作者：Cosmo Jiang， Erik Hopyan （Pantera Capital）
编译：深潮 TechFlow
导读：在加密一级市场流动性收紧的当下，头部加密 VC 的触角已经明显伸向了 AI 与机器人赛道。
Pantera Capital 是美国最早、最知名的机构级加密/区块链投资机构之一。2003 年创立，2013 年推出美国首个机构比特币基金，长期以来以数字资产、区块链为核心，后来逐步扩展到 AI、机器人等更广的科技前沿领域。
最近这家基金的合伙人 Cosmo Jiang 和投资人 Cody Poh 就专门飞了一趟深圳，实地调研了中国机器人产业链，观察了从人形机器人整机厂、模型团队到灵巧手与数据采集设备商等各个环节，并发布了一篇长文总结。
他们的核心发现总结下来非常直接：硬件中国领先，软件美国领先，而在中间的数据环节，质量远比数量重要。
而文中更有意思的，是他们站在 VC 角度对中美资本生态的洞察和对比：
中国创投普遍要求项目 2-3 年内看到营收甚至推动上市，加上知识产权保护相对薄弱，倒逼创业者优先做硬件销售和数据外包这类“快钱”生意，不敢重仓长周期的底层软件研发。
此外，国内劳动力成本低，目前人形机器人更多停留在展厅接待或表演（跳舞、打功夫）；而美国高昂的人工成本和蓝领缺口，让工业与物流自动化有了实打实的商业订单驱动。
我们对全文进行了编译如下。
凌晨两点，在新加坡延误了六个小时后，我们搭乘的国泰航空航班终于降落在香港。仅睡了不到三个小时，我们便坐上了一辆直奔深圳的汽车。这里是中国的硬件之都，也是华为、比亚迪、大疆等科技巨头的总部所在地。
“现场现物（Genchi Genbutsu）”：亲自去看，亲眼所见。我们此前拜访了大量美国本土的机器人公司，并精选投资了其中几家。基于这些经验，我们深知中国在全球机器人产业链中是至关重要的一环；但如果仅隔岸观火，我们真的能看透真相吗？
过去两年来，机器人赛道一直是我们的研究重心。具身智能（Embodied AI）领域的突破，为这一产业的发展潜力带来了阶梯式的阶跃（Step Function Change）。如今，模型已经能够在物理世界中进行视觉感知、逻辑规划并付诸行动，而驱动这些模型所需的硬件也变得愈发强大且便宜。
在最乐观的预期下，机器人将颠覆全球更广泛的体力劳动市场。目前全球有 22 亿体力劳动者，每年的薪酬总池超过 $20 万亿。哪怕机器人仅渗透这一市场的 1%，其产生的营收体量就足以与当今全球最顶尖的科技巨头相媲美。
中国对于具身智能产业而言是不可或缺的存在。全球设备制造商高度依赖中国的供应链，2025 年中国制造商占据了全球人形机器人产量的 90% 以上。与此同时，美国联邦通信委员会（FCC）近期对外国制造的先进机器人设备实施的限制措施，凸显出地缘政治正在日益深刻地重塑机器人产业。
作为专注基本面的投资人，我们必须理解并驾驭这一瞬息万变的宏观格局。而达成这一目标的最佳方式，就是深入前线，亲眼见证最真实的产业现状。
就这样，我们的深圳之行正式拉开帷幕。在这里，我们第一手深入观察了中国飞速演进的机器人产业生态。我们走访了覆盖机器人全产业链的大量企业，从垂直整合的人形机器人整机制造厂、前沿模型开发商，到数据采集设备供应商以及专注灵巧手的研发专家。
在此期间，我们与初创企业创始人、负责销售、制造和科研的高管进行了深入对话，也与初入职场的大学应届毕业生坦诚交流。我们的考察目标非常明确：搞清楚中国在全球机器人竞赛中所处的真实位置、核心竞争优势何在，更重要的是，当前市场中还存在哪些具备投资价值的空白与机遇。
在整个考察行程中，有一点毋庸置疑：中国在机器人硬件竞赛中处于绝对领先地位，其背后坚实支撑是无与伦比的制造规模与供应链整合能力。这一优势在深圳体现得尤为极致，这里堪称中国制造业引擎的心脏。
作为全球制造业核心枢纽数十年的积淀，让这里建立起了壁垒极深的基础生态：随处可得的原材料、极具成本效益的物流网络、成熟的大规模量产产线，以及规模庞大且精通精密制造的熟练劳动力大军。这构成了其他新兴制造中心极难复制的结构性护城河。
