【硅谷101】陈茜:2025年,人形机器人走到哪一步了?|机器人系列|具身智能年度盘点

125 次觀看·2026年1月18日
【硅谷101】陈茜:2025年,人形机器人走到哪一步了?|机器人系列|具身智能年度盘点
120,025 views Dec 23, 2025 SAN FRANCISCO
这是一期机器人系列的2025年综述,详细的算法、开闭源派、数据、硬件等单集很快上线~
2025年,具身智能行业经历了一场从“狂热”到“理性”的转变。宇树将人形机器人价格打至5900美元,Figure估值一年暴涨15倍,特斯拉却暂停Optimus量产…行业到底是在泡沫中狂欢,还是在技术突破前夜?
本期我们深入硅谷机器人公司与实验室,拆解2025年具身智能的真实进展:VLA模型如何让机器人“看得懂、听得懂、做得到”?双系统架构、合成数据、跨机器人泛化等关键技术有何突破?叠毛巾、搬箱子已落地,但做早餐、干家务为何仍是难题?
2025年,具身智能正在经历一场静默而扎实的进化。而机器人从工厂走向家庭的路途中,还有哪些亟需解决的问题?我们是否已站在机器人普及的起点?具身智能是否真的能像ChatGPT一样迎来“规模化涌现”?
你会看到:
00:00 - 00:52 从先锋亮相到务实前进:2025年具身智能行业盘点
00:53 - 07:35 具身智能定义与爆发:VLA核心与三因素驱动
07:35 - 11:14 机器人现在能做什么?从叠毛巾到做早餐的进阶之路
11:15 - 15:17 2025技术突破:双系统架构、合成数据、泛化与多机协同
15:18 - 20:11 核心难题未解:数据、仿真-现实鸿沟、人机差异、可靠性与成本困境
20:12 - 22:42 玩家与路线:软硬件一体化、模型先行、生态平台博弈
22:43 - 25:53 GPT-3水平还需1-2年:具身智能正理性走向爆发前夜
【关于硅谷101】
我们是由海内外一线媒体记者/主持人创办的栏目,深度解析硅谷创新趋势,以轻松的风格分享科技行业的最新动态。我们采过顶级科技大佬,积累了数万小时的媒体经验,做过调查性报道,操盘过千万级传播量的知名深度稿,引发全国讨论和微博热搜;致力于将最专业的媒体素养和信息搜集能力转化为易传播的新媒体力量。
旗下同名播客栏目: / @valley101podcast
Comments are disabled for this video.
巨神智能是2025年的最大泡沫嘛
這一年啊
機器人感覺突然就從只會走路
迅速學會了做家務
跑步 籃球 足球 乒乓球
還有跳舞 功夫等等
感覺進展驚人啊
我聽說國內也是各種卷
這部《魚樹》馬上就要上市了
所以人形機器人真的馬上就要來到我家了嗎
誒 不好意思
我們可能要給大家潑盆冷水啊
冷靜冷靜
巨神智能大家看這個詞啊
前面是機器人硬件
後面是機器人大腦
這兩個方向各有各的難
而把兩者拼起來
還要要求準確性和穩定性
還要追求商業落底
那就更難了
那這期視頻我們採訪到了
硅谷最明星的幾家機器人公司
也去到現場走訪了不少前沿的實驗室
與業內大佬們聊聊
機器人行業到底是資本炒作的泡沫
還是真的擁着技術突破呢
2025年的人形機器人行業
發生了幾件讓人驚呼不可能的事
年初語數突然放大招
發佈了5900美元的R1人形機器人
要知道就在一年前
業內普遍認爲人形機器人的成本底線
還在2到3萬美元
那麼語數這一招
相當於把整個行業的價格預期直接打碎
緊接着Figure AI的估值
就從2024年的26億美元
一路狂飆到了390億美元
達到了15倍的增長
投資方名單讀起來
就像科技圈的奧斯卡頒獎典禮
資本市場瘋狂壓住
彷彿未來盡在咫尺
但與此同時
特斯拉喊出要生產5000臺Optimus的豪言壯語
實際上只組裝了大約1000臺
