作者：超级管理员 来源：本站
4.2.4. Agility Robotics (Digit)
1. 核心摘要
2025年，人形机器人产业正站在一个历史性的转折点，被广泛视为其量产元年。全球市场正经历前所未有的快速增长，预计到2025年市场规模将达到22.9139亿美元，并有望在2033年飙升至255.55亿美元，年复合增长率高达35.18%。中国市场表现尤为突出，预计2025年具身智能机器人用户支出将超过14亿美元，人形机器人市场规模预计达82.39亿元，占据全球约50%的份额，显示出巨大的增长潜力。
核心突破主要体现在AI大模型与具身智能的深度融合，赋予机器人更强的环境感知、自主决策和任务执行能力。技术体系正朝着“大脑”（智能决策）、“小脑”（运动控制）和“肢体”（执行机构）的协同优化方向发展。在核心零部件国产化方面，中国企业在减速器、伺服电机和力传感器等领域取得了显著进展，有效降低了成本并提升了供应链韧性，但高端主控芯片仍是瓶颈。
商业化落地路径呈现“工业先行、商业跟进、家庭探索”的阶段性特征。短期内，人形机器人主要在汽车制造、物流仓储等B端工业场景实现初步应用，并通过“机器人即服务”（RaaS）模式降低企业使用门槛。长期来看，随着成本下降和技术成熟，家庭服务、医疗康养等C端市场将成为万亿级蓝海。
然而，产业发展也面临诸多挑战，包括高昂的制造成本、在非结构化环境中的鲁棒性不足、电池续航限制、复杂编程与维护以及数据隐私与伦理问题。为应对这些挑战，报告建议加强技术攻关、构建开放协同的产业生态、推动标准化建设、创新商业模式，并前瞻性地完善政策法规与伦理治理体系。
核心零部件国产化目标是到2027年形成安全可靠的产业链供应链体系，实现关键部组件的自主可控和高效供给。目前，国产化率在40%-45%之间，未来需持续加大研发投入，突破“卡脖子”技术，确保产业链安全。
2. 人形机器人概述与产业背景
2.1. 核心概念与技术分类
人形机器人，又称仿生人，是一种旨在模仿人体结构、运动特性，并拥有人类感知和运动技能的机器人系统。其核心特征在于高度模拟人类的外观形态和行为模式，能够从体能、技能、智能三个维度实现对人类的模仿。这种模仿并非简单的形态复制，而是通过复杂的机械结构设计和智能算法，实现对人类行为模式的深度学习和适应性反馈。
人形机器人可根据不同维度进行分类：
· 按形态分类：
o 人形机器人：模仿人类外观和行为，用于客户服务或社交互动。
o 动物形机器人：如机器狗、机器猫，用于陪伴、教育或治疗。
o 特殊用途机器人：设计用于特定环境或任务，如水下机器人、太空探索机器人。
o 轮式人形机器人：主要采用轮式驱动，强调触觉传感器和灵巧手的操作功能。
o 半身足式人形机器人：强调腿部运动能力，手部主要用于平衡。
o 全能型人形机器人：具备双足、双臂、双手及各类感知和人工智能功能，适应开放环境中的多任务。
· 按功能分类：
o 工业机器人：在制造业中执行重复性任务。
o 服务机器人：提供生活服务，如清洁、护理、递送。
o 探索机器人：用于深海、太空或危险环境的探索。
o 医疗机器人：辅助手术、患者护理。
o 特种作业型人形机器人：用于巡逻巡检、灾害救援、危险作业。
o 教育型人形机器人：作为教学辅助工具。
o 娱乐型人形机器人：提供陪伴和娱乐功能。
o 公共服务型人形机器人：在酒店、餐厅等场所提供服务。
o 家庭服务型人形机器人：用于家庭养老、育儿、家务。
o 通用型人形机器人：可用于工业、服务、教育、医疗等多个领域。
2.2. 发展历程与重要里程碑
人形机器人的发展历程可追溯至20世纪初期，经历了多个关键阶段：
· 萌芽探索阶段（20世纪60年代末至90年代）：
o 1960年代后期：以日本早稻田大学为代表，开始进行人形机器人研究，开发了如WABOT-1（1972年）等早期双足机器人，实现了基本行走功能和控制能力。
o 1978年：日本早稻田大学教授加藤一郎在北京的讲座，推广了人形机器人的概念。
o 1984年：早稻田大学推出WABOT-2，具备识别乐谱并弹奏电子琴的功能。
