第 13 章 团队与资本¶
这是整本技术书里最不像技术的一章。可要是不把这一章想清楚，前面十二章学来的所有判断都派不上用场，因为判断总得在一家活着的公司里做才算数。2024 到 2025 年这一波钱进得有多猛，下一波倒下去就会有多狠。
2024 年初的具身机器人圈子，底子还是个由学术研究推着走的小行业，各家录好的 demo 满天飞，融资规模比自动驾驶差着整整一个数量级。到了 2024 年底，这行就完全不是原来的模样了。
2024 年 2 月，Figure 完成了 6.75 亿美元的 Series B 融资，OpenAI、Microsoft、Bezos、NVIDIA 与 Intel Capital 齐刷刷列在同一份股东名册里，公司估值冲上 26 亿美元。这是整个行业头一回看到科技巨头集体押注同一家硬件公司。半年后的 2024 年 7 月，Skild AI 拿到由 SoftBank 领投、Lightspeed 跟投的 3 亿美元 A 轮，估值跳上 15 亿美元。再过四个月，2024 年 11 月 Physical Intelligence 在 Bezos、Thrive Capital 和 OpenAI 联手之下敲定 4 亿美元 A 轮，估值达到 24 亿美元，离他们放出 π0 论文才刚刚过去一个月。2025 年 2 月，Apptronik 完成 3.5 亿美元 A 轮，由 Google 和 B Capital 领投。而早在 2024 年 1 月，1X Technologies 就拿下了 OpenAI Startup Fund 与 EQT Ventures 参投的超过 1 亿美元 B 轮；Agility Robotics 也在 2024 年从 Playground 那边拿到了 1.5 亿美元。
中国这边的声势没那么张扬，步子却一点不慢。智元机器人（AgiBot）在 2024 年内接连融资，估值翻过 70 亿人民币门槛，腾讯、京东、北汽接连进了资方名单。宇树 Unitree 在 2024 年从 Meituan、Source Code 等机构拿到 C 轮，2025 年初估值摸到了 80 亿人民币区间。银河通用（Galbot）在 2024 年拿到美团、IDG、商汤的几亿人民币 Pre-A 和 A 轮。Fourier Intelligence、星动纪元（Robot Era）、Mech-Mind 与 UBTECH，在 2024 到 2025 年间各自完成了至少一轮过亿美元级别的融资。至于 2023 年底就已经在港股上市的 UBTECH，2025 年的市值始终在 100 到 200 亿港币之间来回晃荡。
把这些账目凑在一起，2024 年全球涌入“以 LLM 当大脑的具身机器人”这个细分赛道的钱，大约在 35 到 50 亿美元之间。而在 2022 年，这个数字不过区区几亿。三年时间，盘子生生拔高了一个数量级。
身处其中的实际体感是这样的：2023 年你坐下来跟 VC 说“我做人形机器人”，对方递过来的第一句话是“硬件投不进啊”；到了 2024 年下半年说同样的话，对方的第一句变成了“你们家估值现在多少”；等到了 2025 年初再去问，迎面的第一句话已经是“你们的 first paying customer 是谁”。短短一年半，投资机构对这行的盘问从“敢不敢投”变成“赌哪一家”，紧接着又滑向“什么时候能验证”。每一次话锋转变，都顺手把一批没准备好的公司筛出了局。
钱涨得这么凶，后头注定有人要死。这一章想讨论的，就是谁会死、为什么会死，那些活下来的公司又会长成什么模样。
我们得先把资金消耗的结构摊开。一家 50 人规模、主做人形或者重型双臂的具身公司，到了 2025 年，每年的开销大约在 4000 到 8000 万美元。把这笔账拆开来看：
