Pantera 合伙人深圳行：具身智能硬件占优，数据农场难补模型短板

加密一级市场流动性收紧，头部加密 VC 的目光正明显转向 AI 与机器人。

2003 年成立、2013 年推出美国首只机构比特币基金的 Pantera Capital，是美国加密与区块链投资领域资历最深、名气最大的机构之一。它长年押注数字资产与区块链，之后又把触角伸向 AI、机器人这类更宽的科技前沿。

近期，这家基金的合伙人 Cosmo Jiang 和投资人 Cody Poh 专门飞了一趟深圳，实地调研中国机器人产业链，走访了人形机器人整机厂、模型团队、灵巧手与数据采集设备商等各个环节，并发布了一篇长文总结。

他们的核心发现很直接：硬件中国领先，软件美国领先，夹在中间的数据环节，质量远比数量重要。

文中更有意思的部分，是站在 VC 角度对中美资本生态的洞察和对比。

中国创投普遍要求项目 2-3 年内看到营收甚至推动上市，加上知识产权保护相对薄弱，创业者因此优先做硬件销售和数据外包这类“快钱”生意，不敢重仓长周期的底层软件研发。

国内劳动力成本低，人形机器人目前更多停留在展厅接待或表演（跳舞、打功夫）；美国人工成本高昂、蓝领缺口大，工业与物流自动化因此有了实打实的商业订单驱动。

以下为对全文的编译。

国泰航空的航班在新加坡耽误了六个小时，落地香港时已是凌晨两点。一行人合眼不到三个小时，就又上车直奔深圳。这座城市是中国的硬件之都，华为、比亚迪、大疆等科技巨头的总部都设在这里。

“现场现物（Genchi Genbutsu）”：亲自去看，亲眼所见。此前拜访了大量美国本土的机器人公司，并精选投资了其中几家。基于这些经验，深知中国在全球机器人产业链中是至关重要的一环；但如果仅隔岸观火，真的能看透真相吗？

两年来，这支团队把研究精力主要放在机器人赛道上。具身智能（Embodied AI）接连取得突破，让这个行业的发展空间出现了阶梯式的跃升（Step Function Change）。模型如今已能在物理世界里做视觉感知、逻辑规划并动手执行，支撑这些模型的硬件也越做越强、越做越便宜。

按最乐观的设想，机器人会改写全球范围更广的体力劳动市场。眼下全球体力劳动者有 22 亿，每年薪酬总池超过 $20 万亿。机器人哪怕只渗透其中 1%，带来的营收规模就足以比肩当下全球最顶尖的科技巨头。

具身智能产业离不开中国。全球设备制造商高度依赖中国的供应链，2025 年中国制造商拿下全球人形机器人产量的 90% 以上。另一边，美国联邦通信委员会（FCC）前不久对外国制造的先进机器人设备设限，说明地缘政治正越来越深地重塑机器人产业。

做基本面投资的人，得看懂并驾驭这种瞬息万变的宏观格局。最好的办法就是走到一线，亲眼看最真实的产业现状。

深圳之行就这样开始了。在这里，一行人近距离观察了中国快速演进的机器人产业生态，走访的企业覆盖机器人全产业链：既有垂直整合的人形机器人整机制造厂、前沿模型开发商，也有数据采集设备供应商和专攻灵巧手的研发专家。

行程中，他们与初创企业创始人、分管销售制造和科研的高管深谈，也和刚参加工作的大学应届毕业生坦诚交流。考察目的很清楚：弄清中国在全球机器人竞赛里的真实位置、核心优势在哪，更要紧的是，当下市场还有哪些有投资价值的空白与机会。

硬件：中国在制造竞赛中领跑

一路走下来，有件事没有疑问：机器人硬件竞赛中，中国处于绝对领先地位，撑起这一位置的是无可比拟的制造规模与供应链整合能力。这一点在深圳体现得最充分，这里就是中国制造业引擎的心脏。

作为全球制造业核心枢纽，深圳积累了几十年，建起壁垒极深的基础生态：原材料随处可得，物流网络成本效益极高，大规模量产产线成熟，还有一支规模庞大、精通精密制造的熟练劳动力大军。其他新兴制造中心想复制这套结构，极难。