o 1986年：日本本田开始进行人形机器人ASIMO的研究。
o 191997年：本田推出P3人形机器人，具备三维视觉和平衡系统，能独立行走并自行站起。
· 系统高度集成发展阶段（本世纪初至2010年）：
o 2000年：本田发布第一代ASIMO机器人，性能大幅提升，可奔跑、跳跃，并进行语音和手语交流。
o 2003年：日本丰田发布第一代仿人类机器人，可演奏乐器。
o 2011年：本田推出All-New ASIMO，具备避障能力和精细的手部动作。
· 高动态运动发展阶段（2010年至今）：
o 2013年：波士顿动力推出Atlas人形机器人原型机。
o 2016年：波士顿动力发布Atlas一代产品，摆脱电缆束缚，具备自主行走能力。
o 2017年：本田发布第三代人形机器人T-HR3，可模仿远程操纵者动作。
o 2020年：美国敏捷机器人公司推出首款商业化双足机器人Digit，售价25万美元，适用于物流、仓储等场景。
o 2021年：日本丰田推出第四代家务机器人Busboy，运用AI和机器学习技术完成家务。
o 2022年末：Figure AI成立，并于2023年3月发布人形机器人Figure 01。
o 2023年：宇树科技发布人形机器人Unitree H1。
o 2024年：国内多家厂商如优必选、宇树、乐聚等发布新机型。Figure AI发布Figure 02。Agility Robotics发布Digit。
o 2025年：被视为人形机器人量产元年。特斯拉计划2025年生产千台Optimus。全球首款家用人形机器人NEO开售。
2.3. 产业发展驱动因素
人形机器人产业的蓬勃发展，是政策、技术和市场等多重因素共同驱动的结果。
· 政策驱动：中国政府将人形机器人视为培育新质生产力、重塑全球产业格局的关键领域。国家层面已设定清晰发展蓝图，例如《人形机器人创新发展指导意见》提出到2025年初步建立创新体系，关键技术取得突破，核心部组件安全有效供给，整机产品达到国际先进水平并实现批量生产。到2027年，则要形成安全可靠的产业链供应链体系，综合实力达到世界先进水平。人形机器人被列为未来产业重点，并推动“机器人+”应用行动，旨在到2025年制造业机器人密度翻番，服务机器人、特种机器人行业应用深度和广度显著提升。各地政府也出台了资金支持、创新平台建设、开源生态支持等多元化政策，如上海设立100亿产业基金，北京市成立人形机器人产业创新中心和产业联盟。
· 技术驱动：
o AI大模型与具身智能：AI大模型（LLMs, VLMs, VLAs）的快速迭代以及多模态数据集的驱动，赋予人形机器人更强的理解物理世界、非结构化环境语义理解、自主决策、执行和推理能力。人形机器人是具身智能的重要载体，其发展与具身智能的进步紧密相关。
o 核心技术突破：多维感知系统、仿生运动控制系统、高密度驱动系统、认知决策中枢、能源与热管理、材料与制造工艺是人形机器人发展的六大核心技术。这些领域的持续突破，如全身协同控制、模型预测控制、准直驱执行器等，为人形机器人实现高动态、高精度、高柔顺性动作提供了可能。
o 成本下降与量产技术：随着量产技术成熟和供应链优化，人形机器人成本有望显著下降。特斯拉预测，年产量达到100万台时，Optimus的生产成本将降至2万美元，这将极大地推动其进入普通家庭。
· 市场驱动：
o 劳动力短缺与人口老龄化：全球范围内，尤其是在发达国家和中国，劳动力短缺和人口老龄化问题日益突出，对自动化和智能化解决方案的需求激增。人形机器人能够替代人类从事重复性、危险性或体力密集型工作，缓解劳动力压力。
o 应用场景拓展：人形机器人正从工业制造、物流仓储等B端场景，逐步向家庭服务、医疗康养、特种作业、公共服务等C端和G端领域拓展，巨大的潜在市场空间吸引了大量投资和企业涌入。
o 资本关注：人形机器人被视为继个人电脑、智能手机、新能源汽车后的新终端，有望形成新的万亿级市场。资本市场对该领域的关注度高涨，大量资金涌入加速了技术创新和产业化落地。
