融资与估值 - 公司完成1.2亿美元A轮融资 由Robostrategy、CRV、First Round Capital联合领投 Salesforce Venture、NVIDIA、Amazon、Samsung Next及LG Technology Ventures参投 [1] - 融资后估值达6亿美元 较半年前种子轮估值1亿美元上涨6倍 [1][3] - 种子轮融资2300万美元 由CRV和First Round Capital领投 真格基金参投 [3] 公司背景与团队 - 公司于2024年9月在美国得克萨斯州休斯敦成立 国内主体上海达纳灵动科技有限公司2025年2月注册 [5] - 三位联合创始人包括CEO Lindon Gao和CTO杨世远 曾共同创办智能购物车公司Caper AI 2021年以3.5亿美元被Instacart收购 [6] - CTO杨世远为浙江大学2010级信息与通信工程专业本科 入选2020年北美福布斯30U30榜单 [6] - 首席科学家Jason Ma拥有宾夕法尼亚大学博士学位 曾任谷歌DeepMind研究科学家 主导开发多个突破性算法 [8] - 美国团队吸纳来自DeepMind、OpenAI、谷歌及哈佛、MIT等顶尖企业和高校人才 [9] - 上海硬件研发中心团队规模十余 吸引Apple、云深处、ABB等技术人才 并借助浙江大学、上海交通大学高校资源 [9] 技术成果与商业化 - 公司聚焦细分场景 目标打造低成本单一任务具身智能机器人 最终迈向通用型具身智能 [13] - 发布全球首款可落地商业场景的灵巧操作基础模型DYNA-1 在模拟餐厅环境中折叠餐巾成功率高达99.4% 传统模型成功率仅80% [15] - DYNA-1操作速度达人类效率约60% 连续自主折叠超24小时 成功折叠餐巾超850张 [15] - 创新奖励模型具备自主探索、错误恢复及数据生成管理功能 仅训练6周即实现高质量量产水平 [17] - 已进入小规模试生产阶段 当前在餐饮行业提供餐巾折叠服务 [17][18] - 策略降低硬件成本 为客户带来即时价值 具备清晰商业化逻辑 [20] 招聘与运营 - 上海硬件研发中心开放招聘 硬件研发负责人月薪70-90k（15薪） 综合年薪105万-135万 [11] - 香港公司同期注册 100%控股上海达纳灵动科技有限公司 [9]

行业背景与市场前景 - 人形机器人正逐步进入实际应用部署阶段 2025年被行业普遍视为量产化元年[1] - 全球模拟芯片市场规模约为850-900亿美元 预计未来5年以5%-7%的年均增速增长[2] - 2024年中国人形机器人市场规模约27.6亿元 2026年将超百亿达104.71亿元 2029年达到750亿元 占全球总量32.7％[2] - 2025年中国人形机器人市场规模预计达82.39亿元 占全球约50%[2] ADI公司战略布局 - ADI将自动化与机器人领域视为未来"第二增长曲线" 规划到2030年自动化业务收入翻一番[1] - 单台人形机器人设备搭载的ADI芯片价值可能达到数千美元 是当前AMR的十倍[1] - 2025年ADI在全球模拟芯片市场份额为13% 主要用于工业、汽车信号链芯片领域[2] - 在数据转换器市场 ADI市场份额高达40% 占公司营收30%以上[2] - 2025年ADI与NVIDIA达成深度合作 整合边缘感知、精密运动控制等技术助力机器人规模化落地[4][5] 核心产品与技术方案 - 提供全栈式系统解决方案 覆盖感知层、连接层、能源与控制层[6] - 多圈传感器ADMT4000是首款单芯片多圈位置传感器 绝对测量范围达46圈 全量程测量精度±0.25[8][11] - 采用磁性纳米导线技术 通过GMR效应捕捉磁畴壁位移 实现断电位置保持功能[11][12] - 