为什么机器人产业是下一个万亿美元产业——Andrew Kang

摘要

• Andrew Kang 的核心押注是：让通用机器人长期停留在科幻世界的缺失环节不是机械设计，而是智能；ChatGPT 让即将到来的物理智能拐点变得清晰可见。 他在2023年底或2024年接触到 Figure AI 后，用怀疑态度的风险投资人、竞争对手、行业人士和共同投资人反复压力测试这一判断，最终得出结论：「不是我漏看了什么，而是整个风险投资行业漏看了什么。」机会巨大，但高度集中：和 AI 一样，许多机器人初创公司会失败，头部公司则可能实现30倍甚至更高的复合增长。

• Kang 认为，当技术进步进入自我强化、增速达到100%、200%或300%，而不是稳定的8%或20%时，传统估值模型就会失效。 自动化研究可能让实验速度提升2倍、5倍或10倍，并将90天的迭代周期压缩至45天，而每次改进又会加速下一轮迭代。对投资组合的含义很直接：承认风险管理和30%-50%回撤的可能性，但不要让短期宏观焦虑把你赶出那些机会近乎无限的卓越公司。

• 机器人产业已经达到 Kang 所说的「ChatGPT-3水平」，但真正落地必须从大约一半时间做对，提升到接近零失败。 他认为「GPT-5水平」的物理智能可能在约1年内出现，因为机器人可以复用预训练、标注、RLHF、中期训练和自动化实验等领域的进展，而不必从头再来。具备家庭使用能力的机器人可能约2年后出现，3到4年后在日常生活中更普遍；如果产量每年增长约10倍，2030年代初可能达到数亿甚至数十亿台。

• 经济回报既来自高端消费硬件，也来自劳动密集型行业的全面重构。 Kang 预计至少每户拥有1台机器人，甚至可能每人1台；品牌、品味和身份象征将支撑类似 Apple 或 Tesla 的利润率。与此同时，Walmart 约7000亿美元收入、200亿美元净利润、300亿美元营业利润，以及约1000亿美元的体力劳动支出，说明自动化可能将利润率从3%推向10%-15%。他并不为就业替代欢呼：他过去「反社会主义」，如今却认为，如果自动化打破传统劳动体系，UBI 和社会安全网将有现实必要性。

• 人形机器人最终应容纳多个主要赢家，而不是收敛为一家主导供应商。 Kang 说大型科技公司曾经「对局势毫无察觉」：Google 卖掉了 Boston Dynamics，也砍掉了 Everyday Robots；如今 Google 和 Nvidia 更强调智能与操作系统，而不是自有的人形机器人硬件。Tesla Optimus 应该会做大，但 Tesla 目前并不明确是第一名；Kang 更预期这是一个类似汽车的市场，可能有15-20家大型玩家，价值则更多集中在头部公司。

• 近期最持久的护城河可能在硬件、制造、部署和供应链，而不是独立的物理 AI 模型。 Kang 谨慎表示「我可能错了」，但他指出，中国开源实验室、Nvidia 的研究、发布时已达到前沿水平的 DreamZero，以及开源模型与闭源模型差距持续收窄，都说明一旦智能「足够好」，它就会商品化。执行器已经约占机器人 BOM 的30%-50%，机载 GPU 是必需品，而已部署的机器人群体会产生专有现实世界数据，硬件公司可用这些数据改进模型。

• Robo Strategy 的设计目标，是把稀缺的私募市场准入转化为一台永久资本复利机器，而不是一个加杠杆的机器人行业代理工具。 Kang 估计，新一代私募机器人公司的合计价值只有1000亿-2000亿美元，而所有 Pokémon 卡牌的总价值约500亿美元，并认为机器人产业可能增长100倍甚至1000倍。他借鉴 MicroStrategy 的「增厚式发行」循环，但避免不必要的杠杆，希望打造一个 SoftBank 规模的公开市场风险投资平台，并将准入优势放大100倍，因为投资者无法简单通过 ETF 或交易所买到头部私募机器人公司。

精读

1. Figure AI 让科幻品类成为可投资的拐点

• Kang 在2023年底或2024年第一次对机器人产生兴趣，当时一位硅谷朋友向他展示了 Figure AI。人形机器人最初看起来「相当不切实际」，但他对公司和创始人的研究让他相信，这支团队具备执行能力，而能够像人类一样学习、感知和行动的机器人终于变得可行。

• 他的技术判断起到了决定性作用：机械设计极其困难，但最终可以解决；更深层的瓶颈在于智能。当 ChatGPT 展现出机器智能持续大幅增强的清晰路径后，Kang 相信同样的进步会延伸到物理智能，并解锁「智能手机，甚至互联网或 AI」级别的变革。

