Pantera 深圳考察手記：硬體中國領先、軟體美國領先，「數據農場」堆不出模型能力

作者：Cosmo Jiang， Erik Hopyan （Pantera Capital）

編譯：深潮 TechFlow

導讀：在加密一級市場流動性收緊的當下，頭部加密 VC 的觸角已經明顯伸向了 AI 與機器人賽道。

Pantera Capital 是美國最早、最知名的機構級加密/區塊鏈投資機構之一。2003 年創立，2013 年推出美國首個機構比特幣基金，長期以來以數字資產、區塊鏈為核心，後來逐步擴展到 AI、機器人等更廣的科技前沿領域。

最近這家基金的合夥人 Cosmo Jiang 和投資人 Cody Poh 就專門飛了一趟深圳，實地調研了中國機器人產業鏈，觀察了從人形機器人整機廠、模型團隊到靈巧手與數據採集設備商等各個環節，並發布了一篇長文總結。

他們的核心發現總結下來非常直接：硬體中國領先，軟體美國領先，而在中間的數據環節，質量遠比數量重要。

而文中更有意思的，是他們站在 VC 角度對中美資本生態的洞察和對比：

中國創投普遍要求項目 2-3 年內看到營收甚至推動上市，加上知識產權保護相對薄弱，倒逼創業者優先做硬體銷售和數據外包這類"快錢"生意，不敢重倉長周期的底層軟體研發。

此外，國內勞動力成本低，目前人形機器人更多停留在展廳接待或表演（跳舞、打功夫）；而美國高昂的人工成本和藍領缺口，讓工業與物流自動化有了實打實的商業訂單驅動。

我們對全文進行了編譯如下。

凌晨兩點，在新加坡延誤了六個小時後，我們搭乘的國泰航空航班終於降落在香港。僅睡了不到三個小時，我們便坐上了一輛直奔深圳的汽車。這裡是中國的硬體之都，也是華為、比亞迪、大疆等科技巨頭的總部所在地。

"現場現物（Genchi Genbutsu）"：親自去看，親眼所見。我們此前拜訪了大量美國本土的機器人公司，並精選投資了其中幾家。基於這些經驗，我們深知中國在全球機器人產業鏈中是至關重要的一環；但如果僅隔岸觀火，我們真的能看透真相嗎？

過去兩年來，機器人賽道一直是我們的研究重心。具身智能（Embodied AI）領域的突破，為這一產業的發展潛力帶來了階梯式的階躍（Step Function Change）。如今，模型已經能夠在物理世界中進行視覺感知、邏輯規劃並付諸行動，而驅動這些模型所需的硬體也變得愈發強大且便宜。

在最樂觀的預期下，機器人將顛覆全球更廣泛的體力勞動市場。目前全球有 22 億體力勞動者，每年的薪酬總池超過 $20 萬億。哪怕機器人僅滲透這一市場的 1%，其產生的營收體量就足以與當今全球最頂尖的科技巨頭相媲美。

中國對於具身智能產業而言是不可或缺的存在。全球設備製造商高度依賴中國的供應鏈，2025 年中國製造商佔據了全球人形機器人產量的 90% 以上。與此同時，美國聯邦通信委員會（FCC）近期對外國製造的先進機器人設備實施的限制措施，凸顯出地緣政治正在日益深刻地重塑機器人產業。

作為專注基本面的投資人，我們必須理解並駕馭這一瞬息萬變的宏觀格局。而達成這一目標的最佳方式，就是深入前線，親眼見證最真實的產業現狀。

就這樣，我們的深圳之行正式拉開帷幕。在這裡，我們第一手深入觀察了中國飛速演進的機器人產業生態。我們走訪了覆蓋機器人全產業鏈的大量企業，從垂直整合的人形機器人整機製造廠、前沿模型開發商，到數據採集設備供應商以及專注靈巧手的研發專家。