这种供应链优势不仅直接转化为极致的成本竞争力，更带来了惊人的创新迭代速度。在深圳，一家人形机器人初创公司可以在早晨冒出一个新想法，随即通知上游供应商，中午新定制的零部件就能直接送到办公室。
这种极致的响应效率让中国制造商能够以更低的价格供应更优质的前沿硬件。外界过去认为中国只能制造低质仿制品或大路货的刻板印象，早已严重过时。
随着各大前沿模型实验室不断扩大训练规模，它们对定制化数据采集设备的需求呈爆发式增长，而中国在低成本规模化制造这类设备方面具有独一无二的优势。
我们交流过的一些美国顶尖机器人公司，往往高调宣称所有核心部件均为自主研发制造；但在深圳与当地供应商交流时，他们会指名道姓告诉你，自己正在向哪家美股七巨头（Mag 7）或是估值数十亿美元的硅谷明星独角兽稳定供货。从灵巧手、执行器等核心零部件，到用于数据采集的广角相机和头显设备，皆是如此。
以无极科技（Wuji Tech）制造的灵巧手为例，该产品在接近人类手掌尺寸的紧凑体积内集成了超过 1800 个零部件，其性能优于我们在美国见过的任何机械手。不出所料，他们正是许多美国科技巨头背后默默无闻的核心供应商。
其每个手指均支持反向弯折，大幅增强了耐用性（这是目前机械手领域的兵家必争之地）以及应对意外碰撞的抗冲击能力。在现场，我们观摩了机械手（通过遥操作）从一整副扑克牌中精准剥离出单张纸牌。这对人类看似轻而易举，但对机器人手部操作而言却是巨大的考验，因为它需要对力度和摩擦力实现微米级的精准控制。
另一个令人震撼但略带异样感的瞬间，是看到优必选（UBTECH）带有仿真人皮的人形机器人，扑面而来一种《太空堡垒卡拉狄加》中赛隆人（Cylon）的既视感。
中国市场的另一个显著特征是极度激烈的内卷竞争，这种竞争不断压低产品售价，将行业利润率压缩至趋近于零。
有一家初创公司花了整整一个小时向我们介绍他们下一代执行器取得的各项技术突破。然而，当我们询问他们最终靠什么在市场竞争中突围时，他们脱口而出：“当然，价格才是最重要的。”持有这种看法的企业绝非个例。
在午餐期间，一位连锁零售店老板也感慨道，在国内做生意很难赚到利润，因为总有竞争对手愿意牺牲当年的利润来抢夺市场份额，寄希望于明年再挣钱；结果到了下一年，又会出现新的搅局者以更低的价格恶性竞争。
中国文化中有着根深蒂固的“吃苦”精神。这种愿意长期咬牙忍受艰辛的韧性，固然抑制了单个企业获取超额商业利润的能力，让每家公司的生存都变得异常艰难，但从宏观层面看，却让整个国家的供应链产业集群获得了惊人的整体竞争力。
除了成本和规模优势，中国处于机器人产业链最上游的位置，还赋予了它另一个常被外界低估的天然优势：能够近距离洞悉全球前沿技术的演化趋势。
各大前沿机器人实验室一直在不断尝试全新的数据采集方式，从触觉和力反馈传感手套，到配备八颗高清摄像头以实现更宽视角录制的视觉采集头显。
作为全球几乎唯一能够快速且低成本交付此类前沿硬件的供应方，中国制造商能够极早捕捉到全球顶尖实验室在技术需求上的微妙变化，甚至能比整体市场提前 3 到 6 个月预判出下一代技术演进风向。
然而，中国企业能否将这种制造端的统治力以及提前获取的市场洞察，真正转化为属于自己的核心专有技术优势？这是另一个完全不同的命题。随着我们行程的深入，心中的疑虑也越来越深。
几乎每家机器人公司都告诉我们，中国正在推行规模庞大的数据采集工程，并将这些数据广泛输出给全球客户。
在表面上看，这似乎合情合理：企业安排工人们戴上采集头显，捕捉第一视角的本体感知数据，以此赚取一笔额外收入。但随着我们与中国生态圈内更多初创企业的交流，事实证明背后的运作机制远比表面看起来更加复杂，并且通常伴随着地方政策层面的明确引导。
多位业内人士向我们透露，中国各级地方政府其实是推动这一波数据采集浪潮的核心主力。在中央出台扶持机器人产业发展和促进就业的激励政策后，地方政府敏锐地意识到，对数据采集环节进行财政补贴，是短期内创造机器人相关新增就业岗位的捷径。
地方官员在量化考核指标的驱动下，往往倾向于追求易于统计的短期考核结果，而这种追求有时会以牺牲更高维度的长期产业战略为代价。
