
这种市场并不充分弹性：一只手卖 5 万美元、一个科研本体卖得更便宜，都不会自动令客户数量翻两三倍。客户数量和需求相对明确，价格主要由产品的相对竞争力及替代品稀缺度决定。
两人的共识是机器人早期高度“供给驱动”——没有稳定量产产品时，潜在需求无法变成收入；一旦可靠供给出现，科研、表演和工业试用都会释放。但陈哲估计，当前人形科研市场本身可能也只有约 10 亿元人民币规模。
5. G1 用一米三的小型化定义了科研本体，后来者很难靠复制参数追上
宇树第一代 H1 约一米八，本质上接近“把一只大的四足狗站起来”；王兴兴曾说研发只用了“三个半人”——三名工程师加他自己半个人，因为当时他既不笃信人形，也未把它当成核心战略。
G1 才是为科教市场正向设计的产品，身高降到约一米三，质量随之显著下降，降低了电机功率密度、电池和运动控制的压力。对科研而言，一米三和一米八能研究的问题差异有限，因此小型化没有牺牲核心用途。
约 9.9 万元起售的 G1 一开始就把场景、尺寸和成本组合得很完整；后来者即使做出参数更高的一两台样机，也很难在一个总量不大、投资人又不喜欢的科研市场里找到足够差异化。
更硬的门槛来自量产史：宇树在人形之前已卖出数万台四足，每台至少 12 个电机，相当于经历过百万级电机的设计、生产和验证。陈哲的比较是，大模型领先期可能只有三至六个月，“硬件公司的优势可能是十二甚至二十四个月”。
6. 王兴兴的克制让宇树活到浪潮到来，下一阶段仍可能用跟随式 AI 守住标准
陈哲 2019 年在杭州见到王兴兴时，公司只有十人上下，一年卖十几二十只机器狗、收入约 1000 万元人民币，却已盈利。“宇树为什么是一家盈利的公司？是因为它不得不盈利；如果它不盈利，我在 2019 年已经见不到它了。”
这也是他把宇树与大疆并列的原因：创始人不是先看到巨大市场才进入，而是长期热爱并笃定一个方向。节目提到，王兴兴 2017 年融资时被问“这个事情到底能做什么”，当时确实说不上来。
宇树 2025 年前三季度研发费用是 9000 多万元，可能比很多同行的研发投入小很多；招股书却计划募资 40 亿元，其中约 20 亿元投入“大脑”。陈哲认为其 VLA、世界模型工作目前仍偏跟随，且核心管理层缺少能独当一面的 AI 合伙人。
他的判断不是宇树必须成为最强模型公司，而是它可以长期采取跟随策略：只要全球最新研究持续基于 G1，闭源模型、开源模型都会反向增强硬件生态。2025 年人形出货 5500 多台，2026 年目标 1 万—2 万台；春晚后表演和租赁需求可能令实际空间更大，限制反而是宇树愿意投入多少产能。
7. 银河通用打网球的价值，是先证明全尺寸人形能进入高速闭环
网球球速最高可达约 100 公里/小时，机器人必须在极短时间内判断球路、移动身体、挥拍并完成击球；即使专用轮式陪练机器人，这也不是一个简单任务，更不用说自由度更高、控制链更长的人形。
银河通用在春节期间租用大型网球场，布置动捕设备、采集数据并反复进行强化学习训练。陈哲认为它的学术新颖性未必最强，更像“一个比较复杂的系统工程”，但确实体现了团队执行力。
这套系统大概率依赖外部相机获取高帧率感知，也未完全使用端侧算力，因此不能直接迁移成随处可用的产品；但它仍是真机自主执行，而非 CG。Andrew Cote 曾在 X 上质疑视频是否由 AI 生成，这恰好说明能力边界超出了原有预期。
陈哲保留的计算机科学经验是：“只要这件事情可以做，人类一定可以想到优化的方法。”先证明实时闭环能成立，再逐步优化外部视觉、算力等依赖，是比一开始争论商业化更合理的顺序。
8. Locomotion 与 manipulation 正从两套系统收敛为统一的全身模型
