作者：merakiki
编译：深潮TechFlow
几十年来，机器人技术的应用范围非常狭窄，主要集中在结构化工厂环境中执行重复性任务。然而，今天的人工智能（AI）正在彻底改造机器人领域，使机器人能够理解并执行用户指令，同时适应动态变化的环境。
我们正迈入一个快速增长的新时代。据花旗银行预测，到 2035 年，全球将部署 13 亿台机器人，其应用范围将从工厂扩展到家庭和服务行业。同时，摩根士丹利（Morgan Stanley）预计，仅人形机器人市场到 2050 年就可能达到 5 万亿美元的规模。
尽管这一扩张释放了巨大的市场潜力，但也伴随着中心化、信任、隐私和可扩展性等方面的重大挑战。而 Web3 技术通过支持去中心化、可验证、隐私保护和协作的机器人网络，为解决这些问题提供了变革性的解决方案。
在本期文章中，我们将深入探讨不断演变的 AI 机器人价值链，特别聚焦人形机器人领域，并揭示 AI 机器人与 Web3 技术融合所带来的引人注目的机遇。
AI 机器人价值链
AI 机器人价值链由四个基本层面组成：硬件、智能、数据和代理。每一层都建立在其他层之上，使机器人能够在复杂的现实环境中感知、推理和行动。
近年来，在 Unitree 和 Figure AI 等行业先锋的引领下，硬件层取得了显著进展。然而，在非硬件层面仍然存在许多关键挑战，特别是高质量数据集的匮乏、通用基础模型的缺失、跨设备的兼容性较差以及对可靠边缘计算的需求。因此，目前最大的发展机遇在于智能层、数据层和代理层。
1.1 硬件层：“身体”
如今，现代“机器人身体”的制造和部署比以往任何时候都更容易。目前市场上已有超过100种不同类型的人形机器人，包括特斯拉的 Optimus、Unitree 的 G1、Agility Robotics 的 Digit 和 Figure AI 的 Figure 02。
来源：摩根士丹利，《人形机器人100：人形机器人价值链地图》
这一进步得益于以下三大关键组件的技术突破：
-
执行器（Actuators）：作为机器人的“肌肉”，执行器将数字指令转化为精准的运动。高性能电机的创新使机器人能够实现快速且精确的动作，而介电弹性体执行器（Dielectric Elastomer Actuators, DEAs）则适用于精细任务。这些技术显著提升了机器人的灵活性，例如特斯拉的 Optimus Gen 2 拥有22个自由度（DoF），以及 Unitree 的 G1，均展现了接近人类的灵活性和令人印象深刻的移动能力。
来源：Unitree 在2025年 WAIC 世界人工智能大会上展示其最新人形机器人进行拳击比赛
-
传感器（Sensors）：先进的传感器通过视觉、LIDAR/RADAR、触觉和音频输入使机器人能够感知和解读环境。这些技术支持机器人实现安全导航、精准操作以及情境感知。
-
嵌入式计算（Embedded Computing）：设备上的CPU、GPU和AI加速器（如TPU和NPU）能够实时处理传感器数据并运行AI模型，实现自主决策。可靠的低延迟连接确保了无缝协调，而混合边缘-云架构允许机器人在需要时卸载密集型计算任务。
1.2 智能层：“大脑”
随着硬件的日益成熟，行业的关注点转向了构建“机器人大脑”：强大的基础模型和先进的控制策略。
在AI整合之前，机器人依赖基于规则的自动化，执行预编程的动作，缺乏自适应智能。
基础模型正在逐步应用于机器人领域。然而，单靠通用的大型语言模型（LLMs）还远远不够，因为机器人需要在动态的物理环境中进行感知、推理和行动。为满足这些需求，行业正在开发基于策略的端到端机器人基础模型。这些模型使机器人能够：
-
感知（Perceive）：接收多模态传感器数据（视觉、音频、触觉）
-
规划（Plan）：估算自身状态、绘制环境地图并解释复杂指令，将感知直接映射到行动，减少人工工程干预
-
行动（Act）：生成运动计划并输出控制命令以实现实时执行
这些模型学习与世界交互的通用“策略”，使机器人能够适应各种任务，并以更高的智能和自主性运行。高级模型还使用持续反馈，让机器人从经验中学习，从而在动态环境中进一步增强适应能力。
