宇树出货狂飙难掩泛化硬伤人形机器人商业化受困力控高墙

摩王想两下

硬件降本无法掩盖具身智能泛化能力的缺失，人形机器人的早期确定性利润不会属于整机品牌，而是由攻克触觉传感与微力控系统的底层零部件供应商率先兑现。

AI-assisted summary of 【摩王想两下】〈物理 AI 的全球竞局〉EP1：一颗生鸡蛋，为什么难倒全球千亿资本？｜#摩王 #王鸿嫔 — original source. Check the original for full context.

Source published: 2026-09-03

Key ideas

资本市场掀起物理 AI 狂潮，宇树科技作为人形机器人第一股挂牌科创板首日暴涨 460%，但新创科技股狂欢后随即面临腰斩，市场亟需从概念炒作回归理性评估。 (0:00)
莫拉维克悖论成为实体 AI 核心瓶颈：相较于大语言模型的纯符号运算，物理世界涉及重力、摩擦力与材料形变等复杂变量，极高的物理试错代价让抓取生鸡蛋这类基础协调任务成为巨额资本的难关。 (3:00)
供应链优势推动中国企业将整机售价下探至 10 万至 20 万元区间并占据全球 97% 出货量，但当前约 65% 的出货仍集中于科研教育与展演等高容错场景，缺乏面向未知工况的泛化能力。 (10:10)
买方投资逻辑转变：工业落地最终依赖无故障运行时间（MTBF）、良率与 ROI，相较于整机品牌，六维力传感器、触觉芯片等解决物理摩擦力的“卖铲人”及具备自建工厂数据闭环的企业更具刚性价值。 (15:16)

Detailed notes

## Background 本期内容由主讲人王鸿嫔（“摩王”）于 2026 年 9 月 3 日发布在 YouTube 频道《摩王想两下》，是《物理 AI 的全球竞局与产业链分工》系列节目的第一集。节目简介指出，在机器人大会展演与资本市场炒作热潮下，主讲人旨在剥开“具身智能”的狂热表象，以买方视角将技术概念翻译成投资人看得懂的商业化门槛，深入探讨为何看似简单的“抓生鸡蛋”会成为难倒全球千亿资本的核心瓶颈。

## TL;DR 节目剖析了当前人形机器人市场在经历上市暴涨与后空翻炫技狂热后所面临的现实困境。主讲人指出，数字 AI 与物理 AI 的本质差异在于“莫拉维克悖论”，数字世界试错成本极低，而物理世界中抓取生鸡蛋这类依赖微秒级力控与触觉闭环的任务极难实现。尽管中国供应链已将硬件成本大幅压缩，但缺乏跨场景“举一反三”的泛化能力导致目前超六成出货仍停留在容错率高的展示与科研场景。最终，投资人应跳出整机 Demo 的表演泡沫，重点关注真实场景的数据飞轮以及六维力传感器、触觉芯片等解决物理摩擦力的“卖铲人”零组件。

## Atmosphere & style 整期节目散发着买方资深投资人冷静、克制且一针见血的研究底色，开篇用直观的“生鸡蛋”意象迅速击碎二级市场的盲目躁动。主讲人以金庸武侠的“外家筋骨与内家心法”作比，叙事深入浅出，将晦涩的工程力学与严苛的商业逻辑拆解得层次分明。聆听过程中能清晰感受到一种从狂热喧嚣回归商业本质的抽丝剥茧感，情绪张弛有度，既有对工业真实痛点的敬畏，又充满理性的穿透力。

## Bulletin - [00:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=0s) 资本市场掀起物理 AI 狂潮，宇树科技作为人形机器人第一股挂牌科创板首日暴涨 460%，但新创科技股狂欢后随即面临腰斩，市场亟需从概念炒作回归理性评估。 - [03:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=180s) 莫拉维克悖论成为实体 AI 核心瓶颈：相较于大语言模型的纯符号运算，物理世界涉及重力、摩擦力与材料形变等复杂变量，极高的物理试错代价让抓取生鸡蛋这类基础协调任务成为巨额资本的难关。 - [10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) 供应链优势推动中国企业将整机售价下探至 10 万至 20 万元区间并占据全球 97% 出货量，但当前约 65% 的出货仍集中于科研教育与展演等高容错场景，缺乏面向未知工况的泛化能力。 - [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 买方投资逻辑转变：工业落地最终依赖无故障运行时间（MTBF）、良率与 ROI，相较于整机品牌，六维力传感器、触觉芯片等解决物理摩擦力的“卖铲人”及具备自建工厂数据闭环的企业更具刚性价值。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=0s) 展会炫技视频刷屏与科创板上市热潮助推二级市场情绪沸腾，但物理 AI 远未迎来实质意义上的 ChatGPT 时刻。 - [03:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=180s) 数字 AI 活在低边际成本与容忍报错的代码世界，而物理 AI 受制于严苛的物理定律，任何操作失误都直接转化为产线停工与经济损失。 - [03:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=180s) 莫拉维克悖论揭示了机器在抽象逻辑与物理肢体协调上的不对称性，计算机能精通微积分与下棋，却极难实现人类幼儿级别的感知力控抓取。 - [03:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=180s) 抓取生鸡蛋需要微秒级力学感知与十毫秒级握力动态闭环，现有机器人受限于物理延迟与算法精度，极易捏碎或滑落。 - [10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) 全球机器人产业链目前高速突破的是“外家筋骨”，中国成熟供应链将减速器、无框力矩电机等硬件成本显著拉低。 - [10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) “内家心法”即具身智能的泛化能力（Generalization）是全行业痛点，机器人难以在不重新编码的情况下跨场景举一反三。 - [10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) 出货数据结构显示全球 65% 机器人流向科研教育与商展娱乐等高容错场景，尚未真正进入严苛的工业制造深水区。 - [10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) 宇树科技 IPO 募集的 42 亿元中有超过七成投入模型与数据基础设施，验证了产业核心壁垒已转向软件算法与数据体系。 - [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 投资者应严格区分展示型资产与真实生产力资产，依赖单次采购与缺乏复购的高校/展会模式将面临估值泡沫破裂风险。 - [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 物理 AI 的真实世界数据极度匮乏，自建产线闭环训练数据的龙头（如特斯拉柏林工厂、车企自营车间）比纯软件模拟公司更具护城河。 - [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 在终端品牌格局未定前，掌握六维力传感器、触觉传感芯片与微动机构等解决“物理摩擦力”的关键零部件厂商将优先兑现确定性利润。 - [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 工业端商业化买单标准唯有无故障运行时间（MTBF）、作业良率与真实投资回报率（ROI），而非舞台上的运动演示。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=0s) 狂热的机器人资本浪潮与物理 AI 的兴起