3. 技术体系与核心组件分析
人形机器人的技术体系可形象地分为“大脑”（智能决策）、“小脑”（运动控制）和“肢体”（执行机构）三大核心系统，它们协同工作，共同支撑机器人实现类人行为。
3.1. 智能决策系统：“大脑”
人形机器人的“大脑”负责感知、认知、推理、规划和人机交互，是其智能的核心。
3.1.1. 核心技术与算法路线
· 多模态感知与融合是基础：人形机器人需要融合视觉、听觉、触觉、力感知以及环境感知等多种模态信息，以实现对复杂环境的全面理解。例如，北京人形机器人创新中心推出的Humanoid Occupancy系统，通过融合多模态传感器信息，构建了基于语义占用表征的通用感知框架，能够精准捕捉环境的语义属性与几何特征。传统的多传感器融合方法面临异构信号的时空错位和语义不对齐等挑战，而基于神经符号系统的跨模态表征学习框架正成为新的研究方向。
· “大脑-小脑”一体化与分层架构：人形机器人的智能决策系统通常采用“大脑”（感知、规划、决策、交互）和“小脑”（运动控制、协调）的分层架构，并朝着一体化方向发展。大脑负责高级认知和任务理解，小脑负责低延迟、高精度的运动控制。英特尔通过集成CPU、GPU和NPU等计算引擎，推动大脑+小脑的一体化系统设计。
3.1.2. 大模型在决策中的应用
大型语言模型（LLM）和多模态大模型是人形机器人“大脑”的核心，能够显著提升其任务理解、推理、规划和决策能力。
· 自然语言交互：LLM通过Transformer等架构，能够实现高质量的语音识别（ASR）、自然语言理解（NLU）和自然语言生成（NLG），使机器人能与人类进行流畅对话。例如，优必选Walker S接入百度文心大模型，以及Figure 01接入OpenAI大模型，都是大模型赋能人形机器人的代表性案例。
· 知识库与推理：通过Knowledge Embedding和图神经网络（GNN）等技术，大模型能够增强知识性和逻辑推理能力，如DeepMind的AlphaGo。
· 多模态感知与决策：Multimodal Transformer和Cross-attention等技术融合多模态信息，结合计算机视觉技术（如目标检测、图像分割），实现场景理解。引入因果推理能增强机器人应对复杂环境的鲁棒性。例如，GPT-4o能够实时对音频、视觉和文本进行推理。
· 复杂任务理解与分解：LLM能够理解抽象的语义指令，并将复杂任务分解为一系列可执行的子任务。例如，区分饮料和非饮料，或识别抽象物体（如圆柱体和长方体）。优必选基于DeepSeek-R1研发的多模态具身推理大模型，能够将用户指令拆解为“识别货物→规划路径→抓取货物→放置货物”等子任务，并动态调整执行细节。Google的SayCan模型通过预训练技能的价值函数与大语言模型对齐，实现交互与规划闭环。
· 环境适应性学习：通过与环境的实时交互和数据收集，机器人能够利用大模型进行增量学习和泛化，适应新任务和新环境。例如，边缘设备在运行中积累数据，通过小样本学习优化行为策略。
· 知识推理与常识应用：大模型赋予机器人常识和推理能力，使其能够更好地理解世界和做出决策。
3.1.3. 边缘计算的作用
为满足人形机器人对低延迟响应（<10ms）和数据隐私安全的需求，边缘计算将数据处理下沉到本地设备，发挥着关键作用。
· 实时性保障：边缘计算将计算能力部署在机器人本地，显著降低了数据处理和决策的延迟，满足了如高难度动作实时调整等场景的需求。例如，波士顿动力的Atlas机器人依赖本地嵌入式系统实时调整姿态。
· 数据隐私与安全：本地化数据处理减少了敏感信息传输到云端的风险，有助于满足GDPR等法规要求。
· 资源优化与离线能力：边缘计算可以过滤冗余数据，节省带宽，并支持机器人在网络中断时继续运行。
· 分层智能架构：边缘端部署轻量级AI模型实现基础任务，云端处理复杂推理，形成“云边端”混合智能。NVIDIA Jetson平台是推动边缘AI落地的关键硬件。
3.1.4. 数据隐私与模型安全挑战及解决方案