数百万美元的资金正被持续砸向一些价值存疑的训练数据上。在中国各地，涌现出了许多所谓的“数据农场”，工人们日复一日机械地重复同一种动作，以此堆砌出成千上万个小时的“机器人训练数据”。
然而，这类高度重复、同质化的数据集，在最初几份之后，对于提升模型的泛化能力几乎无法带来任何实质性的增量价值。
尽管数据质量堪忧，这些数据依然能够源源不断地卖给海外客户。这反衬出一个更深层次的行业严峻现实：数据的稀缺性依然是当前机器人模型研发面临的最大瓶颈。不同于大语言模型可以直接抓取互联网上海量现成的文本语料，机器人领域根本没有对应现成的现货数据池。
此外，真正有价值的机器人训练数据形态各异，而解锁下一代模型性能跃迁所需的数据类型，目前在现实世界中甚至尚未达到能够有效利用的规模。
因此，真正的核心壁垒从来不是数据采集本身，而是将原始数据转化为高价值训练信号的能力。
令人鼓舞的是，越来越多的前沿迹象表明，扩展律（Scaling Laws）同样适用于机器人模型，即随着训练数据规模的提升，模型性能会呈现确定性的增强。这意味着市场对高质量、多样化的异构机器人训练数据将保持持续旺盛的需求，而这类数据必须能够精准匹配跨模态、不同采集手段以及新型训练架构不断演进的标准要求。
在“高质量数据”定义不断发生动态变化的行业环境中，最具防御力的竞争壁垒，在于能否成为全球顶尖前沿实验室不可替代、深受信任的科研合作伙伴。
赢得这种行业声誉的关键，在于在数据标注、清洗筛选和模型评测上拥有极高的专业品味，而非单纯依赖堆人头的采集产能。
未来的赢家很可能不是那些采集数据总量最大的团队，而是具备深厚具身智能科研背景、能够以最快速度协同前沿机器人企业技术演进的团队。正如 Scale AI 和 Mercor 凭借顶尖的科研理解力深度绑定全球顶级大模型实验室一样，这一逻辑在具身领域同样成立。
机器人自动化技术在工业界其实已经存在了数十年。例如亚马逊自 2012 年收购 Kiva 以来，便在仓储物流体系中大规模引入自动化机器人，并于 2025 年突破了 100 万台部署规模，且不断推出全新的形态与功能。因此，制造出愈发先进的硬件不过是工业进化的自然延伸。
机器人领域真正的范式革命在于具身智能。它彻底打破了机器人只能针对特定任务进行窄域预编程的局限，从根本上拓展了机器人的泛化认知与执行边界。
而在我们深圳的所有参访中，AI 软件始终是一头谁都不愿主动挑明的“房间里的大象”。我们在现场看到的大多数人形机器人和设备，其自主决策与泛化能力极其有限，绝大部分严重依赖人工遥操作（Teleoperation）或预设的固定程序动作。
多位企业高管坦言，自家机器人目前缺乏高阶 AI 能力，底层软件算法至少落后海外头部竞对 1 到 2 年。而在基层年轻员工口中，往往能听到少一些官方客套、多一些残酷真实的现状。他们开玩笑承认，自己的软件系统目前根本无法在复杂场景中正常运转，之前的很多尝试也称不上全力以赴。
这部分原因在于我们本次考察集中在重硬件的深圳，而非更侧重软件算法的杭州或上海。但这背后确实折射出更普遍的行业底层事实。
中国在硬件制造和数据采集这两大核心要素上的统治力，并未自然转化为在软件算法上的领跑地位。许多中国的人形机器人整机厂商并没有从底层研发自己的基座模型，而是继续将美国前沿实验室发布的开源模型作为自身软件能力的基石，特别是 OpenAI、英伟达（Nvidia）以及 Physical Intelligence 等机构的开源生态。
我们与业内研究人员的交流表明，不少中国机器人企业似乎更倾向于不在基座模型研发上投入巨额重资本，而是把精力集中在对现有开源模型的后训练（Post-training）微调上。
对于美国的前沿模型实验室而言，这恰好构成了一个战略切口：开源可以演变为极其强大的市场分发策略，推动全球开发者采用并围绕其模型构建生态网络。随着这些基座模型的通用性能变得越来越强，中国制造商自主研发替代性底层模型的动力可能会进一步被削弱。
模型蒸馏在中国企业界早已是公开的秘密，显然部分团队正押注能将这种路径复制到机器人赛道上。然而，不同于大语言模型可以通过合成文本实现高效的模型蒸馏，机器人模型面临着更为复杂的工程挑战。