主讲人王鸿嫔（“摩王”）拥有在摩根大通（J.P. Morgan）与摩根士丹利（Morgan Stanley）等买方机构长达 30 年的投资研究经验。开篇她便指出，近期人形机器人与实体 AI（Physical AI / 物理 AI）领域迎来了一波由多起标志性事件引爆的资本狂热：

1. **展会与炫技视频刷屏**：在北京落幕的 2026 年世界机器人大会及第二届人形机器人运动会上，汇聚了超过 300 家参展企业与 2,000 多件展品，后空翻、奔跑、打太极拳等动态视频席卷了全球社交媒体平台。 2. **“人形机器人第一股”上市狂欢**：曾在春晚登台表演的杭州宇树科技（Unitree Robotics）以人形机器人第一股之姿正式挂牌上海科创板，首日股价暴涨 460%，全天换手率超过 85%，成交额破 230 亿元人民币，总市值一度冲至 3,400 亿元（折合股价约 500 元）。然而，新创科技股暴涨后随即迎来剧烈回调，后续股价几乎腰斩。 3. **东西方工业落地竞局**：在西方，特斯拉（Tesla）位于德国柏林的超级工厂正式启用了第二代 Optimus 在 4680 电池产线上的常态实境工况测试。

二级市场情绪瞬间沸腾，诸多行业评论高呼实体 AI 的“ChatGPT 时刻”已然来临。面对这股技术狂热，摩王决定推出《物理 AI 的全球竞局与产业链分工》三部曲研究笔记，站在买方投资人的理性视角，剥开短期情绪泡沫，探讨真实世界的商业化门槛。