人形机器人可能收集大量个人信息和敏感数据，存在被推断、滥用或泄露的风险。同时，模型本身也面临数据投毒、网络攻击和算法偏见等安全风险。
· 数据隐私风险：人形机器人可能收集生物识别信息、私密活动记录等，存在被推断、滥用或泄露的风险。
· 模型安全风险：
o 数据投毒：恶意样本或标签修改可能影响模型在推理阶段的表现。
o 网络攻击：智能工厂中的机器人可能成为网络攻击目标，影响生产安全，甚至威胁工人生命安全。恶意软件可能导致机器人执行非预期操作，勒索软件可能劫持机器人。
o 算法偏见：设计者隐藏的偏见可能嵌入算法，加剧不平等。
· 解决方案探讨：
o 数据脱敏与匿名化：对隐私数据进行去标识化、匿名化处理。
o 安全共享机制：采用同态加密、联邦学习等方式进行数据共享。
o 代码安全审计：防止反编译导致密钥丢失。
o 功能安全与网络安全保障：确保人工智能产品在保证信息安全的同时，也具备功能安全。
o 算法影响评估：建立健全人形机器人算法影响评估制度。
o 个人信息保护影响评估：完善个人信息保护影响评估，及早发现风险并采取防范措施。
o 数据安全认证：完善与数据相关的认证制度。
o 包容审慎监管：通过理性实施包容审慎监管，推动人形机器人在发展中规范、在规范中发展。
o 避免过度拟人化：合理配置主体责任，避免人形机器人的过度拟人化，防止陷入“人形机器人陷阱”。
o 伦理规范约束：为人形机器人“加载”道德，使其对人和环境友好。
3.1.5. 未来研究方向
· 通用视觉大模型：推动通用视觉大模型在人形机器人场景中的应用，提升目标识别、避障、三维重建等任务的精确度，并增强场景泛化能力。
· 多模态大模型路线：融合视觉、触觉等3D环境特征，通过多视图关联构建以对象为中心的场景表征，实现全维度环境感知与决策，被认为是未来主导方向。
· 数据闭环能力：随着人形机器人对大数据、大模型要求的提高，数据闭环能力变得越来越关键。
· 具身智能的“能动-会做-自学习”阶段演进：当前行业主要处于“会做”阶段，向具备稳定自学习能力的阶段迈进需要持续研发与产业验证。
· 标准化与互操作性：缺乏统一的人机交互安全标准和传感器接口标准，增加了开发成本，亟需统一。
3.2. 运动控制系统：“小脑”
人形机器人的“小脑”负责协调全身运动，实现平衡、行走、抓取等物理动作，是其具身智能的关键。
3.2.1. 核心算法与控制架构
· 全身协同控制 (Whole-Body Control, WBC)：是实现复杂、拟人化行为的关键，它将机器人视为一个多刚体系统进行统一优化，以达成全局任务目标。特斯拉的Optimus和小米的CyberOne等人形机器人均采用或正在发展全身控制策略。
· 模型预测控制 (Model Predictive Control, MPC)：作为一种前馈-反馈复合控制策略，通过预测未来行为并求解最优控制序列，能够显式处理系统状态和控制输入的约束，在提升机器人运动性能和稳定性方面发挥着重要作用。MPC通常在低频层级运行，预测足底接触力轨迹。
· 逆运动学 (Inverse Kinematics, IK) 和逆动力学 (Inverse Dynamics)：是实现精确关节控制的基础。逆运动学用于计算实现特定末端执行器姿态所需的关节角度，而逆动力学则用于计算产生特定运动所需的关节力矩。
· 强化学习 (Deep Reinforcement Learning, DRL) 和行为基础模型 (Behavior Foundation Models)：正成为提升机器人运动控制能力的新范式。DRL能够通过试错学习优化控制策略，而行为基础模型则通过大规模行为数据训练，实现对机器人多自由度的高效协同控制，提升动作的自然流畅性和任务执行效率。例如，Figure AI和星动纪元等公司正在探索基于VLA（Vision-Language-Action）大模型实现端到端控制。
· 传统控制方法：如PID、力控、MPC和WBC仍然是人形机器人运动控制的重要组成部分，尤其是在需要高精度和稳定性的场景下。
3.2.2. 传感器融合策略与感知能力