• 风投圈的朋友反复劝他不要投资，因为机器人过去从未产生风险投资规模的回报，而且开发成本高昂。最初，容易获得的 SPV 投资机会反而让 Kang 怀疑自己「是不是被坑了」，于是他研究竞争对手、行业格局、轮次参与者和团队背调，最终确认不是自己漏看了什么，而是整个风险投资行业漏看了什么。

• 这一领域的跨学科难度本身就构成了吸引力。机器人要求同时具备 AI、机器人学习、机械设计、硬件工程和制造能力；Kang 认为，「当认知差距极大的时候，未来就会有大量超额收益。」

2. 指数级发展奖励持有，而不是宏观择时

• Kang 的「指数地平线」框架始于一个判断：「技术发展不是线性的。」如果 AI 能自动化 AI 研究，实验速度可能提升2倍、5倍或10倍，运行时间更长，并将90天的迭代周期压缩至45天；更好的 AI 又会进一步加速下一轮迭代。

• 传统 DCF 假设——比如每年8%或20%的稳定增长——难以处理年增长100%、200%或300%的公司。即使假设连续几年保持100%增长，最终结果也可能「相差10倍」，这解释了为什么一些科技公司估值在传统模型追上之前就已经呈抛物线式上涨。

• 他对宏观焦虑的挑衅式回应是：「谁在乎？」但紧接着承认风险管理很重要。一只公开市场股票可能下跌30%-50%，或者整整1年没有回报；但如果底层公司足够卓越、挫折只是暂时的，其增长很快就能压过这次调整。

• Kang 引用了 Peter Thiel 和 Chamath Palihapitiya 在 Facebook IPO 时卖出持仓的例子：尽管之后做了许多投资，他们或许还不如简单持有 Facebook。Kang 也把自己纳入批评之中——他最大的胜利来自持有到投资逻辑兑现，而长期持仓通常也胜过短线交易。

3. 人才迁移与现场演示正在改变市场认知

• Kang 看到顶尖人才从传统金融、加密货币和其他曾经热门的领域，转向「原子世界」。他举出的最鲜明例子，是一位20多岁的创始人经营着一个9位数规模、主要使用自有资金的自营基金，却申请去一家物理 AI 实验室实习——尽管他可能已经有退休的经济能力。

• 更成熟的供应链、开发套件、工具、教育资源，以及 Claude 这样的助手，正在降低进入机器人领域的成本。新人仍需要时间积累行业知识，但 Kang 预计，不断扩大的人才池和配套基础设施将加速整个领域的发展。

• Thread Guy 将市场对机器人的怀疑，与 AI 目标线不断后移进行类比：在洛杉矶，无人驾驶的 Waymo 已经看起来稀松平常；软件工程师也从否认 AI 能写代码，转变为声称 AI 已经生成了90%的工作。对他而言，机器人的对应时刻是 Figure 持续20多天的直播，其稳定性比精心剪辑的演示更有说服力。

• Kang 称这场直播是「全球意识发生转变的那种时刻」（one of those moments where there’s like a shift in the global consciousness）。它并不意味着明天就会有100万台家用机器人，但那些曾经怀疑 Figure 真实性的人开始询问如何投资；直播让人更难指控其中存在剪辑或障眼法。

4. 下一道智能门槛是可靠性，而非原始能力

• Kang 认为：「我们已经处在机器人领域的 ChatGPT-3 水平。」基础模型已经能够完成相当多的任务，但仍可能有约一半时间失败。这足以证明能力，却远未达到实用标准——真正需要的是「零失败」，而不是一台隔三差五就坏掉或做错饮料的咖啡机。

• 他把可靠的工作流集成对应到「GPT-5水平」的智能：选定任务不再需要人类检查每一个结果。语言模型从3到5花了约2年，但他认为机器人可能在约1年内跨越类似差距，因为技术如今会加速未来的技术。

• 物理实验仍然极其依赖人工。机器人可以将瓶子放进篮子100次或1000次，但每次都需要人重新布置场景、观察试验、记录是否成功，并诊断错误原因；移除这条人工闭环，就能显著提升实验吞吐量。

• 机器人还可以继承语言模型已经发展出的技术，包括更好的预训练数据配比、数据标注、RLHF、中期训练，以及更好的推理诱导方法。开放研究和人才流动让物理 AI 团队可以复用这些成果，而不必重复整个实验过程。

5. 智能可能先于工厂满足需求

• Kang 预计，最终的约束因素会是硬件，而不是智能。他不会承诺6到12个月内就能拥有适合家庭使用的机器人，但表示「也许2年后就会有」；一旦能力跨过这一门槛，需求增长速度可能远超工厂生产实体设备的速度。