高集成单片伺服驱控芯片TMC9660内置MCU、伺服三环控制、智能栅极驱动器等 支持100kHz高频率伺服环路控制[12][13] 产业合作与落地进展 - ADI与NVIDIA合作 通过数字孪生仿真将传感器模型集成到Isaac Sim平台解决工业场景数据少、测试难问题[14] - 需要重点研发抗环境干扰的磁耦合触觉传感器和低延迟电机控制器[16] - 提出构建AI闭环控制机制 让AI实时调整传感器与控制器参数[18] - Figure AI人形机器人工厂年产能达12000台 计划四年内扩充至每年10万台[19] - 特斯拉Optimus机器人计划生产5000至10000台 已采购零部件支持10000-12000台产能[21] - 优必选中标9051.15万元机器人设备采购项目 预计交付500台工业人形机器人[21] - 智元机器人收获富临精工数千万元订单 今年出货量预计达数千台[23] - 宇树科技人形机器人订单达数千台 G1将成为今年全球出货量最多的人形机器人[23] 财务表现与增长预期 - ADI 2025年前三个季度累计营收达79.43亿美元[23] - 工业板块收入占比较2024年同期下降2个百分点[23] - 人形机器人领域有望成为工业、汽车、通信、消费电子四大板块之外的重要增长点[23]

机器人行业技术瓶颈 - 当前机器人系统在开放多变环境中表现笨拙和迟疑 主要由于分层架构的局限性 [1][3] - 高层思考模块如大语言模型擅长任务拆解 但缺乏物理世界空间关系和实时交互能力 [3] - 现有系统无法在动态环境中同时实现理解、推理、回应和行动的一体化智能 [3] Robix架构创新 - 采用统一视觉-语言模型架构 将机器人推理、任务规划和自然语言交互整合于单一模型 [6] - 作为高层认知中枢 直接读取摄像头画面和语音指令 实现多模态推理和自主响应 [6][8] - 支持生成底层控制指令和语言回应 实现"边想边做"和实时打断的多轮对话 [8] 三阶段训练路径 - 第一阶段持续预训练强化物理世界理解 数据涵盖3D空间理解和视觉定位等关键领域 [9] - 第二阶段有监督微调通过合成人机交互数据 训练多阶段指令和模糊指令处理能力 [12] - 第三阶段强化学习采用GRPO方法 解决推理不合理和决策动作脱节问题 [14] - 总训练数据量超过2000亿token 确保通用多模态能力与机器人特殊需求的适配 [9][15] 性能表现优势 - 在3D空间理解任务中 Robix-32B基础模型全面领先竞品 [16] - 离线规划任务中Robix-32B-RL在分布外任务比Gemini-2.5-Pro高出3.0–11.8% [16] - 真实场景测试实现高完成率和低延迟响应 包括餐桌清理和购物助手等应用 [16] 未来发展方向 - 需提升高频切换场景中的推理准确性和常识判断能力 [19] - 重点攻关动态场景鲁棒性以应对人员流动和物品摆放变化 [19] - 开发长时记忆架构支持数小时交互任务如超市货架整理 [19]

融资与估值 - 公司完成1.2亿美元A轮融资 由Robostrategy、CRV、First Round Capital联合领投 Salesforce Venture、NVIDIA、Amazon、Samsung Next及LG Technology Ventures共同参投 [1] - A轮融资后公司估值达到6亿美元 [1] - 公司在2025年3月完成2300万美元种子轮融资 由CRV和First Round Capital领投 真格基金参投 当时估值约1亿美元 [3] - 在半年内公司估值上涨6倍 [3] 公司背景与团队 - 公司于2024年9月在美国得克萨斯州休斯敦成立 在上海设有硬件研发中心 国内主体上海达纳灵动科技有限公司于2025年2月完成注册 [4] - 公司拥有三位联合创始人 联合创始人兼CEO Lindon