在此期間，我們與初創企業創始人、負責銷售、製造和科研的高管進行了深入對話，也與初入職場的大学應届畢業生坦誠交流。我們的考察目標非常明確：搞清楚中國在全球機器人競賽中所處的真實位置、核心競爭優勢何在，更重要的是，當前市場中還存在哪些具備投資價值的空白與機遇。

硬體：中國在製造競賽中領跑

在整個考察行程中，有一點毋庸置疑：中國在機器人硬體競賽中處於絕對領先地位，其背後堅實支撐是無與倫比的製造規模與供應鏈整合能力。這一優勢在深圳體現得尤為極致，這裡堪稱中國製造業引擎的心臟。

作為全球製造業核心樞紐數十年的積澱，讓這裡建立起了壁壘極深的基礎生態：隨處可得的原材料、極具成本效益的物流網絡、成熟的大規模量產產線，以及規模龐大且精通精密製造的熟練勞動力大軍。這構成了其他新興製造中心極難複製的結構性護城河。

這種供應鏈優勢不僅直接轉化為極致的成本競爭力，更帶來了驚人的創新迭代速度。在深圳，一家人形機器人初創公司可以在早晨冒出一個新想法，隨即通知上游供應商，中午新定製的零部件就能直接送到辦公室。

這種極致的響應效率讓中國製造商能夠以更低的價格供應更優質的前沿硬體。外界過去認為中國只能製造低質仿製品或大路貨的刻板印象，早已嚴重過時。

隨著各大前沿模型實驗室不斷擴大訓練規模，它們對定製化數據採集設備的需求呈爆發式增長，而中國在低成本規模化製造這類設備方面具有獨一無二的優勢。

我們交流過的一些美國頂尖機器人公司，往往高調宣稱所有核心部件均為自主研發製造；但在深圳與當地供應商交流時，他們會指名道姓告訴你，自己正在向哪家美股七巨頭（Mag 7）或是估值數十億美元的矽谷明星獨角獸穩定供貨。從靈巧手、執行器等核心零部件，到用於數據採集的廣角相機和頭顯設備，皆是如此。

以無極科技（Wuji Tech）製造的靈巧手為例，該產品在接近人類手掌尺寸的緊湊體積內集成了超過 1800 個零部件，其性能優於我們在美國見過的任何機械手。不出所料，他們正是許多美國科技巨頭背後默默無聞的核心供應商。

其每個手指均支持反向彎折，大幅增強了耐用性（這是目前機械手領域的兵家必爭之地）以及應對意外碰撞的抗衝擊能力。在現場，我們觀摩了機械手（通過遙操作）從一整副撲克牌中精準剝離出單張紙牌。這對人類看似輕而易舉，但對機器人手部操作而言卻是巨大的考驗，因為它需要對力度和摩擦力實現微米級的精準控制。

另一個令人震撼但略帶異樣感的瞬間，是看到優必選（UBTECH）帶有仿真人皮的人形機器人，撲面而來一種《太空堡壘卡拉狄加》中賽隆人（Cylon）的既視感。

中國市場的另一個顯著特徵是極度激烈的內卷競爭，這種競爭不斷壓低產品售價，將行業利潤率壓縮至趨近於零。

有一家初創公司花了整整一個小時向我們介紹他們下一代執行器取得的各項技術突破。然而，當我們詢問他們最終靠什麼在市場競爭中突圍時，他們脫口而出："當然，價格才是最重要的。"持有這種看法的企業絕非個例。

在午餐期間，一位連鎖零售店老闆也感慨道，在國內做生意很難賺到利潤，因為總有競爭對手願意犧牲當年的利潤來搶奪市場份額，寄希望於明年再賺錢；結果到了下一年，又會出現新的搶局者以更低的價格惡性競爭。

中國文化中有著根深蒂固的"吃苦"精神。這種願意長期咬牙忍受艱辛的韌性，固然抑制了單個企業獲取超額商業利潤的能力，讓每家公司的生存都變得異常艱難，但從宏觀層面看，卻讓整個國家的供應鏈產業集群獲得了驚人的整體競爭力。

