Ai泡沫这轮热度褪去后，我认为下一个布局的机会就是Embodied AI 和能源。 AI已经正在从屏幕走向现实，而人形机器人就是Embodied AI物理落地的核心！其他形式就是自动驾驶汽车（Tesla FSD等）、工业机械臂、仓库机器人（Amazon）、四足机器人（Boston Dynamics Spot）、无人机（大疆）等，不过人形机器人还是其中最有优势的一个板块。 摩根士丹利预测：2050年全球存量超10亿台，市场规模达5万亿美元（超汽车行业2倍）。尤其中国领跑供应链优势明显。 我们来看这张市场规模与存量图：2030年中期前蓄力，后期爆发增长，高收入国家早期主导，低收入靠成本跟进。 目前的人形机器人挑战点：集中在真正“落地”，仍需突破灵巧度、续航、安全性和成本。当前多为专用或半通用阶段，距离“像人一样全能”还有距离，但S曲线增长已启动，图片中到2030年后期加速，不过我个人觉得可能会提前。 总结：人形机器人 = AI物理落地的旗舰项目。它不只是机器人，更是AI真正进入物理世界的关键路径，这也是MS等机构给出万亿市场预期的核心逻辑。 作为交易员，我看到的不只是技术，还有投资机会。更应该看到生产力重塑——AI严重解放劳动力对社会的影响。Embodied AI会重塑整个生产力曲线，普通人需要考虑到未来不到10年自己会不会失业，工厂的产品也会因为有廉价机器人的参与，产品也会越来越卷，会不会被推下牌桌也是我们需要思考的。 那么我们关注的是投资机会在哪里？我通过卡脖子理论来进一步分析。 1️⃣算力与AI大脑（最硬脖子）：训练+推理需要海量GPU/芯片。NVIDIA 几乎垄断高性能AI加速器，MS Humanoid 100中“Brain”部分的核心。没有它，AI模型难以高效落地。 2️⃣高端传感器+执行器：视觉、力反馈、灵巧手。美股中部分半导体/传感器公司有优势，但中国在成本端追赶。 3️⃣整机集成与数据飞轮：Tesla 通过海量真实世界数据迭代，形成闭环优势，也可以关注中国比亚迪和小鹏。 4️⃣其他瓶颈：稀土/材料、电池、高精密减速器（部分仍依赖特定供应链）。 5️⃣其他辅助板块：MSFT和GOOGL在AI模型➕云算力，间接卡软件脖子。 SYM和ROK在工业自动化执行层，有一定瓶颈优势 其次能源也是人形机器人普及的重大“卡脖子”环节之一，甚至可能是中长期最现实的制约因素。 高功率执行器（关节电机）+计算单元（AI推理）导致瞬时和持续高耗电。一台人形机器人可能相当于多个家电的功率。 痛点如下： 1️⃣电池能量密度、充电速度、散热、安全是瓶颈。目前续航多在1-2小时，远不能满足全天工作需求。 2️⃣大规模部署后：工厂/家庭充电桩网络、电网负载、能源成本将成为系统性挑战。 3️⃣MS等机构隐含判断：报告提到供应链降本，但能源是硬件之外的另一大限制。未来需要固态电池、快速充电、无线充电、能源管理系统的突破。 卡脖子总结出来的能源股票 1️⃣TSLA：最直接受益，有4680电池技术、能源存储和充电网络生态。机器人➕能源闭环优势明显，是“卡脖子”潜力股。 2️⃣ENPH和SEDG：家用/商业储能+逆变器，机器人充电基础设施相关。 3️⃣充电/管理：CHPT有充电桩网络和工业充电解决方案公司。 4️⃣BE，有清洁、可靠、24/7的分布式现场发电，可以给运行的整个生态（工厂、数据中心）提供可靠电力，是解决能源瓶颈的重要玩家。 以上就是我对接下来的优质投资机会的分析和总结。接下来哪些优质的资产可以长期持有，我们心里有数了。 那么你认为人形机器人是威胁还是红利？欢迎讨论👇 #人形机器人# #EmbodiedAI# #AI物理落地# #交易策略# #美股推荐#