在 2024—2025 年，行业大体把下肢 locomotion 与上肢 manipulation 分开处理；随着本体稳定性和数据规模提升，Figure、智元以及 NVIDIA Sonic 等工作开始尝试让同一模型统筹移动、姿态和操作。
Figure 在一月和三月展示的全身动作自然度很高，银河通用网球也必须联合腿、躯干和手臂。视频都经过专门训练、编排与剪辑，却仍是真机自主执行的结果，不应因为制作精细就一概视为造假。
陈哲判断这种统一范式才“刚刚出现端倪”，未来 12 个月可能快速复利；他甚至不敢想象 2027 年春晚会出现怎样的人形表演。范式一旦被验证，更多公司就能围绕共同框架迭代，而不必各自从头搭建上下肢控制栈。
9. 双足的成本劣势正在被重新计算，轮式底盘并没有想象中简单
陈哲过去也认为，仓库和工厂需要的是两只手，不需要两条腿；本季度的变化来自一个供给侧判断：当某种能力真正稳定交付，原本看不见的场景会快速释放，所以不能只依据当前机器人做不到什么来定义形态价值。
人形在结构化环境中移动，只需约 40×60 厘米的站立面积，却能借助全身自由度从地面取物、向上触达约 2 米。它通过动态调整腿、腰和重心处理 10—20 公斤箱子，狭窄通道中的空间效率尤其突出。
Boston Dynamics 的 Stretch 为搬运约 20—25 公斤箱子，使用大型 AGV 底盘和单臂，整机约 800 公斤至 1 吨；全尺寸人形可能只有 70—80 公斤。轮式方案若采用四轮四转，驱动与转向本身就可能需要八个电机，再加升降结构、重底座、大电池和更高功率执行器，复杂度与成本未必更低。
10. 新 Atlas 的“超人”结构，把量产、维修和运动自由度放进同一设计
新一代电动 Atlas 没有为每个关节定制复杂执行器，而是把主要 actuator 设计成约两种标准化旋转电机，以性能冗余换取结构简化，类似协作臂相对传统工业机械臂的模块化转向。
它不受人体骨骼限制，头部和躯干可以 360 度旋转；人从面向北转向南要走三四步，Atlas 可以直接转腰。左右腿可以互换，左右手也应该采取类似的模块化设计，机器人无需固守人的“正面”和左右结构。
这种设计同时降低生产组装、备件和现场维修成本。陈哲把它与美国缺乏熟练技术工人的现实相连：既然装配与维护资源昂贵，就必须通过模块化、可替换和性能冗余让机器人更容易生产，而不是一味追求仿生外形。
11. 美国人形赛道高度收敛，Optimus Gen 3 的时间表仍被硬件拖住
美国最受关注的仍是 Tesla Optimus 和融资、估值最高的 Figure；其余活跃玩家包括 Boston Dynamics、挪威 1X，以及得州 Apptronik 的 Apollo。Pi、Sunday、Generalist 则更偏模型和数据，并非全栈人形本体公司。
Optimus Gen 3 据称已设计定型，但节目掌握的供应链信息显示，亮相计划从 2026 年 Q1 或三月拖到四月，再可能推至六月下旬；原定十月的量产也可能延到 2027 年。陈哲概括 Musk 的规律：“Elon is always right, but his timing is always wrong。”
即使目标已从更激进的历史口径收缩到至少 1 万台，进入四月后仍极具挑战。延期不只是软件问题，高自由度灵巧手的量产、可靠性与维修性很可能就是 Gen 3 的关键硬件瓶颈。
12. Optimus 的腱绳手把仿生推到极致，也把可靠性问题同时放大
