几十年来，机器人一直专注于结构化工厂环境中的重复性任务，功能高度专业化。如今，随着人工智能的变革，机器人已能理解并执行用户指令，适应不同的动态环境。

我们正迎来一个高速增长的新纪元：花旗集团预计，到2035年，全球将部署13亿台机器人，应用范围正从工厂扩展到家庭和各类服务行业。与此同时，摩根士丹利预测，仅人形机器人市场到2050年规模将达5万亿美元。

虽然行业快速扩张带来巨大的市场机会，但也伴随着集中化、信任、隐私和可扩展性等关键挑战。Web3技术正通过去中心化、可验证、隐私保护及协作型的机器人网络，为这些难题提供创新解决方案。

在本期，我们将深入分析AI机器人价值链的演进，重点聚焦人形机器人，并发掘AI机器人与Web3融合所带来的独特机会。

AI机器人价值链解析

AI机器人价值链可分为硬件、智能、数据和智能体四个关键层级。各层相互赋能，使机器人能够在复杂现实环境中实现“感知-推理-行动”一体化。

近年，行业先锋如Unitree、Figure AI引领硬件层实现重大突破，但非硬件层仍存在诸多不足——高质量数据集有限、缺乏通用基础模型、跨形态协同难、边缘计算能力有待提升。因此，未来最大的创新空间主要集中在智能、数据和智能体层。

硬件层：“机体”

如今，现代机器人“机体”更加易于打造和部署。市场上已有100余种人形机器人，包括特斯拉Optimus、Unitree G1、Agility Robotics Digit与Figure AI Figure 02等。

来源：摩根士丹利《The Humanoid 100: Mapping the Humanoid Robot Value Chain》

这一进展离不开三个核心部件的技术变革：

• 驱动器：作为机器人“肌肉”，驱动器将数字指令转化为精准运动。高性能电机带来高效和精确动作，介电弹性体驱动器（Dielectric Elastomer Actuator，DEA）可支持精细作业，大大提升灵巧度。如特斯拉Optimus Gen 2拥有22自由度（DoF），Unitree G1同样具备接近人类的灵巧与强大机动性。

来源：Unitree最新人形机器人在WAIC 2025现场拳击表演

• 传感器：高端传感器让机器人能够通过视觉、激光雷达/雷达、触觉和音频，全面感知与解析周边环境，支持安全行走、精密操作和环境感知。

• 嵌入式计算：设备端的CPU、GPU及AI加速器（如TPU（张量处理单元）、NPU（神经网络处理单元））可实时处理传感器数据、运行AI模型，实现自主决策。可靠低延迟连接保障机器人高效协作，边缘-云混合架构则便于动态扩展算力。

  智能层：“大脑”

  硬件持续成熟，行业重心已转向“机器人大脑”的构建：即稳健的基础模型和智能控制策略。

  在AI融入之前，机器人主要依靠规则自动化和预设动作，智能自适应水平有限。

当前，基础模型开始在机器人领域应用。但通用大语言模型（LLM）自身难以满足需求，机器人需要在动态物理环境中“感知-推理-行动”。为此，业界正致力于研发端到端、基于策略的机器人基础模型。借助这些模型，机器人可以：

• 感知：获取多样化原始多模态传感器数据（视觉、触觉、音频等）
• 规划：估算系统状态、重建环境地图、理解复杂指令——将感知直接转化为行动，最大程度减少人工干预

• 行动：制定运动规划并输出实时控制指令

  这类模型能够习得在复杂环境中与世界交互的通用“策略”，让机器人广泛适应多任务，具备更强智能和自主能力。先进模型还融入持续反馈机制，帮助机器人从实际经验中学习，不断提升在动态环境下的适应性。

  

  目前，主流机器人基础模型架构为Vision-Language-Action Model（VLA）。VLA模型将感官输入（主要为视觉、自然语言指令）直接映射为操作指令，实现机器人对“所见”“所闻”做出精准响应。典型案例有Google RT-2、NVIDIA Isaac GR00T N1、π公司推出的π0等。

  为了提升这些模型表现，行业常将以下多元方法融合应用：

• 世界模型：构建物理环境的内部仿真，机器人可习得复杂行为、预测结果、制定更优决策。Google新近推出的Genie 3，实现了高度多样的交互式环境生成。
• 深度强化学习：让机器人通过持续试错学会行动策略。
• 远程操作：支持远程遥控与训练数据采集。

• 模仿学习：机器人通过模仿人类行为快速掌握新技能。

  下图为多种方法在机器人基础模型中协同应用的高级示意：

来源：World models: the physical intelligence core driving us toward AGI

近期，开源创新如π0、NVIDIA Isaac GR00T N1等推动了基础模型快速进步。但目前大多数机器人基础模型依然中心化、闭源。Covariant、特斯拉等公司出于激励机制不足，普遍保留专有代码和数据集。