• 更广泛的日常部署可能在3到4年后出现，愿意支付更高价格的买家会更早获得产品。Kang 提出机器人数量每年增长约10倍的可能性，这足以让机器人在相对短时间内达到数亿或数十亿台，时间点可能就在2030年代初。

• 他设想的乐观版本是主动型家用机器人，而不是只会听命令的机器：它会采购、处理家务、接孩子放学、照顾年迈父母，还会问：「我怎样才能让 Thread Guy 的生活更好？」机器人也可能建造企业或建筑，然后在人类抵达火星或其他恶劣环境前，提前完成基础设施建设。

• Kang 预计「至少每户1台机器人」，如果规模化带来足够低的成本，甚至可能每人1台。消费者未必会选择最便宜的机器；和手机或汽车一样，摆在家里的机器人也可能让品牌、品味与设计感成为溢价来源。

6. 自动化冲击劳动力成本，并迫使政治重新应对

• Kang 用 Walmart 说明，降低成本可能比扩大营收更重要：公司年收入约7000亿美元，净利润约200亿美元，营业利润约300亿美元，而体力劳动成本约1000亿美元。如果利润率从3%提升至10%-15%，企业价值可能成倍增加。

• UPS 和 FedEx 的收入同样接近1000亿美元，但由于成本高、利润率薄，市值低于这一水平。体力劳动遍布整个经济体系，甚至正在拖慢 AI 基础设施建设，因为数据中心缺少足够的水管工、电工和其他技术工人。

• Kang 明确反对把这一判断理解为支持就业替代：「你阻止不了它」，因此政策必须现实地处理其后果。他过去反对社会主义，如今却认为，当自动化让人们「几乎没有其他选择」、打破传统体系时，UBI 和社会安全网可能成为必要安排。

• Thread Guy 提出，社会可能出现类似反对数据中心建设的现代卢德运动。Kang 的回答是，一旦机器人能够消灭洗碗、洗衣、倒垃圾和清洁等家务，家庭会主动想要它们：还给人们的时间应当让机器人获得广泛接受。

7. 大科技公司的迟疑，为类似汽车产业的赢家格局留下空间

• Kang 早期对 Figure 和 Apptronik 的兴奋，部分来自他认为「大科技公司对局势毫无察觉」。Google 曾经拥有 Boston Dynamics，后来又砍掉了 Everyday Robots 项目。

• 如今 Google 和 Nvidia 更强调机器人智能与操作系统，而不是商业化完整的人形机器人硬件。Kang 想象 Google 与 Apptronik 等制造商合作，形成类似 Pixel 的安排：另一家公司生产大部分机器，Google 提供软件以及可能的品牌。

• Microsoft、Meta、Apple 等公司都开始提高兴趣，但 Kang 认为，打造优秀机器人并非这些公司的天然基因；Apple 放弃造车就是一个警示案例。因此，合作、分销协议或收购，可能比内部从零打造一切更现实。

• Tesla 是主要例外，它拥有自己的人形机器人项目。Kang 预计 Optimus 会「取得巨大成功」，但目前并不认为它明确排名第一，部分原因是 Elon Musk 的注意力还分布在 SpaceX、Neuralink、xAI 和 Tesla 之间；他预计市场会有15-20家大型机器人公司，而不是赢家通吃。

8. 执行器、算力与通用设计构成硬件栈

• 执行器，也就是驱动机器人关节的电机，约占人形机器人 BOM 的30%-50%。过去的市场从未要求生产数十亿个采用人形机器人专用形状和尺寸的执行器，因此中国正在大举投资产能，并取得足够进展，甚至 Tesla 这样的公司据报道也在中国采购相关部件。

• 机器人还需要机载 GPU：机器不能因为失去 Wi-Fi 或5G就直接停止工作。因此，现有的算力短缺可能随着智能从数据中心迁移到物理机器而进一步恶化。

• Thread Guy 质疑，如果世界可以为机器人重新设计，为什么还要保留人类形态？Kang 给出了基于第一性原理的反驳：通用移动需要双腿应对不同地形和楼梯，需要手臂和手掌完成操作，还需要抬高的双眼获得更好的视野；在机器人手腕上安装摄像头，则可以增加非人类优势，而不必放弃基本形态。

• Kang 将人形机器人与 GPU 和 iPhone 类比：通用产品能够实现巨大的规模经济，并替代大量专用设备。一套通用机器人平台，可能把理论上成本100万美元的产品压缩到1万美元；外部开发者则可以训练技能和性格，而不必从头设计新硬件。