就按下了暫停鍵
面臨重新設計
馬斯克那句
特斯拉八成的價值
都將來自於Optimus的豪言
在現實面前顯得有些尷尬
這一冷一熱
實在是讓人有點困惑
巨神智能到底發展到哪一步了
我們這個視頻就會從
算法 硬件 數據 資本
以及主要大玩家路線等等
這幾個方向一一給大家展開解讀
那麼先說結論
答案是
2025年
巨神智能正在從先鋒亮相的demo show
轉向有分寸地摸索前進的故事階段
行業開始認清現實
不再只畫大餅
而是在真實場景中
一步步去驗證能力的邊界
demo視頻依然精彩
但是落地變得更加謹慎
技術突破讓人興奮
但是商業化的每一步都在計算成本
而好消息是
這種轉變恰恰是機器人走向落地的標誌
那麼接下來我們就來詳細拆解巨神智能
那麼在聊行業的現狀之前
先說清楚什麼是巨神智能
如果說ChattyBT是會說話的AI
那麼巨神智能就是會動手的AI
它的核心是
VLA Vision Language Action
它把三個東西統一到了一個神經網絡裏面
Vision 視覺 看到當前的場景
Language 語言 理解任務目標和常識
Action 動作 輸出具體的控制指令
簡單說就是三個能力
看得懂環境 聽得懂指令 做得到動作
那這和傳統機器人有什麼不同呢
打個比方
傳統的工業機器人
就像只會背固定臺詞的演員
你給他編好程序
他就按部就班的執行
但是巨神智能機器人
更像即興表演的演員
他能理解環境變化
自主做決策
比如說你讓他疊毛巾
傳統機器人需要毛巾每次擺放位置完全一樣
但是巨神智能機器人就能夠識別
哦 這次的毛巾皺了 偏了
那我調整一下動作軌跡
照樣能夠疊好
Dyna Robotics是硅谷炙手可熱的巨神智能公司
一年前剛成立
那如今的A輪融資就達到了1.2億美元
估值6億美元
投資人就包括了英偉達
而疊毛巾這個任務
正是讓Dyna最先火出圈的demo
那VOA簡單來說就是
我們拿了大模型領域VLM
作爲所謂的backbone
但是我們會在最終輸出結果的時候
把這個結果轉化成
在機器人領域可用的action
那action你直觀理解就是
你可以把它轉化成
比如說我要把這個手臂移動到某一個座標點
的這一些命令
VOA其實大家詬病最多的是
爲什麼我們需要Llanguage
因爲其實在過去傳統的機器人算法裏面
很多都是純基於視覺
但是你仔細去想
其實你大腦其實會產生類似於語言的東西
去告訴你在一個長線任務中
到底你第一步做什麼
第二步做什麼
L的作用就在於
對於一些非常複雜的任務的時候
它是可以通過在大語言上面
已經訓練出來很多邏輯性的東西
它知道比如說你要喝水
那你需要找杯子或者找瓶子
對吧
這個是通過大語言模型
已經直接可以給你的一些東西
那做利用VOA的主要目的
其實就是如何把Language
跟Vision能夠更好地結合起來
否則你如果只有Vision
你能做的任務可能就都是短線的
你做不了任何長線的
需要去做推理的一些任務
所以這是我們爲什麼去非常專注地
引入這個語言這部分的主要原因
那這就是智的飛躍
機器人不再只是執行固定程序的機械臂
而是通過視覺語言動作的集合
能夠理解能規劃能適應的智能體
那具身智能其實不是新概念
爲什麼在2025年突然爆發呢
在這裏也有三個因素在
那麼第一就是大模型本身已經趨近於成熟
無論是OpenAI
還是其他公司近期發佈的大模型
能力提升已經更多體現爲增量式的演進
而非早期從GBD3.5到GBD4
在這一背景下
大模型的整體能力正在趨於穩定
且足以作爲具身智能系統的可靠基礎能力層
其他GBT證明了大語言模型能夠理解複雜的指令
做規劃推理
這套能力可以遷移到機器人上
你說幫我做早餐
它能夠規劃出先拿雞蛋再打蛋
然後開火煎這樣的多步驟序列
那第二是算力價格腰斬再腰斬
