芝能科技出品

人形机器人正在从实验室走向产业化落地的关键阶段。众擎机器人在短时间内完成近10亿元融资，千寻智能、逐际动力等新锐企业亦获京东等资本加持，标志着人形机器人产业已进入资本、技术、应用三位一体深度耦合的发展阶段。

这场“具身智能”驱动下的竞赛，其核心不仅是关节、电机与结构的高度集成能力，更在于算法、模型与数据迭代的综合协同。技术成为决胜关键，生态成为规模化落地的加速器。


01
具身智能：从硬件突破到运动控制闭环

在人形机器人的产业化进程中，“拟人”不再仅仅是一种结构外形的模仿，而是一个复杂系统在感知、决策、执行三大层面同时拟合人类能力的过程。

众擎机器人之所以在Pre-A++及A1轮融资中获得多方青睐，背后是其在核心硬件与控制系统领域所展现出的自研闭环能力。

众擎的核心优势在于全自主研发的关节模块系统，集成高爆发力、高力矩及高转速特性，这一系统为机器人的灵活动作提供了真实“肌肉”支撑。

在结构设计上，这些关节不仅追求功率密度的极限，还在动态响应方面做了优化，支持机器人执行复杂的多关节协调动作。

这种能力的关键指标在于负载自重比和模块响应延迟，众擎在部分高动态场景中实现毫米级动作精度，已在实际中完成如舞蹈、空翻与高速奔跑等动作验证。

而要真正实现这些动作的“可控性”，需要构建一套从仿真到实物的完备运动控制系统。

众擎在Sim2Real（仿真到现实）的技术栈上建立起了较强壁垒，利用自研算法优化器与多物理场仿真引擎，实现了在复杂环境中训练出的策略迁移至实体机器人时的快速适配。

通过多级PID控制、WBC（Whole Body Control）算法融合，以及对实时反馈的高速处理，其运控体系可在毫秒级做出反馈修正，进而稳定支持高动态动作的执行。

这种能力对于机器人的“泛化能力”至关重要。传统工业机器人受限于预设路径和控制程序，而人形机器人面对开放环境中的变量，需要具备自主调整的能力。

Sim2Real技术正是在确保动作精度与响应效率的基础上，提供了从数据生成、模型训练到行为部署的完整通路。

自研高功率密度关节是实现高力矩与高速响应的硬件基础，Sim2Real 仿真体系可有效解决从虚拟到现实的策略迁移问题，毫米级控制精度与高动态动作支持体现了具身智能运动控制的核心能力，WBC 全身控制算法体系则支撑多自由度关节间的协调动作。

02
大模型驱动：千寻与逐际的“人脑”方案比拼

在人形机器人进入服务、工业与商用领域的过程中，仅有出色的本体控制能力远远不够，构建“类人认知”能力的具身智能大模型成为产业新焦点。

千寻智能与逐际动力分别走出了不同的数据路径与模型架构，代表了目前国内具身智能发展的两条主要技术路线。

千寻智能的VLA（Vision-Language-Action）大模型，核心目标是建立一个可泛化、可感知并能跨模态执行任务的Agent体系，人形机器人Moz1配备了全身26自由度结构，力控关节系统兼具功率密度与实时反馈能力，结合WBC控制算法，提供了极为细腻的动作响应基础。

Moz1还具备“零延迟遥操作”能力，借助自研多维度数采模块，支撑小时级数据迭代节奏。这使得VLA模型能够在连续交互中快速调整策略，提升执行准确性。

更关键的是，VLA模型的“理解力”来自于其多模态对齐能力，即通过自然语言与视觉、动作之间建立因果关联，让机器人具备“看图指令执行”的基础能力。

例如，在办公室场景中，Moz1可以根据自然语言指令完成“座椅归位”“桌面整理”等任务，逐步向“自主执行+人类交互”双模式发展。

逐际动力在模型侧的策略更强调“数据的结构性”。其推出的LimX VGM模型不依赖于真机样本，而是通过分析人类操作视频、结合仿真与合成数据生成策略，构建“跨平台、跨任务”的通用具身大脑。

这种思路强调“数据配方”（Data Recipe）而非特定数据集，通过不同维度的输入提升模型在未知任务中的泛化能力。

在模型开发范式上，逐际动力强调快速部署与模块化复用，从强化学习控制小脑、到VGM感知决策大脑，以及硬件驱动底座，三者协同构成完整具身Agent链条。

其双足机器人TRON 1已在巡检、配送与安防等场景实现初步应用，并支持模块化拓展能力，为面向开发者的可插拔式扩展提供了接口。

◎ 千寻智能 VLA 模型强调多模态融合与自然交互，以 “遥操作 + 数据采集 + 快迭代” 形成反馈闭环；

◎ Moz1 机器人凭借全身力控与多维度感知支撑多场景任务部署；

◎ 逐际动力 LimX VGM 不依赖真机样本，通过视频数据训练具身认知模型；

◎ 模块化与平台化战略则用于提升机器人模型跨任务、跨平台的迁移效率。


小结

从众擎、千寻到逐际，人形机器人正在从“具形态”走向“具智能”的阶段跃迁，核心竞争不再只是单一指标的技术领先，而是整体系统能否闭环协同。硬件底座提供拟人化物理支撑，Sim2Real打通策略迁移通路，大模型形成决策认知能力，三者缺一不可。

产业层面，京东、宁德时代等企业的投资不仅提供资金，更是未来落地场景、上下游资源的整合加速器。以京东为例，其零售、仓储与服务场景天然为人形机器人提供了实验田，这些落地场景又将反哺模型的优化，形成数据-应用-产品的正向循环。