Chaos and Order

💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

引言 — 为什么是现在，为什么是机器人
第1部分 — 企业地图：硬件 × 大脑 × 市场
第2部分 — VLA模型谱系：从RT-2到GR00T N2
第3部分 — 软件栈：工程师实际接触的东西
第4部分 — 工程师的入场路径
结语
参考资料

引言 — 为什么是现在，为什么是机器人

先从一个数字说起：2026年全球人形机器人出货量预测为5万台以上 — 同比约7倍。超过140家公司正在制造从1.6万美元到25万美元不等的人形机器人，LLM热潮的资本与人才正涌向"下一个基座"，而这里正是聚集地。变化的引爆点不是硬件，而是大脑：能把LLM/VLM能力延伸到机器人动作上的VLA（Vision-Language-Action）模型，其登场让"机器人只会执行预先编好的动作"这一持续数十年的局限开始瓦解。

本文用三层来绘制地图 — 企业(谁在做)、模型(大脑如何进化)、技术栈(工程师用什么工具)。

第1部分 — 企业地图：硬件 × 大脑 × 市场

美国 — 资本与基础模型的战场

Figure — 这个赛道的资本领跑者。由OpenAI主导的大型融资轮，将其估值推高至约390亿美元。战略核心不是硬件，而是自研VLA模型Helix — "身体只是载体，护城河(moat)是具身AI"的赌注。Figure 03是现行平台。
Tesla — Optimus没有另外融资，而是押注制造规模。Gen 3的目标是在2026年夏季量产 — 这是"拥有汽车工厂的公司批量生产机器人"这一场景的试金石。
Physical Intelligence (π) — 不卖机器人。它是一家软件公司，专注打造可移植到任何机器人的通用大脑(π0、π0.5)，凭借基于扩散(diffusion)的动作生成，在灵巧度(dexterity)基准上领先。只能通过合作伙伴关系接触的闭源模型，是它与OpenVLA的对比点。
1X — 以家用人形机器人NEO正面挑战"家里"这个最难的环境。Apptronik(Apollo)与Agility Robotics(Digit)正在物流、仓储这一最现实的市场里不断积累商用部署。Boston Dynamics，则用抛弃液压的电动Atlas，从研究名门转型为商用玩家。

中国 — 价格与产量

Unitree — 这个赛道的价格破坏者。凭借四足机器人锤炼出的量产能力，把人形机器人G1推向低价区间，仅2025年就出货5,500台以上 — 按数量计位居世界第一。估值约13亿美元，资本只有Figure的三十分之一，但"先便宜大量铺货、再收集数据"的策略令人生畏。其后UBTech、Fourier、AgiBot等公司背靠中国的制造生态系统紧追不舍。

韩国 — 制造强国的低调参战

Rainbow Robotics — 传承自KAIST HUBO谱系的公司，随着三星电子成为其最大股东，已成为集团机器人战略的支柱。Doosan Robotics，作为协作机器人(cobot)强者，正逐步掌控产业现场；再加上现代汽车集团旗下的Boston Dynamics，"韩国资本手中的机器人版图"比想象中更大。

值得关注的是三条轴线的组合 — 硬件(执行器、手)、大脑(VLA)、市场(工厂→物流→家庭)。Figure押注大脑的垂直整合，Tesla押注制造，Unitree押注价格，π押注大脑的横向销售，各自押在不同的轴线上。

第2部分 — VLA模型谱系：从RT-2到GR00T N2

VLA把"看图像(Vision)、理解指令(Language)、输出电机指令(Action)"合并进一个模型里。沿着谱系追踪下去，就能看清现在所处的位置。

RT-2 (谷歌DeepMind，2023)      把VLM接入机器人行动的概念验证 — "互联网知识延伸到手臂"
OpenVLA (2024)                 7B开源VLA — 任何人都可下载并微调的起点
π0 (Physical Intelligence)     基于扩散的连续动作 — 灵巧度的新基准，闭源
Helix (Figure)                 "快速反射 + 慢速推理"双系统，控制人形机器人上半身
GR00T N1 → N1.6 → N2 (NVIDIA)  开放权重的人形机器人基础模型 — N1.6为3B参数，
                                N2是首个以30+自由度人形机器人为首要设计目标的大型VLA

只需记住三条技术脉络。第一，动作表示的演化 — 从离散token(RT-2)到扩散/流匹配(π0)，走向平滑而精确的连续控制。第二，数据策略 — 由于机器人实机数据昂贵，先用网络视频、第一人称影像预训练世界的动力学(V-JEPA 2、GR00T的潜在动作预训练)，再用机器人数据做对齐的两段式结构正在成为标准。第三，与世界模型的融合 — NVIDIA Cosmos这类世界基础模型正被吸收进VLA的骨干网络，朝着"先想象动作的结果，再行动"的方向演化。这种数据流水线的思路，与LLM数据预处理篇完全同源 — 只是素材从文本换成了影像与轨迹而已。

第3部分 — 软件栈：工程师实际接触的东西

层级               工具                        作用
──────────────────  ─────────────────────────  ────────────────────────────
仿真               NVIDIA Isaac Sim / Lab     照片级真实物理仿真 + 强化学习框架
                   MuJoCo                     研究标准的轻量物理引擎(DeepMind)
中间件             ROS 2                      机器人界的Linux — 节点、话题、动作通信
基础模型           Isaac GR00T (N系列)         开放权重的人形机器人VLA
训练框架           LeRobot (HuggingFace)       机器人界的Transformers — 数据集、策略、实机训练
数据               Open X-Embodiment           汇集数十种机器人轨迹的联合数据集

值得一提的是sim-to-real流水线的标准化 — 在Isaac Lab中通过大规模并行强化学习生成策略，用域随机化(domain randomization)缩小与现实的差距后移植到实机，这一流程已经事实上成为教科书。而这些训练运行的地方，正是多GPU集群 — 机器人AI是LLM基础设施的邻居。

第4部分 — 工程师的入场路径

"机器人公司不是只招机器人学博士吗?" — 已经不再是这样了。VLA时代的机器人公司实质上是庞大的ML基础设施+数据工程组织，招聘启事里有一半的技术都出自职业知识地图。一条现实的三步路径：

从LeRobot开始 — 在笔记本电脑上用公开数据集训练策略，如果条件允许，再用低价机器人臂(SO-ARM系列)一路做到实机。这是机器人版的"端到端走一遍"。
精读3篇论文 — OpenVLA(开源基准)、π0(扩散动作)、GR00T N1(人形机器人基础模型)。这三篇足以让你把握当前地形的坐标系。
仿真能力 — 用Isaac Lab或MuJoCo跑一遍强化学习流水线，就能在机器人团队的面试里对上话。

对现有的ML工程师来说，机器人与其说是"新领域"，不如说是分布诡异、延迟要求苛刻的又一种部署环境 — 而这种视角，正是这个行业眼下求贤若渴地寻找的视角。

结语

2026年的机器人产业正在从"硬件演示"的时代跨入"大脑与产量"的时代。Figure的390亿美元与Unitree的5,500台，是同一盘棋上的两种策略，而这盘棋的通用语言是VLA。如果你一直在LLM基础设施领域工作 — 你的技术已经有一半是机器人技术了。剩下的一半，物理世界会教给你。