整體算力水平正在持續提升
隨着芯片廠商不斷推出性能更強的新一代芯片
等效算力的單位成本呈現長期的下降趨勢
往往每隔幾年
獲得同等算力所需要的成本就會降至此前的一半
2023年租一張NVIDIA H100 GPU還是天價
現在雲服務的算力價格愈佔愈激烈
訓練大模型的成本大幅度降低
以前只有頭部公司玩得起的遊戲
現在創業公司也能上桌了
第三是硬件供應鏈成熟
機器人硬件整體的零部件成熟度已經相對較高
尤其是過去一年的人性機器人熱潮的推動下
大量資本和工程資源被投入到核心基礎部件的研發中
包括電機、減速器等關鍵的組件
使得相關技術持續成熟的同時
成本也在不斷下降
語數直接把價格打到了5900萬美元
此前行業普遍認爲2-3萬美元的區間
已經能夠實現非模化生產
成本曲線的陡降
讓商業化不再是天方夜譚
那麼這三股力量疊加
把居生智能從實驗室推向了商業化的前沿
但是這不是盲目的樂觀
而是基於技術成熟度的理性判斷
所以目前居生智能的能力邊界在哪裏
它又能夠做什麼呢
我們先來說說能做到的事情
那工藝和商業場景其實已經有實際的應用了
疊毛巾 疊衣服 聽起來簡單
但是Dyna的機器人能夠做到24小時疊700條毛巾
成功率99.4%
這在酒店洗衣房已經是10打10的生產力了
而且它們的基礎模型裏面包含了各種各樣的場景數據
像切菜 切水果 準備食物
早餐清掃 送物流分解
在寶馬集團BMW的工廠裏
Figure的機器人在做簡單的裝配和物流搬運
Agility Robotics的Bidget在倉儲物流場景翻箱子
ONEX也向瑞典巨頭EQT交付最多1萬臺ONEX NEO人形機器人
主要應用於製造倉儲物流等工業場景
更別提亞馬遜已經部署了100萬臺專用機器人
幾乎要超過其156萬人類員工的數量了
這些都不是Demo
是真實在跑的商業項目
這就是理性前行
不求全能 但求實用
目前有什麼還做不到頭部公司正在攻克的任務呢
比如中等難度的任務 像做早餐
這是一個長線任務
需要規劃多個步驟
拿食材 切菜 擺盤 開火 翻炒
每一步都需要精準執行 還得控制力度
不能把雞蛋捏碎 也不能切菜切到手
Dynam的最新Demo已經顯示攻克了做早餐這個長線任務
而Figure也展示過兩臺機器人協同工作的Demo
一臺遞工具 一臺操作
那麼這在家用場景很有用
但是穩定性還在打磨
而最難的是家務 爲什麼呢
因爲每個家庭環境都不一樣
光照變化 物品擺放 家庭成員走動
這些都是非結構化環境的挑戰
相對來說 工廠是結構化環境
光線固定 物品位置固定 流程標準化
但是家裏面則是完全另一回事
而且家務還有一個致命的要求就是零容錯
機器人在工廠打碎個零件 損失可控
但是在家裏面打碎碗 傷到人 那就是事故
比如說你機器人執行任務的時候
比如說你桌布上有一個小的褶皺
你的杯子可能放置不穩
可能有一個透明物體反光
它剛好乾擾了你的相機等等
這些微小的物理變化
人類其實可以憑直覺和豐富的經驗去瞬間適應的
但由於非常依賴數據驅動
因爲大模型它面臨這些新的挑戰
它不一定能真正去感受到
所以機器人進家庭
技術門檻要比進工廠高得多
但這不意味着遙不可及
我們是覺得最先肯定是在
像我們當前在TACO的一些市場
就是商用服務 商用的一些人工的部分
就是和人工一起去完成一些任務
這樣的一些場景
但是我們覺得家用其實也沒有那麼遙遠
並不需要完整的非常通用的AGI
你可能只需要幾個任務就可以進入到家庭的場景裏
先讓機器人在家裏面幹起活來
然後逐漸的通過模型的迭代
讓它產生更多的
當我們的硬件成本降到
普通家庭可承擔的範圍內
我們可能就會優先
比如說我先以第一幅的功能賣給家庭
然後逐漸去拓展一些其他的功能
對 所以這個時間線應該也不遙遠
可能也就在一到兩年左右
那麼這就是立新前進