Gao与联合创始人兼CTO杨世远是连续创业者 二人于2016年共同创办智能购物车公司Caper AI 该公司在2021年以3.5亿美元被Instacart收购 [5] - 联合创始人兼CTO杨世远是浙江大学2010级校友 入选2020年北美福布斯30U30榜单 [5] - 联合创始人兼首席科学家Jason Ma拥有宾夕法尼亚大学博士学位 曾担任谷歌DeepMind研究科学家 并在NVIDIA AI、Meta AI任职期间主导开发多个突破性算法 [7] - 美国团队吸纳了来自DeepMind、OpenAI、谷歌等顶尖科技企业及哈佛、MIT等高校的科研与工程人才 已在美国搭建大规模训练与数据平台 [8] - 中国上海硬件研发中心吸引了来自Apple、云深处、ABB等企业的技术人才 并借助浙江大学、上海交通大学等高校资源 团队规模已有十余人 [8] - 公司于2025年3月在香港注册公司 并100%控股上海达纳灵动科技有限公司 [8] 技术产品与商业化 - 公司技术路线聚焦细分场景 目标是打造低成本、单一任务的具身智能机器人 最终迈向通用型具身智能 [10] - 公司发布全球首款可落地商业场景的灵巧操作基础模型DYNA-1 在模拟高标准餐厅环境的测试中 配备DYNA-1的机器人可连续自主折叠餐巾超24小时 操作速度达人类效率约60% 成功折叠餐巾数量超850张 任务成功率高达99.4% [12] - 采用传统模型的成功率仅为80%左右 多数模型运行半小时后便会陷入不可逆故障状态 [12] - DYNA-1模型具备自主探索功能、错误恢复功能及数据生成与管理能力 在短短6周的训练迭代中从仅能完成单次操作发展到实现长时间高质量任务执行 [13] - DYNA-1模型已在餐饮行业应用 为餐厅提供餐巾折叠服务 [13] - 公司已进入小规模试生产阶段 强调机器人需落地实际场景积累有效数据 避免烧钱不盈利 [13] - 公司聚焦能创造商业价值、产生现金流的方向 如让机器人完成切土豆、洗盘子等实用任务 [14] - 投资方认为当前已落地量产的机器人成本高昂 价格通常需数十万美元 交付周期在半年以上 公司策略降低了硬件成本并能带来即时价值 具备清晰商业化逻辑 [15] 招聘与运营 - 上海硬件研发中心开放多个硬件研发岗位招聘 [4] - 硬件研发负责人岗位月薪达70-90K（15薪） 累计综合年薪在105万-135万之间 [9]

文章核心观点 - 华为将具身智能定义为AI走向物理世界的核心载体，是融合多领域技术的综合体系，而非单一技术突破 [1] - 公司对具身智能的布局采取长期主义策略，通过分阶段技术迭代和生态协同构建竞争优势，聚焦工业等半结构化场景 [7][17][19] - 预计10年后中国家庭超过90%拥有智能机器人，到2035年人工智能应用率超过85%，可提升劳动生产率60%，产品缺陷率降低至0.05%以下 [1] 具身智能的战略底色 - 具身智能被定义为拥有实体身躯与实时互动能力的智能形态，是跨域融合的物理AI载体 [3] - 其技术基础融合了VTLA模型、世界模型、感知交互、计算存储、通信网络与能源技术等多领域技术 [3] - 在AGI演进逻辑中，具身智能是连接虚拟认知与物理行动的关键桥梁，解决通用大模型缺乏物理推理的痛点 [3][4] - 公司将其视为驱动千行百业AI原生重构的核心力量，是能深入行业机理的行业级大脑 [6] 具身智能路径方法论 - 实现方法论围绕技术架构分层与分领域阶段突破展开，形成底层技术筑基-中层场景验证-顶层生态协同的路径 [7] - 底层技术架构拆分为六大核心模块：认知核心、感知交互、计算存储、通信网络、能源支撑及安全保障 [8] - 具体技术指标包括机器人采用固态电池能量密度>1000Wh/L，通信依托5G-A/5.5G的高可靠低时延特性 [8] - 