Optimus 选择腱绳驱动：大量电机位于前臂，再用腱绳把力传到手指；Sharper 的直驱方案则把电机直接放到指节关节附近。两者不是微小结构差异，而是仿生优先和工程模块化优先的两套理念。
高自由度腱绳手可能要在手腕、手掌等空间穿过 40 多根腱绳，任何一根的松动、蠕变、磨损或装配误差都会破坏一致性；出现故障后重新布线、标定和维修，近似一次复杂“外科手术”。
陈哲转述朋友的反问：“你既然已经用了电机，你就不是肌肉，你从何而来第一性？”人的肌肉和组织可以恢复，且能量密度、力矩密度很高；腱绳、电机和齿轮的磨损不可逆，用非肌肉材料复制肌肉结构，不等于复制其性能。
他没有因此断言 Musk 必错：纯视觉与端到端自动驾驶当年同样遭到内部和行业反对，后来逐步被工程实现。真正可检验的问题是，Optimus 会不会改换手部路线，以及现方案能否在 2026 年支撑万台级可靠量产。
13. Figure 的叙事风格值得警惕，但人才与技术结果已不能被忽略
曼琪概括中国创业者对 Figure 的复杂态度：它不断拿出好结果，又显得“非常浮夸”。陈哲甚至开玩笑应给公司“奥斯卡最佳影视特效奖”，因为其视频常经过精心构图、训练和剪辑。
这种风格与创始人 Brett 的经历有关：他曾创办 eVTOL 公司 Archer，如果没记错，该公司在 2021 年上市，之后不久他离开；此前他也出售过创业公司。市场因此质疑他是否专注于长期工程，还是擅长追逐热点、融资并快速退出。
Figure 2023 年成立时并不了解完整机器人产业，来自 Boston Dynamics 等机构的一批早期成员也陆续离开；但陈哲承认，过去一两年公司吸引了大量优秀软硬件人才，新本体和全身运控结果“非常有干货”。
模型侧的 Helix 以分层方式连接低频规划、中频动作与高频控制，内部反馈和公开视频都显示其能力领先。考虑到美国除 Optimus 外，真正同时做全尺寸复杂本体和模型的公司很少，Figure 已代表当地市场的头部水平。
14. 美国缺的不是人形愿景，而是支撑多家硬件创业公司的产业密度
陈哲认为，美国供应链和制造能力不足，解释了为何中国“几百万元就能攒出一台人形样机”，美国却很难支撑多家创业公司出现，只能集中资源扶持少数头部公司。Figure 的高融资额既是公司需要，也承载了制造业回流的政策期待。
Google 早期曾与 Apptronik 合作 Apollo，但陈哲听到的反馈是硬件精度、可靠性和一致性不足，研究员把大量时间用在“让机器能用”，而非模型研究；转向 Boston Dynamics，是为基础研究选择更稳定的本体。
Boston Dynamics 的控股股东现代汽车可以提供汽车级生产、测试和供应链资源，部分组装与前期测试也可进入现代工厂。美国借日本、韩国等盟友补制造能力是一条路，但陈哲估计，同样产品在美国体系生产可能付出两至三倍成本。
曼琪用 Meta 智能眼镜反驳“互联网公司没有硬件基因”，陈哲则区分了销量与商业质量：Meta Ray-Ban 以约 299—399 美元销售，背后有 Reality Labs 上百亿美元甚至数百亿美元量级的累计亏损和补贴；“卖得好”并不证明复杂硬件业务已建立可持续能力。
15. 具身基础模型正在变成带记忆、工具与反射层的 physical agent
Pi 除了发布 Pi-0.6，Q1 工作还继续处理长序列记忆、cross-embodiment、动态环境适应和真机在线强化。一个思路是像 OpenClaw 那样，用文本长期记录当前状态，再持续反思和更新。
曼琪由此提出，具身模型不再只是一个 VLA：它更像物理世界的 agent，外围还需要任务编排、skills、工具、记忆和状态管理。虚拟 agent 的系统工程，正在以更严格的实时性和安全要求进入机器人。