开放度缺失阻碍了机器人平台间的协作和互操作，行业亟需安全透明的模型共享、链上社区治理标准及跨形态互操作层，以建立信任、提升协作并推动技术进步。

数据层：“大脑”的知识根基

高质量机器人数据集离不开数量、质量、多样性三大核心。

目前行业数据集规模远远不足。例如，OpenAI GPT-3训练所用tokens高达3000亿，而最大开源机器人数据集Open X-Embodiment仅包含22种机器人、100多万个真实轨迹，数量级差距达到多个量级。

专有模式如特斯拉的数据工厂（工人通过动作捕捉生成训练样本）能收集海量现实动作数据，但受限于成本和多样性，难以规模化扩展。

机器人领域数据来源主要有三类：

• 互联网数据：数量庞大、易于扩展，主要为观察型数据，缺乏传感-运动信号。用GPT-4V、Gemini等视觉-语言大模型做预训练可获得丰富的语义和视觉先验，视频配合运动标签能将原始内容转化为训练数据。
• 合成数据：仿真生成，便于快速大规模实验和多元场景测试，但存在“仿真-现实鸿沟”，难以完全反映真实世界复杂性。通常通过领域适应（如增强、随机化、对抗学习）以及仿真到现实迁移，逐步补充和微调模型。

• 真实数据：虽昂贵稀缺，却是模型落地和闭环的关键。高质量数据通常包括第一视角感知（机器人“所见”）及精准动作轨迹。数据采集多通过人类示范或VR、动作捕捉、动力学教学等远程操作完成，确保模型学到真实场景下的行为方式。

  研究显示，综合利用互联网、真实和合成数据进行训练比单一数据源更高效，也更具泛化性能。

  此外，在实现数据多样性、泛化能力和不同任务、机器人形态适配方面，开放数据平台和协作共享至关重要。建设跨形态数据集有助于赋能更强基础模型。

智能体层：“物理AI代理”

向现实世界中的“物理AI代理”转型日益加快。行业突破取决于模型持续微调、动态学习和针对不同形态的现实适配。

推动“物理AI代理”发展的新方向主要包括：

• 持续学习与自适应基础设施：通过实时反馈和部署中的经验共享，让机器人不断优化自身能力
• 自主代理经济体：机器人作为独立经济体在点对点市场中交易计算资源、传感数据等，并通过服务收入通证化
• 多智能体系统：新一代平台和算法支持大规模机器人团队协同、优化集体决策

AI机器人与Web3融合：打造全新市场空间

AI机器人走向落地应用时，中心化数据/模型孤岛、信任与溯源不足、隐私合规风险、互操作壁垒等问题显著阻碍了创新和规模化推广。

AI机器人领域主要痛点

• 集中化数据与模型孤岛

  机器人对大规模、多样化数据集有刚性需求，但目前数据和模型开发高度中心化、孤立且成本高，适应性与灵活性不足。复杂现实应用下，机器人往往因数据单一、模型鲁棒性差导致表现不佳。

• 信任、溯源与可靠性不足

  数据、模型、机器人操作流程缺乏透明、可审计文档，信任与问责障碍影响用户、监管和企业采纳。

• 隐私、安全与合规压力

  医疗、家政等敏感场景对隐私和合规要求极高，尤其是GDPR等法规严管的地区。中心化架构难以支持安全、隐私保护的AI协作，数据共享受限，创新受阻。

• 可扩展与互操作性欠缺

  机器人在资源共享、协同学习、跨平台集成方面问题突出，网络效应难以形成，不同机器人能力难以高效转移。

  AI Robotics x Web3：结构性创新驱动投资机遇

  Web3技术凭借去中心化、可验证、隐私保护和协作网络，根本性解决上述痛点，为新兴市场打开投资新窗口：

• 协作开发民主化：激励化网络，促进机器人数据与模型协作开发，智能体协同进化
• 可验证溯源与责任制：区块链保障数据/模型来源、机器人身份及行为历史不可篡改，提升信任与合规水平
• 隐私保护协同：利用高级密码学，机器人可联合训练并共享成果，无需暴露专有或敏感数据
• 社区型治理：DAO实现链上透明政策，协作监管机器人运营
• 跨形态互操作：开放区块链框架实现多平台机器人无缝兼容，降低开发门槛，加快能力迁移
• 自主代理经济体：Web3基础设施赋能机器人自主进行P2P交易、协商并参与通证化市场