对机器人模型进行蒸馏，不仅需要底模算法，还需要海量的真实物理交互数据、硬件协同基础设施以及严苛的现实世界实测验证。这使得即便拥有强大硬件制造能力的企业，要想纯靠蒸馏复制海外最前沿的模型能力，难度也呈几何级数增加。
在一个仅用当代高管一辈子的时间就彻底脱离贫困的国家，物质记忆留下的深刻印记清晰可见。中国社会弥漫着强烈的拼搏与追赶文化，这在新兴财富快速崛起的地区非常普遍：人们渴望尽快赚取确定性的商业利润，生怕跌回后视镜中记忆犹新的贫困岁月。
这听起来似乎合情合理，但真正让我们震惊的，是这种心态对整个创业与创投生态产生的深远塑造。
在走访中国初创公司的过程中，我们反复听到一句带着艳羡的感慨：“美国的初创公司根本不用为短期赚钱发愁。”这直指中国团队承受的来自投资人的严苛商业化压力。
这种分歧源自中国风险投资生态中普遍偏短的投资回报周期预期。许多初创公司在成立 2 到 3 年内就被要求产生可观的业务营收；一旦稍有起色，投资人便会急不可耐地推动其冲刺上市。
我们推测，中国风投机构之所以缺乏对长期投资周期的耐心，主要有以下几重原因：一方面是缺乏高回报的替代性资产（过去十年在窄幅震荡的股票市场、一线城市仅有 1% 左右回报率的住宅租金，再加上资本管制的限制）；另一方面，则是缺乏类似海外大学捐赠基金那类能够承受超长周期的长线机构出资人（LP）。
这倒逼创业团队将重心严重倾斜向硬件代工和数据采集外包服务，因为这类业务回款更快、资金回流周期短；而对于商业化路径漫长且充满不确定性的底层软件研发，则敬而远之。
此外，两地在知识产权保护的态度上也截然不同。尽管走访中我们在很多公司的走廊墙上看到挂满了自豪展示的专利证书，但实质性的知识产权保护相对薄弱在业内却是不争的事实。
这迫使企业必须以最快速度将每一项微小创新进行商业变现，否则很快就会被同行以更低成本模仿抄袭并率先抢占市场。
其最终导致了激励机制上的结构性错配：中国在机器人物理层构建起了极其强大的壁垒，但现有的资本环境与考核导向，却在客观上抑制了将这些物理优势跃升为软件领导地位所需的超长期耐心资本投入。
离开深圳时，我们对全球机器人产业所处的发展阶段，以及未来演进中所蕴含的关键差距与破局点，有了远比以往更加清晰和立体的认知。
我们在深圳的实地考察以及与中国机器人高管的对话，再次印证了我们的判断：具身智能产业目前仍处于起步阶段。硬件性能正在持续优化，但至少在中国团队的共识里，软件算法距离真正成熟的商业化落地还相差甚远。
中国在全球机器人产业链中的分量比以往任何时候都更加举足轻重。中国制造企业不仅是数据采集设备的核心制造者，也是机器人关键零部件的主要供应方。
数据依然是释放模型泛化能力的核心瓶颈；只要扩展律持续生效，采集更多样化、高质量的数据就是提升性能的必经之路。中国的制造生态在规模化量产数据采集硬件，以及向全球市场稳定输出灵巧手、执行器等核心关键部件上，拥有独一无二的产业地位。
中国未来如何深度参与全球机器人产业生态，将直接决定全球产业发展的迭代速度。中国在硬件层面的主导地位大概率将长期保持，并继续充当全球机器人企业的核心供应商（即使 FCC 针对整机存在潜在禁令，但该限制并不覆盖零部件）。
未来如果中国团队在算法模型层面迎头赶上，中国企业很可能会通过提高核心零部件售价或限制硬件供应，对全球产业链形成巨大的制约筹码。尽管在当前来看这属于小概率情景，但这也是我们在对美国本土机器人企业进行投资风控核算时必须重点考量的关键潜在风险。
目前中国市场的人形机器人出货量虽然十分亮眼，但几乎没有被投入到任何具有实质性经济产出的生产场景中。眼下中国的人形机器人主要被部署在低商业附加值的展示和娱乐场景，例如在展厅、博览会中向参观者进行简单指引，或进行跳舞、打功夫表演。四足甚至双足机器人目前绝大多数依然只是卖给高校科研实验室或极客爱好者。
这与美国市场形成了鲜明反差。在美国，机器人正加速渗透进高价值的工业制造与物流仓储场景，部分企业已经锁定了数千万美元规模的长期商业采购大单。
造成这一根本分歧的关键，在于两地劳动力成本与供给结构的巨大落差：西方高昂的人力成本叠加年轻一代对蓝领体力劳动的排斥，形成了极强的自动化降本经济驱动力。