这种供应链优势直接换来了极致的成本竞争力，也带来了惊人的创新迭代速度。在深圳，一家人形机器人初创公司早上冒出个新想法，马上通知上游供应商，中午新定制的零部件就能送到办公室。

响应效率这么高，中国制造商就能以更低价格供应更优质的前沿硬件。外界过去以为中国只会造低质仿制品或大路货，这种刻板印象早已严重过时。

各大前沿模型实验室不断扩训练规模，对定制化数据采集设备的需求随之爆发，而中国在低成本规模化制造这类设备上有独一无二的优势。

交流过的一些美国顶尖机器人公司，常高调宣称核心部件全是自己研发制造；可到深圳跟当地供应商一聊，对方会指名道姓地说，自己正稳定给哪家美股七巨头（Mag 7）或估值数十亿美元的硅谷明星独角兽供货。从灵巧手、执行器等核心零部件，到数据采集用的广角相机和头显设备，都是如此。

拿无极科技（Wuji Tech）造的灵巧手来说，接近人类手掌大小的紧凑体积里集成了超过 1800 个零部件，性能强过在美国见过的任何机械手。不出所料，许多美国科技巨头背后默默供货的核心供应商正是他们。

这只手的每根手指都能反向弯折，耐用性因此提升不少——这恰是当下机械手赛道争夺最激烈的地方——遇到意外碰撞时的抗冲击能力也更强。现场我们看了一次遥操作演示：机械手从一整副扑克牌里把单张牌稳稳剥离出来。对人类来说这不算什么，可对机器人手部操作却是硬仗，力度和摩擦力都得控制到微米级。

另有一个场面让人震撼，又隐隐觉得不太对劲：优必选（UBTECH）那台披着仿真人皮的人形机器人，第一眼就让人想起《太空堡垒卡拉狄加》里的赛隆人（Cylon）。

中国市场还有一点很突出：内卷极其激烈。竞争一轮轮把售价往下压，行业利润率被挤到几乎归零。

有家初创公司用了整整一个小时，向我们讲解他们下一代执行器拿下的各项技术突破。可等我们问，最后靠什么在竞争里杀出来，对方脱口而出：“当然，价格才是最重要的。”这么想的企业并不止一家。

午餐时一位连锁零售店老板也感叹，在国内做生意利润很难挣，总有人愿意放弃当年的利润来抢市场份额，赌明年再赚钱；可到了下一年，又冒出新的搅局者，用更低的价格打恶性竞争。

中国人骨子里有股“吃苦”的劲头。这种愿意长期咬牙扛住艰辛的韧性，确实压住了单个企业赚超额利润的空间，让每家公司活得都不轻松；但放到宏观上看，它让整个国家的供应链产业集群拿到了惊人的整体竞争力。

成本与规模之外，中国卡在机器人产业链最上游，还带来一个常被外界低估的天然好处：能就近看清全球前沿技术往哪个方向演化。

各大前沿机器人实验室一直在试新的数据采集办法，从触觉与力反馈传感手套，到装上八颗高清摄像头、视野更宽、便于录制的视觉采集头显。

全球几乎只有中国制造商能又快又便宜地交付这类前沿硬件，所以他们能极早察觉到全球顶尖实验室在技术需求上的细微变化，甚至比整体市场提前3到6个月判断出下一代技术的演进风向。

不过，中国企业能不能把制造端的统治力，连同提前拿到的市场洞察，真正变成属于自己的核心专有技术优势？这是另一个完全不同的问题。行程越往后走，我们心里的疑虑越重。

数据：采集是行业瓶颈，而非竞争壁垒

几乎每家机器人公司都对我们说，中国正在推进规模庞大的数据采集工程，并把数据广泛输出给全球客户。

乍看这很合理：企业让工人戴上采集头显，抓取第一视角的本体感知数据，顺手多挣一笔。可随着我们跟中国生态圈里更多初创企业聊下来，实际情况远比表面复杂，背后往往还有地方政策层面的明确引导。

多位业内人士告诉我们，这波数据采集浪潮的真正主力其实是各级地方政府。中央出了扶持机器人产业、促进就业的激励政策之后，地方上很快看明白：给数据采集环节发财政补贴，是短期内造出机器人相关新增岗位的捷径。

