" 世界模型解决具身智能相关问题，会不会距离太远？ " 作者丨张进 编辑丨 林觉民 在 12 月 13 日举行的第八届GAIR全球人工智能与机器人大会"数据&一脑多形"分论坛上，一场有关"一 脑多形"的圆桌论坛，将整个会场气氛推向高潮，在英诺天使基金 ED 王建明的主持下，浙江大学控制学 院副教授，微分智飞创始人高飞，宁波东方理工大学助理教授金鑫，上海人工智能实验室青年科学家王靖 博三位嘉宾围绕着具身智能、空间智能、世界模型等话题进行了热烈讨论。 通过主持人特有的投资人式、抽丝剥茧的提问，围绕着几位学者的研究和创业方向，我们可以了解到当下 最火热的世界模型、空间智能在具身智能领域的研究进展和细节，从而得以穿透资本笼罩在世界模型、空 间智能的迷雾，看到具身智能当下遇到的挑战与机遇。 01 具身智能技术路线仍未收敛 王建明： 三位学者研究的方向都非常不一样，开场先问一个共性的问题热热场，大家怎么看过去两年具身 智能的发展？ 高飞： 现在还没到技术路线收敛的时候，还属于探索阶段，这是好事，有发散才有机会。这波具身智能的 热潮，大家本质期待的还是 AI 结合本体能带来的智能性的飞跃。我认为从发散探索到技术路线收敛、到 ...

自动驾驶领域研究方向与人才需求 - 行业收到大量来自计算机、车辆、自动化和机械方向学生的咨询，显示该领域人才需求旺盛且背景多元 [2] - 对于计算机与自动化背景的学生，行业建议主攻深度学习方向，包括视觉语言模型、端到端自动驾驶和世界模型等前沿领域，这些方向被认为从入门到就业乃至深造均有广阔空间 [2] - 对于机械与车辆工程背景的学生，行业建议可从传统规划与控制、3D高斯泼溅等方向入手，这些方向对算力要求相对较低且更易入门 [2] - 行业指出，新人研究者需要经历大量实践与试错才能形成有价值的创新想法，方法论提升的关键在于广泛阅读论文和积极交流 [2] 前沿与细分技术赛道 - 行业关注的前沿研究方向包括视觉语言模型、端到端自动驾驶、强化学习、3D高斯泼溅和世界模型 [2] - 行业认为开集目标检测、占用网络、小样本/零样本学习等是相对竞争不那么激烈的细分赛道 [2] - 行业提供的论文辅导服务覆盖了广泛的技术方向，包括但不限于端到端、视觉语言模型、世界模型、强化学习、3D目标检测、多传感器融合、3D高斯泼溅、鸟瞰图感知、占用网络、多任务学习、语义分割、轨迹预测、运动规划、扩散模型、流匹配、点云感知、毫米波雷达、单目感知以及车道线/在线高精地图 [3] 学术成果与发表支持服务 - 行业提供的论文辅导服务声称具有很高的中稿率，并已有成果被计算机视觉、人工智能、机器人、自然语言处理等领域的顶级会议和期刊收录，例如CVPR、AAAI、ECCV、CoRL、ICLR、IROS、ICRA、ACL [7] - 服务支持发表的论文级别多样，涵盖自动驾驶顶会/顶刊、中国计算机学会推荐的A/B/C类会议期刊、科学引文索引的一至四区期刊、中科院分区的一至四区期刊、以及工程索引和中文核心期刊 [10] - 服务内容全面，包括论文选题、全流程指导以及实验指导 [6] - 服务范围不仅限于学术论文发表，还扩展至毕业设计论文、申请博士以及竞赛支持 [10] - 服务提供针对不同论文级别的差异化定价 [8]

文章核心观点 文章通过报道任少卿及其团队获得NeurIPS时间检验奖，回顾了其奠基性工作Faster R-CNN的深远影响，并深入探讨了任少卿加入蔚来后，在自动驾驶全栈自研、芯片定义、数据闭环体系构建以及技术路线（如世界模型）探索等方面的实践与思考，展现了蔚来在智能驾驶领域从零开始构建核心能力的过程与战略布局 [1][2][11][13][27] 根据相关目录分别进行总结 Faster R-CNN的成就与影响 - 任少卿、何恺明、孙剑与Ross Girshick共同发表的Faster R-CNN荣获2025年NeurIPS时间检验奖，该奖项表彰经过十年检验、对学科发展产生深远影响的奠基性工作 [1] - Faster R-CNN发表于2015年，将物体检测效率提升10倍以上，开创了端到端实时精准目标检测模式，其论文已被引用超9.8万次，是AI检测领域全球最高被引论文 [2] - 该模型的核心思想已深度融入人工智能基础技术，成为驱动自动驾驶、医疗影像、安防监控、工业检测、卫星遥感等关键领域的核心技术 [2] 研究理念与团队合作 - 孙剑坚持“simple but work”的研究理念，认为做核心工作需要远见、品位和坚持 [4][6] - 任少卿与何恺明的合作紧密且高效，日常节奏包括多次集中讨论与实验推进，何恺明几乎投入100%的精力，专注于研究问题、寻找方向与突破 [6][7][8] - 团队选择深度学习方向基于几个关键判断：方法有创新性、已有初步结果和进展、结果具备泛化能力而非技巧性（trick），验证了方向的可扩展性 [10] 加入蔚来与全栈自研启动 - 任少卿于2020年8月加入蔚来，首要任务是搭建团队并启动全栈自研L2产品，支持L3和L4，同时进行芯片选型 [13] - 蔚来第二代车是全球首个量产英伟达Orin芯片（使用4颗芯片）及高线束激光雷达的车型，于2022年3月在中国量产，半年后在欧洲量产 [14] - 团队在极短时间内（从拿到芯片到量产仅6-7个月）克服了Orin芯片作为新硬件在算力（比上一代增大8倍多）、架构、散热、功耗及工具链等方面的挑战，完成了复杂的自动驾驶域控制器（ADC）架构量产 [14][15] 自研芯片的定义与考量 - 作为需求方，团队参与了自研芯片的定义，基于对技术发展的判断，早在2021年就预见到Transformer将更广泛应用，这对芯片内存带宽提出了更高要求 [16] - 蔚来自研芯片具备行业最高的带宽，以支持Transformer等模型，并为支持更高级别自动驾驶（L3/L4）预埋了热备能力，可在百毫秒内实现芯片切换且用户无感 [17] 数据闭环与高效迭代体系 - 蔚来自2020年起重点建设数据能力，认为数据的价值在于针对特定模型筛选出的“corner case”，而非简单的数据拷贝，数据筛选过程消耗大量算力 [19][20] - 公司构建了灵活调度云端和车端算力的系统，并在此基础上建立了类似互联网行业的“AB test”系统，允许在量产车上并行测试下一代算法 [21] - 通过“AB test”系统，蔚来将主动安全功能的迭代效率大幅提升，即使面对高达200万公里一次误报（FP）的严格标准，也能实现三天迭代一次的速度 [22] - 针对超80万辆量产车的智驾接管数据，建立了自动化分析系统，能过滤掉99%以上的无效信息，仅返回0.1%-0.5%的有效数据供进一步分析，极大提升研发效率 [22] 对端到端与世界模型的技术思考 - Faster R-CNN本质是解决了物体检测任务的端到端问题，将检测速度提升至实时（10Hz、20Hz、30Hz），为视频处理和应用落地带来突破 [11] - 任少卿认为，端到端是自动驾驶技术演进的一个阶段，但并未解决所有问题，例如语言模型无法解决真实世界所需的时空认知问题 [24][25][26] - 世界模型旨在建立时空认知能力，学习物理规律和时空理解，以解决长时序决策问题，这是语言模型无法做到的 [26][27] - 蔚来于2023年决定All in世界模型，并于2024年7月首次公开发布，成为行业内率先拥抱此路线的公司之一，世界模型能支持长达10秒、1分钟甚至更长的时序推演，替代传统的规则代码（if else）处理长时序场景 [27][28][29][30]

行业人才供需现状 - 自动驾驶行业高级岗位招聘困难，企业对经验丰富人才需求旺盛[2] - 行业技术发展从模块化转向端到端，从感知规控扩展至大模型领域，复合型人才稀缺[2] - 端到端VLA算法涉及BEV感知、视觉语言模型、扩散模型、强化学习、世界模型等多技术融合[2] 自动驾驶VLA与大模型实战课程 - 课程聚焦VLA三大领域：VLM作为自动驾驶解释器、模块化VLA、一体化VLA及推理增强VLA[2] - 配套理论基础涵盖Vision/Language/Action三大模块、强化学习、扩散模型等核心技术[2] - 设置大作业章节指导学员从零搭建VLA模型及数据集[2] - 授课团队包括清华大学硕士生咖喱，在ICCV/IROS/EMNLP/Nature