硬件 BOM。一台双足人形原型机在 2025 年的整机 BOM 大概在 5-10 万美元。里头最贵的几样件明码标价：六维力矩传感器每只手腕一颗，单颗就要 2-5 千美元；全身 14-28 个关节每个都要配谐波减速器，一个就在 800-2500 美元；高扭矩 BLDC 单个要 1-3 千美元；电池组要 5-10 千美元；至于灵巧手，单只买下来要 2-5 万美元，就算自研也只能压到 1 万美元。一家公司一年要做出来 30-100 台原型机，单是采购这些物料就得耗掉 200-1000 万美元。这甚至还没算上调试报废的次品、反复返工的 rework，还有大量压在仓库里的备件。如果做的是轮式底盘配单臂的形态，整机 BOM 能够压到 2-3 万美元，两者的成本差了三到五倍。
工程师工资。湾区一个 senior ML eng 的全包年成本在 40-60 万美元，senior robotics eng 在 30-45 万，senior hardware eng 则是 25-40 万。一家 50 人的公司，一年单是薪资支出在 1500-2500 万美元实属常态。放在北京或者深圳，同级别的 senior ML 全包大约 70-120 万人民币、robotics 在 50-90 万、hardware 在 40-70 万，折算下来整体要便宜 50-60%。
算力。训一个 10B 级别的 VLA，要是从 OpenVLA 这种公开 checkpoint 起步做 fine-tune，端到端跑通一个数据组合大概要用掉 3-8 万 GPU-hour（H100）。若要就着大规模数据从头预训一个 10B VLA，单次训练就得 30-100 万 GPU-hour 起步。2025 年 H100 的 spot 价格大概在 2-3 美元/小时，on-demand 则是 4-5 美元。单算模型训练这一项，一家中型公司一年投在探索性训练与最终训练上的账单在 500-2000 万美元；像 Figure、PI、Skild 这类第一梯队，花销基本都在 2000-5000 万美元的区间。
数据采集。teleop 单条 30 秒演示的成本大约在 5-15 美元（含人工、设备折旧、清洗与标注）。一个垂直任务往往要采集到 10k 条以上，模型表现才算迈进“还可以”的区间。一家公司同时推进 5-10 个任务，一年的 teleop 数据预算就要划走 200-800 万美元。第 8 章已经讲过为什么这笔钱大部分会白白浪费，这里只算明面上的账目。
安规认证。一台准备进入商业空间的人形或者服务机器人，要把 CE、UL、FCC 这些认证拿全，跑一轮下来至少得耗上 3-6 个月，花费 50-150 万美元。中间每改动一次电源模块或者机械结构，整个测试就可能要推倒重来。如果机器人要进家庭场景，还得再叠加 IEC 60335 和 ISO 13482，耗费的时间和开销都得直接翻倍。
云服务、办公、行政、法务、保险。这些零碎项合在一块，一年也得耗去 500-1000 万美元。名目看起来琐碎，可到了百万千万的整数关口，哪一笔都省不下来。
总账：早期 50 人的规模，一年要花掉 4000-6000 万美元；等到队伍扩充到 150 人去冲刺量产产品，年支出直接跳到 1-2 亿美元；在量产前夕，还得一次性砸入产线与模具等资本开支，至少又要 5000 万到 1.5 亿美元。Figure 和 PI 如今每年的资金消耗基本是一亿美元起跳，Apptronik 在 7000 万到 1 亿美元之间，1X 占了挪威人工成本偏低的光，一年也得花上 5000-7000 万美元。
这就是为什么这些公司每隔 12-18 个月，就必须重新回到市场上补血。融资的节奏被催得这么紧，从来不是因为创始人贪心，而是底下的火一旦被点着了，就根本由不得你停下来。
团队的人员比例，是这行最被低估的判断。
倘若给一家理想中的 2025 年具身机器人公司画组织架构，ML eng、robotics eng、hardware eng 与 ops 的比例大致应当维持在 1 : 1 : 1 : 0.5。换算成具体人头，就是 20 个 ML 算法、20 个机器人系统、20 个硬件电子机械，外加 10 个负责运营、测试场地与库房的人员。守住这个配比，团队大概率能把“训出一个策略”与“装到一台真机上跑通”这两件头等大事同时做扎实。