VLA 模型将感官输入（主要是视觉数据和自然语言指令）直接映射到机器人行动，使机器人能够根据“看到”和“听到”的内容发出适当的控制命令。值得注意的例子包括谷歌的 RT-2、英伟达的 Isaac GR00T N1，以及 Physical Intelligence 的 π0。
为增强这些模型，通常会整合多种互补方法，例如：
-
世界模型（World Models）：构建物理环境的内部模拟，帮助机器人学习复杂行为、预测结果、规划行动。例如，谷歌最近推出的 Genie 3 是一个通用世界模型，可以生成前所未有的多样化交互环境。
-
深度强化学习（Deep Reinforcement Learning）：通过试错帮助机器人学习行为。
-
远程操作（Teleoperation）：允许远程控制并提供训练数据。
-
示范学习（LfD）/模仿学习（Imitation Learning）：通过模仿人类动作教授机器人新技能。
下图展示了这些方法如何在机器人基础模型中发挥作用。
来源：世界模型：推动 AGI 的物理智能核心（World models: the physical intelligence core driving us toward AGI）
最近的一些开源突破，例如 Physical Intelligence 的 π0 和英伟达的 Isaac GR00T N1，标志着该领域的重要进展。然而，大多数机器人基础模型仍然是中心化和闭源的。Covariant、Tesla 等公司仍然保留专有代码和数据集，主要是因为缺乏开放的激励机制。
这种透明度的缺失限制了机器人平台之间的协作和互操作性，凸显了对安全透明的模型共享、社区治理的链上标准以及跨设备互操作性层的需求。这种方法将促进信任、合作，并推动该领域更强大的发展。
1.3 数据层：大脑的“知识”
强大的机器人数据集依赖于三个支柱：数量、质量和多样性。
尽管行业在数据积累方面已有所努力，但现有机器人数据集的规模仍远远不足。例如，OpenAI 的 GPT-3 是基于3000亿个标记训练的，而最大的开源机器人数据集 Open X-Embodiment 仅包含超过100万个真实机器人轨迹，涵盖22种机器人类型。这与实现强大的泛化能力所需的数据规模相比，差距巨大。
一些专有方法，例如特斯拉通过数据工厂收集数据，让工作人员穿戴动作捕捉服生成训练数据，确实能够帮助收集更多的真实运动数据。然而，这些方法成本高昂，数据多样性有限，且难以扩展。
为应对这些挑战，机器人领域正在利用以下三种主要数据来源：
-
互联网数据：互联网数据规模庞大且易于扩展，但主要是观察性数据，缺乏传感器与运动信号。通过在互联网数据上预训练大型视觉语言模型（如 GPT-4V 和 Gemini），可以提供有价值的语义和视觉先验。此外，为视频添加运动学标签能够将原始视频转化为可操作的训练数据。
-
合成数据：通过模拟生成的合成数据能够快速进行大规模实验并涵盖多样化场景，但无法完全反映现实世界的复杂性，这一局限被称为“模拟到现实差距”（sim-to-real gap）。研究人员通过领域适配（如数据增强、领域随机化、对抗学习）和模拟到现实迁移来解决这一问题，迭代优化模型并在现实环境中进行测试和微调。
-
真实世界数据：尽管稀缺且昂贵，真实世界数据对于模型的落地和弥合模拟与实际部署之间的差距至关重要。高质量的真实数据通常包括第一视角（egocentric views），记录机器人在任务中“看到”的内容，以及运动数据，记录其精准动作。运动数据通常通过人类示范或远程操作采集，利用虚拟现实（VR）、动作捕捉设备或触觉教学，确保模型从准确的真实例子中学习。
研究表明，将互联网数据、真实世界数据与合成数据相结合进行机器人训练，比单独依赖任一数据源能够显著提升训练效率和模型的鲁棒性（深潮注：指系统在出现异常、危险情况下能够保持健壮和强壮的特性）。
与此同时，虽然增加数据数量有所帮助，但数据的多样性更为重要，尤其是为了实现对新任务和机器人形态的泛化。要实现这种多样性，需要开放的数据平台和协作式数据共享，包括创建支持多种机器人形态的跨实例数据集，从而推动更强大的基础模型发展。
1.4 代理层：“物理 AI 代理”