不是說等到機器人變成科幻電影裏面的
全能管家再推向市場
而是從一個明確的用戶真正需要的功能
去切入逐步的迭代
那接下來我們來聊聊2025年的技術突破
爲什麼今年這個行業一下子就爆火了
那雖然挑戰重重
但是2025年確實有幾個值得關注的技術突破
因爲人士很坦誠的就告訴我們
每一個突破都不是革命性的
但是都是實實在在的進步
那麼第一個進步就是架構
那很多公司開始採用所謂的
System 1加System 2的這種架構
System 1是快思考
負責反射性動作
比如說抓取 移動
參數量小 反應快
可能只有8000萬的參數
那System 2是慢思考
負責複雜規劃
比如說做早餐這種多步驟任務
參數量大 可能有70億的參數
那這種分工就很像人類的大腦了
你伸手接球
是本能的反應
但是要規劃一頓飯
就需要仔細的思考了
Figure AI的Helix模型
就是這個架構的代表作
他們在和OpenAI分手之後
兩週之內就迅速推出了這個字眼模型
那麼這種架構的成功證明了
機器人基礎模型和大語言模型的
Scaling Law可能不一樣
不是越大越好
而是要找到合適的參數分配策略
那接下來我們來說一下數據上的突破
那機器人數據爲什麼這麼貴呢
原因也很簡單
因爲人類一天只有24個小時
那麼收集真實操作的數據太慢太貴
英偉達的解決方案是
用模擬器生成合成數據
他們展示過11小時內
生成了78萬條操作軌跡
相當於6500個小時
或者連續9個月的人類演示數據
雖然合成數據和真實數據有差距
但是至少解決了數據荒的燃眉之急
但是這裏有個關鍵的技術權衡
因爲我們之前有聊過
挺多做大語言模型的這些人
他們其實有提到像語言方向的這個數據
現在他們已經發現
哪怕你用很多低質量數據
就是你可能一堆文本
然後中間插了一段廣告
然後再是接着這個文本
就這樣的數據
它一樣能訓練出比較好的模型
因爲模型它看的數據足夠多之後
它自動就會過濾掉廣告
但是機器人當前我們覺得
Skill in law更多的是來自於
需要比較高質量的數據
你如果囊括了很多
很繁雜的數據在裏面
機器人模型可能就不知道
我要pay attention在哪一個地方
所以最終它其實出來的效果
並沒有那麼好
2015年還有一個突破點
叫做跨機器人泛化能力
Physical intelligence的派力模型
開源的Open VLA模型
都能夠控制多種不同的機器人
同一套模型或者策略
不需要爲每一種機器人重新訓練
就能夠在不同形態
不同硬件配置的機器人上有效工作
這就叫跨機器人泛化能力
這很重要
以前每種機器人都需要單獨訓練模型
成本高昂
但是現在一個模型適配多種機器人
數據可以共享
成本就能夠大幅度的降低
但是技術難點也很明顯
不同機器人的動作空間差距巨大
手臂長短不一
關節數量不同
那麼怎麼讓一個模型都能夠控制好呢
這種在完全陌生環境也能夠工作的能力
不是100%完美
但是已經是實質性的進步了
最後的一個突破是多機協同
那麼Figure展示過
用單一神經網絡協調兩臺機器人協作
創新性的用單一神經網絡
控制整個上半身的35個自由度
同時還能夠控制兩臺機器人協作
聽起來簡單
實際上難度很高
兩臺機器人需要互相的配合
時序 力度 位置都需要精準的同步
這在未來工廠場景會很有用
但是現在還處於早期的驗證階段
那麼這些技術的突破
沒有一個是顛覆性的
但每一個都在紮實的推進
這正是2025年的特點
不再追求炫酷的DEMO
而是在可驗證可量化可復現的方向上
穩步的前進
而我在開頭說要給大家潑潑冷水
是因爲在居身智能的方向
還有很多沒有去解決的核心難題
那麼技術突破是一方面
但是行業還有幾座大山沒有翻過去
清楚的認識到這些難題
恰恰是理性前進的前提
也是讓現在的居身智能
來到了大破壞的前夜
首先是數據困難