Communications发表多篇论文[8] - 团队成员Max在EMNLP/IROS/ICCV/AISTATS发表论文，GitHub开源项目总Star数超2k[8] - 团队成员Eric在RAL/IROS/EMNLP发表论文，专注在线建图感知与VLA算法预研[11] 端到端与VLA自动驾驶课程 - 课程覆盖端到端自动驾驶宏观领域，重点讲解一段式/两段式算法与理论基础[12] - 核心技术包括BEV感知、大语言模型、扩散模型和强化学习[12] - 设置两大实战项目：基于扩散模型的Diffusion Planner和基于VLA的ORION算法[12] - 授课老师Jason具备C9本科+QS50 PhD背景，发表CCF-A论文2篇，现任国内TOP主机厂算法专家[14] - 教师团队拥有端到端算法量产交付经验，主持过多项自动驾驶感知产品研发[14] 课程参与门槛 - 学员需自备GPU，推荐算力在4090及以上级别[15] - 要求具备自动驾驶基础模块知识，熟悉Transformer大模型、强化学习、BEV感知等概念[16] - 需掌握概率论、线性代数基础及Python/PyTorch编程能力[16]

公司运营状况 - 2024年11月22日，公司通知全体员工自11月24日起无需到岗上班，进入停工状态 [1] - 从2024年第四季度开始大规模裁员，至11月初团队规模仅剩约200人，不足巅峰时期的20% [1] - 2024年底未发放年终奖，管理层自4月起陆续离职 [1] - 过去一年多智能岗位被裁一半，技术、产品副总裁先后离职 [1] 业务发展问题 - 乘用车智能驾驶交付延期，无人驾驶物流小车销量惨淡，新客户开拓不理想 [1] - 公司规划基于乘用和物流场景，打造乘用车、物流车和智能硬件三大业务板块 [3] - 主要乘用车产品HPilot的装车量至2024年底仅约10万辆，远低于原定3年超100万辆的目标 [5] - 与小米汽车的合作仅为小项目，角色类似丙方 [8] 技术与产品迭代 - 行业在2024年转向端到端方案时，公司尚未从高精地图完全转型，刚提出无图NOA目标 [7] - 2025年行业讨论世界模型时，公司甚至未交付无图NOA，被指落后不止一个代际 [7] - 2024年推出的HP570方案定价8000元，算力100TOPS，相比同行7000元甚至4000元的同类方案缺乏成本优势 [8] - 公司长期依赖高速NOA等有图方案维持生存 [8] 融资与财务表现 - 公司累计获得超过20亿元融资，2021年底A轮融资近10亿元，估值超10亿美元成为独角兽 [2] - 股东涵盖汽车产业、互联网公司、风险投资机构和政府产业基金 [2] - 自动驾驶行业整体亏损运营，例如文远知行三年累计亏损高达58亿元，小马智行2024年净亏损19.67亿元 [9] - 2022年自动驾驶领域融资事件仅92宗，融资总额从932亿元回落至240亿元，2024年融资事件24宗，总额超350亿元，资金向头部集中 [9] 行业竞争与市场环境 - 自动驾驶行业竞争惨烈，公司对竞争准备不足 [1] - 2023年8月特斯拉推出FSD V12后，华为、小鹏、蔚来、理想及Momenta等公司纷纷切换至端到端方案 [7] - 多供应商合作是行业惯例，例如长城汽车自研团队达5000人，并同时引入元戎启行和卓驭科技 [10] - 在毫末智行之前，中智行、纵目科技、清研微视等自动驾驶公司已进入破产程序 [10]

公司运营状况 - 2024年11月22日公司通知全体员工自11月24日起无需到岗上班 标志着公司进入全面停工状态[1] - 公司从2024年第四季度开始大规模裁员 至11月初团队规模仅剩约200人 不足巅峰时期的20%[1] - 2024年底公司未发放年终奖 同年4月起管理层陆续离职[1] - 公司过去一年多持续下滑 去年裁掉一半智能岗位 今年初技术、产品副总裁离职 乘用车智能驾驶交付延期 无人驾驶物流小车销量惨淡 新客户开拓不理想[1] 公司技术与产品 - 公司主要产品线包括乘用车端的HPilot辅助驾驶系统 规划实现从L2到L4的技术覆盖 