阿里巴巴 $BABA 刚刚发布了首个专为机器人打造的通义千问机器人 (Qwen Robot) AI模型系列，正式进军具身智能 (Embodied AI) 领域。通义千问不再只专注于聊天机器人，而是开始为实体机器人提供“大脑”，让机器人能够感知环境、进行推理，并在现实世界中执行各种任务。 这些新模型专门针对机器人设计，融合了视觉感知 (观察环境) 、语言理解、空间推理以及动作规划与执行等能力。 其目标是让机器人能够完成物体抓取与操作、环境导航，以及通过自然语言与人类进行交互等任务。阿里巴巴表示，这是继AI聊天机器人和AI Agent之后的下一阶段发展方向。 过去几年，阿里巴巴的电商业务遭遇了明显挑战。与此同时，公司核心业务正逐步转向为AI提供云计算基础设施。这次发布机器人AI模型，也被视为阿里巴巴进一步摆脱对电商业务依赖、转型成为AI平台公司的重要一步。

.@base 生态现在整体很热,Meme 轮番上， 这类标的也上了 Coinbase，资金和注意力都在往里涌。交易、Agent、上币预期成了最热闹的主线 但我更想往上游看一层 Base → Virtuals → Robotics → Data 这条逻辑其实很干净。 Base 在强化交易和 Agent 入口，@virtuals_io 也已经把 Robotics / Embodied AI 放进核心方向。 而 AI 一旦从数字世界进入物理世界，真正难的问题就变了。 LLM 可以直接吃互联网数据。 机器人需要学习人在真实环境里怎么抓、怎么放、怎么使用工具、怎么失败，以及失败以后怎么修正。 这些数据很难靠爬虫获得，纯仿真也很难覆盖真实世界里大量长尾情况。 所以 Physical AI 接下来一个很重要的瓶颈，就是： 真实世界 Human Demonstration Data 怎么规模化生产。 Caspius 卡的就是这一层。 目前公开能看到： 1000+ 小时 Human Demonstration Data 500+ Active Contributors Phase 1 第一人称数据采集已经运行 下一阶段是价值密度更高的 Teleoperation Data 规模还很早，但至少数据生产闭环已经开始运转。 Miner NFT 这一层我也觉得被低估了。 它更接近 DePIN 里的“矿机”： 决定数据产能 → 升级消耗 $CAS → 支持委托 → 按贡献产生排放 NFT、Token 和真实数据生产因此被连接到了一起。 所以相比追最热闹的机器人名字，我更想找那些机器人真正大规模进入现实世界以后，所有玩家都绕不开的环节。 @caspius_ai 值得继续跟踪的原因就在这里： 它站在一条正在升温的产业链上，也卡着一个还没有被充分解决的数据问题。 剩下的，就交给数据增长、Teleoperation，以及真实买方💪

8. Primus Labs @primus_labs 前身为 PADO 的密码学验证层，利用 zkTLS、zkFHE 等实现数据可验证与隐私计算。 融资：2025年2月完成约 650万美元（Pre-seed + Seed），由 Dispersion Capital、Symbolic Capital、VanEck 共同领投，参投方包括 Samsung Next、Alchemy、Amber Group 等。 以上融资信息基于公开报道，实际可能有未披露细节。建议持续关注 @KaitoAI 官方更新以获取最终名单。 #EmbodiedAI# #PhysicalAI# #隐私计算#

机器人“大脑”正在成为 private market 的新定价对象。 据 Business Insider 报道，Generalist AI @GeneralistAI 正在洽谈新一轮融资，估值约 30 亿美元。就在上个月，它刚完成 4 亿美元融资，估值约 20 亿美元。 Generalist AI 并不是在制造某一种机器人本体。 它做的是 embodied foundation models，也就是让不同机器人理解并操作真实物理世界的通用 AI 模型。 公司的 GEN-1 模型目标是适配不同机器人手、工具和物理任务。Generalist 表示，其训练数据已经覆盖超过 50 万小时真实世界交互数据。

