看真实的机器人
六家公司，六条架构路线
学知识点容易迷路，因为它不告诉你「这些东西拼起来是什么样」。这六个拆解就是拼装图：每家公司的大脑、小脑、身体分别用什么方案、为什么这么选。看完再回头看知识点，每一块都有了位置。
先记住这个分工（比任何术语都重要）
大脑决定「去哪」——想 1 秒没关系；小脑决定「怎么走不摔」——每 1 毫秒都要答一次；身体是肌肉和骨头；数据是经验。下面六家的差别，就是这四样东西各自怎么解决。每张图都是动图，箭头快的层就是要求快的层。
口径说明
以下内容整理自各公司的官方博客、发布会与开源仓库（均注明出处类型）；「见解」一栏是明确的判断，不是事实。机器人行业信息迭代极快，公司架构随时间变化，请以官方最新披露为准。
特斯拉 Optimus
人形 · 车规供应链路线
造车的家底直接搬过来：芯片自己造、关节自己造、供应商全是现成的——这是它和所有初创公司最大的不同。
负责「看和想」。视觉方案直接用车上的那套（只靠摄像头、不用激光雷达），算力芯片也是车载芯片改的——不用从零研发，这是它起跑就领先的地方。
小脑负责「稳住身体」。关节驱动器自己研发，站稳、走路靠传统控制方法打底；官方视频里展示过做瑜伽类的平衡动作。
身体执行器全部自研，手指用细绳牵拉——和人的肌腱一个思路，所以手比较灵巧；电池组直接用车规供应链，便宜且稳定。
数据主要靠演示视频和人工遥操作采集。官方公布的训练细节很少，外界只能从视频倒推它怎么做出来的。
- 官方口径：执行器与手部方案全部自研，目标是成本可控的规模化量产（发布会与马斯克 X 账号公开信息）
- 算力与视觉复用 FSD 团队的积累，这是它和初创公司最大的差别（公开访谈口径）
- 2024–2025 的 We, Robot 活动上批量展示样机，但没有任何第三方独立测评数据（公开事实）
见解（判断，不是事实）
- 判断：它的核心优势不是算法，是供应链——车规级的电机、电池、线束成本曲线，初创公司三年追不上
- 判断：信息不透明是风险也是机会——外界只能从视频倒推架构，这类「拆解倒推」能力本身就是面试话题
- 对应到学习上：它证明纯视觉+自研执行器路线成立，也意味着感知与电控人才长期稀缺
Figure Helix
人形 · 端侧双系统路线
把「大小脑」讲得最明白的一家：一个慢的管「看和想」，一个快的管「稳住身体」，两个都装在机器人自己身上。
System 2：约 70 亿参数的视觉语言模型（官方博客口径），负责看懂画面、听懂指令，大约每秒 7–9 次给出「接下来该干什么」。
小脑System 1：一个几千万参数的小模型，每秒 200 次输出上半身的连续动作——把大脑的意图翻译成关节能执行的指令。
身体Figure 02 整机：多自由度 + 灵巧手；两块 GPU 就装在机器人身体里，不靠云端，断网也能干活。
数据靠人工遥操作采集数据训练。官方演示过在普通家庭里收拾杂物——训练时没见过的东西也能拿，靠的是模型的常识。
- 2025 年 2 月官方博客公开 Helix 双系统架构与参数量级、频率口径（这是本页数字的唯一来源）
- 家庭场景演示：面对训练集里没见过的物品，靠 VLA 的常识泛化完成任务（官方视频）
- BMW 产线场景的合作试点（双方公开宣布）
见解（判断，不是事实）
- 判断：Helix 是「教科书级」的架构叙事——大脑慢而聪明、小脑快而笨，中间用意图衔接；理解它比背参数重要
- 判断：把大模型塞进本体 GPU 而不是依赖云端，决定了它的延迟可控和可售卖；走云端路线的公司最终都要回答这个问题
- 对应到学习上：System 1 的实时控制栈就是本站 D4/D7/B 域的内容——大小脑时代，小脑工程师没有失业风险
宇树 Unitree
四足 → 人形 · 成本破局路线
把价格打下来的公司：电机自己造，G1 官方定价 9.9 万元起；走路姿势是用强化学习在仿真里「摔」出来的。
不赌大模型。主控跑导航和感知（激光雷达 + 相机，随型号不同），把「大脑」这个位置留给开发者和合作方去接。
小脑强化学习路线：先在仿真里让机器摔上百万次，练出走路策略再搬到真机——这是它能后空翻、被人踹一下也不倒的原因。
身体根本在电机和减速器自研自产，成本优势从这里来；SDK 和开发者文档开源，国内高校实验室都拿它当研究平台。
数据主要用仿真数据（Isaac 这类平台）训练运动策略，不依赖大规模人工遥操作。
- G1/H1 官方售价与参数公开；SDK 与开发者文档开源，国内高校的 RL 运动控制论文大量用它的平台