除了成本和規模優勢，中國處於機器人產業鏈最上游的位置，還賦予了它另一個常被外界低估的天然優勢：能夠近距離洞悉全球前沿技術的演化趨勢。

各大前沿機器人實驗室一直在不斷嘗試全新的數據採集方式，從觸覺和力反饋傳感手套，到配備八顆高清攝像頭以實現更寬視角錄製的視覺採集頭顯。

作為全球幾乎唯一能夠快速且低成本交付此類前沿硬體的供應方，中國製造商能夠極早捕捉到全球頂尖實驗室在技術需求上的微妙變化，甚至能比整體市場提前 3 到 6 個月預判出下一代技術演進風向。

然而，中國企業能否將這種製造端的統治力以及提前獲取的市場洞察，真正轉化為屬於自己的核心專有技術優勢？這是另一個完全不同的命題。隨著我們行程的深入，心中的疑慮也越來越深。

數據：採集是行業瓶頸，而非競爭壁壘

幾乎每家機器人公司都告訴我們，中國正在推行規模龐大的數據採集工程，並將這些數據廣泛輸出給全球客戶。

在表面上看，這似乎合情合理：企業安排工人們戴上採集頭顯，捕捉第一視角的本體感知數據，以此賺取一筆額外收入。但隨著我們與中國生態圈內更多初創企業的交流，事實證明背後的運作機制遠比表面看起來更加複雜，並且通常伴隨著地方政策層面的明確引導。

多位業內人士向我們透露，中國各級地方政府其實是推動這一波數據採集浪潮的核心主力。在中央出台扶持機器人產業發展和促進就業的激勵政策後，地方政府敏銳地意識到，對數據採集環節進行財政補貼，是短期內創造機器人相關新增就業崗位的捷徑。

地方官員在量化考核指標的驅動下，往往傾向於追求易於統計的短期考核結果，而這種追求有時會以犧牲更高維度的長期產業戰略為代價。

數百萬美元的資金正被持續砸向一些價值存疑的訓練數據上。在中國各地，湧現出了許多所謂的"數據農場"，工人們日復一日機械地重複同一種動作，以此堆砌出成千上萬個小時的"機器人訓練數據"。

然而，這類高度重複、同質化的數據集，在最初幾份之後，對於提升模型的泛化能力幾乎無法帶來任何實質性的增量價值。

儘管數據質量堪憂，這些數據依然能夠源源不斷地賣給海外客戶。這反襯出一個更深層次的行業嚴峻現實：數據的稀缺性依然是當前機器人模型研發面臨的最大瓶頸。不同於大語言模型可以直接抓取互聯網上海量現成的文本語料，機器人領域根本沒有對應現成的現貨數據池。

此外，真正有價值的機器人訓練數據形態各異，而解鎖下一代模型性能躍遷所需的數據類型，目前在現實世界中甚至尚未達到能夠有效利用的規模。

因此，真正的核心壁壘從來不是數據採集本身，而是將原始數據轉化為高價值訓練信號的能力。

令人鼓舞的是，越來越多的前沿跡象表明，擴展律（Scaling Laws）同樣適用於機器人模型，即隨著訓練數據規模的提升，模型性能會呈現確定性的增強。這意味著市場對高質量、多樣化的異構機器人訓練數據將保持持續旺盛的需求，而這類數據必須能夠精準匹配跨模態、不同採集手段以及新型訓練架構不斷演進的標準要求。

在"高質量數據"定義不斷發生動態變化的行業環境中，最具防禦力的競爭壁壘，在於能否成為全球頂尖前沿實驗室不可替代、深受信任的科研合作夥伴。

贏得這種行業聲譽的關鍵，在於在數據標註、清洗篩選和模型評測上擁有極高的專業品味，而非單純依賴堆人頭的採集產能。

未來的贏家很可能不是那些採集數據總量最大的團隊，而是具備深厚具身智能科研背景、能夠以最快速度協同前沿機器企業技術演進的團隊。正如 Scale AI 和 Mercor 憑藉頂尖的科研理解力深度綁定全球頂級大模型實驗室一樣，這一邏輯在具身領域同樣成立。