向物理 AI 代理发展的趋势正在加速，这些自主机器人能够在现实世界中独立行动。代理层的进步取决于模型的精细调整、持续学习以及针对每个机器人独特形态的实际适配。
以下是加速物理AI代理发展的几个新兴机会：
-
持续学习与自适应基础设施：通过实时反馈循环和部署期间的共享经验，使机器人能够持续改进。
-
自主代理经济：机器人作为独立经济体运行——在机器人间市场中交易资源，如计算能力和传感器数据，并通过代币化服务生成收入。
-
多代理系统：下一代平台和算法使机器人群体能够协调、协作并优化集体行为。
AI 机器人与 Web3 的融合：释放巨大市场潜力
随着AI机器人从研究阶段迈向现实世界的实际部署，多个长期存在的瓶颈正在阻碍创新，并限制机器人生态系统的可扩展性、鲁棒性和经济可行性。这些瓶颈包括数据和模型的中心化孤岛、信任与溯源的缺失、隐私与合规的限制以及互操作性的不足。
2.1 AI机器人面临的痛点
-
中心化数据与模型孤岛
机器人模型需要庞大且多样化的数据集。然而，当今的数据和模型开发高度中心化、分散且成本高昂，导致系统割裂，适应性较差。在动态的现实环境中部署的机器人，往往因数据多样性不足和模型鲁棒性有限而表现不佳。
-
信任、溯源与可靠性
缺乏透明且可审计的记录（包括数据来源、模型训练过程和机器人操作历史）削弱了信任与责任感。这成为用户、监管机构和企业采用机器人的主要障碍。
-
隐私、安全与合规
在医疗和家庭机器人等敏感应用中，隐私保护至关重要，并且必须遵守严格的地区性法规（如欧洲的《通用数据保护条例》（GDPR））。中心化基础设施在支持安全且隐私保护的 AI 协作方面存在困难，限制了数据共享，并抑制了在受监管或敏感领域的创新。
-
可扩展性与互操作性
机器人系统在资源共享、协同学习以及跨多种平台和形态的集成方面面临重大挑战。这些限制导致网络效应的分裂，并阻碍了能力在不同机器人类型之间的快速转移。
2.2 AI机器人 x Web3：结构性解决方案驱动可投资机会
Web3 技术通过去中心化、可验证、隐私保护和协作式的机器人网络，根本性地解决了上述痛点。这种融合正在开辟新的投资市场机会：
-
去中心化的协作开发：通过激励驱动的网络，机器人可以共享数据，共同开发模型和智能代理。
-
可验证的溯源与责任：区块链技术确保数据和模型的来源、机器人身份及操作历史的不可篡改记录，这对于信任和合规至关重要。
-
隐私保护的协作：先进的密码学解决方案使机器人能够在不暴露专有或敏感数据的情况下，共同训练模型并分享见解。
-
社区驱动的治理：去中心化自治组织（DAOs）通过链上透明且包容的规则和政策，指导并监督机器人操作。
-
跨形态互操作性：基于区块链的开放框架促进了不同机器人平台之间的无缝协作，降低开发成本并加速能力转移。
-
自主代理经济：Web3基础设施赋予机器人独立的经济代理身份，使其能够进行点对点交易、协商并参与代币化市场，无需人工干预。
-
去中心化物理基础设施网络（DePIN）：基于区块链的点对点计算、感知、存储和连接资源共享，增强了机器人网络的可扩展性和弹性。
以下是一些正在推动该领域发展的创新项目，这些案例展示了 AI 机器人与 Web3 融合的潜力和趋势。当然，这仅供参考，并不构成投资建议。
去中心化数据与模型开发
Web3 驱动的平台通过激励贡献者参与（如动作捕捉服、传感器共享、视觉上传、数据标注，甚至合成数据生成）来实现数据与模型开发的民主化。这种方法能够构建更丰富、多样且具代表性的数据集和模型，远超单个公司所能实现的范围。去中心化框架还提高了对边界案例的覆盖能力，这对于在不可预测环境中运行的机器人至关重要。
案例：
-
Frodobots：通过机器人游戏进行现实世界数据集众包的协议。他们推出了“Earth Rovers”项目——一种人行道机器人及全球“Drive to Earn”游戏，成功创建了 FrodoBots 2K Dataset 数据集，包括摄像头画面、GPS 数据、音频记录和人类操控数据，覆盖10多个城市，累计约2000小时的遥控机器人驾驶数据。
-