HPilot 3.0搭载城市NOH 采用视觉融合激光雷达方案 算力达360TOPS[4] - 末端物流无人配送车主要为小魔驼系列 智能硬件包括低速无人线控底盘、出行机器人、清扫机器人、ICU 3.0域控制器和高精度定位模组等[5] - 公司基于"软硬一体"策略搭建"雪湖"MANA数据智能体系 包括自动驾驶认知大模型DriveGPT"雪湖·海若"[5] - 2024年公司推出主打性价比的HP570方案 定价8000元 算力为100TOPS[11] 公司战略与目标 - 公司成立之初规划基于乘用和物流两大场景 打造乘用车、物流车和智能硬件三大业务板块[4] - 公司董事长曾在中长期规划中提出未来3年搭载其辅助驾驶系统的乘用车总量超过100万辆的目标 以期占据8%-10%的市场份额[7] - 2024年11月五周年内部信中 公司管理层提及致力于打造性价比最优的城市无图NOA方案 并确保第二代智驾产品完成量产定点交付[7] - 实际至2024年底 HPilot装车量仅约10万辆 远未达到百万目标[7] 公司问题与挑战 - 公司技术迭代缓慢 行业转向端到端方案时 公司尚未从高精地图完全转型 刚提出无图NOA目标 至2025年已落后行业不止一个代际[10] - 交付效率低下问题贯穿始终 包括2022年城市NOH量产交付推迟 2023年城市NOH落地百城目标未达成 以及与小米、现代汽车的合作项目延误[10] - 客户结构单一 除单一大客户外 仅开拓了现代汽车等小客户 与小米汽车合作仅为小项目 客户开拓不如同行第二梯队公司[10] - 公司方案成本缺乏竞争力 HP570方案定价8000元 而行业同类方案价格已下探至7000元甚至4000元级别[11] 行业背景与融资环境 - 2023年8月特斯拉推出基于端到端的FSD V12测试版后 2024年起华为、小鹏、蔚来、理想及Momenta、元戎启行、卓驭科技等公司陆续切换到或推出端到端方案[9] - 自动驾驶行业普遍无法盈利 例如文远知行客户从2022年21家增长至2024年91家 但三年累计亏损高达58亿元 小马智行2024年净亏损扩大至19.67亿元[11] - 自动驾驶领域融资自2022年起遇冷 2022年融资事件92宗 融资总额240亿元 较前一年932亿元大幅回落 2023年融资事件近140宗 披露金额约200亿元 2024年融资事件仅24宗 但融资总额超350亿元 显示资金向具备技术壁垒和商业化能力的公司集中[12] - 行业竞争激烈 多家自动驾驶公司如中智行、纵目科技、清研微视已进入破产程序 大卓智能进入重整阶段[13] 公司历史与资源 - 公司成立于2019年11月 2021年底获得近10亿元A轮融资 估值超10亿美元 跻身独角兽行列 股东包括美团、高瓴创投等巨头和明星机构[2] - 累计获得超过20亿元融资 股东覆盖汽车产业、互联网公司、无人物流配送、风险投资机构和政府产业基金[4] - 2021年2月前百度智能驾驶事业部总经理顾维灏加盟担任CEO[4] - 公司薪资水平向互联网大公司看齐 定薪较高[10]

智能驾驶技术演进路径 - 行业技术路线从基于规则的模块化方案，演进至端到端方案，并进一步向VLA和世界模型发展 [2] - 基于规则的模块化方案采用感知、预测、规划、控制串联工作，时延长、信息损耗大，导致车辆博弈能力受限 [2] - 特斯拉于2023年8月推出端到端FSD V12测试版，国内华为、小鹏、蔚来、理想及Momenta等供应商相继跟进 [2] - 端到端方案通过投喂人类驾驶数据让系统学习驾驶，但存在无法主动学习和修正的短板，难以应对所有极端情况 [4] - 理想汽车在端到端基础上加入VLM，但开源模型能力有限，仅能辅助识别红灯读秒等简单场景 [5] - 小鹏和理想认为模仿学习无法突破L3，需转向VLA或世界模型，使系统能主动理解物理世界并执行驾驶动作 [5][7] - 小鹏第二代VLA取消语言转译环节，将多模态物理信号直接输出为控制信号，提升效率并支持自监督学习 [8] - 华为选择WAWE架构，蔚来推崇世界模型，均省略语言环节，通过多模态信息直接控制车辆 [8][10] - 博世指出VLA落地存在多模态特征对齐难、训练数据提取难、大模型幻觉及芯片带宽不足四大挑战 [10] 车企技术路线与战略布局 - 理想汽车发布VLA技术方案，将视觉转为语言再执行动作，并将研发资源向VLA倾斜，重组自动驾驶部门为11个二级部门 [7][15] - 小鹏汽车放弃传统VLA，全力开发第二代VLA，其算力达2250TOPS，由三颗自研图灵AI芯片支持 [8][11][12] - 蔚来自研芯片并强化世界模型，加入强化学习以处理长时序数据，推动人工智能技术变革 [11] - 华为坚持WAWE架构，避免VLA路线的"取巧"问题，通过多模态信息直接控制车辆 [8] - 文远知行与博世合作推出一段式端到端方案WePilot AiDrive，具备强兼容性和快速迭代能力，应用于奇瑞星途车型 [19][21] - 供应商方案因平台兼容性和成本效率优势，可能逐步取代部分车企自研，成为行业竞争主导力量 [18][21] 组织架构调整与资源投入 - 小鹏汽车在2024年10月调整自动驾驶负责人，由刘先明接替李力耘，标志技术路线从功能实现转向基础模型转型 [14] - 理想汽车于2024年9月重组自动驾驶部门，取消封闭研发模式，推动团队向AI组织演进 [15] - 蔚来在一年内进行三次自动驾驶部门调整，多名负责人离职，以聚焦世界模型2.0开发 [15] - 技术路线切换引发多轮组织变动，如小鹏将技术开发部分拆为AI端到端、AI能效和AI应用三个部门 [17] - 小鹏建设3万卡智算集群，训练费用投入20亿元，理想搭建13 EFLOPS云端算力，资金效率成为自研关键挑战 [21] 行业竞争格局变化 - 自研浪潮后，车企如长城、奇瑞、广汽转向与元戎启行、文远知行、Momenta等供应商合作 [18] - 供应商方案具备更优兼容性和迭代速度，可能缩小与自研车企的数据差距，重塑行业竞争格局 [18][21] - 当前技术仍属L2框架，但VLA和世界模型被视为通向L4的关键路径，小鹏认为第二代VLA可为具身智能铺路 [22]

技术路线演进 - 智能驾驶技术从基于规则的模块化方案，演进到端到端方案，再到当前的VLA和世界模型 [2][5][8] - 模块化方案易于量产但时延长、信息损耗大，端到端方案通过数据驱动学习驾驶，但存在无法收敛的极端情况难题 [2][5] - VLA模型旨在让系统像人类一样主动理解和推理物理世界，理想汽车和小鹏汽车分别提出了包含语言转译环节和取消语言环节的不同技术路径 [8][9] 主要参与者技术选择 - 理想汽车选择VLA技术路线，其"VLA司机大模型"将视觉成像转译为语言再执行动作 [8] - 小鹏汽车选择更激进的第二代VLA路线，取消语言转译环节，将多模态物理信号直接输出为控制信号，以降低信息损耗并实现自监督学习 [9] - 华为和蔚来选择世界模型路线，华为的WAWE架构同样省略语言环节，蔚来则在其世界模型中力推加入强化学习模型 [9][12] 技术挑战与争议 - VLA路线面临多模态特征对齐困难、训练数据提取难、大语言模型幻觉以及芯片存储带宽不足四大落地难点 [11] - 反对观点认为VLA以语言为中心，语言模型的带宽不足以应对现实世界的复杂性和连续性，信息转换过程存在损失 [11] - 端到端方案被指出对物理世界缺乏真正的理解能力，难以处理从未学习过的特别复杂情况 [5] 公司战略与组织调整 - 小鹏汽车在2025年10月进行自动驾驶部门人事调整，由侧重基础模型研究的刘先明接替侧重产品功能实现的李力耘，标志着技术路线彻底转向基础模型 [13][14] - 理想汽车在2024年9月将自动驾驶研发部门重组为11个二级部门，重点是将研发资源向VLA倾斜，以推动团队向AI组织演进 [14] - 蔚来在相近时间也进行了自动驾驶团队的组织架构调整，多位负责人离职，以利于全力冲刺世界模型2.0版本的开发与交付 [15] 行业竞争格局变化 - 汽车公司自研自动驾驶技术的趋势发生变化，部分公司转向选择外部供应商作为核心解决方案提供方，例如长城汽车与元戎启行合作，奇瑞汽车与卓驭科技、文远知行合作 [18] - 