Sharper 给出的 System 2/1/0 框架把这一点具体化：System 2 是低频、高维、偏语言的宏观规划；System 1 接收图像、机器人状态与任务，输出较粗的手臂和关节轨迹；新增的 System 0 则根据触觉和上层意图进行最高频的指端闭环。
System 0 不是在接触前凭空获得触觉，而是在已经摸到物体、但位置或力度不准时介入。陈哲把它类比为大脑、小脑和末梢神经：遮住眼睛仍能完成许多动作，但若屏蔽指尖感觉，连稳定拿起熟悉物体都会变难。
16. 灵巧手可能形成下一个科研标准件，但胜者必须先克制商业化冲动
陈哲梳理了研究前沿的迁移：四五年前是四足运控，一两年前是 VLA、两指夹爪和 UMI，随后人形 locomotion 初步解决；从 2025 年开始，他接触的研究人员几乎都把“灵巧手”视为下一站。
世界模型也同样热门，却更可能由大厂主导，因为视频生成模型的算力消耗远超文字模型；灵巧手、触觉融合和末端执行则是基础模型厂商无法代劳的环节，给创业公司留下了相对独立的技术纵深。
海外过去一年较常用的是心动纪元约 12 自由度的手；Sharper 提供不含手腕约 22 自由度、接近人手的方案，一只售价约 5 万美元，并通过补贴进入实验室。CES 自主组装风车让研究者直观看到高自由度灵巧手相关方案的效果。
陈哲认为市场会争夺“灵巧手版 G1”：它必须可靠、自由度足够、成本可接受，并有完整传感器和开发环境。Sharper 创始团队强调最终目标是 AI 和通用机器人，但他提醒，过早追逐整机闭环、拒绝开放科研合作，可能错失成为全球默认平台的机会。
17. Mini Cheetah 与宇树的历史说明，平台机会属于长期打磨者而非最早融资者
MIT Mini Cheetah 的开源工作引入准直驱 QDD 电机和完整控制算法，使很多并不专业的团队也能快速搭建四足机器人，继而催生小米“铁蛋”、小鹏鹏行和大量创业公司。
当时有新公司首轮就融资约 1 亿美元、估值约 5 亿美元，宇树反而不受关注；最后走得最远的却是持续卖科研设备、打磨电机与供应链的王兴兴。陈哲把这种“本分和坚持”视为灵巧手平台竞争的真正先例。
小鹏曾尝试过机器人马消费化，曼琪笑称“机器马死去的记忆开始攻击我”；陈哲认为失败不在四足毫无价值，而在技术仍需研发时就过早寻求 C 端商业闭环。
18. 中国已在复杂硬件上领先，美国仍把持顶尖模型资源
对“中美具身是否处于同一起跑线”，陈哲给出的答案比口号更细：机器人本体和灵巧手等复杂硬件上，中国公司已领先；到了“大脑”，美国在顶尖人才、算力和数据方面仍有明显优势，Pi 是代表。
具身与大模型不同之处，是模型价值无法脱离本体体现。若未来研究越来越绑定高自由度手、全身人形和大规模真机数据，硬件供给、制造速度和研究平台密度会反向影响算法，中国的优势可能继续放大。
这也意味着竞争不是“美国负责软件、中国负责制造”的静态分工。陈哲认为中国有机会从追赶进入原创和引领，但世界模型若长期依赖昂贵视频基模，算力与训练 recipe 仍可能重新扩大美国大厂优势。
19. 世界模型与 VLA 对应两种智能，关系更像互补而非替代
陈哲给世界模型的最简定义是：基于当前观测，预测未来会发生什么。自动驾驶仿真、Sora 对自身的“世界模型”定位，以及不同研究者对显式物理规则的探索，都属于这一宽泛概念的不同实现。
VLA 从多模态语言模型演进而来：先让基座理解文字和图片，再增加动作输出头，把特定场景中的关节轨迹贴到图文状态上。它因此擅长理解语义和指令，却带有“有描述的行为克隆”性质。
