在洛杉矶Tesla Dinner餐厅打工的Optimus正在分发爆米花，而电商仓库里的Figure2正在进行包裹处理与分拣。当你在远离码头的海滩点个披萨外卖时，达美乐机器狗Domidog正迈着灵活的步伐踏上了沙滩送餐之旅——机器人技术，为何走向不同场景？
选取全球五家最具代表性的人形机器人厂商：Tesla、Figure AI、Boston Dynamics、Agility Robotics和1X Technologies，围绕技术、场景和生态，深度剖析他们的差异化落地场景与破局之道，希望能给中国人形机器人厂商“做大做优做强”带来启发与思考。
一、Tesla的人形革命：成本控制与量产野心
关键事件：
- 商业化挑战：Optimus因关节过热、传动寿命及电池续航等问题，原定2025年5k台的量产目标或推迟。
- 技术路线调整：项目负责人离职、软件副总裁接管，暂停生产进行硬件深度优化。
- 第三代Optimus（V3）：放弃V2量产，转向V3小批量试产（预计2025年底数百台），注重轻量化、能源效率及多模态传感器融合。
在上海举办的2025 WAIC特斯拉展台上有一句醒目的标语：“与车同源的特斯拉人形机器人可能是史上最快规模化生产的产品”，“史上最快规模化”这七字既标红又加粗，将特斯拉人形机器人的量产野心表现得“淋漓尽致”；然而，量产并非易事，就如特斯拉这样的顶尖选手也曾爆出“Optimus停产”等负面消息。
从实验室走出的“概念机”，到小批量验证的“工程机”，到大规模生产并终端交付的则是“标准品”，无论是特斯拉宣称已放弃量产的Optimus第二代（V2）还是2025年即将推出的第三代（V3），都仍停留在“工程样机”阶段，其硬件软件仍须迭代&改进，供应链与成本控制仍须优化完善。然而，从“工程机”到“标准品”的跨越，则意味着技术已打磨到位、供应链已成熟、成本与良率已可控，终端客群需求已释放，所有这些因素终会在时间磨合之下成为现实。
特斯拉人形机器人：2025 WAIC特斯拉展台——样机展示
核心技术复用策略：
- 与Robotaxi协同：预计2025年底Robotaxi服务将覆盖美国半数人口，其AI推理技术将迁移至Optimus人形机器人。
- 底层战略协同性：FSD自动驾驶视觉架构、AI训练集群、Grok多模态大模型直接复用至Optimus人形机器人，降低研发边际成本。
量产目标与定价策略：
- 2025年目标单价锚定≤3.5万美金/台，远期目标2万美元。
- 预计2025年推出Optimus第三代（V3）、2026年量产，5年内实现年产100万台。
落地场景选择逻辑：
Optimus人形机器人将优先部署于工厂环境（如零件分拣/搬运），因场景结构化且人工替代ROI明确；而洛杉矶特斯拉餐厅的12台Optimus已承担送餐、清洁任务，暗示马斯克更看重C端消费场景的规模化落地。结合中国计划：2025年推出Optimus V3消费版，其终极战场实为家庭与服务领域。
二、具身智能突破者：Figure垂直整合与双轨并行战略
关键事件：
- Figure02实现首笔商业交付，标志人形机器人从实验室进入实用阶段。
- 终止与OpenAI合作，自研“视觉-语言-动作”端到端大模型Helix，加速技术闭环。
- 2025年发布家庭洗衣助手Demo。
当谈到全球人形机器人领域的明星公司Figure，这里必须提一下OpenAI这家以大语言模型——ChatGPT闻名的AI公司，一年前不仅参与了对Figure的B轮融资，更承诺为其人形机器人开发专用大模型。然而，2025年，Figure突然宣布终止与OpenAI的合作，震动业界。