多传感器融合是人形机器人实现高精度、鲁棒性感知环境的关键。
· 视觉传感器：作为最主要的环境信息输入口，3D视觉（如双目/多目视觉、结构光、ToF、激光雷达）负责环境的实时建模。特斯拉Optimus采用纯视觉方案，而宇树科技、优必选等则融合了多种3D视觉技术。
· 力觉传感器：特别是六维力/力矩传感器，是完成类人精细操作的核心，用于感知和反馈多维力信息，常用于机器人手部和脚部力控。
· 惯性测量单元 (IMU)：用于维持机器人躯体平衡、导航定位，以及与多传感器融合实现数据互补。
· 触觉传感器（电子皮肤）：是实现类人交互的必备组件，能够感知环境和物体的物理量，尤其在视觉受限时提供关键信息，目前主要应用于灵巧手，未来有望覆盖全身。
· 传感器融合的挑战在于处理不同传感器数据的异构性、实时性要求以及不确定性。感知延迟若超过控制周期，将直接导致动作失稳。
3.2.3. 实时性挑战与非结构化环境适应性
· 实时性是人形机器人运动控制的核心挑战之一。在复杂动态环境中，从感知到决策再到执行的闭环耦合必须在极短的时间内完成，例如在楼梯行走场景中，足底接触判断需要在10ms内反馈。
· 非结构化环境（如崎岖地形、碎石堆、废墟等）对机器人的运动控制提出了极高的要求。机器人需要具备地形适应能力、自主平衡能力以及应对突发扰动和复杂地形的能力。特斯拉Optimus在户外跑步的视频展示了其在非结构化环境中的移动性能。
· 高动态运动（如跑步、跳跃、翻滚）对控制算法的实时响应能力和稳定性提出了严峻考验。
· 计算复杂性是实现全身协同控制和MPC等先进算法的瓶颈，尤其是在高自由度机器人上。
3.2.4. 新兴技术与未来趋势
· 基础模型（Foundation Models），特别是视觉-语言-动作（VLA）模型，正成为推动人形机器人通用化的关键。这些模型能够将自然语言指令直接映射到物理机器人的动作，实现端到端的控制。
· 行为基础模型在人形机器人全身控制中展现出革命性潜力，能够实现更自然流畅的动作和更高的任务执行效率。
· 模仿学习 (Imitation Learning) 利用人类运动数据集，能够实现表现力强且动态的机器人行为。
· 大规模并行仿真结合高性能强化学习算法（如FastSAC和FastTD3），能够显著加速人形机器人运动控制策略的训练，甚至在短时间内实现端到端的完整策略训练。
· 全栈解决方案提供商如ADI，正通过集成驱动控制芯片和伺服驱动解决方案，赋能人形机器人的高精度驱动与实时控制。
3.3. 执行机构：“肢体”
人形机器人的“肢体”由各种执行机构组成，负责将控制指令转化为实际的物理运动。执行器技术正经历从传统刚性驱动向更先进的准直驱和弹性驱动发展的演变。
3.3.1. 主要技术路线及特点
1. 刚性执行器 (TSA - Traditional Stiffness Actuator):
o 原理: 主要由电机、高减速比减速器（如谐波减速器）、编码器和力矩传感器组成。
o 优点: 技术成熟，控制精度高，输出扭矩密度高，适合需要高精度和高扭矩的工业级应用。特斯拉的Optimus关节目前仍采用此方案。
o 缺点: 结构复杂，透明度低，对外部冲击的鲁棒性较差，需要额外的力/力矩传感器来感知交互力。
2. 串联弹性驱动器 (SEA - Series Elastic Actuator):
o 原理: 在驱动元件和负载之间串联弹性元件（如弹簧），模拟生物肌肉的柔顺性。
o 优点: 具有被动柔顺性，能吸收冲击，降低对环境的破坏，并能储存和释放能量，提高瞬时输出扭矩。在医疗手术辅助、精密电子装配等场景有应用潜力。
o 缺点: 系统变为欠驱动系统，控制精度较低，带宽低，对高频运动响应性差，需要更复杂的控制系统。
3. 准直驱执行器 (QDD/PA - Quasi-Direct Drive / Proprioceptive Actuator):
o 原理: 采用直驱电机配合低减速比传动（如行星减速器），或直接感知交互力而不依赖附加传感器。