制定了分领域、分阶段的演进路线，核心覆盖智能驾驶、智能机器人、低空经济三大场景，定下2025年、2030年、2035年三阶段目标 [10] - 短期人形机器人客户面向工厂和商业个人，后期目标为教育型及家庭医疗护理老人照顾 [10] 竞争策略 - 通过生态协同、数据差异化、端云融合三大策略构建竞争优势，核心是不做单点冠军，做生态枢纽 [11] - 采用端云协同架构，云侧依托华为云智算中心提供EFLOPS级算力，端侧部署边缘计算芯片负责实时响应 [11] - 竞争策略之一是联合行业伙伴构建垂直数据平台，采集如工厂灾难性故障、医疗罕见病例等罕见事件数据 [13] - 提出开放生态策略，通过输出工具平台、提供开发套件、共建行业标准，从技术提供者转变为生态组织者 [13] 边界与局限性 - 技术瓶颈集中在物理交互的精细化与环境适应的泛化性，家庭场景的精细操作如切菜、折叠衣物仍难以实现 [14] - 家庭机器人需突破24小时续航以保证基本运行效率，虽布局固态电池但仍需产业链协同突破 [14] - 伦理安全风险远高于纯软件AI，需解决数据隐私、责任界定问题，可能需设置硬件约束及制定事故责任框架 [16] - 公司承认技术瓶颈需5～10年迭代，其核心优势在机器人大平台和大脑方面，合作的人形机器人企业伙伴越来越多 [16] - 商业边界清晰，即避免过度承诺消费端场景，聚焦工业等半结构化场景，通过生态赋能合作伙伴 [17]

研究突破与学术认可 - 东南大学宋爱国教授领导的HANDSON团队在2024年Cybathlon全球辅助技术大赛中夺冠 技术细节获国际顶级期刊《Science Robotics》刊登 标志中国辅助技术研究首次获得高级别国际学术认可[1][3] - 研究成果以"Arm prosthesis with dexterous control and sensory feedback delivers winning performance at Cybathlon"为题发表 47岁截肢者徐敏凭借该技术击败全球顶尖团队 摘得手臂假肢项目桂冠[3] 赛事背景与竞技表现 - Cybathlon由苏黎世联邦理工学院2013年创立 聚焦通过技术解决日常生活中的实际障碍 参赛需完成处理食物、开关门、使用工具等模拟日常任务[6] - 徐敏在2024年10月苏黎世赛场完成所有任务 是唯一成功完成最难题"触觉袋"的选手 需仅凭假手从盲取袋中取出特定形状和柔顺性物体[8] - 徐敏17岁时因工伤失去右上肢 三十年习惯单手生活 无肌电控制经验 但凭借不同行业工作经历培养的热情和坚定性格 与技术团队无缝合作[8][10] 技术创新细节 - 开发三自由度手腕设计与双指夹持器结构 近端指骨强化用于抓取重物 远端指骨专用于精细操作 腕部结合主动旋转伺服系统与被动屈曲关节 减少拧灯泡等任务中的身体代偿性运动[13][15] - 针对残肢情况开发体驱动/肌电混合控制界面 两个可拉伸织物传感器检测肩部运动实现手部驱动 双点肌电传感器驱动腕部旋转 提高手部操控可靠性并实现独立腕部控制[17] - 假手掌心集成单目摄像头 连接机器视觉识别模块 实时识别物体几何形状和材料特性 通过四种发光按钮输入目标特征 电子蜂鸣器发出不同抓取阶段信号 构成多模态反馈系统[18][20] 研发历程与性能优化 - 团队研究始于2007年 专注先进感觉和反馈系统集成 决赛前挑战赛曾因抓握力和腕部控制问题放弃任务 但与其他中国团队合作后改用两指夹爪取代五指假肢手 提高功能兼容性[11][21] - 2024年决赛任务注重假肢手综合性能 需平衡精细和强大抓握、增强手腕灵活性、提高双手协调性及提供有效感觉反馈 "触觉袋"任务需综合运用视觉、听觉和触觉反馈[21] 技术价值与应用前景 - 实现感知与运动控制的闭环系统 机器视觉集成提供前所未有的环境感知能力 超越传统肌电信号控制方式 多模态反馈方法创新解决感觉缺失问题[25] - Cybathlon作为测试平台验证辅助技术在真实环境中的性能 推动技术从实验室走向日常生活 团队计划改进设计并扩展应用 重点包括降低成本、提高可靠性、延长电池寿命及开发智能控制算法[27][28]