其实，双方裂隙早在技术深化中悄然而生：当Figure意识到AI大模型不能因“外包”而受制于人、唯有自研才能更好地与本体融合，模型输出的数据资产才是终极壁垒之时，OpenAI的“左右逢源”战略无疑加剧了这一决裂：OpenAI投资的另一家人形机器人公司——1X Technologies在家用服务领域，与Figure形成直接竞争。当伙伴变成对手，技术依赖便成为致命风险。
备注：图片来自Figure官网
Figure2在电商仓库进行包裹处理与分拣
在当前的人形机器人产业链中会有两种不同的生态发展模式长期共存：一种是“横向分工协作”：如“脑-身”分离的开发模式，人形机器人本体厂商专注于硬件研发创新、迭代升级，而AI大模型公司则专注于提供模型融合解决方案，或开源，或付费，既提供高度商品化的标准版大模型，也提供高度定制化的专用大模型；另一种则是“自身垂直整合”：人形机器人本体厂商通过自研大模型与自身本体硬件高度融合，从而实现真正的“软硬一体化”与“技术闭环”； AI大模型公司则通过投资、收购并整合人形机器人厂商甚至完全自研人形本体，从而实现闭环。
无论“横向分工”还是“垂直整合”，都与产业链上下游的企业自身战略紧密相关，机器人公司应根据产业竞争态势、技术成熟度等级、用户市场趋势等做出最适合自身发展的决策。
核心技术与应用策略：
- 脑身融合自研：从“脑”（算法+模型）到“身”（硬件本体）垂直整合、全栈自研，加速算法与硬件协同设计，深耕硬件和AI的共生生态，实现深度自主闭环。
- 场景迁移泛化：基于物流分拣技术（动态抓取决策/未知环境纠错），2025年家庭洗衣Demo实现突破：动态调整抓取轨迹应对中途补衣。
- 技术闭环提升商业竞争力：通过Helix模型优化能效、嵌入式低功耗GPU部署，Figure大幅延长工作时长；2025年初除宝马外再获美国巨头订单，估值一年飙涨15倍——资本正用真金白银为技术闭环投票。
量产目标与定价策略：
- 宣布未来4年内部署10万台人形机器人，新建工厂目标年产能10万台。
- 最新机型成本降低90%，加速规模化应用，定价策略未公开（预计>$50k）。
落地场景选择逻辑：
Figure正推动人形机器人实现从工业到家庭的跨场景能力跃迁，这种工厂端和家庭端的“双轨并行”战略凸显了Figure的技术本质：以工业场景打磨基础执行力，以家庭场景验证通用智能上限。
三、场景专家：Boston Dynamics与Agility垂直深耕
Boston Dynamics关键事件：
- 放弃人形Atlas炫技，转向四足机器狗Spot商业化、Strech机器人在仓储物流的商业化部署；
- 基于Spot四足机器狗的达美乐沙滩送餐（防海鸥场景），解决“最后一公里配送+特殊地形”痛点。
- 世界首台在公共安全执法行动中被损毁的Spot机器狗。
Agility关键事件：
- 完成首例正式工厂部署：2025年7月在美国某内衣制造工厂完成全球首次Digit人形机器人的工业场景正式商用，承担仓库-产线物料运输任务。
Boston Dynamics的“商业务实”战略转型
当谈到Boston Dynamics（波士顿动力），或许很多人会想起他们开发的一款非常酷炫的人形机器人Atlas，初代由液压驱动，后转向全电动系统。Atlas拥有卓越运动能力，能完成后空翻、高台三连跳、跑动越障等高难度动作，其运动控制精度与自主性仍保持领先；然而，偏重本体运动先进性却恰恰成了其商业化的“绊脚石”：高昂的硬件和开发成本、算法泛化能力不足、数据隐私政策等，使其商业化落地迟迟不能兑现。或许正是Atlas遇到的商业化障碍，更多地激发了对“如何平衡三角关系：技术深度、成本控制与商业化速度”的深度思考与认知升级。
备注：图片来自波士顿动力官网
Stretch机器人在物流仓库自动卸货
核心技术策略：
牺牲通用性、仅满足物理具身基础要求，专注移动稳定性，实现场景工具化。