🔥Physical AI 的演进，必然走“农村包围城市”这条路。 数字世界的AI，打法是先攻大城市。大语言模型靠海量文本练出通用能力，再向垂直领域渗透。城市拿下，交通要塞到手，农村自然归附。 但物理世界完全不同。真实环境里，摩擦力、碰撞、变形、多物理场耦合无处不在。一个简单的爬墙动作，仿真计算量就可能指数级爆炸。想直接得到一个通用的物理世界模型，几乎不现实。 所以物理AI只能从垂直场景起步，先在一个个具体场景里做透，把局部模型打磨到极致，再慢慢拼出更大的版图。 自动驾驶的发展就是例证。它最早没有直接冲进城市开放道路，而是从矿区、港口、封闭园区这些结构化、变化频率低的场景开始。这些场景跑通后，数据和算法才有了可靠地基。等到干线物流和高速场景成熟，城市RoboTaxi才慢慢落地。物理约束太强，数据成本太高，只能从“农村”起步。 工业领域同样如此。早期的并联机器人和混联机器人，先在特定流水线、数控机床上站稳脚跟，再逐步向外扩展。波士顿动力的四足机器人长期专注复杂地形移动，没有一开始就追求通用人形。农业机器人也先盯住单一作物的采摘或喷洒，积累足够的田间数据后，才考虑多作物泛化。 世界模型在这条路径里扮演关键角色。它不用一开始就覆盖整个物理宇宙，而是先为某个垂直场景建一个高保真的局部世界。机器人在里面用强化学习自我迭代，上限远高于单纯的模仿学习。围棋棋盘是AlphaGo的极简世界模型，蛋白质结构是AlphaFold的微观世界模型。多物理场仿真技术，正好是构建这类局部世界的基础。 数据获取方式也在推动这种演进。家用服务机器人还在花钱雇人采数据，自动驾驶靠用户买车免费贡献里程。而在工业巡检、高空作业等特种场景中，作业过程本身就能产生真实工况数据，把“赚钱”和“收数据”绑在一起。谁先在真实环境里把数据飞轮转起来，谁就更有机会把局部模型做扎实。 最终当然会走向融合。不同场景的模型通过商业互换或开源协议拼接，或许能拼出更完整的物理世界图景。但这个过程必然漫长，也必然从边缘开始。 物理AI没有天降神兵。原子移动比比特慢得多，真实数据的获取成本和周期远超数字世界。只有那些愿意在脏乱险的现场把模型一点点做透的人，才真正在为通用物理智能铺路。 农村站稳了，城市才会慢慢被包围。 #WorldModel# #PhysicalAI# #EmbodiedAI#