---

[03:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=180s) 莫拉维克悖论：抓一颗生鸡蛋为何难倒千亿资本？

```mermaid flowchart LR accTitle: 莫拉维克悖论在数字AI与物理AI的对比 accDescr: 展示数字世界虚拟符号运算与真实物理世界硬性规则的根本差异。

subgraph Digital["数字世界 (Digital AI)"] D1["抽象符号逻辑<br/>微积分 / 编程 / 国际象棋"] --> D2["低边际成本<br/>代码报错即重跑"] end

subgraph Physical["物理世界 (Physical AI)"] P1["重力 / 摩擦力 / 光影 / 材料形变"] --> P2["高试错代价<br/>摔落零件 / 产线停摆 / 巨额亏损"] P2 --> P3["严苛闭环要求<br/>毫秒级力控与触觉感知"] end ```

评估人形机器人的商业化可行性，核心在于看清数字世界与物理世界的本质鸿沟。过去三年以 ChatGPT、Gemini 为代表的大语言模型（LLM）活在虚拟空间中，主要进行符号与文本逻辑运算，边际复制成本几乎为零。写错一行代码，系统报错后重新执行即可。然而，当 AI 穿上钢铁外衣踏入真实世界，立刻受制于物理法则：重力、摩擦力、光影变化、材料形变以及机械公差。在真实工厂产线里，抓取失误、掉落零件或碰倒设备，直接后果就是整条产线停摆、企业承担真金白银的巨额损失。

这便触及了人工智能领域的著名命题——**莫拉维克悖论（Moravec's Paradox）**。该悖论由 AI 先驱汉斯·莫拉维克（Hans Moravec）等人在 1980 年代提出：要让计算机展现成年人级别的国际象棋、编写程序、解微积分等抽象逻辑思维其实相对容易；反而是让人类一岁幼儿信手拈来的感知与肢体协调能力——例如在杂乱桌面上辨识并稳稳抓起一枚脆弱的生鸡蛋——对机器来说却极其困难。

人类看似漫不经心的“抓鸡蛋”，背后是数亿年生物演化雕琢的奇迹： - **微秒级力学闭环**：大脑本体感知协同指尖数以万计的触觉感受器，在人手触碰蛋壳的瞬间，便能侦测到毫米级的曲率、滑动摩擦系数及外壳刚度。 - **十毫秒级动态调控**：神经系统在十毫秒内精确拿捏握力——用力过猛蛋壳会碎，用力过轻则会滑落。 - **机器人的物理高墙**：工业现场光照角度的轻微变化、托盘上一毫米的位移或金属表面的一点微量油渍，都会导致视觉定位算法失效。从相机接收信号到电机发出力矩指令，往往存在数十毫秒的物理延迟。缺乏高动态力矩传感与触觉神经闭环的机器人，面对易碎物品，结果不是瞬间捏爆，就是因过度保守而直接失手掉落。

---

[10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) 外家筋骨与内家心法：硬件狂飙下的泛化能力瓶颈

摩王借用金庸武侠小说作比喻：过去几年，全球人形机器人产业链疯狂磨练的是**“外家筋骨”**，即将减速器、无框力矩电机、行星滚柱丝杠等硬件组装成一副能跑能跳的强健躯体。

得益于强大的制造与供应链优势，中国企业在硬件降本端表现亮眼： - **整机价格断崖式下跌**：整机成本已从早期的百万元级别快速打入 10 万至 20 万元人民币区间。宇树科技推出的 G1 基础版售价压至 8.5 万元，松岩动力更宣称其 Boomi 机器人可下探至万元以内。 - **出货量占有率**：2026 年上半年，中国人形机器人出货量占据全球约 97% 的市场份额。宇树科技以超过 5,500 台的出货量位居全球第一。

然而，全行业眼下共同卡壳的症结在于**“内家心法”**——即机器人的“大脑”对真实世界的常识理解、动作预测与**泛化能力（Generalization）**。

- **泛化的本质**：指机器人在有限数据或特定受控环境下学到的动作技能，能否自主迁移并精准应用到未曾见过的全新场景、不同批次物体和突变工况中，而无需算法工程师每次重新标定、编码与采集数据。物理 AI 的终极追求是“举一反三”的能力。 - **真实出货结构暴露短板**：根据 IDC 及多家投行研报统计，2025 至 2026 年全球人形机器人的出货中，约有 **65%** 集中在科研教育、文化体育、商业展示与娱乐演出等场景。这类场景的典型特征是“容错率高”——机器人在春晚上摔一跤，观众可能一笑置之，几乎不产生实质经济损失。 - **创始人坦陈瓶颈**：宇树科技创始人王兴兴在机器人大会主论坛上坦言，当前产业最大的技术死穴正是具身智能的泛化能力严重欠缺。在宇树科技科创板 IPO 募集的 42 亿元资金中，有超过七成（约 35 亿元）被明确划拨专项投向大规模 AI 模型及数据基础设施的研发。

---

[15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 买方视角的四条投资启示：寻找物理摩擦力的“卖铲人”

基于产业技术与商业现状的梳理，摩王为二级市场投资者提炼出四个核心观察维度：

1. **厘清展示型资产与真实生产力资产**：资本市场在炒作期往往会被炫目的视觉 Demo 吸引，但能后空翻、跳高、跑马拉松，不等于能进车间干活。如果一家公司的营收主要依赖高校采购、单次展会租赁等缺乏复购的低容错场景，其市销率（P/S）在上市泡沫破裂后将面临惨烈的估值腰斩。 2. **审视“真实世界数据飞轮”的护城河**：数字 AI 可以抓取公开网络的海量文本；物理 AI 的高质量作业数据却极度匮乏。物理世界的数据无法仅靠合成模拟，必须依赖机器在实体场景中不断“试错、摔倒、修正”。 - **自建闭环场景的龙头**：特斯拉在柏林工厂利用 4680 产线闭环训练 Optimus；比亚迪、小鹏汽车将机器人导入自营汽车产线；京东投入百亿资源采集超 1,000 万小时的真实物流仓储作业数据。 - **纯软件派的困境**：缺乏物理数据回路的软件公司，单纯依赖虚拟模拟训练，跨越莫拉维克悖论的商业化周期将被极大拉长。 3. **关键赋能者先于整机品牌兑现业绩**：在莫拉维克悖论被彻底攻克之前，最先兑现确定性利润的可能不是终端整机品牌，而是解决“物理摩擦力”的关键零组件供应商。一台人形机器人通常包含 40 多个活动关节与庞大的物料清单（BOM），谁能提供让机器拥有精细触觉与精准力控的组件，谁就能享受刚性红利： - **六维力传感器** - **触觉传感芯片 / 电子皮肤** - **微型传动机构与高动态微力控系统** 4. **终局思维：工业落地考核真实 ROI 与良率**：脱离展厅之后，工业客户买单的唯一逻辑是机器人的无故障运行时间（MTBF）、作业良率以及能否跑通投资回报率（ROI）。投资人需要从热闹的舞台退后一步，紧盯那些踏实为产业链“卖铲子”的核心标的。

## Notable quotes > [00:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=0s) 真正困难的，可能从来不是让机器人跑得更快、跳得更高，而是让它在真实世界里，稳稳抓起一颗生鸡蛋。 — 王鸿嫔

> [03:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=180s) 写错一行程式，重新运算一次就好。但当 AI 穿上钢铁外衣，进入真实世界，它立刻遇到另一套规则：重力、摩擦力、光影、材料形变、机械公差…… — 王鸿嫔