可现实情况是，绝大多数在 2024 到 2025 年起步的具身公司里，ML eng 往往占到了 60-70%，robotics eng 不到 20%，hardware eng 常常只有 5-10 个人。缘由其实再明白不过：钱是从 OpenAI 这类圈子里流出来的，创始团队自身来自 ML 背景，招人时也只熟悉 ML 圈子。最终的局面，便是一家 300 人的公司里，真正懂怎么调机械臂的不过 10 个人。在这样的比例下，仿真里算好的策略一旦放到真机上表现欠佳，没有人能快速查明究竟是策略本身的问题、URDF 模型有误，还是关节力矩标定出现了漂移，整个团队往往为了一个 demo 硬生生卡上两个月。
反过来看，以传统机械手起家的公司常见的失衡，则是 hardware 占了 50%、robotics 占 30%，ML 编制还不到 15%。这种团队固然控得住硬件 BOM，机械臂也走得扎实平稳，可自己无论如何训不出 VLA；每逢想要验证新模型，都只能外包给外部的 startup 或者大学实验室。两年一晃而过，技术代际直接落后了整整一代。
整个行业里最昂贵的人才，不是纯粹的 ML eng，也不是 hardware eng，而是真正懂 sim2real 的 systems person。这种人必须同时擅长调试 PyBullet 与 Isaac，读得懂 URDF，算得清系统辨识，还能看懂策略输出的动作分布、准确诊断出仿真到底在何处偏离了真机。2025 年在湾区，这样的人才全包要价达到 60-90 万美元，整片市场上能出来看机会的拢共不到一百人；团队里只要坐着两三个，技术决策的速度就能快上一倍。身价排在第二贵的，是真正主导过整车级 system integration 的硬件 lead。他们深谙电源管理、热设计、EMI、振动与跌落测试，心里明明白白一台机器从原型走到量产要踩过哪三十个坑。这批人随着 Tesla、Rivian、Zoox、Cruise、Apple Car 这座座坟场流出了一拨，但真正乐意踏入具身赛道的还不足三成，其余大多去了 eVTOL 或者人形 startup 之外的其他硬件行当。
团队招聘时两边到底各自缺什么，直接摊开来讲。
从 NLP/CV 转过来的 ML eng 缺三样。第一是物理直觉。他们能敏锐地看出 loss 不收敛，却往往看不出 reward 曲线哪怕收敛了、实物策略其实抖个不停。第二是 latency 思维。做 LLM 的同行习惯了 1-2 秒的响应延迟，而电机的控制环路对此分秒不让。第三是对失败代价的概念。NLP 模型出错无非重新跑一次，VLA 一旦输出错位，砸坏的可能是一台 5 万美元的相机，或者边上操作员的一根手指。补齐这三样大概需要 6-12 个月，要是团队里没有扎实的 senior robotics 领着，单靠自己根本补不出来。
传统机械/控制 eng 缺三样。第一是数据驱动的世界观。他们常常下意识想要“先写个状态机”，可这类状态机在端到端的世界里属于典型的 anti-pattern。第二是大规模训练的工程经验。分布式、混合精度、checkpoint 管理这些环节，一旦推到上百上千张显卡的体量，完全是另一套工程学问。第三是对预训练模型能力边界的判断。他们往往会高估 VLA 的泛化能力（“它见过了这么多数据，应该能应付”），转头又低估它的脆弱（“只是一点小变化，应该不碍事吧”）。这三样欠缺的补课周期，通常得花上 9-18 个月。
两边真正缺的，其实是产品 sense。具身的产品定义，到 2026 年还没有哪家公司敢说自己彻底做明白了。最昂贵的判断从来不是“哪个模型更好”，而是“这台机器到底干什么、卖给谁、卖多少钱、客户怎么用”。跑 demo 的时候，每家团队都觉得自己想清楚了；真把机器推进客户现场的那一刻，几乎所有人都要从头重写一遍。
算力的具体量级，不妨摊开来算得再细一点。