现在加入具身智能，约等于在侏罗纪加入国军。路还很长很远…… 昨天宇树科技打新，币圈的谁中签了？我没中，一签赚20-30万RMB，羡慕坏了。 中不了？那就黑一波了，人型机器人十大谎言，看看你有没有中招: 1. “人形机器人马上就能量产走进千家万户了。”  实际是，能稳定在工厂干一个活就不错了，家用场景成熟度至少还得几年。 2. “我们的模型泛化能力极强，机器人什么都能学会。”  换个桌子高度、变个光照角度，可能就当场失灵。 3. “机器人成本降到10万就有市场了。”  10万只是硬件裸价，运维、调试、保险、停机损失都还没算。 4. “灵巧手自由度越高越好。”  自由度越高控制越难，真正能用上的场景反而更少。 5. “数据越多，机器人越聪明。”  垃圾数据喂再多也没用，数据质量比数量重要一百倍。 6. “人形等于通用，两条腿就能去任何地方。”  实际上，大多数工业或商用场景里，轮式方案比腿式稳定得多、也便宜得多，很多地方根本不需要腿。 7. “特斯拉Optimus量产了，行业就爆发了。”  特斯拉自己工厂都还在试点，离对外供货还远着呢。 8. “仿真环境练好了，迁移到真机自然没问题。”  Sim2Real的差距比想象中大10倍。仿真里跑100次都成功，真机第一次可能直接摔机。@axisrobotics 你怎么看？ 9. “人形机器人是终极形态，其他都是过渡。”  形态是由场景决定的。工厂用机械臂，物流用AMR，巡检用四足，工商业可能轮式更实用。人形不是终极答案，只是选项之一。 10. “开源具身大模型出来了，小公司也能弯道超车。”  开源模型只是入场券，不是护城河。真正的壁垒是真机数据、场景闭环和硬件迭代能力。没有机器人的公司，拿开源模型也练不出真东西。 #PhysicalAI# #EmbodiedAI# #robotics#

🔥为什么机器人学了上万条轨迹，换个杯子就傻了 玩 Axis @axisrobotics 轨迹任务一段时间。浏览器里遥操机械臂，几分钟采一条轨迹，上传拿积分。社区几天堆出上万条数据，听起来很高效。 可正是这种“高效”，让问题暴露得更清楚。 不管实验室真人遥操，还是 Axis 的仿真众包，本质上都是让机器人“背答案”。它记住的是：在这个角度、这个光线、这个材质下，手臂该走哪条路径。场景一换，哪怕只是把陶瓷杯换成玻璃杯，成功率就崩了。 问题出在哪？ 大语言模型有整个互联网当教材。文字、代码、网页，知识早已被数字化，躺着等算力挖掘。机器人面对的是物理世界。杯子有没有水，桌面有没有油污，摩擦力变了多少。这些细节人类天生能判断，机器人没有内置模拟器，只能靠一条条轨迹硬记。 更糟的是试错成本。大模型猜错词，重新生成就行。机器人摔一次零件，代价是灾难性的。于是大家躲进仿真，让用户在虚拟环境里失败几百万次。这很聪明，但仿真永远差一口气：光线折射、材质磨损、湿度变化，电脑模拟不全。 所以杨立昆、李飞飞反复提醒：机器人需要世界模型，不是识别物体，而是能推演“如果我动了，世界会怎样”。没有这层能力，它永远是背题机器。 Axis 的闭环设计在往这个方向走，但收集的依然是轨迹，不是物理因果。而这类数据，地球上几乎为零。 这也是为什么宇树把机器人卖到万元级，出货量全球第一，买家却多是高校和实验室。他们买硬件，只为采集稀缺的物理数据。硬件不赚钱，但作为世界模型的数据入口，资本愿意给高溢价。 历史反复提醒我们：方向没错，速度常被高估。互联网泡沫、自动驾驶狂热，都是前车之鉴。具身智能是终极未来，在今天，它也是一场资金泡沫。商业世界不靠惊叹盈利，只靠不可替代赚钱。 在机器真正理解这个世界之前，所有高估值，都只是提前冲向尚未到来的未来。 #宇树科技# #PhysicalAI# #Robotics# #EmbodiedAI#

最近被宇树科技刷频，小红书上全是水军，各种看好，各种吹捧。 我要给人形机器人泼一盆冷水，不看好的理由很简单: 人形机器人没有落地场景，更多是噱头。 它的落地场景，无非两个，走进工厂商用或者走进生活民用，至于军用就不提了，我讨厌战争。 先说商用，传统工业自动化设备如机械臂、AGV等，非常成熟。无论是精准度还是成本，短期看不到人形机器人有取代它们的一丁点可能性。 机械臂刚性传动，重复定位能到0.02毫米，人形机器人为了走路关节软得像弹簧，末端一抖拧个螺丝都滑丝。能耗上，人家AGV跑一趟几十瓦，它站那儿晃悠就几百瓦，老板又不傻，电费都算不过来。 再说，民用就更好笑了，花几十万买个大爷回家吗？不是他照顾你，而是你照顾它。这大爷比谁都娇贵，关节电机几千小时就得换，维护保养比修车还折腾，你连扫地机器人缠头发都嫌烦，还指望伺候它？ 当然，宇树科技打新还是要参与的，但到手就卖，锁定利润，绝不长拿，人形机器人就是资本圈最昂贵的“高级玩具”，一定不要有信仰。 #宇树科技# #PhysicalAI# #Robotics# #EmbodiedAI#