軟體：房間裡的大象

機器人自動化技術在工業界其實已經存在了數十年。例如亞馬遜自 2012 年收購 Kiva 以來，便在倉儲物流體系中大規模引入自動化機器人，並於 2025 年突破了 100 萬台部署規模，且不斷推出全新的形態與功能。因此，製造出愈發先進的硬體不過是工業進化的自然延伸。

機器人領域真正的範式革命在於具身智能。它徹底打破了機器人只能針對特定任務進行窄域預編程的局限，從根本上拓展了機器人的泛化認知與執行邊界。

而在我們深圳的所有參訪中，AI 軟體始終是一頭誰都不願主動挑明的"房間裡的大象"。我們在現場看到的大多數人形機器人和設備，其自主決策與泛化能力極其有限，絕大部分嚴重依賴人工遙操作（Teleoperation）或預設的固定程序動作。

多位企業高管坦言，自家機器人目前缺乏高階 AI 能力，底層軟體算法至少落後海外頭部競對 1 到 2 年。而在基層年輕員工口中，往往能聽到少一些官方客套、多一些殘酷真實的現狀。他們開玩笑承認，自己的軟體系統目前根本無法在複雜場景中正常運轉，之前的很多嘗試也稱不上全力以赴。

這部分原因在於我們本次考察集中在重硬體的深圳，而非更側重軟體算法的杭州或上海。但這背後確實折射出更普遍的行業底層事實。

中國在硬體製造和數據採集這兩大核心要素上的統治力，並未自然轉化為在軟體算法上的領跑地位。許多中國的人形機器整機廠商並沒有從底層研發自己的基座模型，而是繼續將美國前沿實驗室發布的開源模型作為自身軟體能力的基石，特別是 OpenAI、英偉達（Nvidia）以及 Physical Intelligence 等機構的開源生態。

我們與業內研究人員的交流表明，不少中國機器人企業似乎更傾向於不在基座模型研發上投入巨額重資本，而是把精力集中在對現有開源模型的後訓練（Post-training）微調上。

對於美國的前沿模型實驗室而言，這恰好構成了一個戰略切口：開源可以演變為極其強大的市場分發策略，推動全球開發者採用並圍繞其模型構建生態網絡。隨著這些基座模型的通用性能變得越來越強，中國製造商自主研發替代性底層模型的動力可能會進一步被削弱。

模型蒸餾在中國企業界早已是公開的秘密，顯然部分團隊正押注能將這種路徑複製到機器人賽道上。然而，不同於大語言模型可以通過合成文本實現高效的模型蒸餾，機器人模型面臨著更為複雜的工程挑戰。

對機器人模型進行蒸餾，不僅需要底模算法，還需要海量的真實物理交互數據、硬體協同基礎設施以及嚴苛的現實世界實測驗證。這使得即便擁有強大硬體製造能力的企業，要想純靠蒸餾複製海外最前沿的模型能力，難度也呈幾何級數增加。

商業規則的深層分野

在一個僅用當代高管一輩子的時間就徹底脫離貧困的國家，物質記憶留下的深刻印記清晰可見。中國社會彌漫著強烈的拼搏與追趕文化，這在新興財富快速崛起的地區非常普遍：人們渴望儘快賺取確定性的商業利潤，生怕跌回後視鏡中記憶猶新的貧困歲月。

這聽起來似乎合情合理，但真正讓我們震驚的，是這種心態對整個創業與創投生態產生的深遠塑造。

在走訪中國初創公司的過程中，我們反覆聽到一句帶著艷羨的感慨："美國的初創公司根本不用為短期賺錢發愁。"這直指中國團隊承受的來自投資人的嚴苛商業化壓力。

這種分歧源自中國風險投資生態中普遍偏短的投資回報周期預期。許多初創公司在成立 2 到 3 年內就被要求產生可觀的業務營收；一旦稍有起色，投資人便會急不可耐地推動其衝刺上市。