世界模型以视频生成作为 backbone，尝试学习动作后环境将怎样变化。它更接近视觉智能、时间和物理互动；VLA 更接近语言推理、任务描述和规划。陈哲的判断是，人类智能既离不开语言，也离不开视觉，两条路线不会简单互斥。
王兴兴在 GTC 分享中也更看好世界模型的理论上限。陈哲用一个尖锐类比解释：“哪怕你是个文盲，不懂任何文字，你也可以很好地在这个世界上生存”；但只读文字而没有视觉，很难真正理解大量自然现象。
20. DreamDojo 负责“脑补世界”，DreamZero 负责把脑补转成动作
DreamDojo 可以被理解为基于视频的仿真器：输入当前画面和条件，预测、渲染接下来世界会是什么样子，为策略训练提供可交互的未来。
DreamZero 则从任务与当前环境出发，以视频生成方式输出机器人要执行的策略和动作。它不只是“观测到某张图就输出某段关节序列”，而是在内部构造动作、环境变化与结果之间的因果过程。
NVIDIA 把这套范式称为 World Action Model（WAM）：机器人先“脑补”某种动作会怎样改变世界，再选择符合任务与物理规律的轨迹，从底层脱离以文本和动作克隆为中心的 VLA 控制逻辑。
字节 2024 年底的 GR-2 是此前的重要前奏：它把互联网级视频引入预训练并直接生成动作效果。到 2026 年 Q1，NVIDIA 等公司进一步把视频生成、仿真和策略生成组织成更清晰的技术路线。
21. 世界模型的上限来自时间与因果，VLA 的弱点则暴露在分布外反馈中
曼琪把差别概括成“世界模型有了时间感”：VLA 的图像和文字 token 主要描述静态状态，动作序列靠训练映射出来；世界模型则显式预测下一刻和更远未来，因而更容易表达动作完成与否。
她引用 RoboChallenge 的 Table 30 二维码任务：机器人不只是把扫码器举到位置，还必须看到画面变化，判断“已经扫上了”。VLA 可以外挂检测器解决，但模型本身未必理解动作、反馈和任务完成之间的因果链。
行为克隆式映射也解释了泛化脆弱性：训练时是蓝杯，测试换成红杯；训练时杯子在左边，测试移到右边，policy 都可能因样本分布缺失而失效。世界模型若从更广泛视频中学到物体与动作规律，理论上拥有更高上限，但陈哲没有把“理论上”说成已经兑现。
22. 7 Hz 不是最难的问题，视频基模和触觉缺口才决定 WAM 的天花板
DreamZero 当前在机器人上约 7 Hz，确实偏慢；陈哲却把速度视为可优化项：“计算机科学的核心本质就是我们先找到路。”GPT-3、GPT-3.5 早期生成也很慢，后来速度提升可以达到百倍乃至千倍量级。
更结构性的约束是具身模型高度依赖行业外部进展：更好的 VLM 带来更好的 VLA，更好的视频生成模型才带来更好的 WAM。机器人公司未必能独立修复基模的空间一致性、长序列稳定性和物理错误。
即使未来视频模型能闭眼“脑补”随后 30 秒，视觉数据仍天然缺少触觉。杯子是否滑、软物体是否变形、抓取力是否足够，都不能仅凭生成画面可靠闭环；这正是世界模型与高自由度触觉手必须汇合的地方。
陈哲对视频基模最终更遵守物理规律“还是很有信心”，但保留了时间与路径的不确定性。他没有声称世界模型已经替代 VLA，只认为它打开了更高、也更昂贵的研究空间。
23. EgoScale 扩大了数据底座，却没有抹平不同形态之间的 domain gap
NVIDIA 的 EgoScale 使用超过 2 万小时第一视角人类操作数据，并结合 Manus 数据手套记录手指动作，再把 policy 映射到高自由度灵巧手；数据本身既可用于 VLA，也可用于世界模型预训练。