XGBT訓練用了萬億級的Token
相當於把整個互聯網的文字都餵給它了
但是機器人操作數據極度的稀缺
Google訓練RTQ模型是花了17個月
在真實廚房裏面收集了13萬條的數據
場景淡化能力依然有限
爲什麼機器人數據那麼難收集呢
那是因爲需要真實機器人
在真實的環境裏面操作
每一條數據都要花錢花時間
出錯還有可能會損壞設備
那這不像文本數據
爬蟲跑一跑就有了
所以目前大多數機器人的基礎模型
依然是依賴於少量的真實數據
再加上大量的模擬合成數據
加強化學習或者自監督方法
那我們採訪到了在硅谷的
但她就有一個大膽的預測
如果說數據是機器人的石油
但是現在這口井呢還沒有打出來
而難題之二就是
虛擬世界到現實世界的鴻溝
在虛擬世界訓練機器人很便宜
同時可以跑幾萬個模擬機
但是虛擬世界永遠不等於真實世界
就像你玩賽車遊戲很厲害
不代表真的會開F1吧
但真實世界的摩擦力
柔軟度光線變化太複雜
仿真只能還原部分的真實物理特性
剩下的就是機器人從模擬器
到真實世界的水土不服的根源了
因爲大家的Genesis和Isaac模擬器
在努力的縮小這個gap
但是完全消除還需要時間
那第三個尚待解決的難題
叫做embodiment gap
人手有27個關節
能夠感知壓力 溫度 質地
機器人的靈巧手通常只有15到22個關節
傳感器也沒有那麼精細
即使完美模仿人類的動作軌跡
效果也不同
人類能夠輕柔的拿起雞蛋
機器人可能一用力就捏碎了
所以在機器人的數據和人的數據中間
還是會有一個混沌
就是我們所謂的embodiment gap
那這個embodiment gap在當前
學術界也好 工業界也好
大家都是公認的是一個比較難解決的問題
所以這樣的數據的遷移的效率會比較低
就是你可以想象哪怕你採集了很多數據
如果只有30%或者50%可用
那其實你的總數量就會需要去乘以
可能性的那個數字
對 所以這個是它的一定的侷限性
這就意味着特斯拉想用YouTube上面
海量人類視頻訓練optimus的策略
面臨着巨大的技術挑戰
這也是爲什麼特斯拉在生產了1000臺之後
就暫停要重新設計
理想很美好 但是現實很骨感
而第四個難題是可靠性
GBT回答錯了
用戶呢笑笑就過去了
機器人動作錯了
可能會砸壞東西傷到人
那麼這就是質的區別
聚振智能必須要達到極高的可靠性
才能夠真正的走進工廠 走進家庭
這個標準要比大圓模型苛刻的多
第五個難題是成本困境
那這是一個雞和蛋的問題
目前人型機器人價格需要降到2萬美元左右
才能夠在物流等場景形成足夠的吸引力
但是價格下降需要規模化生產
規模化生產需要大量訂單
大量訂單需要價格足夠低
那麼這是一個循環困局
需要有人先打破僵局
但能否引發價格戰
帶動整個行業降本還需要觀察
認清這些難題不是悲觀而是理性
這是因爲目前出廠公司們
都很實在的去承認這些瓶頸的存在
聚振智能才能來到了爆發的前夜
那麼最後我們再來聊聊
目前聚振智能的主要玩家
以及他們去選擇的路線
那麼面對這些難題
各家的公司選擇了不同的路線
這一派公司包括了特斯拉和Figure
他們的策略是軟硬件一體化
打造數據閉環
特斯拉利用FSD自動駕駛基礎的積累
把視覺感知路徑規劃的能力
遷移到Optimus上
還能用工廠的生產線積累數據
前工程主管Milan Kovic說的很直白
我們從車上的機械人移動到腿上的機械人
但是現實比預期複雜
5000臺的目標只完成了五分之一
又不得不暫停重新設計
這說明即使是特斯拉這樣的巨頭
在Embodiment Gap面前也要低頭
Figure則是在和OpenAI分手之後
獨立開發了Helix模型
自己掌控技術路線
展示了他們確實有技術能力
15倍的估值漲幅
也證明資本市場對這條路線的認可
但他們真正商業化部署的也就幾十臺