我这几天被 @axisrobotics 的双臂任务折腾得坏了，人都萎了，这种数据收集方式，对我这种手残党太难了。 难道，除了这种没有别的更人性化的训练方式了吗？我尝试去学习了解具身智能的数据采集方式。 目前主流的方法，大致有四条路。 真机遥操作是最直接的一种。 操作员戴上VR眼镜，握着手柄或遥操作手套，实时操控特定型号的机器人完成任务，同时记录关节角度、力反馈这些信息。 好处很明显：数据质量高，跟目标机器人贴合紧密，力触觉信息完整，训练出的模型基本可以直接部署。但代价也大，设备贵，需要真机和专用场地，人员配合成本高。而且数据跟机型强绑定，换一台机器人就很难复用，场景也相对固定，采集效率自然上不去。 为了降低门槛，UMI（通用操作接口）给出了另一种思路。 操作员手持一个标准化的夹爪，通常就是3D打印件加上运动相机，在真实场景里直接操作，记录末端视角、夹爪状态和运动轨迹。设备便宜、便携，数据还能在不同机器人和夹爪之间复用。 但精细操作还是受限：夹爪本身不够自然，像拧螺丝这类任务就很难完成；同时缺少环境和行走决策信息，主要适用于机械臂训练。 动作捕捉则更贴近人的自然动作。 通过穿戴设备记录人体和手部关键点的轨迹，再映射到机器人系统。动作自然，成本相对可控，也不用部署真实机器人，适合批量采集。 问题在于场景受限：多数设备需要专用空间，很难进入家庭或真实非结构化环境，对遮挡也比较敏感。 成本最低、规模潜力最大的，是Ego（第一人称视频）。 采集员只需佩戴头戴式相机等简单设备，以第一视角记录日常操作，包含手部动作、环境信息和身体关键点。设备简单，容易在家庭、商超等真实场景里大规模众包。信息也丰富，蕴含人类决策逻辑和手物交互细节。 但精度有限，缺乏力触觉和精确的关节轨迹，手部关键点往往要靠后期预测。原始视频里还有大量无效片段，清洗和对齐的工作量不小。 像Axis Robotics这样的平台，目前走的是仿真环境下的遥操作路线。 用户在浏览器里用键盘、鼠标控制模拟的双臂机器人，生成关节状态、物体位姿和控制动作数据。这有点像真机遥操作的“模拟版”，降低了硬件门槛，能快速积累大规模轨迹。 但跟真实物理数据终究有差距，操作学习曲线依然存在，普通人要熟练掌握并不容易。Axis也在推进移动端的第一人称数据采集，尝试把仿真和真实Ego数据结合起来。 回过头看，如果未来可穿戴智能设备能更成熟地捕捉自然动作、力反馈和场景信息，数据采集或许会接近我们最初的想象，不需要复杂的遥操作，直接从日常行为里提取高质量物理数据。 到那时，训练机器人的门槛才能真正降下来，数据规模和多样性也才能跟上模型的进步。 每种方式都有取舍。真机遥操作求精度，UMI和动作捕捉重便携与自然，Ego主打规模。实际应用中，往往要多种方式互补，既保证数据质量，又覆盖足够多的场景。 #PhysicalAI# #Robotics# #EmbodiedAI#