o 优点: 融合了刚性执行器的高精度和弹性执行器的柔顺性优势。结构简单，成本较低，响应速度快（毫秒级），能量效率高，透明度高，可直接感知交互力。适合消费级高动态场景。
o 缺点: 扭矩密度相对较低，多用于机器人低负载关节。
3.3.2. 执行器分类及关键部件
· 按运动类型:
o 旋转执行器: 输出旋转运动，用于肩部、髋部、腕部等需要大角度旋转的关节。
o 线性执行器: 将旋转运动转换为直线运动，用于手臂伸展等推拉动作。
· 按动力来源:
o 电动执行器: 主流方案，因其成本低、控制精度高、易于联网反馈信息等特点。
o 液压执行器: 曾用于波士顿动力早期机器人，输出功率大，但结构复杂，易泄漏。
o 气动执行器: 输出功率较大，但控制精度相对较低。
· 核心部件:
o 电机: 无框力矩电机因其高转矩密度、紧凑结构和散热优势被广泛应用。空心杯电机也用于手部。
o 减速器: 谐波减速器和精密行星减速器因其小型化和轻量化特性最适配人形机器人。RV减速器主要用于工业机械臂。
o 传感器: 力矩传感器（特别是六维力传感器）和编码器（增量式+单圈绝对值）是关键的感知部件。
o 丝杠: 行星滚柱丝杠在高负载线性执行器中具有较大潜力。
3.3.3. 性能参数与发展趋势
· 关键性能参数: 自由度 (DOF)、额定负载、工作空间、工作精度、功率密度、扭矩、速度、顺应性、能耗和成本。
· 发展趋势:
o 小型化、轻量化、集成化：降低整机成本并提升性能。
o 高功率密度：提升执行器在更小体积内输出更大功率的能力。
o 高顺应性与高精度并存：融合刚性与弹性的优势，实现更安全、更精密的交互。
o 智能化与模块化：模块化通用路线通过标准化单元降低研发维护成本，加速产品迭代。
o 材料科学进步：高端工程塑料（如PEEK）、碳纤维复合材料、特种钢材和永磁材料（如钕铁硼）在轻量化和性能提升方面发挥重要作用。钛合金和铝合金的需求也显著增长，分别用于提供高强度重量比和结构强度。
o 国产替代：国内企业在减速器、电机、丝杠等核心零部件领域正加速实现国产替代。
4. 产业发展现状与市场分析
4.1. 全球竞争格局与市场概览
2025年，全球人形机器人市场正经历爆炸式增长，并被普遍视为量产元年。预计2024年全球市场规模将达到16.957亿美元，2025年增至22.9139亿美元。到2033年，市场规模有望达到255.55亿美元，年复合增长率（CAGR）高达35.18%。这一快速增长预示着行业将迎来商业化量产的加速期和潜在的行业洗牌，形成梯队分化。
中国市场潜力巨大，预计2025年中国具身智能机器人用户支出规模将超过14亿美元，到2030年将飙升至770亿美元，年均复合增长率高达94%。另有预测显示，2025年中国具身智能市场规模预计达52.95亿元，占全球约27%；人形机器人市场规模预计达82.39亿元，占全球约50%。亚太地区预计将以约30%的份额占据主导地位，主要得益于医疗保健和个人援助领域的采用增加。
4.2. 主要参与者及其动态
全球人形机器人领域的竞争日益激烈，主要参与者包括特斯拉、Figure AI、波士顿动力和Agility Robotics等。
4.2.1. Tesla (Optimus)
· 战略定位：Optimus被视为特斯拉未来最重要的业务之一，旨在通过大规模量产和成本控制，将人形机器人推向普通家庭和工业应用。
· 量产与成本目标：预计2024年底开始小批量试产，2025年全年生产数千至一万台用于内部场景使用和训练。目标是将成本降低至4万美元左右，并计划在2026年开始对外批量销售，单价预计在2-3万美元。
· 技术进展：最新进展包括展示了Optimus的跑步能力，以及在运动能力、手部功能和自主学习方面的显著进步。特斯拉已成功注册多枚“TESLA OPTIMUS”相关商标。
· 挑战：尽管在运动能力上取得显著进展，但手部功能和灵活性仍是特斯拉面临的主要挑战。
4.2.2. Figure AI
· 融资与估值：该公司在2025年9月完成了超过10亿美元的C轮融资，投后估值达到390亿美元，成为全球估值最高的人形机器人公司之一。