- 复用Atlas人形机器人底层通用技术栈如SLAM导航、深度学习视觉、强化学习训练至Spot机器狗平台。
- 通过简化感知系统和交互逻辑，强化Spot四足机器狗的“场景专用性”优势，如自主路径规划、避障和巡检。
市场与产品战略：
- 聚焦工厂物流与公共安全场景，通过租赁模式降低用户使用门槛。
- 推进产品平台化战略，如Stretch机器人向物流仓储多功能作业单元转型。
落地场景选择：
- Spot四足机器狗聚焦工厂、商业建筑等巡检/安防领域。
- Strech专注物流仓储自动化，范围从自动卸货扩展至箱式拣选场景。
四、Agility Robotics：物流仓库的搬运工
Agility机器人穿着醒目的绿色上衣、双目炯炯发光，有着一双奇特的鸵鸟腿结构；他在亚马逊仓库搬运料箱，连续工作十多个小时“累得”瘫倒现场的照片，让人不禁心头微动——真是兢兢业业的“搬运工”啊！
在物流仓库中，繁重且重复的体力劳动主要集中在拣货、分拣与打包、装卸搬运等环节，尤其是搬运，装卸工需徒手搬运大件商品如家电、家居，单件重量常超20KG，长期负重导致职业病高发。
笔者认为针对“装卸工”这类工种，若采用机器人替代，即使单机效率上能达到人效的40%，也是非常可观的，通过机器人集群调度、多机协同，完全可胜任此类工种。
备注：图片来自Agility Robotics官网
Agility机器人在仓库搬运料箱
核心技术策略：
放弃通用智能，给人形机器人功能做减法，将机器人定位于完成低复杂度重复搬运任务。
- 基于云平台Agility Arc：通过部署并集成多种自动化工作流到物流&制造场景，实现对机器人集中化统一管理、远程调度与监控。
（这是一种仓储物流领域AGV/AMR集群调度策略的产品形态：“Agility机器人+Agility Arc云平台”等同于“AGV/AMR+物流集群调度系统”）
市场战略定位：
- 聚焦仓储物流、电商零售及轻工业场景。
- 专注完成上下料、拆码垛、料箱回收等复杂度低且高频重复的任务。
- 通过租赁模式降低客户初始成本。
落地场景选择逻辑：
通过 “场景垂直深挖+金融杠杆加持” 实现快速商业渗透，技术侧专注有限场景下的基础搬运功能（降低算法复杂度，加快落地应用速度），商业侧采用租赁破除价格敏感型客户的心理防线→快速抢占中小型仓储物流自动化市场。
对上述有关Boston Dynamics、Agility的核心战略本质进行提炼并总结，即在通用人形载体上做减法，用场景专用性换落地速度。
五、1X Technologies ：聚焦消费C端做有情感的家庭助手
关键事件：
- 全球首个双足机器人NEO Gamma进入家庭测试阶段，早于Figure AI、特斯拉，标志人形机器人从工业向消费场景跨越。
- 与英伟达合作：开放真实世界数据API，每秒传输 2GB环境数据（覆盖3000+家庭/办公场景），联合构建 “数据-算法-硬件”三角飞轮，模型迭代周期压缩至3个月。
1X Technologies是一家来自挪威的人形机器人公司，NEO Gamma人形机器人是其主力产品，专注家庭服务包括整理、清洁和管家。该款人形机器人完全基于家庭场景设计，突出人机共融，强调安全交互、静音运行，具备人机对话、辅导与合作模式；尤其是NEO Gamma人形机器人搭载的Redwood模型，支持端到端任务学习，能实现“看-说-动”闭环。
在笔者看来，家庭场景相比工厂环境的最大区别在于非结构化、动态干扰特征明显，对于人形机器人的核心能力验证包括高度细腻化与柔性化操作、人机交互鲁棒性等，其核心技术挑战在于感知-决策-执行闭环的实时泛化能力；而工厂环境因其结构化、高确定性等特点，技术难点则在于长期作业的系统可靠性、稳定性。