> [03:00](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=180s) 对 AI 而言，人类认为高阶的抽象推理可以很容易，反而是人类一岁小孩就能完成的感知与肢体协调，才是真正困难的物理高墙。 — 王鸿嫔

> [10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) 这几年，全球机器人产业疯狂锻炼的是‘外家筋骨’：减速器、无框力矩马达、滚柱丝杠……中国供应链甚至已经把人形机器人的整机价格，从早期的百万人民币级别，一路往 10～20 万元区间压低。 — 王鸿嫔

> [10:10](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=610s) 机器人的‘内家心法’准备好了吗？它能不能把学会的动作，从一个场景带到另一个完全陌生的场景？能不能面对不同光线、不同物件、不同摩擦系数，依然做出正确判断？这个能力，就是 Physical AI 最关键的——泛化能力。 — 王鸿嫔

> [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 目前市场看到的，是后空翻、跑步、跳跃与各种精彩 Demo。但投资人真正该问的不是：‘它会不会翻跟斗？’而是：‘它能不能每天稳定工作？’ — 王鸿嫔

> [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 下一个真正赚钱的，可能不是‘造机器人’的人。如果莫拉维克悖论才是 Physical AI 的核心瓶颈，那么投资机会就不一定在最醒目的整机品牌。反而可能藏在那些不起眼的‘物理摩擦力解决方案’ — 王鸿嫔

> [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 因为在机器人大脑真正成熟以前，谁能让机器人‘感觉得到、控制得住、做得准’，谁就可能先拿到产业链的刚性价值。 — 王鸿嫔

> [15:16](https://www.youtube.com/watch?v=bCmiSdFGo-Q&t=916s) 当机器人真正走进工厂，市场最后要买单的，不是一场精彩的 Demo。而是它到底能不能工作。 — 王鸿嫔

## Mentioned 王鸿嫔, 摩王想两下, 摩根大通 (J.P. Morgan), 摩根士丹利 (Morgan Stanley), 世界机器人大会, 人形机器人运动会, 宇树科技 (Unitree Robotics), 王兴兴, Unitree G1, 特斯拉 (Tesla), Optimus, 4680 电池, ChatGPT, Gemini, 汉斯·莫拉维克 (Hans Moravec), 莫拉维克悖论 (Moravec's Paradox), 松岩动力, Boomi, IDC, 比亚迪, 小鹏汽车, 京东

## Video description 《摩王想两下》本集直击：人形机器人的「AI 时刻」真的到了吗？最近机器人市场热到发烫。世界机器人大会、人形机器人运动会接连登场，机器人翻跟斗、跑步、打太极的影片刷遍社群；资本市场也用暴涨的股价，提前替「Physical AI」写下了一个又一个美好剧本。

但摩王这一集要你先冷静下来。因为真正困难的，可能从来不是让机器人跑得更快、跳得更高，而是让它在真实世界里，稳稳抓起一颗生鸡蛋。

这一集，是《物理 AI 的全球竞局与产业链分工》的第一集。我们不追逐机器人展场上的炫技，只做一件事：把「具身智能」的技术狂热，翻译成投资人看得懂的商业化门槛与产业链价值。

🔹 为什么会写程式很容易，抓鸡蛋却这么难？过去三年的生成式 AI，主要活在数位世界。写错一行程式，重新运算一次就好。但当 AI 穿上钢铁外衣，进入真实世界，它立刻遇到另一套规则：重力、摩擦力、光影、材料形变、机械公差…… 在数位世界里，错一次只是重新执行；在工厂里，抓错一次，可能就是设备损坏、产线停摆，甚至工安事故。这就是著名的「莫拉维克悖论」：

对 AI 而言，人类认为高阶的抽象推理可以很容易，反而是人类一岁小孩就能完成的感知与肢体协调，才是真正困难的物理高墙。

🔹 机器人已经会「动」，但还不代表它会「工作」这几年，全球机器人产业疯狂锻炼的是「外家筋骨」：减速器、无框力矩马达、滚柱丝杠…… 中国供应链甚至已经把人形机器人的整机价格，从早期的百万人民币级别，一路往 10～20 万元区间压低。硬体正在快速降本。但真正的问题来了：机器人的「内家心法」准备好了吗？它能不能把学会的动作，从一个场景带到另一个完全陌生的场景？能不能面对不同光线、不同物件、不同摩擦系数，依然做出正确判断？这个能力，就是 Physical AI 最关键的——泛化能力（Generalization）。

🔹 真正的战场，不在展厅，而在工厂目前市场看到的，是后空翻、跑步、跳跃与各种精彩 Demo。但投资人真正该问的不是：「它会不会翻跟斗？」而是：「它能不能每天稳定工作？」从科研、教育、展演，走到真正的工厂生产线，中间还隔著一道巨大的商业化鸿沟。所以评估一家机器人公司，不能只看出货量与展示能力，更要看： • MTBF：多久不出故障？ • 良率：能不能稳定完成任务？ • ROI：企业为什么愿意买？ • 真实世界数据：有没有持续累积？

🔹 下一个真正赚钱的，可能不是「造机器人」的人如果莫拉维克悖论才是 Physical AI 的核心瓶颈，那么投资机会就不一定在最醒目的整机品牌。反而可能藏在那些不起眼的「物理摩擦力解决方案」： • 六维力感测器 • 触觉传感晶片 • 高功率密度微传动机构 • 力控与微动系统 • 真实世界作业数据

因为在机器人大脑真正成熟以前，谁能让机器人「感觉得到、控制得住、做得准」，谁就可能先拿到产业链的刚性价值。

🔔 本集重点人形机器人的下一场竞争，不是谁的机器人最会表演。而是谁能跨过那堵看不见的物理高墙。对投资人来说，与其追逐「会跑、会跳」的展示型资产，不如开始追踪四个真正重要的讯号：泛化能力、真实世界数据、工业场景 ROI、以及解决物理摩擦力的关键零组件。因为当机器人真正走进工厂，市场最后要买单的，不是一场精彩的 Demo。而是它到底能不能工作。

[Source](https://www.youtube.com/watch?v=bCmiSdFGo-Q)

中文简报