我們推測，中國風投機構之所以缺乏對長期投資周期的耐心，主要有以下幾重原因：一方面是缺乏高回報的替代性資產（過去十年在窄幅震盪的股票市場、一線城市僅有 1% 左右回報率的住宅租金，再加上資本管制的限制）；另一方面，則是缺乏類似海外大學捐贈基金那類能夠承受超長周期的長線機構出資人（LP）。

這倒逼創業團隊將重心嚴重傾斜向硬體代工和數據採集外包服務，因為這類業務回款更快、資金回流周期短；而對於商業化路徑漫長且充滿不確定性的底層軟體研發，則敬而遠之。

此外，兩地在知識產權保護的態度上也截然不同。儘管走訪中我們在很多公司的走廊牆上看到掛滿了自豪展示的專利證書，但實質性的知識產權保護相對薄弱在業內卻是不爭的事實。

這迫使企業必須以最快速度將每一項微小創新進行商業變現，否則很快就會被同行以更低成本模仿抄襲並率先搶佔市場。

其最終導致了激勵機制上的結構性錯配：中國在機器人物理層構建起了極其強大的壁壘，但現有的資本環境與考核導向，卻在客觀上抑制了將這些物理優勢躍升為軟體領導地位所需的超長期耐心資本投入。

Pantera 對機器人產業的核心研判

離開深圳時，我們對全球機器人產業所處的發展階段，以及未來演進中所蘊含的關鍵差距與破局點，有了遠比以往更加清晰和立體的認知。

1. 機器人產業仍處於極早期，中國扮演不可替代的關鍵支柱

我們在深圳的實地考察以及與中國機器人高管的對話，再次印證了我們的判斷：具身智能產業目前仍處於起步階段。硬體性能正在持續優化，但至少在中國團隊的共識裡，軟體算法距離真正成熟的商業化落地還相差甚遠。

中國在全球機器人產業鏈中的分量比以往任何時候都更加舉足輕重。中國製造企業不僅是數據採集設備的核心製造者，也是機器人關鍵零部件的主要供應方。

數據依然是釋放模型泛化能力的核心瓶頸；只要擴展律持續生效，採集更多樣化、高質量的數據就是提升性能的必經之路。中國的製造生態在規模化量產數據採集硬體，以及向全球市場穩定輸出靈巧手、執行器等核心關鍵部件上，擁有獨一無二的產業地位。

中國未來如何深度參與全球機器人產業生態，將直接決定全球產業發展的迭代速度。中國在硬體層面的主導地位大概率將長期保持，並繼續充當全球機器企業的核心供應商（即使 FCC 對整機存在潛在禁令，但該限制並不覆蓋零部件）。

未來如果中國團隊在算法模型層面迎頭趕上，中國企業很可能會通過提高核心零部件售價或限制硬體供應，對全球產業鏈形成巨大的制約籌碼。儘管在當前來看這屬於小概率情景，但這也是我們在對美國本土機器企業進行投資風控核算時必須重點考量的關鍵潛在風險。

2. 中國本土使用機器人的經濟性訴求尚未完全顯現

目前中國市場的人形機器人出貨量雖然十分亮眼，但幾乎沒有被投入到任何具有實質性經濟產出的生產場景中。眼下中國的人形機器人主要被部署在低商業附加值的展示和娛樂場景，例如在展廳、博覽會中向參觀者進行簡單指引，或進行跳舞、打功夫表演。四足甚至雙足機器人目前絕大多數依然只是賣給高校科研實驗室或極客愛好者。

這與美國市場形成了鮮明反差。在美國，機器人正加速滲透進高價值的工業製造與物流倉儲場景，部分企業已經鎖定了數千萬美元規模的長期商業採購大單。

造成這一根本分歧的關鍵，在於兩地勞動力成本與供給結構的巨大落差：西方高昂的人力成本叠加年輕一代對藍領體力勞動的排斥，形成了極強的自動化降本經濟驅動力。

即便如此，技術進步往往遠早於大規模商業化普及。一位中國創業者向我們分享了一個生動的比喻：今天的人形機器人就像是馬車時代的早期汽車，當時人們普遍質疑汽車的實用價值，因為馬車已經完全能夠滿足日常出行需求；但當時的人們無法預見，汽車日後將徹底顛覆整個交通出行版圖並催生全新的龐大產業。