训练侧。从公开的 OpenVLA-7B 或者 π0-style checkpoint 起步 fine-tune，跑一个垂直任务策略，需要 5-15 张 H100 跑 1-3 周。若是从头预训练一个 7-10B VLA 配上 100M 帧量级的数据，就要 1024 张 H100 跑 2-4 周。这是眼下“基础模型公司”梯队的门票，一次大约 1500-4000 万美元。像 Figure、PI、Skild 这一档，每年至少要做 3-5 次大规模训练。
推理侧。机载 onboard 推理目前有两条主流路线：一是拿 Jetson Orin AGX 这类 50-80W 的边缘 SoC 跑 1-3B 蒸馏后的策略，控制在 10-30 Hz；二是机器人内部塞一台 RTX 4090 / 5090 级别的小工作站，跑 7B 全参数，控制在 5-15 Hz。机载推理的边际成本几乎是零，只要电池能撑住，机器就能一直跑。
cloud 推理走的是“机器人当 thin client，决策全上云”的架构。算一笔账：一台机器人每天工作 8 小时，以 10 Hz 频率做决策，每次调用 7B 模型的推理成本按 H100 的 spot 市价摊下来大约 0.001-0.002 美元；单机一天就要 30-60 美元，一年就是 1.1-2.2 万美元。一台机器人卖给客户才 5-10 万美元，云推理一年的开销就能吃掉售价的 15-25%。
这就是为什么所有冲着商业部署去的团队，都在拼命压 onboard。云端推理应付 demo、做 R&D，或者处理一分钟几次决策的低频任务确实划算，但要落地到家用和工业现场实打实干活，经济账根本算不过来。如果一家公司到了 2026 年还在跟你说“我们决策都在云上”，多半是产品还没真正进过客户家门。
还有一笔账经常被算漏：带宽和断网兜底。云推理意味着每台机器在客户现场都必须有一条稳定、低延迟的链路。工业现场往往很难保证，家庭环境里的 WiFi 抖一下机器人就得停。要么花钱加装 5G 模组（每台月费 30-50 美元，模组让 BOM 增加 200 美元），要么 onboard 留一套 fallback 策略，两条路都要花钱。销售给客户演示时不会提，工程团队赶 demo 时也会假装问题不存在，等到现场部署那天，它就会突然变成第一号事故。
现在讲两个立场，这是这一章硬要打出去的钉子。
立场一：这一波 80% 的具身公司活不到 2028 年。这不是悲观，而是结构决定的。
走不下去的原因，主要有三类。
BOM 不下来。花 5-10 万美元攒出一台原型机很多人都做得到，但把量产 BOM 压到 2-3 万美元同时还要保住绝大多数能力的，到 2026 年数下来不到 8 家。成本压不下来的团队，往往倒在第一批量产订单上。买家在合同里早把单价写死了，公司每造一台就净亏 3 万美元，第一批 200 台交出去，直接亏掉 600 万美元现金流。下一轮融资要是接不上，当场就完了。
99% 问题踢不动。第 9 章讲过，把任务成功率从 95% 做到 99.9%，完全是另一个工程量级。绝大多数团队在 demo 阶段做到 90-95% 后融到巨资，进入“拿下首个客户”的阶段，随即发现剩下那 5% 会耗掉全公司一半的工程研发力量。客户绝不接受 95%，团队要么继续硬啃，要么推倒换技术路线；前者耗尽资金跑道，后者重头再来输掉时间。两条路都是死路。
找不到第一个真客户。这是最容易被忽略的一种死法。VC 把估值推到 20 亿美元，故事画得极大（家庭、工厂、医院），但具体切入哪类客户、单价几何、SLA 怎么签、退货政策怎么写，绝大多数团队根本落不下笔。客户开发需要 5-15 个真懂垂直行业的 BD 慢慢去磨，跟堆叠 ML 团队是完全不同的组织能力。等他们意识到这一点时，账上现金往往只够再撑 9 个月，BD 根本招不到位。
把这三类死法加起来，2026 年活跃的 60-80 家具身大模型公司里，到 2028 年还能继续拿到融资或者跑通现金流自给的，不会超过 15 家。这是产业的历史规律，自动驾驶在 2017-2020 年的那一波洗牌，留下的也就是这个数。
立场二：账上的钱多，不等于赢面大。