解决方案供应商如文远知行推出的端到端方案获得高度评价，被认为具备可伸缩的算力适配能力和更强的车型兼容性，能消解自研车企的领先优势 [19][21] - 自研面临资金效率挑战，小鹏汽车为建成3万卡规模智算集群，仅训练费用投入就高达20亿元人民币，理想汽车也在云端搭建了13EFLOPS算力以支持研发 [21] 行业发展阶段与未来展望 - 当前所有技术路线的产品落地仍属于L2框架，但VLA和世界模型被认为是通向L4级自动驾驶的积极因素 [22] - 行业认为从2024年第四季度到2025年上半年是辅助驾驶技术落地的关键时期，领先身位的公司可能随时发生变化 [1] - 小鹏汽车认为其第二代VLA技术可以为具身智能的落地铺路，智能驾驶的真正竞争被认为刚刚开始 [22]

IPO进程 - 宇树科技IPO进入加速阶段，已完成辅导验收，即将递交招股书[1] - 公司计划在10月到12月正式递交IPO招股书，推进节奏非常顺利[1] - 从7月7日到11月10日，仅用132天完成IPO辅导，远快于平均6～12个月的辅导时长[6] - 辅导券商中信证券出动24位辅导人员帮助公司快速完成辅导工作[6] 公司治理与资质 - 公司完成股份制改造、募投计划方向、公司治理、激励和财务架构等辅导内容[5] - 10月23日完成董事变更，新董事李宗彦、倪晨凯、宋华盛均有上市公司独立董事经历[6] - 公司年营收已超10亿元，满足科创板上市基本条件[7] 行业资本动态 - 人形机器人头部企业资本化诉求强烈，乐聚机器人已递交境外上市申请，智元机器人有赴港IPO计划[2] - 宇树科技是资本市场"顶流"，原始股LP份额曾被一级市场流转和疯抢，转让与居间价格高企[1][2] 行业挑战与前景 - 人形机器人企业营收和利润水平普遍处于初创阶段，上市后面临追求盈利还是加大资本开支的两难[9] - 工业场景人形机器人可能面临良率不足、交付不及预期、产能无法释放等问题[9] - "端到端"高算力人形机器人面临节拍不足、幻觉较多问题，且客户需承担持续算力成本[10] - "遥操"固定算法机器人虽稳定性更优，但程序化工序让通用性优势无法体现[10] - 宇树科技过往销售主力为四足机器人，优必选以消费级家用机器人作为营收主力[10]

IPO进程与公司状态 - 宇树科技IPO辅导状态已变更为“辅导验收”，标志着公司已完成递交招股书前的准备工作 [1] - 公司从7月7日到11月10日仅用132天完成IPO辅导，远快于A股平均6至12个月的辅导时长，创下近乎新纪录的辅导速度 [1][6] - 公司计划在10月到12月正式递交IPO招股书，项目推进节奏非常顺利，预计在递交注册申请后长则数月、短则数周即可获受理 [1] 董事会架构与上市条件 - 10月23日公司完成董事变更，新任命的三位董事李宗彦、倪晨凯、宋华盛均为高校教授并拥有上市公司独董经历，此举被视为完善新董事会架构的关键步骤 [5][6] - 宇树科技创始人王兴兴透露公司年营收已超10亿元，满足科创板对未盈利企业最低营收2亿元以上的上市门槛 [7] - 与筹备港股上市或买壳的同行不同，公司因更满足A股上市门槛而得以直接上市，且无其他“第一股”竞争对手 [6] 行业资本化动态 - 除宇树科技外，人形机器人头部企业对资本化诉求强烈，乐聚机器人已递交境外上市申请，智元机器人赴港IPO计划流传近半年 [2] - 公司原始股LP份额在一级市场被流转和疯抢，转让与居间价格高企，反映出市场对公司的高度关注 [1] 上市后面临的挑战 - 人形机器人企业上市后陷入两难：需在提振报表数据维持市场信心与持续投入算力资源追求通用具身智能之间权衡 [8] - 行业面临具体挑战：教育类、展览类机器人销售在2025年热潮后可能陷入瓶颈；工业场景机器人可能面临良率不足、交付不及预期、产能无法释放等问题 [8] - 技术路径存在争议：“端到端”高算力机器人面临节拍不足、幻觉较多问题，且客户需承担持续算力成本；“遥操”固定算法机器人虽稳定但通用优势无法体现 [8][9] - 各公司营收结构差异：宇树科技过往销售主力为四足机器人，优必选则以消费级家用机器人如扫地机器人为营收主力 [9]