我們堅信，這一顛覆性演化規律同樣適用於人形機器人。今天的大眾與企業難以理解為何需要通用人形機器人，純粹是因為他們尚未真正見識過通用具身智能最終所能釋放的全部潛能。此外，由於中國本土缺乏通過替代人工降本的迫切經濟訴求，探索前所未有的商業化應用場景的內生動力相對不足，這也在一定程度上讓當地的創業生態表現得更為保守。

3. 通用人形機器人終將成為未來成本最低的勞動力形態

行業內一直在激烈探討一個核心問題：既然專用機器人處理特定任務時更加高效穩定，世界為何還需要通用人形機器人？

我們在中國的實地調研也印證了這一現狀：在當前階段，專用機器人的實際作業能力確實遠勝通用機器人。通過聚焦於邊界明確、可量化的細分任務，專用機器人能夠實現更快的商業化閉環。

然而，在橫向規模化擴張方面，專用機器人有著天然的上限。一家企業不可能在日常運營中針對每一種不同工序各採購一套專門的機器人；同樣，一個普通家庭也絕不可能同時購買一台洗碗機器人、一台擦桌機器人、一台洗衣機器人和一台疊衣機器人。

專用機器人在單一環節的表現固然更勝一籌，但一旦需要多台機器組合才能完成一連串日常工作時，其整體採購與維護的經濟性便會大打折扣。

我們認為，通用人形機器人最終將成為成本最為低廉的勞動力形態。其核心優勢並不在於它能以 99.9% 的極致精度完成某一特定任務，而在於它能夠以 99% 的合格精度同時勝任上百種完全不同的日常工作。

人形機器人無需在洗碗、疊衣或洗衣的每一個單項上做到天下第一，它只需在這三項以及更多家務上做得足夠好即可。隨著模型泛化能力的提升，同一套通用硬體底盤可以解鎖無限擴展的技能庫，而無需企業或家庭額外購置其他專用設備。

歸根結底，通用人形機器人的終極經濟學壁壘，並不在於單點作業能力的極致化，而在於單台設備能夠覆蓋的任務種類數量的最大化。這種通用泛化能力，伴隨運行穩定性的提升以及硬體製造成本的持續下探，將從根本上顛覆整個物理體力勞動的經濟模型。

4. 數據採集市場體量巨大，核心價值向"數據智能"沉澱

伴隨擴展律成功延伸至物理世界 AI 領域的更多確鑿證據，機器人數據採集必將成長為一個極其龐大的市場。Figure AI 近期發布的 Helix 2.5 模型給出了令人振奮的實測證明：隨著訓練數據量的成倍增長，機器人模型能力的提升展現出高度的可預測性。

正如更大規模的數據與算力推動了大語言模型的能力躍遷一樣，機器人領域也正在複刻同樣的演進軌跡。這意味著隨著前沿實驗室加速競逐通用具身智能，對機器人訓練數據的剛性需求將呈現持續爆發態勢。

然而，單純增加數據規模並不等同於獲得了更高質量的數據。我們在中國的實地考察更加堅定了這一認知。儘管大型數據農場能夠批量刷出成千上萬個小時的實操錄像，但這種同質化極強的數據對於提升模型泛化性能的邊際增量價值微乎其微。

隨著產業進入深水區，行業瓶頸將迅速從"採集更多小時的數據"轉向"精準篩選出真正有價值的核心數據片段"。

因此，真正的藍海機遇並不在粗放的數據採集，而在於如何將原始的訓練時長轉化為可量化的模型能力提升。這需要更精細的數據標註、過濾、清洗與評測體系，以便從大量冗餘、低質的流水線數據中提取出寶貴的有效訓練信號。