• 去中心化物理基础设施网络（DePIN）：区块链P2P共享计算、感知、存储及连接资源，显著提升网络弹性和拓展性

  以下前沿项目展现了领域创新和发展动力，信息仅供参考，不代表任何投资建议。

• 去中心化数据与模型开发

  Web3平台以激励为驱动，支持开发者通过动作捕捉、传感器共享、视频上传、标注、合成数据生成等方式贡献数据和模型。多方协同大幅提升数据集多样性和代表性，优于单一公司模型。去中心化体系拓展极端场景，有力赋能复杂环境下机器人能力提升。

  典型案例：

• Frodobots：众包机器人游戏真实数据集，推出Earth Rovers人行道机器人及全球“Drive to Earn”计划，产生FrodoBots 2K Dataset，涵盖逾10座城市、近2000小时机器人远程行驶采集的高多样性摄像、GPS、音频与操作数据。
• BitRobot：由FrodoBots Lab与Protocol Labs联合开发，基于Solana、采用子网架构的加密协作平台。每个子网作为开放挑战，参与者提交模型或数据即可获得通证奖励，推动全球协作和开源机器人创新。
• Reborn Network: 开放AGI机器人生态基础设施。Rebocap动作捕捉服可让所有人记录和变现自身动作，加速人形机器人复杂能力的数据开放。
• PrismaX: 去中心化视觉数据基础设施，汇聚全球社区，保障数据多样性和真实性。平台通过严密的验证与激励，促进视觉数据大规模扩展，为机器人训练提供坚实数据基础。

• 数据溯源与可靠性证明

  区块链为机器人生态系统带来端到端透明和责任可追溯。它保证数据与模型溯源、身份与物理位置认证、操作历史与贡献者全流程记录。协作验证、链上声誉体系、质押机制共同维护数据与模型质量，防范低质/虚假数据。

  典型案例：

• OpenLedger: AI-区块链基础设施，基于社区数据集训练和部署专用模型。Proof of Attribution机制确保数据贡献者获得公正回报。

• 数据通证化授权与变现

  Web3原生知识产权工具支持专业数据集、机器人能力、模型和智能体的通证化授权。贡献者可将许可条款写入智能合约，数据/模型每次复用或变现均自动计发版税，实现透明开放、公平竞争的数据和模型市场。

  典型案例：

• Poseidon: Story团队孵化，全栈去中心化数据层，依托Story Protocol为AI训练合规授权数据。

• 隐私保护型方案

  医院、酒店、家庭等场景产生的高价值数据难以公开获取，却能极大提升基础模型性能。结合加密工具，将私有数据资产化、可追踪、可组合并变现，同时保证隐私权。可信执行环境（TEE）、零知识证明（ZKP）等技术支持在不暴露原始数据的前提下安全计算与验证，实现AI对敏感分布式数据的合规训练。

  典型案例：

• Phala Network: 开发者可将应用托管于TEE实现机密AI与数据处理。

• 开放透明治理

  机器人训练普遍依赖专有黑箱系统，缺乏透明性与可适应性。可验证、开放治理机制对于风险管控和增强用户、监管、企业信心至关重要。Web3让社区可链上协作开发、监督开源机器人智能。

  典型案例：

• Openmind: 推出开放AI原生软件栈，赋能机器人协作。最新ERC7777标准，构建安全、透明、可扩展的“人机社会”，统一身份管理、规则制定、参与者注册与移除及其权责约定。

结语
展望未来，AI机器人与Web3深度融合将推动自主系统的大规模协作与持续进化。3—5年内，借助硬件进步和去中心化数据协同，AI模型能力有望质的飞跃，催生酒店、物流等多个行业的专用智能体，开启巨大新市场。

但AI机器人与加密科技的结合同样充满挑战：激励机制要做到既公平又防止滥用，系统架构愈发复杂，需要强大且可扩展的解决方案以适配多样化机器人形态。隐私保护技术必须真正可依赖，才能获得市场信任，特别是在处理敏感数据时。同时，监管环境快速变化，企业需灵活应对，多地合规。只有妥善防范风险、实现可持续收益，行业才能稳步发展、广泛应用。

让我们共同关注、积极参与创新浪潮，携手推动产业进步，抓住高速成长市场的战略机遇。

机器人创新之路，需要大家共同前行。

特别感谢Chain of Thought《Robotics & The Age of Physical AI》为本次研究提供了宝贵参考和启发。

免责声明：

1. 本文转载自 [merakiki.eth]，版权归原作者 [@merakikieth“>merakiki] 所有。如对转载有异议，请联系 Gate Learn 团队，平台会及时处理。
2. 免责声明：本文观点仅代表作者个人立场，不构成任何投资建议。
3. 本文翻译由Gate Learn团队原创，未经许可禁止复制、分发或抄袭译文。