地方官员被量化考核指标推着走，往往更愿意追那些好统计的短期结果，有时候这种追求要拿更高维度的长期产业战略来换。

数百万美元的资金正持续砸向一些价值存疑的训练数据。中国各地冒出不少所谓的“数据农场”，工人日复一日机械地重复同一个动作，堆出成千上万个小时的“机器人训练数据”。

可这类高度重复、同质化的数据集，过了最初几份之后，对提升模型泛化能力几乎带不来任何实质性的增量。

数据质量堪忧，却照样能源源不断卖给海外客户。这反过来说明一个更严峻的行业现实：数据稀缺仍是眼下机器人模型研发最大的瓶颈。大语言模型能直接抓互联网上海量现成的文本语料，机器人领域却没有对应的现货数据池。

况且，真正有价值的机器人训练数据形态各不相同，而要想让下一代模型性能跃迁，所需的那类数据在现实世界里甚至还没到能有效利用的规模。

所以真正的核心壁垒从来不是采集数据这件事本身，而是把原始数据转化成高价值训练信号的能力。

让人振奋的是，越来越多前沿迹象显示，扩展律（Scaling Laws）在机器人模型上同样成立：训练数据规模上去，模型性能会确定性地增强。这意味着市场对高质量、多样化的异构机器人训练数据会持续保持旺盛需求，而这类数据必须精准匹配跨模态、不同采集手段以及新型训练架构不断演进的标准。

“高质量数据”的定义一直在动态变化，在这种环境里，最有防御力的竞争壁垒，是能不能成为全球顶尖前沿实验室离不开、信得过的科研合作伙伴。

要赢得这种行业声誉，关键在数据标注、清洗筛选和模型评测上有极高的专业品味，而不是光靠堆人头的采集产能。

未来的赢家很可能不是采集数据总量最大的团队，而是有深厚具身智能科研背景、能以最快速度配合前沿机器人企业技术演进的团队。Scale AI 和 Mercor 靠顶尖的科研理解力深度绑定全球顶级大模型实验室，这套逻辑在具身领域同样成立。

软件：房间里的大象

工业界用机器人做自动化，其实已有几十年。亚马逊2012年收购Kiva之后，在仓储物流体系里大规模铺开自动化机器人，2025年部署量突破100万台，新形态、新功能还在不断往外推。从这个角度看，把硬件做得更先进，不过是工业进化走到今天顺理成章的一步。

具身智能才是机器人领域真正的范式革命。过去机器人只能针对特定任务做窄域预编程，这条路被它彻底打破，机器人的泛化认知与执行边界由此从根本上被拓宽。

可在深圳参访的全程里，AI软件始终是一头没人愿意主动点破的“房间里的大象”。现场看到的大多数人形机器人和设备，自主决策与泛化能力都非常有限，绝大部分高度依赖人工遥操作（Teleoperation），或者只跑预设的固定程序动作。

多位企业高管并不讳言，自家机器人眼下缺少高阶AI能力，底层软件算法至少落后海外头部竞对1到2年。到了基层年轻员工嘴里，说法就少了官方客套，多了几分残酷的真实：他们半开玩笑地承认，自家软件系统目前根本应付不了复杂场景，此前的很多尝试也谈不上全力以赴。

这里面有考察范围的缘故——我们这趟集中在重硬件的深圳，没去更偏软件算法的杭州或上海。但这件事背后，确实照出了更普遍的行业底层事实。

中国在硬件制造和数据采集这两大核心要素上的统治力，并没有顺理成章地转成软件算法上的领跑位置。不少中国人形机器人整机厂商没有从底层自研基座模型，而是接着把美国前沿实验室发布的开源模型当作自家软件能力的基石，OpenAI、英伟达（Nvidia）以及Physical Intelligence等机构的开源生态尤其如此。

和业内研究人员聊下来，我们的感受是：不少中国机器人企业更愿意把精力放在对现有开源模型的后训练（Post-training）微调上，而不想在基座模型研发上砸进巨额重资本。