举两个具体的例子。
Figure 钱确实多，但产品定义一直在变。从最早进驻 BMW 工厂，到转向家庭场景，再到自研 Helix 模型，一年之内主线就变了两次。调整方向不是错，但掉头本身极其昂贵：每次变动全公司都要停下来对齐，招来的人有一半专业不对口，之前投入的大量算力与数据也有一半随之作废。Figure 的优势在于资本够厚，经得起再换两次方向，但每变一次，离 IPO 都更远了一年。
Physical Intelligence 融到的钱不算最多（4 亿对阵 Figure 的 6.75 亿），但技术线最清楚。从 π0 到 π0-FAST 再到后续版本，始终咬定 flow matching 配合大规模 diverse data 这一条主线，没怎么动摇过。团队里的 Sergey Levine、Chelsea Finn、Karol Hausman，是过去十年这条线最具体的几个代表人物。这样的公司哪怕某轮融资落后了一拍，靠着清晰连贯的技术线条也能稳稳熬过寒冬。
钱是燃料，不是发动机。判断一家具身公司的赢面，不看银行账户躺着多少钱，而是看产品定义稳不稳、技术线条清不清楚、创始团队能不能在 demo 和工程落地之间做好权衡。这三件事，再多钱都买不到。
中美两边的具身生态对比，不妨逐项切开来看。
硬件 BOM。中国供应链便宜 30-50%。在同样的关节扭矩等级下，宇树、智元、星动这一档的整机 BOM，比 Figure 与 Apptronik 的同级产品低 1/3 到 1/2。背后的原因并不神秘：长三角与珠三角的电机、减速器、电池、PCB、机械加工链条完整且竞争充分，相同零件的采购价在中国只有美国的 50-70%。这是实打实的结构优势，不会轻易反转。
工程师 talent pool。美国的人才池更深，优势主要在 ML 和 VLA 这一侧。单是湾区、西雅图、纽约与多伦多，就有 1000-2000 个能在 VLA、RL 与 Diffusion Policy 这条线上独立产出的 senior 工程师；中国同等梯队大概在 300-500 个。传统机器人控制和机械工程两边差不多，但在核心 ML talent depth 上，美国依然有 3-5x 的厚度优势。
监管/部署速度。中国更快。在深圳、上海与北京，公园、商圈、政企展厅的 demo 部署审批，比美国快上一整年到一年半。家庭场景双方都还没真正放开，工业落地场景中国普遍要快半年。
资本结构。美国 VC 对退出的耐心更长，等 5-7 年很正常，10 年也能接受。中国 VC 的退出预期普遍在 4-6 年，而且 IPO 是默认的退出路径而非 M&A。这深刻影响着公司的产品决策：美国团队愿意耗上三年打磨通用的基础模型，而中国团队会被资方更早地推向市场，去做能直接开出发票的垂直产品。
结论：美国出基础模型，中国出量产铁皮。这个分工在 2026-2028 年大概率不会改变。能把硬件做进量产、卖给客户并拿到回款的公司主要在中国；能写出重塑行业走向的论文、训练出供全行业调用的通用 checkpoint 的公司主要在美国。一线工程师挑工作时，这个产业分工直接关乎你的薪酬构成、期权价值与每天的工位产出。
举个具体的例子。在湾区，一个 senior ML 工程师加入 Figure 或 PI，年薪现金 30-40 万美元，加上按当前估值折算纸面约 50-100 万美元一年的股票；但你日常做的事情有 90% 都是模型结构和数据清洗，每周看到真机的频率也就一两次。在深圳，一个同等级的算法工程师进到宇树或智元，年薪现金 60-90 万人民币，股票纸面价值低上一档；但你每天守着真机，跟硬件团队抢工位，产品节奏紧凑，出货更是实打实的。两条路线的职业回报差别不在眼前的工资，而在五年后你的简历上究竟能写出什么。在美国待上五年，你写“训过大规模 VLA、跑过几十个 ablation”；在中国待上五年，你写“从原型到量产带过两代产品、累计卖出去了 X 千台”。哪条路对你更值钱，全看你下一步想去往何处。
最后是给一线工程师的择业判断，不妨按这三个先后顺序来排。