宇树出货狂飙难掩泛化硬伤，人形机器人商业化受困力控高墙硬件降本无法掩盖具身智能泛化能力的缺失，人形机器人的早期确定性利润不会属于整机品牌，而是由攻克触觉传感与微力控系统的底层零部件供应商率先兑现。节目剖析了当前人形机器人市场在经历上市暴涨与后空翻炫技狂热后所面临的现实困境。主讲人指出，数字 AI 与物理 AI 的本质差异在于“莫拉维克悖论”，数字世界试错成本极低，而物理世界中抓取生鸡蛋这类依赖微秒级力控与触觉闭环的任务极难实现。尽管中国供应链已将硬件成本大幅压缩，但缺乏跨场景“举一反三”的泛化能力导致目前超六成出货仍停留在容错率高的展示与科研场景。最终，投资人应跳出整机 Demo 的表演泡沫，重点关注真实场景的数据飞轮以及六维力传感器、触觉芯片等解决物理摩擦力的“卖铲人”零组件。资本市场掀起物理 AI 狂潮，宇树科技作为人形机器人第一股挂牌科创板首日暴涨 460%，但新创科技股狂欢后随即面临腰斩，市场亟需从概念炒作回归理性评估。 (0:00) 莫拉维克悖论成为实体 AI 核心瓶颈：相较于大语言模型的纯符号运算，物理世界涉及重力、摩擦力与材料形变等复杂变量，极高的物理试错代价让抓取生鸡蛋这类基础协调任务成为巨额资本的难关。 (3:00) 供应链优势推动中国企业将整机售价下探至 10 万至 20 万元区间并占据全球 97% 出货量，但当前约 65% 的出货仍集中于科研教育与展演等高容错场景，缺乏面向未知工况的泛化能力。 (10:10) 买方投资逻辑转变：工业落地最终依赖无故障运行时间（MTBF）、良率与 ROI，相较于整机品牌，六维力传感器、触觉芯片等解决物理摩擦力的“卖铲人”及具备自建工厂数据闭环的企业更具刚性价值。 (15:16)

Reading summary

投资研究人王鸿嫔指出，当前人形机器人领域在炫目展示与资本狂欢背后，正面临真实物理世界的“莫拉维克悖论”制约；在算法泛化能力实现突破前，投资者应警惕缺乏复购的展示型泡沫，重点关注拥有真实数据飞轮的企业及高壁垒力控传感供应商。资本狂潮下的演示热度与估值波动 (0:00) 伴随2026年世界机器人大会与第二届人形机器人运动会的举办，人形机器人动态演示视频在社交媒体广泛传播。宇树科技以“人形机器人第一股”登陆科创板首日暴涨460%，市值一度冲破3,400亿元人民币，但随后出现近乎腰斩的剧烈回调。在工业端，特斯拉柏林工厂开始在4680电池产线上常态测试第二代Optimus。二级市场情绪高涨并呼喊实体AI的“ChatGPT时刻”已至，但买方视角更关注技术展示与真实工厂商业化门槛之间的距离。莫拉维克悖论构筑的物理试错鸿沟 (3:00) 不同于大语言模型仅在虚拟空间运行、试错边际成本接近零的特征，物理AI受制于重力、摩擦力、光影变化和机械公差。在真实产线中，抓取失误与零件掉落将直接造成停工损失。这引发了AI领域的经典命题——莫拉维克悖论，即机器进行微积分运算等抽象逻辑相对容易，但复制人类幼儿稳定抓取生鸡蛋的感知协调能力却极度困难。人类抓取鸡蛋依赖神经系统十毫秒级的动态调控与指尖触觉闭环。相比之下，工业机器人的视觉定位易受光照与微量油渍干扰，从传感接收到电机输出力矩往往存在数十毫秒物理延迟。缺乏高动态力矩传感与触觉闭环的机器人，在处理脆弱物体时极易因过载捏爆或因过度保守而脱手。硬件降本狂飙对撞泛化能力瓶颈 (10:10) 得益于制造供应链优势，中国企业在机器人的硬件降本上进展显著，整机成本从百万元降至10万至20万元人民币区间，宇树G1售价压至8.5万元，松岩动力更称其产品可下探至万元以内。2026年上半年，中国厂商占据全球约97%的人形机器人出货份额，其中宇树科技出货超过5,500台。然而，机器人理解常识与迁移技能的“泛化能力”仍是全行业死穴。IDC等研报显示，2025至2026年全球出货中约65%流向科研教育、文体展演等高容错场景。宇树科技创始人王兴兴公开承认泛化能力欠缺是当前核心瓶颈，其科创板募资中的约35亿元（占比逾七成）已被专项投向AI大模型与数据基础设施研发。买方视角的场景护城河与供应链红利 (15:16) 从投资研究角度，王鸿嫔梳理了四项评估标准：首先，应厘清展示型资产与真实生产力资产，警惕依赖高校采购或展会租赁、缺乏复购场景的高估值公司。其次，物理世界的高质量数据无法单纯依赖虚拟合成，特斯拉利用自有产线、比亚迪与小鹏导入汽车产线，以及京东采集超1,000万小时真实物流仓储数据，构成了自建物理数据回路的护城河。最后，在莫拉维克悖论被彻底攻克前，业绩兑现确定性更高的可能是解决“物理摩擦力”的关键零部件企业。一台包含40多个活动关节的机器人对六维力传感器、触觉传感芯片（电子皮肤）与微型高动态力控系统的刚性需求，使这类“卖铲人”更先受益。脱离展示场景后，工业客户采购机器人的根本标准在于平均无故障运行时间（MTBF）、作业良率与投资回报率（ROI）。在具身智能的泛化算法与触觉力控未能完成闭环前，物理AI跨越莫拉维克悖论仍需经历严苛的商业化与工程验证周期。

Source quotes

[0:00] 王鸿嫔: 真正困难的，可能从来不是让机器人跑得更快、跳得更高，而是让它在真实世界里，稳稳抓起一颗生鸡蛋。 [3:00] 王鸿嫔: 写错一行程式，重新运算一次就好。但当 AI 穿上钢铁外衣，进入真实世界，它立刻遇到另一套规则：重力、摩擦力、光影、材料形变、机械公差…… [3:00] 王鸿嫔: 对 AI 而言，人类认为高阶的抽象推理可以很容易，反而是人类一岁小孩就能完成的感知与肢体协调，才是真正困难的物理高墙。 [10:10] 王鸿嫔: 这几年，全球机器人产业疯狂锻炼的是‘外家筋骨’：减速器、无框力矩马达、滚柱丝杠……中国供应链甚至已经把人形机器人的整机价格，从早期的百万人民币级别，一路往 10～20 万元区间压低。 [10:10] 王鸿嫔: 机器人的‘内家心法’准备好了吗？它能不能把学会的动作，从一个场景带到另一个完全陌生的场景？能不能面对不同光线、不同物件、不同摩擦系数，依然做出正确判断？这个能力，就是 Physical AI 最关键的——泛化能力。 [15:16] 王鸿嫔: 目前市场看到的，是后空翻、跑步、跳跃与各种精彩 Demo。但投资人真正该问的不是：‘它会不会翻跟斗？’而是：‘它能不能每天稳定工作？’ [15:16] 王鸿嫔: 下一个真正赚钱的，可能不是‘造机器人’的人。如果莫拉维克悖论才是 Physical AI 的核心瓶颈，那么投资机会就不一定在最醒目的整机品牌。反而可能藏在那些不起眼的‘物理摩擦力解决方案’ [15:16] 王鸿嫔: 因为在机器人大脑真正成熟以前，谁能让机器人‘感觉得到、控制得住、做得准’，谁就可能先拿到产业链的刚性价值。 [15:16] 王鸿嫔: 当机器人真正走进工厂，市场最后要买单的，不是一场精彩的 Demo。而是它到底能不能工作。

Original transcript

[0:00] Transcribed by SubEasy. Upgrade to Pro to remove this message [0:00] 大家好我是魔王 [0:01] 在两家摩根 [0:02] J.P.Morgan以及Morgan Stanley的买方工作30年 [0:05] 我姓王 [0:05] 就是魔王想两下 [0:07] 在市场中拆解现象找到趋势 [0:10] 今天这一题呢 [0:11] 有想做一个系列主题来谈人情机器人 [0:14] 为什么呢 [0:15] 因为最近在这个领域 [0:17] 机器人尤其是物理AI [0:19] 就是实体AI这个领域呢 [0:21] 有几件引发资本 [0:23] 市场极度亢奋的一些标志性的事件 [0:26] 第一是在8月份的时候 [0:29] 刚刚在北京落幕的 [0:31] 2026年世界机器人大会 [0:34] 以及第二届世界机器人型 [0:37] 机器人的运动会 [0:39] 在这里面有超过300多家的企业参展 [0:43] 那也展出了超过2000件的展品 [0:46] 那显示了各种翻跟斗啊 [0:49] 奔跑啊 [0:50] 打太极拳啊 [0:51] 各种动态影片 [0:53] 那也刷爆了全球的社群的平台 [0:56] 第二件事情呢 [0:58] 是中国的杭州有一间宇树科技 [1:01] 他就是在中国的春晚表演的 [1:03] 就是宇树科技这家公司 [1:05] 他以人形机器人的第一股 [1:08] 这个姿态呢 [1:09] 正式登陆了上海的科创板 [1:11] 那在挂牌的首日呢 [1:13] 简直是疯了 [1:14] 他首日的股票呢 [1:15] 就暴涨了460% [1:18] 换手率呢 [1:19] 就很高 [1:19] 就大概到货 [1:21] 换手率超过85% [1:24] 成交的金额呢 [1:25] 也突破了230亿人民币 [1:27] 总市值呢 [1:29] 就一举冲上了3400亿的人民币 [1:32] 就换算起来大概是500元左右 [1:36] 当然呢 [1:36] 这种新创科技股的特性呢 [1:38] 他一定呢 [1:39] 也会反映在暴涨之后的暴跌 [1:42] 所以这个股票呢 [1:43] 随后的股价呢 [1:44] 也接近蓝腰斩 [1:46] 同时呢 [1:47] 另外一件事情在西方 [1:48] 特斯拉位于德国柏林的超级工厂 [1:51] 也正式启用了第二代的 [1:54] Optimus在4860电池产线上面的 [1:58] 常态实境的测试 [2:00] 所以等于东西方在这个领域 [2:03] 强强竞争 [2:05] 二级市场呢 [2:06] 显得瞬间的沸腾 [2:08] 那许多的评论呢 [2:09] 甚至高呼实体AI [2:11] 或者是说物理AI的 [2:13] Module S的时刻已经到来 [2:16] 所以呢 [2:16] 今天我想做一个 [2:18] 这是我自己的研究笔记 [2:21] 那各位可以参考 [2:22] 因为我也不是报名牌 [2:24] 是我自己想要对这个领域有一些 [2:26] 我自己做一些整理 [2:27] 所以我这次做的 [2:29] 我用的题目就是物理AI的 [2:31] 全球竞争格局 [2:32] 以及产业链的分工 [2:35] 所以我分为 [2:36] 打算分为三级 [2:37] 那今天的第一集呢 [2:38] 我想要谈一下物理AI [2:40] 它身心分离 [2:42] 它有一个困境 [2:43] 那为什么要抓一颗生鸡蛋呢 [2:45] 这么的难 [2:46] 全球已经砸了千亿的资本进去呢 [2:50] 还是非常的困难 [2:51] 也就是数位世界和物理世界 [2:54] 它有一个很大的一个鸿沟 [2:57] 杠在那边 [2:57] 我们要怎么去突破呢 [3:00] 所以我想藉这个机会 [3:02] 虽然在二级市场非常的疯狂 [3:05] 那我想是应该做投资呢 [3:07] 会试著去拨开短线的狂热的情绪 [3:10] 那我站在这个 [3:11] 我们比较买方投资者 [3:13] 我如果还是要真金白银投入的话 [3:15] 要怎么样来细细的来审视这个板块 [3:19] 那现在这个板块呢 [3:20] 全行业呢 [3:22] 其实正在迎上巨大的物理高墙 [3:25] 也就是人工智慧领域呢 [3:27] 著名的莫拉维克悖论 [3:29] 莫拉维克悖论呢 [3:31] 是什么呢 [3:31] 就是我们现在要解析所谓人型机器人 [3:35] 它的商业化的门槛 [3:38] 我们必须要先了解数位世界和物理世界 [3:41] 它有一个本质上面的一个大的鸿沟 [3:45] 过去三年以ChetGBT为代表的 [3:47] 生成式的AI [3:48] 是在虚拟空间里面做符号运算 [3:51] 那编辑的复制成本很低 [3:54] 甚至有一说是几乎为零 [3:56] 那在数位世界呢 [3:58] 你如果写错了一行的程式 [4:00] 一个code [4:01] 那系统就给你 [4:03] 报错吧 [4:04] 那你就再重新再跑一次 [4:06] 但是呢 [4:07] 现在的AI呢 [4:08] 它要穿上钢铁的外衣 [4:11] 要进入真实的世界里面 [4:13] 那它面对的呢 [4:15] 就更多的挑战 [4:16] 包含实体的这个重力 [4:19] 摩擦力 [4:20] 光跟影的变化 [4:22] 还有材料可能会形变 [4:24] 还有机械呢 [4:26] 可能会产生到 [4:27] 产生公差 [4:29] 在真实的工业的 [4:30] 工厂的产线上面 [4:32] 机器人呢 [4:33] 它如果抓取错误 [4:34] 或者掉落一颗零件 [4:36] 或者碰倒了一组的设备 [4:38] 那带来的呢 [4:39] 就是整条产线就要停摆了 [4:41] 那所以这个投入的这个工厂 [4:44] 它就要赔钱嘛 [4:45] 真金白银的就亏损 [4:47] 所以这个是有很大的不同 [4:49] 也是有不同的挑战 [4:52] 那为什么说算为积分写程式 [4:55] 这个可以挑战 [4:56] 这确实也很挑战了 [4:58] 那挑战算力 [4:59] 基本上就是你算力穷尽之后呢 [5:02] 也可以达到你想要的 [5:04] 一个基本的目标 [5:05] 但是呢 [5:06] 如果要抓取一个生鸡蛋 [5:08] 那却难倒了这个机器人了 [5:10] 所以全球砸了千亿的资本 [5:13] 这个还是一个很大的一个难题 [5:15] 那今天这一集我想要来谈一下 [5:17] 就是所谓的人形机器人 [5:20] 或者是具象的 [5:21] 整个全身的智能 [5:23] 它的底层的瓶颈 [5:25] 是怎么个回事 [5:27] 所以我想先看一些 [5:29] 我想先爬梳一些数据 [5:32] 是怎么回事 [5:33] 这个回到我们所谓的 [5:34] 莫拉维克悖论 [5:36] 它是什么东西 [5:38] 那怎么样来解构这个物理世界 [5:41] 它的一个真实的摩擦力 [5:44] 莫拉维克悖论 [5:46] 是由AI的先驱 [5:47] 汉斯·莫拉维克 [5:49] 这些人他们在1980年代提出的 [5:52] 就是说他如果要让电脑 [5:55] 展现出成年人在下西洋棋 [5:58] 写程式 [5:59] 解微积分等等 [6:01] 抽象逻辑上的智慧 [6:03] 其实非常容易 [6:05] 虽然也不容易啦 [6:06] 但是就他们那样的 [6:08] 聪明等级的人来讲 [6:09] 觉得这一层是比较容易的 [6:11] 但是如果要让电脑 [6:13] 具备一岁婴儿 [6:15] 一岁幼儿的感知 [6:17] 还有肢体的协调能力的话 [6:20] 例如说在杂乱的桌面 [6:22] 精准的辨识 [6:24] 并且稳稳的抓住 [6:25] 抓起一颗很容易碎裂的生鸡蛋 [6:29] 这个就非常非常的困难 [6:31] 因为人类看似简单的 [6:34] 伸手抓鸡蛋 [6:35] 背后是生物演化 [6:38] 经过数亿年演化的一个结果 [6:41] 那大脑的神经元本体的感知 [6:45] 还有指尖 [6:46] 指尖有数以万计的触觉的接收器 [6:50] 还有肌肉的微型的变动等等 [6:54] 这个是综合的表现 [6:55] 这里面存在著 [6:57] 微秒级的闭环的能力 [7:01] 就是力学的反馈 [7:02] 所以人手在接触蛋壳的瞬间 [7:06] 就可以感知到毫米级的表面的弧度 [7:09] 因为它就知道它要用什么力度 [7:11] 不能用力太大 [7:13] 也不能用力太少 [7:14] 因为太少就抓不住 [7:15] 太大它就破了 [7:17] 所以要能够感知到这个表面的弧度 [7:20] 还有滑动的这个摩擦系数 [7:23] 以及外壳的这个刚度 [7:25] 所以可以在十毫秒之间 [7:27] 就动态的调整 [7:29] 拿捏的就是掌握的这个力度 [7:31] 但是在机器人 [7:33] 它面对的是硬邦邦的硬性 [7:36] 你要给它硬性的物理规则 [7:39] 那这个时候就会出现说 [7:40] 它非结构性的环境微小的扰动 [7:45] 比如说像产线上面光照角度的微幅的变化 [7:49] 或者托盘上哪怕只有一毫米的这个位移 [7:53] 或者是零件表面微量的这个油渍 [7:57] 都会导致它的视觉定位的演算法会失效 [8:02] 所以在即时的反馈 [8:04] 就可能会产生延迟 [8:06] 传统的电机从接收视觉信号 [8:11] 到发出扭转的这个指令 [8:14] 或者是矩阵的这个指令 [8:16] 它存在著数十毫秒的物理的延迟 [8:20] 如果没有高动态力矩 [8:23] 就是这个力学的一个传感 [8:25] 还有触觉的神经的闭环的话 [8:28] 机器人它不是 [8:30] 它的表现它实际上的表现就会 [8:32] 要不然它就是捏碎了鸡蛋 [8:35] 要不然它就是因为过度谨慎 [8:37] 而把这个物体 [8:38] 它要抓的这个物体就掉在地上 [8:40] 就是它抓不住 [8:42] 所以这个是为什么说 [8:44] 这个是有很高的一个难度 [8:46] 这也是在发展所谓的物理 AI 的时候 [8:49] 这是一个比较大的一个技术的一个鸿沟 [8:54] 这里我试著整理了一张表 [8:56] 这也是我看了各家的研报之后 [8:59] 试著整理 [9:00] 我还是说我是文科生 [9:01] 所以我去爬梳这一整份报告 [9:05] 我花了一些 [9:06] 对我来讲要多花一些力气 [9:08] 那我做了一张表 [9:10] 就是数位的 AI [9:11] 就像 ChatterGPT 这样 [9:13] 或者是你问我们现在在运用 AI [9:16] 或者是 Google 的 Gemini [9:19] 这种数位的 AI [9:20] VS 相对于物理 AI [9:22] 就是像人形机器人 [9:24] 这样子的一个它的需要的 [9:27] 包括运用的场域 [9:28] 还有它需要的技术 [9:30] 以及它的数据的来源是什么 [9:32] 我们做了一个对比 [9:33] 因为这个不同的来源 [9:36] 不同的技术瓶颈会 [9:38] 当然对投资会世界会有些影响 [9:42] 因为它需要的这个专长技能 [9:44] 优势领域就不一样 [9:48] 在数位 [9:49] 在虚拟数位的世界 [9:51] 大语言模型 [9:52] 就 LLM 为代表的是软体的运算 [9:56] 那它们的编辑成本 [9:58] 复制的成本大概很低 [9:59] 几乎为零 [10:01] 那所以呢 [10:02] 那但是在实体的部分 [10:04] 就会比较多的挑战 [10:07] 所以这个是两个不同的技能 [10:09] 好接下来第二个 [10:11] 这一题的第二个部分 [10:13] 我们在谈这个 [10:15] 就是它的物理的 [10:16] 数位世界跟物理世界两个的差异 [10:19] 我在今天想要看第二点 [10:21] 第二点就是来谈一下 [10:24] 外加的筋骨的功夫跟内加的心法 [10:27] 我为什么用这样比呢 [10:28] 因为我一边看呢 [10:30] 我就想说用我自己比较熟悉的 [10:32] 像金庸武学的这个武侠小说来比喻 [10:36] 那硬体来看它的降本 [10:39] 就是降低成本相对比较容易 [10:42] 可是大脑它要能够转换 [10:45] 它要典范化就比较困难 [10:47] 如果以武侠小说来比喻的话 [10:49] 过去这几年 [10:50] 全球机器人产业链 [10:53] 疯狂锻炼的是外加的筋骨 [10:55] 就是把减速器 [10:56] 还有无框立锯的电机 [10:59] 还有滚柱丝杠等等 [11:01] 组装成一副能跑能跳的躯体 [11:05] 那在硬体端呢 [11:07] 那中国的 [11:08] 这全世界几个国家 [11:10] 中美日它各自有擅长 [11:12] 那例如像中国 [11:14] 它在供应链 [11:15] 它是有一个很强的一个制造的优势 [11:18] 它已经能够将整机的价格 [11:21] 从早期的上百万人民币 [11:23] 它现在已经快速的下降到 [11:25] 整机输出大概可以在 [11:27] 10万到20万人民币之间 [11:29] 例如说宇树 [11:31] 它的G1基础版的 [11:33] 这个人型机器人是8.5万 [11:36] 那另外有一家 [11:37] 另外一家公司松岩动力 [11:39] 它有一个Boomi [11:40] 它可以降到1万元以内 [11:43] 这是它号称的 [11:44] 那这个产品我还没仔细研究 [11:45] 但是可以看得出来是 [11:48] 它快速的下降 [11:49] 因为它要能够量产商业化 [11:52] 2026年的上半年 [11:54] 中国的人型机器人的出货量 [11:57] 达到全球份额的 [11:58] 大约97% [12:00] 这里面宇树科技 [12:02] 它的出货就超过了5500台 [12:05] 这个居于全球第一 [12:07] 然而在当前的全行业 [12:10] 都面临共同的瓶颈 [12:12] 是内加的刑法 [12:13] 所以为什么我说我用 [12:15] 我自己试著我自己的理解 [12:17] 就是像看武侠小说一样 [12:19] 就是机器人的大脑 [12:21] 对于真实物理世界的尝试 [12:23] 它的预测 [12:24] 还有所谓generalization [12:27] 就是泛化的这个能力 [12:29] 它是还不够的 [12:31] 那什么叫做泛化的能力 [12:33] 这个叫做generalization [12:35] 是指机器人能不能够在有限 [12:38] 特定数据或者是环境 [12:41] 特定的环境之下 [12:42] 它学到的技能 [12:43] 然后自主迁移 [12:45] 并且精准的应用到 [12:47] 可能它没有见过的新的场景 [12:50] 新的物种新的状况之中 [12:53] 而不需要工程师 [12:55] 重新帮它编码 [12:57] 重新采集数据来做 [12:59] 换句话说 [13:00] 这个人型基建所谓泛化能力 [13:03] 它是能不能够 [13:04] 物理AI是要追求 [13:06] 去依反散的能力 [13:08] 这个就很挑战了 [13:10] 那它现在实际上面 [13:12] 我们刚刚前面谈到 [13:13] 宇树科技它已经出货了5500台 [13:17] 是全球第一 [13:18] 那现在出货的这个结构 [13:20] 是长什么样子呢 [13:21] 根据IDC还有多家 [13:24] 我看了几个投行的报告 [13:26] 它统计出来 [13:27] 合作统计出来 [13:29] 是2025年到2026年 [13:32] 全球的人型机器人的出货量 [13:35] 这里面大约65% [13:37] 仍然集中在是科研教育 [13:41] 还有文化体育商演 [13:44] 娱乐商演等 [13:45] 