人形机器人服务于家庭，其技术难度可想而知，不仅须安全可靠，更须实时泛化。1X直接将主战场锁定在家庭，在笔者看来是一种“高打高举”的策略，聚焦高价值目标——家用，争取“高价值回报”，通过家庭场景验证后形成的核心竞争力，可降维打击结构化场景目标，这是一种“赢家通吃”的玩法，至于1X策略是否奏效，让我们拭目以待。
备注：图片来自1X官网
Neo Gamma正拎起水壶为家庭主人倒水
核心技术策略：
NEO Gamma人形机器人搭载的Redwood视觉语言模型，采用“核心自研+生态合作”的混合架构，其中：
1）视觉语言框架负责端到端移动操作、全身协调控制；1X世界模型负责动作结果预测、策略虚拟验证；“伴侣”LLM负责自然对话、肢体语言表达；上述三个核心模块都是自研。
2）与英伟达联合开发的GR00T基础模型负责低延迟决策、关节运动优化；采用第三方整合的预训练模型负责物体识别、语义理解；硬件算力则借力英伟达平台，解决并行推理、高并发任务处理。
(上述策略既避免完全闭门造车，又确保关键技术不被“卡脖子”，为快速迭代提供了支撑。)
数据驱动的场景泛化能力：借用1X官网的一句话：“我们积累的面向任务的机器人数据越多，我们对未来任务结果的预测就越准确。”
市场战略定位：
消费级家庭服务优先：明确聚焦家庭场景，专为家庭环境设计，拟人化交互与情感化体验，目标成为“智能家庭伴侣”。
落地场景选择逻辑：
与Tesla、Figure由工厂到家庭过渡策略不同，1X明确聚焦家庭场景以及C端消费。2025年底前在数百至数千家庭开展Neo Gamma人形机器人实测，聚焦洗碗、洗衣、物品递送等十多类任务，同时向办公场景等高价值服务延伸，形成家庭→办公双向赋能闭环。
六、落地场景破局之道总结思考
综合上述对Tesla、Figure、Boston Dynamics、Agility、1X Technologies五个全球人形机器人领域的顶尖公司进行整合分析，“机智观察”围绕技术、场景、生态三大维度对他们的差异化破局之道总结如下：
Tesla：成本极致压缩的量产革命
技术维度：自动驾驶技术复用至人形机器人，底层核心模块战略协同。
场景维度：特斯拉原生工厂基因，优先部署工厂，但更看重C端消费场景规模化。
生态维度： 垂直整合+低成本量产规划。
Figure AI：工业到家庭的跨场景能力跃迁
技术维度：脑身融合自研、场景迁移泛化，技术闭环反哺商业竞争力。
场景维度：工厂端和家庭端的“双轨并行”战略。
生态维度：技术闭环+供应链整合。
Boston Dynamics：场景工具化的极致可
技术维度：牺牲通用性、满足具身基础要求，聚焦工具化应用。
场景维度：巡检/安防领域、物流仓储自动化。
生态维度：与丰田开发LBM决策模型+商业化试点。
Agility：专注仓库结构化环境，降低技术泛化难度
技术维度：放弃通用智能，人形载体做减法，更注重适配结构化工厂环境。
场景维度：仓储物流、电商零售及轻工业等有限场景下的高频基础任务。
生态维度：B端绑定（与电商巨头深度合作）+平台化/模块化扩展。
1X Technologies：拟人化交互与情感化体验
技术维度：核心自研+生态合作混合架构，数据驱动的场景泛化能力。
场景维度：消费级家庭服务优先，同时向办公场景等高价值服务延伸。
生态维度：数据联盟+算力依赖（与英伟达合作）。
结 语
从特斯拉的极致成本量产、Figure的跨场景能力跃迁，到Boston Dynamics与Agility的垂直深耕，再到1X的家庭服务优先——全球机器人巨头的差异化破局印证同一真理：
“场景定义技术，而非技术追逐场景”
当Figure用语言指挥洗衣、Tesla为Optimus砍掉摄像头时，背后是 “通用智能”与“规模覆盖”的路线分野；而沙滩上奔跑赚钱的机器狗Domidog则宣告：
给垂直场景做“减法”，或许恰是商业化的最优解。