对美国的前沿模型实验室来说，这恰好是一个战略切口：开源可以变成极其有力的市场分发策略，推动全球开发者采用其模型、围绕其模型搭起生态网络。基座模型的通用性能越强，中国制造商另起炉灶自研替代性底层模型的动力，可能就越被削弱。

模型蒸馏在中国企业界早就是公开的秘密，显然有些团队正押注把这套路径复制到机器人赛道上。问题是，大语言模型能靠合成文本高效完成模型蒸馏，机器人模型面对的工程挑战要复杂得多。

蒸馏机器人模型，光有底模算法不够，还得有海量真实物理交互数据、硬件协同基础设施，以及严苛的现实世界实测验证。这么一来，即便硬件制造能力再强，想纯靠蒸馏复制海外最前沿的模型能力，难度也是几何级数往上走。

商业规则的深层分野

一个国家只用当代高管一辈子的时间就彻底脱离贫困，物质记忆留下的印记随处可见。中国社会弥漫着强烈的拼搏与追赶文化，这在新兴财富快速崛起的地区很常见：人们想尽快赚到确定性的商业利润，生怕跌回后视镜里那段记忆犹新的贫困岁月。

听着似乎合情合理。但真正让我们震惊的，是这种心态对整个创业与创投生态的深远塑造。

走访中国初创公司时，一句带着艳羡的感慨被反复提起：“美国的初创公司根本不用为短期赚钱发愁。”这话直指中国团队承受的、来自投资人的严苛商业化压力。

分歧的源头，是中国风险投资生态里普遍偏短的投资回报周期预期。许多初创公司成立2到3年内就被要求做出可观的业务营收；一旦稍有起色，投资人便急不可耐地推着它冲刺上市。

我们推测，中国风投机构对长期投资周期缺乏耐心，主要有几重原因：一是缺少高回报的替代性资产——过去十年窄幅震荡的股票市场、一线城市仅有1%左右回报率的住宅租金，再加上资本管制的限制；二是缺少海外大学捐赠基金那样能承受超长周期的长线机构出资人（LP）。

结果就是创业团队把重心严重压向硬件代工和数据采集外包服务，这类业务回款快、资金回流周期短；至于商业化路径漫长又充满不确定性的底层软件研发，则敬而远之。

两地在知识产权保护上的态度也截然不同。走访中，不少公司的走廊墙上挂满了自豪展示的专利证书，但实质性知识产权保护相对薄弱，在业内却是不争的事实。

企业因此被迫以最快速度把每一项微小创新变现，否则很快就会被同行以更低成本模仿抄袭，市场先机也一并被抢走。

最终落到激励机制上，就是结构性错配：中国在机器人物理层筑起了极强的壁垒，可现有的资本环境与考核导向，客观上抑制了那种超长期耐心资本的投入——而把物理优势跃升为软件领导地位，恰恰需要这种投入。

Pantera 对机器人产业的核心研判

离开深圳时，对全球机器人产业正处在什么发展阶段、未来演进里藏着哪些关键差距与破局点，我们的认知比以往清晰、立体得多。

1. 机器人产业仍处于极早期，中国扮演不可替代的关键支柱

深圳的实地走访以及与中国机器人高管的交流，让上述判断再次得到确认：具身智能产业还处在起步阶段。硬件性能一直在改进，可软件算法离真正成熟的商业化落地差得很远——这至少是中国团队内部的共识。

中国在全球机器人产业链里的分量，眼下比过去任何时候都重。制造企业既供数据采集设备，也供机器人关键零部件，两头都占着主要位置。

模型泛化能力能不能释放，数据仍是核心瓶颈。扩展律只要还在起作用，多采集一些样、质量高一些的数据，就是提升性能绕不开的路。制造生态方面，中国能规模化量产数据采集硬件，也能向全球市场稳定输出灵巧手、执行器等关键部件，这个产业地位别处没有。

全球机器人产业生态迭代得快还是慢，很大程度上取决于中国今后以多深的程度参与进去。硬件层面的主导地位大概率会长期保持，全球机器人企业仍会拿中国当核心供应商。FCC 对整机有潜在禁令，可零部件不在限制范围内。

