中国机器人上市潮真相:缺钱花、手头紧

2025-12-18 | 来源: 定焦One | 转到微信 | 有0人参与评论 | 字体: 放大缩小 | 收藏 | 打印

第二关是机器人的“可靠性”。即一台机器人能否在复杂、多变、非结构化的真实环境中，做到安全稳定的执行任务。

机器人大多能做到在演示环境中水平在线，一旦进入真实的家庭或工业场景，成功率和容错率便大幅下降。星尘智能副总裁王佳楠对“定焦One”表示，这与AI模型、本体性能以及两者的结合都密切相关。

图源 / 仙工智能微博

首先是AI模型的认知与抽象能力不足。

主要体现在对未知物体的识别和物理属性估计、对操作本质的抽象与理解，对复杂环境的理解与动态规划，以及对环境交互反馈信息的利用，都有欠缺。机器人依赖传感器“看”世界，在实验室里，物体是已知的、背景是干净的。但在真实场景中，它需要识别新物体的形状、估计其重量，这对其“未知估计”能力提出了极高要求。

比如完成“倒水”这一任务时，人类能轻松理解其本质是控制水在重力的作用下转移，但对AI模型而言，从海量数据中抽象出这种高级任务语义并实现泛化，仍然非常困难。

其次是机器人本体性能不足，导致“手眼协调”精度不够。

机器人今年依然不会干活,但不妨碍机器人公司上市

冲上热搜 !"马斯克点赞王力宏伴舞机器人"

力压15支顶级强队中国机器人夺冠

在结构化场景中(比机械臂永远在同一个位置)，机器人能非常精确地重复同一个动作，但变化的环境中，它需要的是“相对精度”和“适应性”，“无论杯子在哪，都能准确地抓住杯口”就属于当前技术的短板。

最后是AI模型与本体的结合还不够，即“聪明的大脑”难以指挥“笨拙的身体”去完成精细任务。即便聪明的大脑(AI)想出了巧办法，但身体只能理解数字命令，导致机器人看起来总是行动慢半拍。比如看到桌上的水杯在晃悠，人会赶紧去扶住那个杯子，但机器人需要给出详细指令。

第三道坎是数据短缺，限制了模型泛化的能力。

实验室数据有限、真实数据获取昂贵，且不同场景的分布差异巨大，导致机器人难以做到“举一反三”。对此，各家的解决办法不同，有的倾向于利用合成数据，有的则以真机数据为主，同时利用从互联网上采集的多模态数据，进行预训练或辅助学习。比如星尘智能采用绳驱方案，其仿生设计有助于高效获取真机数据，并结合互联网多模态数据进行学习，从而弥补真实数据短缺，并提升跨场景泛化能力。

综合来看，尽管这三道关卡共同限制着机器人大规模落地，但多位投资人表示乐观。

AI行业资深投资人王晟表示，当前市场非常看好以AI为基础发展起来的人形机器人赛道。他预判，明年人形机器人的融资热度将持续，且资金更向头部公司集中。

总之，这一轮机器人公司的IPO与融资热，反映出“智能”本身在技术上首次成为可以被量化的指标，为整个机器人赛道打开了广阔的想象空间。但从“可行的技术”迈向“可靠的商品”，仍然需要时间。