9. 模型智能可能先于硬件商品化

• 在专业知识稀缺的领域，专有数据仍然可以创造价值：人们可能愿意为由 Gordon Ramsay 或 Roger Federer 训练出的机器人技能付费，而不是选择排名第三的从业者。但大多数客服、数据录入、基础研究、工厂或餐厅任务需要的是「足够好」，而不是相当于 Einstein 的能力。

• 最近，风险投资机构开始追逐物理 AI 模型公司，希望它们成为 OpenAI 和 Anthropic 的对应物。Kang 则谨慎表达异议：「顺便说一句，我可能错了，这里应该保留一些余地。」他的判断是，中国开源实验室和 Nvidia 正在以快于投资者预期的速度压缩护城河。

• 他说，开源模型与前沿模型之间的差距，已经从约2年缩短到6个月；而物理 AI 的差距可能更小。Nvidia 的 DreamZero 在发布时已经「处于前沿」。一旦模型能够可靠地完成某项工作，进一步提升智能可能就没有太多经济价值。

• 硬件仍然受更难复制的约束：供应商关系、执行器质量、5年耐用性、供应短缺时的配额、高速量产人才，以及能够持续产生现实世界数据的已部署机器人群体。模型优先的公司已经开始尝试制造硬件，因为它们逐渐意识到真正的护城河所在。

10. 仿真可能成为机器人的「精神时光屋」

• Kang 将成熟的仿真比作《Dragon Ball Z》中的「精神时光屋」：100万台虚拟机器人可以同时训练，把海量学习压缩进极短的现实时间。如今，仿真在运动控制上最可靠，因为脚与地面的接触以及内部受力相对容易建模。

• 操作更广泛的现实世界则困难得多，因为水和其他可变形物体会弯曲或改变形状。如果物理模型不够准确，机器人就会学到错误行为，昂贵的现实世界训练仍不可避免。

• Kang 预计这个问题会被解决，不过他把自己的估计从可能5年缩短到可能3年，因为「世界发展得太快」。届时，随着仿真提供足够真实的经验，物理部署可能不再拥有同等程度的数据优势。

• 这一终局并不止于机器人：原子级仿真可以对人体进行建模，并改变药物开发。当前需要7到10年的工作，按他的乐观设想，未来可能只需1个月或更短时间。

11. Robo Strategy 将永久资本复利应用于私募机器人产业

• Kang 并不是在编织一个机器人叙事。他的方法是捕捉新的事实组合，重新审视既有信念，并对「不合逻辑的事情产生过敏反应」，然后持续研究竞争对手、技术路线和失败情景，直到形成站得住脚的风险收益判断。

• 这一过程需要有信念但不教条，需要低自我意识的专业人士，也需要在数千个变量上保持纪律性关注。对人形机器人而言，一个潜在规模达数万亿美元甚至「十万亿美元级」的市场，可以支撑为早期领先者支付数十亿美元；但前提是领导层、团队、技术和制造能力确实降低了原本极高的初创公司风险。

• Robo Strategy 避免采用 MicroStrategy 式的优先股杠杆，因为 Kang 认为机器人本身已经提供了足够的上行空间。他估计，新一代私募机器人公司的合计市值只有1000亿-2000亿美元，而所有 Pokémon 卡牌的价值约500亿美元，因此行业仍有100倍甚至1000倍增长的空间。

• 他真正借鉴的是「增厚式发行」：当公开市场对投资组合的估值高于其收购成本时发行股票，再用资金以低于隐含估值的价格买入更多私募资产。他认为，推动 MicroStrategy 每股 NAV 从2020年的约2-4美元升至约100-120美元的，不只是杠杆化的 Bitcoin 敞口，而是这一循环；同期 Bitcoin 平均买入价接近75000美元，公司在 Bitcoin 上的净亏损可能超过30亿美元。

• Kang 将这一机制与 TransDigm 和 Constellation Software 的做法进行类比：它们以3-8倍盈利买入私营公司，而自身现金流的交易倍数达到15-40倍。因此，一笔1亿美元的收购，可能通过估值重估增加约3亿美元的公开市场企业价值。

• 他预计，头部科技公司会更长时间保持私有，甚至可能在估值超过万亿美元后仍不上市，因为2008年之后的披露负担和控制权风险会阻碍创始人上市，而风险投资、主权财富基金、成长型基金和 crossover 基金仍能提供资本。他提出的答案，是一波公开市场风险投资基金，以及一个 SoftBank 规模的 Robo Strategy，为投资者提供 ETF 或交易所无法获得的永久资本、筛选能力和准入机会。