上一篇文章，我們寫了《》。

這一次，我們換一個(gè)角度，從人形機(jī)器人行業(yè)，重新看一遍宇樹。

宇樹的賺錢能力，不僅超出了很多人的預(yù)期，也遠(yuǎn)遠(yuǎn)超過了大多數(shù)具身智能公司。

如果放在大多數(shù)行業(yè)，這幾乎已經(jīng)足夠證明一家公司的競爭力：能賺錢、利潤高、品牌強(qiáng)，看起來像是商業(yè)化已經(jīng)跑通。

但放在當(dāng)下的具身智能行業(yè)，這件事可能恰恰要反過來看。

因?yàn)橛顦浣裉熨嵉降腻X，更像是一種階段性的定價(jià)權(quán)，而不是行業(yè)終局競爭力的兌現(xiàn)。

它踩中的，是一個(gè)很特殊的窗口期：

在需求尚未成熟、技術(shù)路徑尚未收斂、競爭格局尚未展開的窗口期，通過工程與供應(yīng)鏈優(yōu)勢(shì)放大效率，再疊加傳播帶來的認(rèn)知紅利，暫時(shí)跑出了一個(gè)看起來“超額”的結(jié)果。

但問題也恰恰在這里。

第一，硬件形態(tài)最終是由場景定義的，而不是硬件去定義場景。

當(dāng)機(jī)器人被當(dāng)作生產(chǎn)力進(jìn)入到具體場景中， 最優(yōu)解很可能不是今天的硬件形態(tài)。

也就是說，宇樹現(xiàn)在最強(qiáng)的東西，未必就是未來最值錢的東西。

第二，宇樹工程驅(qū)動(dòng)的路徑存在明顯的天花板。

過去70年的AI發(fā)展反復(fù)證明一件事，所有的工程奇跡，最終都會(huì)被“算力+數(shù)據(jù)”的暴力美學(xué)直接推平。這一點(diǎn)，在具身智能領(lǐng)域也不會(huì)例外。

這也是為什么宇樹一邊靠工程賺錢，一邊又在IPO 募資的 40 億里，拿出 20 億去補(bǔ)“大腦”。

這背后其實(shí)是一個(gè)很清晰的判斷：短期的優(yōu)勢(shì)，來自工程；長期的勝負(fù)，仍然取決于模型。

高毛利背后，一次工程驅(qū)動(dòng)的階段性勝利

如果把具身智能這個(gè)賽道拆開看，會(huì)發(fā)現(xiàn)它還停留在一個(gè)非常早期的階段。

最直觀的指標(biāo)，就是需求結(jié)構(gòu)。

今天的人形機(jī)器人，74% 還在科研和教育場景里打轉(zhuǎn)。大家最愛講的“進(jìn)廠打螺絲”，在現(xiàn)實(shí)中幾乎還沒有真正發(fā)生。反而是企業(yè)導(dǎo)覽、展廳講解這類場景，占到了 50% 到 70%。

這意味著，當(dāng)下行業(yè)的主流需求，本質(zhì)上還不是生產(chǎn)力需求，而是展示性需求。

展示性需求的特點(diǎn)是，只要能動(dòng)、能走、能穩(wěn)定運(yùn)行一段時(shí)間，就已經(jīng)足夠；但生產(chǎn)力需求不一樣，它要求的是長期穩(wěn)定、可復(fù)制、能替代人、能算清ROI。

而具身智能，顯然還沒走到后者。

大模型的突破，本質(zhì)上是一次“數(shù)據(jù)涌現(xiàn)”——互聯(lián)網(wǎng)數(shù)據(jù)第一次被大規(guī)模用起來。

但具身智能還沒有這個(gè)條件。遙操、動(dòng)捕、仿真這些方法都在用，可行業(yè)至今還沒有訓(xùn)練出一個(gè)在參數(shù)規(guī)模和性能上都真正成立的通用機(jī)器人模型。

所以很多業(yè)內(nèi)人士的判斷都很接近：今天的具身智能，更像十幾年前的自動(dòng)駕駛——大家已經(jīng)看見方向，但距離真正大規(guī)模落地，可能還要走很久。

在這樣一個(gè)階段里，宇樹是怎么跑出來的？

它的策略其實(shí)非常明確：不做大腦，而是把確定性更強(qiáng)的“小腦”做到極致，用工程能力和供應(yīng)鏈優(yōu)勢(shì)，在早期市場快速拿份額。

這里面最關(guān)鍵的一步，是四足機(jī)器狗。

到2025 年前三季度，宇樹已經(jīng)賣了 17946 臺(tái)四足機(jī)器人。

這帶來的，不只是收入，更重要的是兩項(xiàng)能力：一是把供應(yīng)鏈牢牢握在自己手里，二是把關(guān)鍵零部件做成了高度通用的模塊。后來，這兩點(diǎn)被直接平移到人形機(jī)器人上。