反过来看，中国团队一旦在算法模型上追上来，中国企业可能抬高核心零部件售价，或者限制硬件供应，那对全球产业链就是很大的制约筹码。当前这属于小概率情景，但对美国本土机器人企业做投资风控核算时，这个潜在风险必须重点考量。

2. 中国本土使用机器人的经济性诉求尚未完全显现

中国市场的人形机器人出货量确实亮眼，但几乎没有一台进入有实质性经济产出的生产场景。这些机器人主要被放在商业附加值低的展示和娱乐场合，比如在展厅、博览会里给参观者做简单指引，或者表演跳舞、打功夫。四足乃至双足机器人，绝大多数还是卖给高校科研实验室和极客爱好者。

美国市场是另一种景象。机器人正加快进入高价值的工业制造与物流仓储场景，部分企业已经拿到数千万美元规模的长期商业采购大单。

分歧的根子在于两地劳动力成本和供给结构落差很大：西方人力成本高，年轻一代又不愿干蓝领体力活，自动化降本的经济驱动力因此很强。

不过技术进步常常跑在大规模商业化前面。一位中国创业者打了个比方：今天的人形机器人，就像马车时代刚出现的汽车，当时人们普遍怀疑汽车有什么用，毕竟马车已经够日常出行了；但那时没人能预见，汽车后来会彻底改写交通出行版图，还催生出一个全新的庞大产业。

这套颠覆性演化的规律，放在人形机器人身上同样成立。今天大众和企业想不通为什么需要通用人形机器人，纯粹是因为还没真正见过通用具身智能最终能释放出多少潜能。中国本土缺少靠替代人工降本的迫切经济诉求，探索前所未有商业化应用场景的内生动力也就相对不足，当地创业生态因此显得偏保守。

3. 通用人形机器人终将成为未来成本最低的劳动力形态

行业里一直在争论一个核心问题：专用机器人处理特定任务更高效、更稳定，那世界为什么还需要通用人形机器人？

中国的实地调研也印证了现状：现阶段专用机器人的实际作业能力确实远胜通用机器人。聚焦边界明确、可量化的细分任务，专用机器人商业化闭环来得更快。

可论横向规模化扩张，专用机器人有天生的上限。一家企业不可能每种工序都单独买一套专用机器人；一个普通家庭也不可能同时买下洗碗机器人、擦桌机器人、洗衣机器人和叠衣机器人。

专用机器人在单一环节表现更好，这没错。但一连串日常工作要靠多台机器组合完成时，整体采购和维护的经济性就大打折扣。

通用人形机器人最终会是成本最低的劳动力形态。它的核心优势不在于以 99.9% 的极致精度完成某一项任务，而在于以 99% 的合格精度同时干上百种完全不同的日常工作。

洗碗、叠衣、洗衣，人形机器人不必样样做到天下第一，在这三项以及更多家务上做得足够好就行。模型泛化能力往上走，同一套通用硬件底盘就能解锁不断扩展的技能库，企业和家庭不用再额外添置专用设备。

说到底，通用人形机器人终极的经济学壁垒不在单点作业能力极致化，而在单台设备能覆盖的任务种类最大化。这种通用泛化能力，加上运行稳定性提升、硬件制造成本继续下探，会从根本上改写整个物理体力劳动的经济模型。

4. 数据采集市场体量巨大，核心价值向“数据智能”沉淀

扩展律成功延伸到物理世界 AI 领域，确凿证据越来越多，机器人数据采集成长为一个极大规模的市场是必然的。Figure AI 近期发布的 Helix 2.5 模型给出了实测证明：训练数据量成倍增长，机器人模型能力的提升呈现出高度的可预测性。

大语言模型的能力跃迁，靠的是更大规模的数据与算力；机器人领域正在复刻同一条演进轨迹。前沿实验室加速竞逐通用具身智能，对机器人训练数据的刚性需求会持续爆发。

但数据规模单纯往上加，不等于数据质量更高。中国的实地考察让这一认知更加坚定。大型数据农场能批量刷出成千上万个小时的实操录像，可这类同质化极强的数据，对模型泛化性能的边际增量价值微乎其微。