陈哲描述的数据金字塔顶端是真机遥操作：它最精准、最有效，却数量少、成本高，能记录每个关节和电机状态；下一层是 UMI、Dex UMI 等类机器人同构采集，再往下是更开放的第一视角人类视频，最底部才是海量互联网视频。
第一视角数据比普通第三视角 YouTube 视频更贴近操作，但人的头、手腕、上肢和手指自由度远高于机器人；很多动作无法直接 transfer。高自由度硬件能缩小 gap，却不能令人的形态与机器人完全相同。
仿真数据不是独立于金字塔的单一层级：完全虚拟生成的数据可以介于第一视角和 UMI 之间，真机数据的 augmentation 也属于仿真手段。关键始终是数量、多样性、物理准确度与本体对应关系之间的权衡。
24. Sunday 的三指 UMI 提高了数据质量，但“百万小时”仍只是采集目标
Sunday 创始团队在斯坦福时期参与 UMI 工作，Generalist 后来对方案做了改良；Sunday 又把传统两指同构夹具扩成三指，并加入触觉和反馈，让采集器与机器人末端保持同构，减少异构映射造成的 domain transfer 损失。
多出来的一根手指并非装饰：两指夹爪无法完成的旋转、支撑和重新定位，三指可能直接做到。团队经过许多版本才收敛到当前形态，之后才具备低成本、大规模复制采集器的条件。
陈哲很欣赏这种“世界上原本没有、事后又觉得合理”的设计；中国公司的优势则是路线一旦明确，跟进和工程化速度很快，近六个月已出现大量类似 UMI、三指和第一视角采集方案。
但方案变多不等于数据瓶颈消失。国内不少公司把今年的目标定为百万小时真实数据，采完还要清洗、标注、去除无效片段并验证覆盖度；即使得到百万有效小时，是否已经足够训练通用操作模型，陈哲仍没有结论。
25. 视频生成的商业目标与机器人所需的物理目标并不一致
Google Genie 3、Seedance 等生成模型首先追求 high fidelity 和视觉吸引力，突出艺术风格和观感，却未必强化物体恒常性、接触力学与长时间物理一致性；这使消费级“好视频”不必然是机器人需要的“好世界”。
陈哲列举的头部视频模型集中在 Google Veo、字节 Seedance、Grok Imagine、快手 Kling 等大公司；它们背后分别拥有巨量内容、算力和实验资源。拥有 YouTube、TikTok 或快手不等于可以无摩擦使用全部数据，但资源与结果之间的相关性非常明显。
当下大量机器人世界模型使用阿里开源的 Wan 2.1 或 Wan 2.2 作为基座，陈哲甚至称“如果不是所有，也是绝大部分”，NVIDIA 也没有必要为早期研究从零训练一个。问题是，多位研究员认为 Wan 并非为机器人视频生成优化，只是现阶段最好获得、调试最充分的开源选择。
头部厂商停止或减少开源，部分因为视频模型耗费巨大；但陈哲判断，随着技术成熟，落后者仍有动力用开源削弱第一名溢价，就像 DeepSeek、Kimi 在语言模型市场的策略，因此开源供给未必永久枯竭。
26. 世界模型创业“大厂友好”，真正昂贵的是数据与 recipe 的反复实验
陈哲在 GTC 接触到 Robo AI 团队，其宣布融资约 4.5 亿美元并以世界模型为创业方向。即使采用开源基座，它也需要自采大量 egocentric 视频并进行 continued training，而非直接套用模型。
中国也有团队宣称沿世界模型路线探索，例如节目提到的机加科技；陈哲没有足够信息判断其结果。当前 benchmark、模型边界和产品指标都很模糊，因此融资叙事比可比性能更容易先出现。
难点集中在数据和算力：一家国内多模态团队负责人曾告诉他，复制数 PB 数据一次就可能产生数十万元人民币账单，“什么都还没做”，成本已经远非处理数 TB 文本 token 可比。