Humanoid发布HMND 01 Alpha原型 - 公司发布英国首款工业用途人形机器人HMND 01 Alpha原型 身高近87英寸220厘米 时速4.4英里7.2公里 可承载33磅15公斤以上有效载荷 [2] - 机器人由NVIDIA Jetson Thor平台驱动 具备自主思考和行动能力 七个月完成打造 团队有约170名工程师和专家 [2] - 除轮式物流版本外 还测试了面向未来消费者的双足模型 两款系统均设计用于工厂车间等狭小空间 [2] OpenMind发布OM1开源操作系统 - 公司发布开源操作系统OM1测试版 被称为机器人版安卓 提供通用平台让任何机器人实现现实世界推理、感知和行动 [5] - 系统集成大型语言模型、计算机视觉和机器人视觉AI模型及代理工作流模型 以模块化方式提供高级推理功能 支持开发者即插即用 [5] - 测试版已在GitHub发布 支持快速原型设计语音控制四足机器人和无人机 并集成LLM用于自然人形机器人语音和肢体语言交互 [5] 西门子医疗与史赛克合作开发手术机器人 - 两家公司联合开发神经血管介入手术机器人 能执行全面选择性和紧急神经血管介入手术 包括中风和动脉瘤治疗 [8] - 机器人将影像技术、手术耗材和机器人本体集成生态系统 提高手术精准度并缩短治疗时间 有望通过缩短手术时长改善患者预后 [8] Sonair获得融资扩大ADAR传感器分销 - 公司融资600万美元 用于扩大ADAR声学探测与测距传感器分销 该3D超声波传感系统专为在人类周围运行的机器人设计 [11] - 技术提供实时空间感知 已通过安全认证 成本仅为LiDAR一小部分 计划扩大对亚洲、欧洲和北美制造商出货量 [11] Icarus完成种子轮融资开发太空机器人 - 公司完成610万美元种子轮融资 旨在打造太空机器人劳动力 首款机器人负责货物拆包和装载 [14] - 计划明年进行飞行测试 随后在国际空间站进行为期一年演示 测试从货物运输到空间站维护等复杂任务能力 [14]

技术核心突破 - 提出一种印刷人机界面，由用于表面肌电图采集和刺激反馈的电子皮肤、具有多模态触觉感知的传感软机器人以及用于手势分类和材料识别的机器学习算法组成 [2] - 核心突破在于电子皮肤，这是一种超薄电子传感装置，可直接贴附于人体表面，实时监测多种生理信号 [5] - 采用高效的集成印刷技术，包括直接墨水书写、红外激光雕刻和激光切割，实现了多材料、高密度传感器阵列的大规模生产，可在柔性基底上打印出宽度仅40微米的电路线 [7] 电子皮肤性能优势 - 电子皮肤具备高透明度和出色的机械柔韧性，可如第二层皮肤般贴合人体曲线 [10] - 采用蛇形电路结构设计，在拉伸变形时仍能保持均匀应力分布，确保电子元件性能稳定 [10] - 电子皮肤不仅能采集表面肌电信号，还可通过施加不同特征电压实现多种表皮刺激效果，完成人机之间的双向通信 [10] 智能算法创新 - 提出结合线性映射网络和起始时间模型的自适应机器学习方法，以解决表面肌电信号的个体差异性和不稳定性问题 [11] - 线性映射网络负责调整不同通道信号的权重，起始时间模型则是一种轻量化的卷积神经网络，擅长捕捉时间序列中的局部特征 [12] - 新使用者只需执行三次重复手势，系统就能通过迁移学习策略调整模型参数，实现个性化适配，在0.1秒延迟内达到98.33%的分类准确率 [13] 多模态感知能力 - 为机器人集成温度、压力、热导率和电导率传感，使其能够像人类一样通过触摸识别物体特性 [14] - 压力传感器采用电容式设计，灵敏度高达10.5 