机器人

当前AI模型缺乏在物理世界中行动的能力，具身智能和机器人技术路线才刚刚起步

对于机器人、自动驾驶和具身智能等应用，场景理解只是第一步，持久且可行动的空间状态才是关键。

单次演示和全天候稳定运行之间存在巨大的工程鸿沟，故障率、维护停机时间和异常处理能力会推高实际使用成本。

技术可行性和经济可行性之间的鸿沟，由安装、维护、电力、工作场所改造和可靠性共同填充，跨越这道鸿沟需要更低的总体拥有成本和更高的运行稳定性。

异常处理能力（机器人遇到抓取失败、物品错位、突发障碍时能否自主恢复）是当前技术的主要短板，往往需要人工介入，从而稀释了自动化的成本优势。

真实部署要求机器人在数千小时的连续运行中保持稳定的成功率（例如99%以上），而演示视频通常只展示成功的那一次。

飞行汽车和机器人这两个赛道再次被承诺，但原文表达了对重复叙事的警惕。

若机器人单位经济模型为负，意味着每多交付一台就多亏损一份，规模化只会放大亏损。

目前机器人的动作仍由预定义任务控制器驱动。

AI 功能通常让机器人基础价上浮 20% 至 40%，系统集成可能再增加 1 万至 5 万美元。

多数机器人的回本周期在 18 至 30 个月，但这是跨场景的平均值。

据单一来源的独特见解，一些前沿实验室正在探索让机器人通过观看人类视频直接学习并构建内部视觉模型，实现更自然的人机协作。

在感知输出直接驱动物理动作的机器人场景中，验证层必须放在动作调用之前，而不是之后。

机器人只是物理AI的一个子集，将物理AI等同于人形机器人或机械臂会限制对技术浪潮的理解和投资布局。

基础模型是机器人智能化的必要条件，但远非充分条件。

近年来 Startup Battlefield 的入选项目中，AI 基础设施、机器人与垂直行业应用的比例明显上升。

通用移动机器人同样需要感知、决策和控制能力，只是工作环境从开放道路变为仓库、工厂或家庭等结构化空间。

汽车行业在自动驾驶、传感器融合、大规模制造等方面积累的能力，与机器人公司所需的核心技术存在高度重叠。

近年来，随着电动汽车行业的竞争格局趋于稳定，部分资深人才开始向机器人、AI硬件等新兴领域迁移。

同一台机器人在汽车零部件大厂ROI显著，在小型精密加工厂却可能算不过账。