BitRobot：由 FrodoBots Lab 和 Protocol Labs 联合开发的加密激励平台，基于 Solana 区块链及子网架构。每个子网被设定为公开挑战，贡献者通过提交模型或数据获取代币奖励，激励全球协作和开源创新。
-
Reborn Network：AGI 机器人开放生态的基础层，提供 Rebocap 动作捕捉服，使任何人都能记录并通过自己的真实运动数据获利，助力复杂人形机器人数据集的开放化。
-
PrismaX：利用全球社区贡献者的力量，通过去中心化基础设施确保数据多样性和真实性，实施强大的验证和激励机制，推动机器人数据集的规模化发展。
溯源与可靠性的证明
区块链技术为机器人生态系统提供端到端的透明性和责任归属。它确保数据和模型的可验证溯源，认证机器人身份和物理位置，并维护操作历史及贡献者参与的清晰记录。此外，协作式验证、链上声誉系统及基于权益的验证机制，保障了数据与模型质量，避免低质量或欺诈性输入破坏生态系统。
案例：
-
OpenLedger：一个利用社区拥有数据集训练和部署专用模型的 AI 区块链基础设施。其通过“Proof of Attribution”（归属证明）机制，确保高质量数据贡献者获得公平奖励
代币化所有权、许可和货币化
Web3 原生的知识产权工具支持专用数据集、机器人能力、模型及智能代理的代币化许可。贡献者可以使用智能合约将许可条款直接嵌入其资产中，确保在数据或模型被重用或变现时，自动获得版税支付。这种方法促进了透明、无需许可的访问，并为机器人数据与模型创建了开放且公平的市场。
案例：
-
Poseidon：基于 IP 中心的 Story 协议构建的全栈去中心化数据层，提供法律授权的 AI 训练数据。
隐私保护解决方案
医院、酒店房间或家庭等场景生成的高价值数据，尽管难以通过公共渠道获取，但其丰富的上下文信息可显著提升基础模型的性能。通过加密解决方案将私密数据转化为链上资产，使其可追踪、可组合且可变现，同时保护隐私。可信执行环境（TEEs）和零知识证明（ZKPs）等技术，支持在不暴露原始数据的情况下进行安全计算与结果验证。这些工具使组织能够在分布式敏感数据上训练 AI 模型，同时保持隐私与合规性。
案例：
-
Phala Network：允许开发者将应用程序部署到安全的 TEE 中，用于保密 AI 和数据处理。
开放与可审计的治理
机器人训练通常依赖于缺乏透明度和适应性的专有黑盒系统。透明且可验证的治理对于降低风险并增强用户、监管机构和企业的信任至关重要。Web3 技术通过链上社区驱动的监督，实现开放源码机器人智能的协作开发。
案例：
-
Openmind：一个开放的 AI 原生软件栈，帮助机器人思考、学习并协作工作。他们提出了 ERC7777 标准，旨在建立一个可验证的规则化机器人生态系统，专注于安全性、透明性和可扩展性。该标准定义了管理人类与机器人身份、执行社会规则集以及参与者注册与移除的标准化接口，明确其相关权利和责任。
最后的思考
随着 AI 机器人与 Web3 技术的融合，我们正步入一个自主系统能够实现大规模协作与适应的全新时代。未来 3 至 5 年将是关键时期，硬件的快速发展将推动更强大的 AI 模型的诞生，这些模型将依托更丰富的现实世界数据集和去中心化协作机制。我们预计，专用 AI 代理将在酒店业、物流等多个行业崭露头角，创造巨大的新市场机会。
然而，这种 AI 机器人与加密技术的融合也带来了挑战。设计平衡且有效的激励机制仍然复杂且在不断演化，系统需要公平地奖励贡献者，同时避免被滥用。技术上的复杂性也是一大难题，亟需开发稳健且可扩展的解决方案，以实现多种机器人类型的无缝集成。此外，隐私保护技术必须足够可靠，才能赢得利益相关者的信任，尤其是在处理敏感数据时。快速变化的监管环境也要求我们谨慎应对，以确保在不同司法辖区内的合规性。解决这些风险并实现可持续回报是推动技术进步和广泛应用的关键。
让我们共同关注这一领域的发展，通过协作推动进步，抓住这一快速扩张市场中涌现的机遇。
机器人技术的创新是一段最好携手同行的旅程 :)
最后，我要感谢 Chain of Thought 的《机器人技术与物理人工智能时代》（ Robotics & The Age of Physical AI ）为我的研究提供了宝贵的支持。