pF/kPa，在连续2000次测试中保持稳定性能 [16] - 热导率和电导率传感组合使机器人区分不同材料物体的准确率从单独使用热导率时的63.99%提升至98.03% [16] 应用前景 - 在医疗领域，即使截肢者的表面肌电信号存在明显时间延迟与强度减弱，经自适应算法处理后，系统仍能以94.36%的平均准确率识别11种手部与手指手势 [18] - 该技术还在工业与服务机器人、虚拟与增强现实等领域展现出巨大潜力，可实现更安全的人机协作和高度沉浸的触觉体验 [18] - 技术建立了一个完整的交互生态系统，从信号采集、意图识别到动作执行和感知反馈，形成了闭环的人机交互循环 [18]

微小型移动机器人作为新兴研究领域，因其结构紧凑、机动性强等特点受到广泛关注。目前已有电磁电机、压 电致动器、磁致动器等多种驱动方式的微型机器人被开发。其中，压电机器人因响应速度快、精度高、结构紧 凑等优势，成为工业与生物医学应用中具有潜力的技术方向。 ▍提出3DMPPR，实现耦合干扰最小化 面对上述挑战，来自 北京大学的研究人员 基于结构动力学建模和结构设计，设计出一款三自由度小型压电平 板机器人（ 3DMPPR）。 然而，该领域仍面临多项技术挑战。其中基于行波驱动的压电平板机器人虽具备运动平稳、结构简单、易于承 载和易于批量生产等优点，但在实现多自由度运动方面存在明显局限。现有设计大多难以在单一平板结构中同 时生成正交或旋转行波，导致运动自由度受限，直线运动性能不佳、转弯半径过大等问题普遍存在。此外，振 动模态耦合现象干扰运动精度与方向控制，而通过独立多驱动单元拼装、高阻尼材料连接或附加支撑结构等传 统解决方法，又易导致结构复杂、装配困难及制造成本上升。 研究团队首先建立了行波驱动下平板机器人在动态接触摩擦中的动力学模型 ， 揭示了激励参数对振幅、切向 速度和动摩擦力的影响机制，从而确定了最大化驱动力的最优 ...

文章核心观点 - 灵巧智能公司正式发布DexCanvas数据集，规模达20TB，包含1000小时真人操作记录，旨在解决机器人灵巧操作领域高质量、多模态交互数据集缺乏的核心难题 [1] - 该数据集通过“以人+物体的交互为中心”的创新采集理念，实现了多模态信息一体化融合，为机器人灵巧操作模型的训练提供了高质量数据基准，将加速具身智能在真实场景的落地 [5][6][10] 当前机器人灵巧操作数据采集面临的挑战 - 机器人物理世界操作的“最后一公里”难题突出，表现为灵活抓握、力度感知与调节等能力不足，主要源于大规模、高质量、多模态交互数据集的缺乏 [2] - 现有三种主流数据采集方式均存在明显局限性：遥操作精度高但昂贵低效；视频学习成本低但缺乏细节；仿真合成高效多样但存在仿真到现实的物理偏差 [3][4] - 灵巧手操作任务面临三大核心挑战：高质量示范数据获取困难且常缺失力觉信息；传统动作捕捉存在厘米级误差；高自由度设备带来高维决策难题 [5] DexCanvas数据集的技术创新与优势 - 在数据获取机制上，转向“以人+物体的交互为中心”的采集理念，同步采集人手运动轨迹、物体属性及接触力学等多模态信息，实现RGB、深度、动作捕捉及力觉一体化融合 [6] - 在物理一致性方面，实现对操作过程的精细感知与数据处理，达到毫米级几何精度和接触点、接触力信息的物理级复现，解决遮挡、穿模等误差问题 [8] - 在控制复杂度方面，基于人类常见操作模式抽象出33类操作原型和6种关键语义规则参数，为复杂操作任务的表示与泛化提供结构化策略基础 [8] 数据集发布与行业影响 - DexCanvas数据集将于10月中旬在HuggingFace和Github开源，技术报告后续在ArXiv发布，大幅降低研究门槛并加速具身智能模型落地 [10] - 该解决方案探索出融合物理规则与语义抽象的具身智能发展路径，对推动整个机器人操作能力发展具有重要意义 [10]