Demo很精彩
規模化還在路上
第二派就是我們剛纔提到的
Physical Intelligence
還有Skilled AI
與多家同時壓制硬件的機器人出創公司不同
這些公司的策略是模型先行
跨平臺適配
Physical Intelligence的派力模型
不綁定特定的硬件
能適配多種機器人
他們的邏輯是
先把模型能力做強
硬件可以後續選擇最優方案
而另外一家則是Skilled AI
一家專注於構建機器人的基礎模型的軟件公司
Skilled AI的核心方向
同樣是打造一種
與具體機器人形態無關的通用基礎模型
可根據不同機器人平臺和應用場景
進行適配和定製
在今年7月
Skilled AI發佈了其通用機器人系統Skilled Brain
並且公開演示視頻
展示機器人完成拿取餐具
上下樓梯等操作能力
近期軟銀與英偉達正計劃對它投資10億美元
第三類是主打生態的平臺
英偉達提供模擬器和算力的基礎設施
推出Groot N1並且開源
但是你要用就得用全套的英偉達生態
谷歌則是在學術研究上持續投入
RT系列模型是影響了整個學術界
它們爲整個行業提供水電煤
誰能制定行業標準
誰就掌握了生態控制力
這三種路線都在前進
沒有哪一派已經佔據絕對優勢
大家都在試錯 迭代和調整
回到開頭的問題
巨神智能是泡沫還是未來呢
答案是2025年
巨神智能正在從先鋒亮相轉向理性前行
技術上大模型加機器人的結合已經跑通
但是遠未成熟
數據泛化 可靠性這些核心難題還沒有解決
如果用GBT時刻來類比
自變量機器人CTO王浩認爲
我們現在是GBT2的水平
我會覺得現在就是在GBT2的階段
其實我們現在基本上已經知道
規模化它是唯一的一個可靠路徑了
所以我們就是要在這個階段去瘋狂地積累數據
提升模型規模
同時去搭建真實巨神的這種技術設施
所以我的預測會在一到兩年的時間
我們完全可以達到GBT3的水平
注意 是GBT3不是GBT4
這就是毫不花哨的一個判斷
由於研究員們看到了這種規模化帶來的提升
所以路徑和目標就更加明確
也更加的肥一
而在商業上 工業場景開始試點
倉儲 製造 服務線都有落地的案例
但是大規模的商用可能還需要兩到三年的時間
我們自己的目標其實在明年
我們至少希望在商用場景有比較大規模的部署
那在家用我們會擇機看
所以這個時間線應該也不遙遠
那麼在投資上可以說泡沫和機會並存
有公司的估值飆升
有公司暫停生產
也有公司錢收光了而破產
開源機器人公司Kscale Labs融資失敗倒閉
Figure AI拿錢拿到手軟
那麼這兩個極端同時存在
說明市場正在分化
雖然巨聲智能的長期趨勢穩定
但是短期波動劇烈
而巨聲智能第一個殺手級的應用場景會是什麼呢
有可能是家務任務
也有可能是倉儲物流
或者是餐飲清潔服務
而無論是哪個場景
都已經有重量級的玩家在佈局了
巨聲智能不是會不會發生的問題
而是什麼時候發生
2025年我們正站在這場革命的起點
行業不再只展示酷炫的demo
而是開始腳踏實地的驗證技術
打磨產品尋找場景
特斯拉暫停生產不是失敗
是在重新設計
尋找更可靠的路徑
Vigor AI估值飆升不只是資本炒作
而是它們交出了Halix這樣的實質成果
Dyna從疊毛巾切入
不是格局小
而是在積累數據飛輪
培養模型的學習能力
Physical Intelligence部分開源拍零
不是不夠開放
而是在商業利益和技術分享之間尋找平衡
這種在現有基礎上穩步提升
恰恰是行業走向成熟的標誌
2015年
巨盛智能行業已經從換大餅
進化到了捲起袖子和麪團
那麼這個餅正在一點點的
有分寸的變成現實
那感謝大家收看這一期的硅谷101
我是聯合創始人陳倩
也感謝大家對我們2025年的支持和陪伴
希望2026年我們能夠創造出更加精彩的內容
那我們就下期視頻再見了
Bye