- 2025 年春晚扭秧歌与马拉松赛事，把「运动控制成熟度」变成了全民可见的公开指标
- 官方口径：电机、减速器等核心执行器部件自研自产
见解（判断，不是事实）
- 判断：宇树证明了「运动控制 + 执行器」这条线可以独立成一个商业模式，不必等大模型成熟
- 判断：RL sim2real 已经从论文技术变成了人形公司的标准小脑方案——学运动控制的人，仿真平台能力是新的基本功
- 对应到学习上：它是最适合学生入门的实物平台（价格 + 开源 SDK），本站 F1/F2 知识点直接对应它的技术路线
波士顿动力 Atlas
人形 · 控制积累最深路线
全身控制的天花板：跑酷、后空翻这些动作背后是十几年的控制技术积累。2024 年从液压整体换成电动。
2024 年起与丰田研究所合作（双方官方宣布），探索把大模型接进任务理解层——以前它只会执行动作，不会「听懂任务」。
小脑MPC + 全身控制（WBC）积累业内最深：同时管住平衡、迈步、手臂位姿好几件事。换成电动执行器后，控制栈相当于搬进新房，要重新调。
身体2024 年起全电动版（官方发布）：比液压省电、好维护，但液压时代那种爆发力要重新找回。
数据以物理模型驱动为主（不是数据驱动），对外公开物主要是官方演示视频。
- 2024 年 4 月官方宣布液压版退役、推出全电动版（官方博客，含退役视频）
- 与丰田研究所的合作是双方官网公开信息：大模型负责任务理解层，Atlas 自己的控制栈负责执行
- 跑酷/后空翻等能力均为官方视频披露，第三方复现极少
见解（判断，不是事实）
- 判断：Atlas 的价值在控制栈的积累深度——这东西十年买不来，电动版相当于把老地基搬进新房子
- 判断：连控制最强的公司都要接大模型，说明「大脑缺失」是全行业的共识，而不是噱头
- 对应到学习上：WBC/ZMP/阻抗控制这些知识点（B 域）就是 Atlas 这类公司的面试语言
智元机器人 AgiBot
人形 · 数据与开源路线
国内「数据 + 开源」做得最重的公司：开源了百万条真机数据——别人没有真机团队，也能拿数据练模型。
GO-1 模型（2025 年官方发布）：VLM 负责「看懂 + 听懂」，动作专家负责输出连续的控制信号。
小脑远征系列本体：传统控制栈打底，配合强化学习的运动控制（公开演示口径）。
身体远征 A2 等人形整机，另有灵犀系列小本体（部分开源硬件），价格低到高校实验室买得起。
数据最大亮点：AgiBot World 数据集开源（官方口径百万级真机轨迹），是目前最大的中文真机操作数据集之一。
- GO-1 与 AgiBot World 数据集均在官方渠道开源发布（2025 年公开信息）
- 灵犀系列小本体定价与开源仓库公开，国内高校可低成本复现
- 量产进度与工厂场景实训有持续公开报道
见解（判断，不是事实）
- 判断：数据集开源是它对行业的最大贡献——VLA 竞赛本质是数据竞赛，AgiBot World 让没有真机团队的学生也能参与
- 判断：ViLLA 架构代表了国产 VLA 的主流思路：在开源 VLM 上加动作专家，而不是从零训基座
- 对应到学习上：想进 VLA 方向，第一步是下 AgiBot World + OpenVLA 复现一次训练，这比读十篇论文有用
优必选 Walker S
人形 · 工厂实训路线
真正把人形机器人放进工厂流水线实训的国产厂商。架构保守：工厂要的是每次都一样，不是偶尔惊艳。
分层架构：任务层用大模型做编排，执行层用成熟的视觉伺服——先保证稳定复现，不押注端到端。
小脑伺服驱动器自研（公司公开资料口径），重点在运动稳、作业准。
身体Walker S 按工业标准设计：双臂作业 + 移动底盘，负载和精度对标产线要求。
数据工厂实训产生真实作业数据（合作方公开报道口径）——这是它和纯实验室厂商最大的差别。
- 与多家车厂/代工厂的实训合作有公开报道（进厂分拣、检测等场景）
- 伺服驱动器与关节方案自研（公司公开技术资料口径）
- 上市公司的公开资料披露相对完整，是国内观察「人形机器人怎么进厂」的最佳样本
见解（判断，不是事实）
- 判断：工厂是现阶段人形机器人唯一能闭环商业价值的场景——它的路线保守但现金流健康
- 判断：分层架构在工业场景里比端到端更可信：产线要的是稳定复现，不是聪明的泛化
- 对应到学习上：系统集成、现场调试（F6）这类岗位，就是 Walker 这类公司招聘量最大的方向