隨著機器人模型的飛速迭代及其對數據標準的不斷重構，持續挖掘並交付高價值優質數據集的專業能力，將構成遠比單純鋪人頭採集更為深厚的競爭壁壘。

5. 模型層將逐步走向同質化，但美國將持續保持對中國的算法領先

我們認為，機器人底層模型層的競爭正在急劇白熱化，長期來看面臨同質化（Commoditized）的商品化風險。

在過去幾個月中，包括 Physical Intelligence、Generalist、Dyna Robotics 以及 Figure AI 在內的多家美國頂尖團隊，各自獨立發布了在模型能力與泛化上的重大突破。多家團隊在極短時間內先後達成實質性突破這一事實表明，前沿具身智能大概率不會像大模型領域那樣被 OpenAI 和 Anthropic 兩家巨頭壟斷。

大多數藍領體力勞動並不需要高達 200 的超級智商，它們只需要適度的環境理解力配合極佳的後訓練微調即可勝任。隨著訓練方法論的逐步成熟和數據規模的擴大，整個行業的競爭重心將從研發通用的基座模型，全面轉向場景落地部署與針對性後訓練。在這樣的格局下，任何單純押注基座模型的公司，都將越來越難維持差異化的競爭護城河。

在可預見的未來，我們認為美國在軟體算法上仍將保持對中國的領先身位。這很大程度上是因為中國機器人企業更傾向於追逐硬體銷售與數據外包帶來的即時現金流，而缺乏長期投注重資本研發的耐性。美國前沿實驗室在底層算法上的持續突破，大概率將進一步加深中國廠商對海外開源生態的依賴慣性。

不同於大語言模型可以較為輕鬆地通過文本蒸餾快速複現，具身智能的模型蒸餾門檻要高得多。模型認知必須與跨多樣化物理環境和不同機械本體的真實互動數據深度閉環。單純依靠硬體製造層面的單點優勢，無法輕易逾越這道綜合性壁壘。我們推斷，中美在具身軟體領域的代際差距，可能會比我們在大語言模型領域觀察到的差距更為持久。

6. 機器人賽道具備顯著的"後發優勢"

目前有海量資金正在被投入到解答機器人領域的底層重大爭議中（例如模型架構路線、機械構型設計、垂直一體化 vs 水平分工等），而很多早期的初創公司注定會在這場探索中走入死胡同。

今天新入局的創業團隊完全可以站在先行者的肩膀上汲取經驗教訓，省去試錯交學費的巨額資本消耗，直接基於行業最新的範式（Meta）打造最前沿的全新架構。

結語

行程最後一天的晚上八點，我們坐上了同一輛汽車，踏上前往香港國際機場並飛回紐約的歸途。在對深圳機器人核心產業帶進行了全方位的深度考察後，我們對全球機器人產業的發展全景有了焕然一新的認知。

"現場現物"。這次實地考察再次堅定了我們的信念：在這個信息過載的時代，親臨一線、親眼所見，依然是專注基本面的投資人構建獨立思考與深度研判的最堅固基石。

中國無疑將在重塑全球機器人的未來版圖中扮演舉足輕重的角色，我們也將密切關注硬體、軟體以及二者之間所有環節的演化進程。

數十年的製造業積澱賦予了中國在硬體製造上極其巨大的、甚至難以逾越的壁壘。然而，短期量化目標驅動的數據採集弊端隱現，資本層面對即時回報的短視，也讓本土企業在面對需要長周期攻堅的底層創新時相比美國企業受到更多掣肘。

有一點比以往任何時候都更加清晰：我們離開深圳時，對機器人賽道的未來前景充滿了更加笃定的信心，並堅信當下正是重倉投資該產業的絕佳時機。

在底層軟體真正具備足夠的泛化能力、讓人形機器人具備實質生產力之前，行業在數據採集、高維標註和數據智能領域依然存在巨大的結構性缺口。我們始終在尋找那些在機器人數據與具身智能領域打造突破性解決方案的優秀創業者。如果你正深耕於此，我們的投資團隊非常期待與你交流。