更大的隐形壁垒是 recipe。即使已有几万或几十万小时清洗数据，训练出 π0.6 或高质量 WAM 仍需进行大量尝试；创业公司缺的不只是一次训练的钱，而是“实验数量和实验规模”所需的持续 GPU 预算。
27. 端侧算力正从汽车技术栈外溢，NVIDIA 的统治力会随成本约束递减
当前全尺寸人形做实时 VLA 或世界模型推理，默认选择不是低端 Jetson，而是 NVIDIA 车载 Orin，甚至更高的 Thor。自动驾驶模型压进一颗 Orin 已需很大力气，具身模型复杂度不会更低。
陈哲认为行业尚未进入节省算力阶段：先在约 100—200 瓦功耗内获得最大算力，再谈极致压缩。NVIDIA 因此仍是早期基础设施方，但在中国，地平线等自动驾驶芯片公司也开始承接人形合作。
真正量产的扫地机、商用机器人和无人机极其敏感于成本、功耗和供货，常用地瓜、全志、瑞芯微等方案，Jetson 几乎没有份额。云端 GPU、车载和机器人越往下走，NVIDIA 的利润吸引力和统治力就越弱。
Tesla 则明确计划让自动驾驶汽车与 Optimus 使用同一款芯片，验证车载到机器人的技术延续。小鹏、华为、理想、小米等具备汽车芯片量产能力的公司，也可能把既有算力栈迁移到具身；华为的变量是受限产能优先给云和手机，机器人优先级可能更低。
28. 通用机器人和芯片市场都可能高度集中，feature robot 仍是更现实的创业入口
陈哲用历史经验判断，复杂芯片市场最终通常只剩两个主要供应商，份额接近 80/20；机器人端侧芯片眼下玩家众多，意味着未来几年必然经历激烈淘汰，而非每家汽车芯片公司都能保住位置。
人形本体也可能高度收敛：如果一个通用架构足够好，它的规模会巨大，赢家不会像今天的 feature robot 一样分散。汽车看似品牌多，按国家和集团观察也已集中；AI、自动驾驶和软硬件复利只会继续抬高门槛。
现实中，汪滔从无人机、石头从扫地机起步，市场还孕育割草、仓储、泳池等单任务机器人。feature robot 可以建立成功公司，却不一定自然进化成通用机器人，因为单任务组织与多任务、重软件平台的组织文化不同。
陈哲认为 Sharper 或大疆若转向通用机器人并不奇怪：它们在光机电、精密工程和量产上可能已有“50% 的 recipe”，剩下是补模型与系统能力；具身智能公司则要补足其他能力，这一步可能更难，但并非不可能。
29. 上市与竞赛会继续推高热度，但“人形是不是最优解”仍应保持开放
陈哲把机器人视为中国未来十年的国家级技术主线，宇树上市可能开启全球竞争力硬件公司的新阶段。它不是概念公司，而是有真实用户、真实收入和高经营效率的标杆；成功退出也会吸引更多资本与人才进入。
风险在估值与落地的错配：他估算中国已有超过 20 家人形或具身公司估值高于 100 亿元人民币或 15 亿美元，而大模型最狂热时同级公司仅四五家；头部宇树也只是两亿多美元收入量级。若监管限制同质化上市，一级市场融资会受影响，但更大的冲击可能来自技术进展不及狂热预期。
接下来一两个季度有三项明确观察：谁能用世界模型拿出显著超越 π0 当前 VLA 技术路线的结果；带触觉的高自由度手会产生哪些新操作能力；北京亦庄人形机器人比赛能否像 F1 一样，以高密度竞争催生可下放到量产产品的技术。
最终问题仍未关闭。陈哲曾更倾向多种机器人形态并存，本季度却因双足的空间、载荷和动态平衡重新动摇；他既看到机械、电机和能源约束，也相信突破可能非线性跨过临界点。“我今天没有答案”，正是这份季报最值得留到下一季度复盘的判断。