先看现金流。一家到了 2025 年还没拿到客户实际付费、纯靠融资输血的公司，资金跑道（runway）就是它最重要的数字。面试时问 HR 三个问题：账上现金还剩多少、每月资金净消耗多少、下一轮融资进展如何。HR 不肯透露的，从老同事那里打听，从这家公司的投资人朋友那里求证，或者从招聘节奏中观察（岗位突然全线冻结就是信号）。资金跑道少于 12 个月的团队不要轻易加入；如果少于 9 个月且手里没有签字的 term sheet，迈进去就是极高风险。
再看产品定义。问创始人一个问题：“你们的第一台产品打算卖给谁、单价多少、客户买回去具体干什么、半年内会有多少台铺出去？”能清晰答出来的，哪怕这些数字日后被市场推翻，至少证明这家公司在认真思考业务。如果答不上来，或者张口就是“我们要做一个 platform，应用层让客户和合作伙伴去想”，那么这家公司大概率在 2027 年之前都不会迎来真正的买单客户。
再看技术老板背景。具身大模型这一行的 CTO，手里必须同时压得住三件事：大规模 ML 训练、机器人系统集成、硬件产品节奏。三样齐全的人，全球数下来不到 50 个。如果 CTO 只懂 ML，公司大概率会在 sim2real 那一关卡上很久；如果只懂机器人控制，在眼下这一代 VLA 浪潮里很容易掉队；如果只懂硬件，最后往往会做出一副漂亮的铁皮，里头却装不进真正的大脑。
这三个先后顺序背后，还藏着一条底线：不看估值。在这个阶段，估值往往只是融资能力的反向函数，跟公司本身的质量没多大关系，也决定不了你手里的股票未来能换回多少真金白银。一家估值 30 亿美元的公司，股票的实际价值完全可能比一家 5 亿美元估值的公司更低，因为前者复杂的优先股清算条款（liquidation preference、participation、ratchet）会把员工手里的普通股压到近乎归零。公司每轮融资如果拿的都是规矩的 1x non-participating preferred 倒还好；可要是签过 2x participating 或者 broad-based ratchet，在股权稀释与清算保护的双重夹击下，退出那天你真正能拿到的现金，很可能只有纸面数字的 5-10%。看懂 cap table 比打听估值有用得多。让做律师的朋友替你翻一眼过往的 term sheet 记录，比读三篇 TechCrunch 上的融资报道有用十倍。
写到这里，正好给前后几章搭一座桥。第 12 章讲了“2026 年这个具体节点”的技术现状，这一章摊开了同一个节点的资本底牌，下一章要讲五年后哪几样东西不会变。这三章合起来是一把判断尺：技术、资本、时间。少了一根轴，推演出来的判断都站不住脚。
练习¶
找一家你最关心的具身公司（现在的东家、竞争对手、想去的目标团队都行），把对方过去三年所有公开的融资额加总，按这一章给出的成本开支结构推算它手头剩余的 runway。算出来的结果跟你直觉里这家公司“还能撑多久”相差多少？要是差了半年以上，就值得顺着账目继续往下追问。
画一张你公司或者你目标公司的团队比例（ML / robotics / hardware / ops），跟本章给出的“理想 1:1:1:0.5”对照。哪一块明显偏厚？这种偏厚是创始团队的背景带来的，还是当前产品阶段决定的？什么样的招聘动向会让你判断这家公司开始着手修正这个比例？
挑一家美国具身公司和一家中国具身公司，照着“BOM 优势 / talent 深度 / 监管速度 / 资本结构 / 产品定义清晰度 / 技术线条稳定度”这六项，分别打出 1-5 分。算下来哪一家的总分更高？要是你正坐在这家公司的工位上，这个分数告诉你该留下来再等一轮，还是趁早另作打算？
给自己写一个面试问题清单：下一次去具身公司面试，坐在 founder 对面时，你要抛出哪三个问题，才能在 30 分钟里摸清这家团队到底值不值得加入？写完之后，拿它和本章提出的“先看现金流、再看产品定义、再看技术老板背景”对照一遍。
下一章：第 14 章 五年后