最終體現(xiàn)出來，就是毛利率的差異。行業(yè)普遍在35%–47%，而宇樹可以做到63%。這接近20個(gè)百分點(diǎn)的差距，本質(zhì)上不是單一產(chǎn)品的優(yōu)勢(shì)，而是一整套制造與供應(yīng)體系的結(jié)果。

再疊加春晚出圈，宇樹又拿到了一次幾乎零成本的品牌放大。

于是就出現(xiàn)了一個(gè)很有意思的現(xiàn)象：一家?guī)缀跫矣鲬魰缘臋C(jī)器人公司，2025 年前三季度廣告開支卻只有區(qū)區(qū)2257萬。

所以回過頭來看，宇樹的高毛利并不難理解。它不是一種已經(jīng)被長期驗(yàn)證的盈利能力，而是一種在早期窗口期里形成的階段性定價(jià)權(quán)：

在需求尚未成熟、技術(shù)路徑尚未收斂、競爭格局尚未展開的時(shí)候，用工程與供應(yīng)鏈放大效率，再疊加傳播紅利，跑出一個(gè)“超額結(jié)果”。

但宇樹的問題也恰恰在這里。

宇樹所有的優(yōu)勢(shì)，都建立在一個(gè)前提之上：行業(yè)還停留在“展示性需求”的階段。一旦需求向“生產(chǎn)力”遷移，這套優(yōu)勢(shì)還能不能繼續(xù)成立？

本體派，不是資本最看好的

盡管宇樹已經(jīng)是具身智能商業(yè)化最成功的公司，但技術(shù)路徑并算不上“主流”。

如果按技術(shù)投入路徑來拆，今天的具身智能公司大致可以分成三類：本體派、大腦派和全棧派。

宇樹屬于典型的本體派。

它的核心，是本體和運(yùn)動(dòng)控制，也就是業(yè)內(nèi)常說的locomotion control。說白了，就是讓機(jī)器人在真實(shí)世界里穩(wěn)定行走、保持平衡，甚至完成翻滾、跳躍、舞蹈這些復(fù)雜動(dòng)作。

它當(dāng)然也研究大腦，但優(yōu)先級(jí)很清楚：運(yùn)控優(yōu)先。類似路徑的還有逐際動(dòng)力、眾擎。

另一邊是大腦派，代表公司包括銀河通用、自變量、星海圖、千尋智能、智平方等。這一類公司的共識(shí)非常一致：優(yōu)先做模型。

這種選擇直接體現(xiàn)在研發(fā)資源分配上。比如星海圖，80% 的研發(fā)投入都砸在大腦，其中 30% 是數(shù)據(jù)，40% 到 50% 是算力，硬件只占 20%。銀河通用甚至只做了一款輪式底盤，其余資源幾乎全部押在模型研發(fā)上。

同時(shí)，這一類公司普遍選擇輪式，而不是雙足。

原因也不復(fù)雜。在需求還不清晰的階段，機(jī)器人最核心的能力不是“走得多像人”，而是“能不能完成任務(wù)”。相比移動(dòng)能力，上半身的操作與決策能力更關(guān)鍵。

第三類則是全棧派，也就是大腦和本體同時(shí)發(fā)力，典型代表包括智元機(jī)器人，以及海外的特斯拉和Figure。

從一級(jí)市場的偏好來看，押注大腦，幾乎已經(jīng)成了行業(yè)共識(shí)。這一點(diǎn)有兩個(gè)很直觀的側(cè)面印證。

第一，是宇樹自己的估值。

宇樹最新一輪投后估值大約127 億。考慮到它已經(jīng)表現(xiàn)出的盈利能力，以及所處賽道的熱度，這個(gè)估值并不算高。

更早之前，在春晚出圈前，它的估值甚至長期上不去，一度可能只有智元的一半。

第二，是獨(dú)角獸們的共同選擇。

國內(nèi)估值過百億的具身智能公司已經(jīng)有8 家，包括銀河通用、智元機(jī)器人、宇樹科技、星海圖、智平方、千尋智能、自變量和星動(dòng)紀(jì)元。其中絕大多數(shù)，都明確強(qiáng)調(diào)模型優(yōu)先的策略。

為什么資本更愿意押大腦？

因?yàn)楫?dāng)前具身智能最大的瓶頸，不在硬件，而在軟件。

人形機(jī)器人的終局，不是某個(gè)固定場景里的自動(dòng)化設(shè)備，而是具備通用性，像人一樣在不同環(huán)境里完成不同任務(wù)。

如果沒有基礎(chǔ)模型，就無法理解現(xiàn)實(shí)世界的物理規(guī)律，也就無法處理真正復(fù)雜的任務(wù)。

舉個(gè)最簡單的例子，機(jī)器人拿雞蛋，硬件負(fù)責(zé)執(zhí)行動(dòng)作，但到底用多大力、不把雞蛋捏碎，是模型決定的。

這也是為什么，無論是谷歌、英偉達(dá)，還是Physical Intelligence、銀河通用，真正投入的重點(diǎn)，都是世界模型——讓 AI 學(xué)會(huì)理解物理世界。