产业进入深水区后，瓶颈会很快从“采集更多小时的数据”转向“精准筛选出真正有价值的核心数据片段”。

所以，真正有潜力的方向不在铺量采集数据，而在于把原始训练时长变成可以衡量的模型能力提升。要做到这一点，数据标注、过滤、清洗和评测就得做得更细，才能从海量重复、低质的流水线数据里挑出真正有用的训练信号。

机器人模型迭代很快，对数据标准的要求也在不断重构。能不能持续挖出并交付高质量数据集，这种专业能力会变成竞争壁垒，比单纯堆人力采集要厚实得多。

5. 模型层将逐步走向同质化，但美国将持续保持对中国的算法领先

在我们看来，机器人底层模型层面的竞争已经急剧升温，放到长期看，存在被商品化（Commoditized）的风险。

过去几个月里，Physical Intelligence、Generalist、Dyna Robotics 以及 Figure AI 等多家美国顶尖团队，各自独立发布了模型能力与泛化方面的重大突破。多家团队在很短时间内先后取得实质性进展，这说明前沿具身智能大概率不会像大模型那样，被 OpenAI 和 Anthropic 两家巨头垄断。

大多数蓝领体力活并不需要高达 200 的超级智商，只要对环境有适度的理解力，再配上足够好的后训练微调就能胜任。随着训练方法论逐渐成熟、数据规模扩大，行业竞争的重心会从研发通用基座模型，整体转向场景落地部署和针对性后训练。照这个格局，任何只押注基座模型的公司，想维持差异化优势都会越来越难。

可预见的未来里，我们认为美国在软件算法上仍会领先中国。很大一部分原因在于，中国机器人企业更愿意追逐硬件销售和数据外包带来的即时现金流，对长期投入重资本研发缺少耐性。美国前沿实验室在底层算法上继续突破，大概率会让中国厂商对海外开源生态的依赖惯性进一步加深。

大语言模型可以比较轻松地通过文本蒸馏快速复现，具身智能的模型蒸馏门槛却高得多。模型认知必须和跨多样化物理环境、不同机械本体的真实交互数据深度咬合。只靠硬件制造上的单点优势，很难轻易越过这道综合壁垒。我们推断，中美在具身软件上的代际差距，可能比大语言模型领域观察到的差距更持久。

6. 机器人赛道具备显著的“后发优势”

眼下有大量资金正投向机器人领域的底层重大争议（比如模型架构路线、机械构型设计、垂直一体化 vs 水平分工等），不少早期初创公司注定会在这种探索中走进死胡同。

今天新入局的创业团队完全可以站在先行者肩膀上吸取经验教训，省掉试错交学费的巨额资本消耗，直接基于行业最新的范式（Meta）打造最前沿的全新架构。

结语

行程最后一天晚上八点，我们坐进同一辆车，踏上前往香港国际机场、再飞回纽约的归途。对深圳机器人核心产业带做完全方位的深度考察后，我们对全球机器人产业的发展全景有了完全不同的认识。

“现场现物”。这次实地考察再次坚定了我们的信念：信息过载的时代里，亲临一线、亲眼所见，依然是专注基本面的投资人构建独立思考和深度研判最坚固的基石。

中国无疑会在重塑全球机器人未来版图的过程中扮演举足轻重的角色，我们也会密切关注硬件、软件以及二者之间所有环节的演化。

数十年的制造业积淀，给了中国在硬件制造上极其巨大、甚至难以逾越的壁垒。不过，短期量化目标驱动的数据采集弊端已经显现，资本层面看重即时回报的短视，也让本土企业在面对需要长周期攻坚的底层创新时，比美国企业受到更多掣肘。

有一点比以往任何时候都更清楚：离开深圳时，我们对机器人赛道的未来前景更有信心，也坚信当下正是重仓投资该产业的好时机。

在底层软件真正具备足够泛化能力、让人形机器人具备实质生产力之前，行业在数据采集、高维标注和数据智能领域依然存在巨大的结构性缺口。我们一直在找那些在机器人数据与具身智能领域做出突破性解决方案的优秀创业者。如果你正深耕于此，我们的投资团队非常期待与你交流。

*深潮 TechFlow 致力于提供有价值的信息，有态度的思考。

Weixin：blocktheworld

Twitter：@TechFlowPost