· 发展方向：融资将用于大规模部署人形机器人到家庭和商业场景，构建下一代GPU基础设施加速训练与模拟，以及启动先进数据采集计划。
· 产品与部署：Figure已推出Figure 01和Figure 02机器人，并计划在未来四年内交付10万台人形机器人。Figure 02已在宝马工厂进行测试，参与零件搬运和装载工作。
· 终极目标：致力于开发具有人类外观和运动能力的人形机器人，终极目标是打造能够像人类一样思考学习的“通用型”机器人。
4.2.3. Boston Dynamics
· 技术实力：其人形机器人Atlas在体操和高难度动作方面展现出惊人能力，代表了高动态运动控制的顶尖水平。
· 商业化进程：尽管技术领先，但Atlas的商业化进程相对较慢。公司已开始销售四足机器人Spot，标志着公司迈向商业化平台和生态的构建。
· 最新产品：波士顿动力发布了新版电动Atlas，专为“现实世界应用”设计，但批量生产和交付仍处于早期阶段。
4.2.4. Agility Robotics (Digit)
· 应用场景：专注于将人形机器人Digit应用于物流和仓储环境，并已在亚马逊仓库进行测试。
· 生产能力：Agility Robotics的RoboFab工厂已开设生产线，目标是每年生产1万台机器人。
· 商业化模式：Digit已于2020年投放市场，并计划在2025年全面上市，售价预计为25万美元。Digit已与GXO签订了“机器人即服务”（RaaS）的长期合约，并在舍弗勒工厂进行装卸任务。
4.3. 中国产业发展状况
中国人形机器人产业在政策支持、市场规模、企业布局和量产进展方面均表现出强劲势头。
4.3.1. 政策支持与区域发展
中国政府以前所未有的力度推动人形机器人产业发展，将其视为培育新质生产力的关键领域。
· 国家战略层面：明确发展目标，例如《人形机器人创新发展指导意见》提出到2025年初步建立创新体系，关键技术取得突破，核心部组件安全有效供给，整机产品达到国际先进水平并实现批量生产；到2027年形成安全可靠的产业链供应链体系。人形机器人被列为未来产业重点，并推动“机器人+”应用行动。
· 地方政策支持：北京市已出台系列政策文件，推动人形机器人从“仿人”技术向“类人”演进，并加速商业化应用，市区两级政府联动，加强创新要素协同，推动机器人产业园建设。上海设立了100亿产业基金，广东等地支持开源社区发展。
· 产业集群：中国人形机器人企业主要集中在北京、上海、苏州、杭州和深圳等地，这些区域拥有成熟的工业体系和人才吸引力，形成了机器人产业发展集聚区。
4.3.2. 市场规模与企业布局
· 市场规模：预计2025年中国具身智能市场规模达52.95亿元，占全球约27%；人形机器人市场规模预计达82.39亿元，占全球约50%。到2030年，中国人形机器人市场规模有望达到约8700亿元。
· 企业布局：中国新增超150家人形机器人企业，头部企业在运动控制、硬件执行、大模型、具身智能等方面展现出技术实力。国内厂商在尺寸、自由度、负载等方面实现跨越式进步。
4.3.3. 量产进展与订单情况
2025年被认为是“人形机器人量产元年”，中国本土企业在量产和订单方面取得了显著进展。
· 优必选科技 (UBTECH Robotics)：
o 量产进展：Walker S2工业人形机器人已于2024年11月中旬启动量产并开始交付，月产能已超过300台，预计2025年全年交付量将突破500台。公司计划在2025年发布Walker S2开发者版。
o 订单情况：截至2024年11月底，Walker系列人形机器人2025年度累计订单总额已达13亿元人民币。近期与国内领先AI大模型公司签订了超过0.5亿元人民币的销售合同。还中标了江西九江市人形机器人数据采集与训练中心项目（1.43亿元）。2024年9月至11月期间，陆续斩获了2.5亿元、1.26亿元、1.59亿元、2.64亿元等多个大额订单，其中2.64亿元订单刷新了全球人形机器人单笔订单金额纪录。
199元解锁完整行业研报