更關(guān)鍵的是，軟件和硬件的演進(jìn)邏輯完全不同，這直接決定了它們?cè)谫Y本市場上的價(jià)值差異。

硬件固然有瓶頸，但更多是線性的。它可以靠工程積累、靠持續(xù)迭代，一點(diǎn)點(diǎn)變便宜、變成熟。比如靈巧手，過去工業(yè)級(jí)產(chǎn)品可能要數(shù)十萬元，而現(xiàn)在特斯拉單只手的成本已經(jīng)壓到6000美元左右。

但軟件的瓶頸是非線性的。什么時(shí)候會(huì)出現(xiàn)類似ChatGPT 的突破，沒有人知道。但一旦發(fā)生，機(jī)器人在泛化能力上的提升，很可能會(huì)直接解鎖大量場景。

所以問題就很清楚了，在智能化水平?jīng)]有明顯躍遷之前，單純?nèi)ネ卣箲?yīng)用場景，很難真正跑出ROI，更難形成穩(wěn)定的商業(yè)閉環(huán)。

硬件由場景決定，這才是宇樹真正的風(fēng)險(xiǎn)

說到這里，可能會(huì)有人問：既然模型還沒出來，為什么不能先把本體做好？

當(dāng)然可以，而且從長期看，具身智能一定是垂直整合的——既做模型，也做硬件。

但問題在于，先做本體，本質(zhì)上是在一個(gè)變量還沒確定的階段，提前鎖定答案。

這里面有兩個(gè)關(guān)鍵約束。

第一，硬件形態(tài)最終是由場景定義的，而不是硬件去定義場景。

在展示性需求階段，人形、跑跳、動(dòng)態(tài)能力都有意義，因?yàn)樗鼈兏庇^、更容易被看見。

但一旦進(jìn)入生產(chǎn)力階段，評(píng)價(jià)標(biāo)準(zhǔn)會(huì)完全改變。機(jī)器人不再是“能展示什么”，而是“能不能進(jìn)流程、能不能替代人、能不能算清賬”。

這時(shí)候，最優(yōu)解很可能不是今天的硬件形態(tài)。

企業(yè)未必需要一個(gè)會(huì)跑跳的人形機(jī)器人，更可能選擇成本更低、穩(wěn)定性更高的輪式方案；相比復(fù)雜的運(yùn)動(dòng)能力，真正會(huì)被高頻使用的，也可能是抓取、裝配、分揀這些看起來不那么酷的能力。

也就是說，場景一旦收斂，硬件就會(huì)被重新定義。

第二，模型進(jìn)步，很可能會(huì)重寫一部分今天依賴工程優(yōu)化的能力。

這件事其實(shí)可以用The Bitter Lesson 來理解。過去 70 年的 AI 發(fā)展反復(fù)證明，很多依賴人工設(shè)計(jì)和工程技巧的路徑，最終都會(huì)被更通用、更依賴算力和數(shù)據(jù)的方法替代。

比如，AI 工程方法在過去兩年里就已經(jīng)經(jīng)歷了三次演進(jìn)：Prompt engineering（提示詞工程）、Context engineering（上下文工程）和Harness engineering（馴化工程）。

放到具身智能里也是一樣。

今天很多看起來很強(qiáng)的控制能力，本質(zhì)上仍然是工程優(yōu)化的結(jié)果。但一旦模型能力上來，這些能力就有可能被端到端學(xué)習(xí)重新覆蓋。

換句話說，一部分今天的優(yōu)勢(shì)，可能只是過渡階段的解法。

把這兩點(diǎn)放在一起，就能看清宇樹的結(jié)構(gòu)性風(fēng)險(xiǎn)。

它現(xiàn)在的大部分出貨，仍然流向科研和展示場景，本質(zhì)上是在驗(yàn)證“技術(shù)能不能成立”。但真正的商業(yè)世界，只關(guān)心另一件事：需求有沒有收斂，ROI 能不能成立。

而截至目前，這兩件事都還沒有發(fā)生。

這意味著，宇樹當(dāng)下的優(yōu)勢(shì)，更接近“階段性成立”，而不是“長期成立”。

一旦模型能力出現(xiàn)突破，場景開始收斂、硬件被重新定義，今天這套路徑，未必還能順利延續(xù)。

從證明機(jī)器人能跑，到證明機(jī)器人能真正賺錢，宇樹真正的考驗(yàn)，才剛剛開始。

文/阿奇

PS：如果你也在尋找投資AI資產(chǎn)的機(jī)會(huì)，歡迎掃碼加入我們的交流群。