或者是展会的示范等等 [13:48] 这些是什么样共同的特性呢 [13:50] 就是低容错率 [13:52] 就是这些呢 [13:53] 这些共同的特性是 [13:55] 容错率是可以比较宽的 [13:58] 就是错了就错了嘛 [14:00] 那所以这些环境 [14:02] 你可以看到像他们有时候 [14:03] 像你说春晚这种表演等等 [14:06] 他也许表演就摔跤了 [14:08] 你就哈哈大笑 [14:09] 但是你不会 [14:10] 你真的赔钱的赔的少嘛 [14:14] 那宇树科技呢 [14:15] 它的创办人王欣欣 [14:17] 在这个机器人大会的主论坛上面 [14:20] 他自己有提到 [14:21] 他公开提出 [14:23] 当前全球机器人产业最大的瓶颈 [14:26] 就是巨神 [14:28] 就是整身的这个智能 [14:30] 泛化的能力是不足的 [14:32] 那这个他也了解到自己 [14:36] 所以他说宇树科技 [14:38] 在IPO的42亿的资金里面 [14:41] 他从市场上面募42亿的资金里面 [14:44] 超过七成 [14:46] 大概35亿的专项 [14:48] 是要砸向AI大规模的大模型 [14:51] 还有数据基础的设施的研发 [14:54] 所以他知道是还有很多基础的研发 [14:58] 是不够的 [14:59] 那不过我觉得他这个 [15:01] 就照他说还是蛮务实的 [15:03] 知道自己的不足 [15:06] 所以以物理世界跟实体世界 [15:09] 两个还是有很大的一个鸿沟 [15:11] 那在这个环境之下 [15:13] 我们自己在投资上面 [15:15] 要怎么来看呢 [15:17] 我自己是大概整理一下 [15:19] 我会在想说这个领域 [15:20] 我如果继续跟踪下去的话 [15:23] 照当前的状况继续推演下去 [15:26] 可能我自己在想对我有哪些启示 [15:29] 第一个是要区分所谓展示型的资产 [15:32] 跟实质能够创造生产力的资产 [15:35] 这两个是不一样的 [15:37] 所以要防范所谓的估值 [15:39] 他会投资 [15:41] 因为在市场炒作的阶段 [15:43] 资本往往是会对 [15:45] 你看到这个就很新奇嘛 [15:47] 你看到这个机器人可以后空翻 [15:50] 可以跳很高 [15:51] 可以跑马拉松 [15:53] 但是实体的经济里面 [15:55] 这些的动能并不能够直接的 [15:59] 转换成工业生产力的价值 [16:02] 所以在我们真的在评估这些投资标的的时候 [16:06] 必须要看清楚到底这些企业的营收 [16:10] 是从哪里来 [16:11] 他如果高度仰赖单次性的展演的采购 [16:16] 或者是高效的科研的采购 [16:18] 这个时候他的PS就是本销比 [16:22] 就是Price and Sales的这个比例 [16:25] 他的估值在上市炒过后 [16:28] 就会面临剧烈的修正 [16:30] 因为那个比较难以延续 [16:33] 另外我对我自己投资上面的启示 [16:36] 要看到所谓的数据飞轮 [16:39] 他的累积的这个路径 [16:41] 为什么呢 [16:42] 因为数位的AI [16:43] 他可以抓取公开的网路的文本做训练 [16:47] 但是物理的AI的训练的数据 [16:50] 会现在看起来还是很匮乏的 [16:53] 他必须依据他要实际去run [16:56] 他比如说他要去工厂上面 [16:58] 他要多次的试错 [17:00] 就是刚刚我们前面讲他要抓鸡蛋 [17:03] 他怎么去感知到他的力度要用到多少 [17:06] 所以真实世界作业数据这个部分 [17:10] 他要不能够 [17:12] 现在他没有太大量的基础的数据 [17:16] 喂进去给他 [17:17] 他必须要到实体世界去摔倒 [17:21] 去容错 [17:23] 去错误犯错 [17:25] 他才能够累积成 [17:26] 所以我们在实体的落实的时候 [17:28] 可能要关注 [17:30] 具备封闭场景数据的采集的优势企业 [17:34] 比如说像Tesla [17:36] 他在这个部分就有比较强的优势 [17:38] 因为他我们刚刚一开始提到 [17:40] 他现在已经在欧洲那边的自营的工厂 [17:44] 已经开始测试他自己的Optimus [17:47] 另外呢 [17:48] 比亚迪小鹏等等 [17:50] 这些比亚迪汽车 [17:51] 小鹏汽车是中国的汽车 [17:53] 他也用人型机器人已经导入了他的产线 [17:58] 或者是像大型的物流集团 [18:01] 比如说中国的京东 [18:02] 他就布局了百亿的资产资源 [18:05] 他在采集大概超过一千万小时的实体的数据 [18:10] 来训练他的机器人 [18:13] 那如果是软体公司来跨足的话 [18:16] 因为他缺乏真实的数据的回路 [18:19] 他只靠虚拟模拟的这个数据的话 [18:23] 所以这个时候他要跨越所谓莫拉维克的悖论 [18:26] 他的周期就会被拉得很长 [18:28] 所以这几个是我自己在 [18:31] 我读了这些报告之后 [18:33] 我认为对我自己的启示是这样 [18:35] 所以在投资决策的时候 [18:37] 我们就看到说能够攻克 [18:39] 莫拉维克悖论这个过程当中 [18:41] 最先兑现业绩的呢 [18:43] 可能不是整体的终端的这个人型机器人 [18:47] 而是能够赋予机器人 [18:50] 能够他能够有触感触觉 [18:54] 或者是力量控制 [18:56] 或者是微型的动能的这些能力的关键零组件 [19:01] 这些零组件就会比较重要 [19:03] 所以他一些所谓关键的卖铲子的人 [19:08] 因为我们刚刚前面提到 [19:09] 他现在有很大比例是在做展演的 [19:12] 那如果跳出展厅的热闹的表现 [19:15] 当机器人真正要走入工厂来搬运他的货物 [19:21] 搬运这个商品 [19:22] 或者是抓取零件的时候 [19:25] 支撑这副躯体的硬邦邦的这些 [19:28] 所谓他的这个 [19:30] 整个的制造这个流程到底长什么样子 [19:32] 因为现在机器人 [19:34] 他大概平均是有40多个关节 [19:38] 还有这个大量的BOM [19:40] 就是物料的清单 [19:42] 所以我们将来去盘点哪一些物料的供给者 [19:46] 或者关键技术的供给人 [19:48] 供给者可以让机器人有最佳的赋能 [19:53] 就是所谓卖铲子的人 [19:54] 他目前他才他能够创造的刚性利润 [19:58] 才可以才能够可长可久 [20:01] 这是我自己要关注的部分 [20:03] 以上是我这一对人型机器人 [20:05] 这个系列主题的第一集 [20:08] 我的自己的研究笔记供大家参考 [20:11] 我是魔王 [20:12] 频道命名魔王想两下 [20:13] 就提醒自己要多想一层 [20:15] 直面恐惧与贪婪 [20:16] 如果你也喜欢这样的分析方式 [20:18] 对于今天的题目 [20:20] 你的看法是什么 [20:21] 欢迎留言分享你的看法

宇树出货狂飙难掩泛化硬伤 人形机器人商业化受困力控高墙