即便如此，技术进步往往远早于大规模商业化普及。一位中国创业者向我们分享了一个生动的比喻：今天的人形机器人就像是马车时代的早期汽车，当时人们普遍质疑汽车的实用价值，因为马车已经完全能够满足日常出行需求；但当时的人们无法预见，汽车日后将彻底颠覆整个交通出行版图并催生全新的庞大产业。
我们坚信，这一颠覆性演化规律同样适用于人形机器人。今天的大众与企业难以理解为何需要通用人形机器人，纯粹是因为他们尚未真正见识过通用具身智能最终所能释放的全部潜能。此外，由于中国本土缺乏通过替代人工降本的迫切经济诉求，探索前所未有的商业化应用场景的内生动力相对不足，这也在一定程度上让当地的创业生态表现得更为保守。
行业内一直在激烈探讨一个核心问题：既然专用机器人处理特定任务时更加高效稳定，世界为何还需要通用人形机器人？
我们在中国的实地调研也印证了这一现状：在当前阶段，专用机器人的实际作业能力确实远胜通用机器人。通过聚焦于边界明确、可量化的细分任务，专用机器人能够实现更快的商业化闭环。
然而，在横向规模化扩张方面，专用机器人有着天然的上限。一家企业不可能在日常运营中针对每一种不同工序各采购一套专门的机器人；同样，一个普通家庭也绝不可能同时购买一台洗碗机器人、一台擦桌机器人、一台洗衣机器人和一台叠衣机器人。
专用机器人在单一环节的表现固然更胜一筹，但一旦需要多台机器组合才能完成一连串日常工作时，其整体采购与维护的经济性便会大打折扣。
我们认为，通用人形机器人最终将成为成本最为低廉的劳动力形态。其核心优势并不在于它能以 99.9% 的极致精度完成某一特定任务，而在于它能够以 99% 的合格精度同时胜任上百种完全不同的日常工作。
人形机器人无需在洗碗、叠衣或洗衣的每一个单项上做到天下第一，它只需在这三项以及更多家务上做得足够好即可。随着模型泛化能力的提升，同一套通用硬件底盘可以解锁无限扩展的技能库，而无需企业或家庭额外购置其他专用设备。
归根结底，通用人形机器人的终极经济学壁垒，并不在于单点作业能力的极致化，而在于单台设备能够覆盖的任务种类数量的最大化。这种通用泛化能力，伴随运行稳定性的提升以及硬件制造成本的持续下探，将从根本上颠覆整个物理体力劳动的经济模型。
伴随扩展律成功延伸至物理世界 AI 领域的更多确凿证据，机器人数据采集必将成长为一个极其庞大的市场。Figure AI 近期发布的 Helix 2.5 模型给出了令人振奋的实测证明：随着训练数据量的成倍增长，机器人模型能力的提升展现出高度的可预测性。
正如更大规模的数据与算力推动了大语言模型的能力跃迁一样，机器人领域也正在复刻同样的演进轨迹。这意味着随着前沿实验室加速竞逐通用具身智能，对机器人训练数据的刚性需求将呈现持续爆发态势。
然而，单纯增加数据规模并不等同于获得了更高质量的数据。我们在中国的实地考察更加坚定了这一认知。尽管大型数据农场能够批量刷出成千上万个小时的实操录像，但这种同质化极强的数据对于提升模型泛化性能的边际增量价值微乎其微。
随着产业进入深水区，行业瓶颈将迅速从“采集更多小时的数据”转向“精准筛选出真正有价值的核心数据片段”。
因此，真正的蓝海机遇并不在粗放的数据采集，而在于如何将原始的训练时长转化为可量化的模型能力提升。这需要更精细的数据标注、过滤、清洗与评测体系，以便从大量冗余、低质的流水线数据中提取出宝贵的有效训练信号。
随着机器人模型的飞速迭代及其对数据标准的不断重构，持续挖掘并交付高价值优质数据集的专业能力，将构成远比单纯铺人头采集更为深厚的竞争壁垒。
我们认为，机器人底层模型层的竞争正在急剧白热化，长期来看面临同质化（Commoditized）的商品化风险。
在过去几个月中，包括 Physical Intelligence、Generalist、Dyna Robotics 以及 Figure AI 在内的多家美国顶尖团队，各自独立发布了在模型能力与泛化泛化上的重大突破。多家团队在极短时间内先后达成实质性突破这一事实表明，前沿具身智能大概率不会像大模型领域那样被 OpenAI 和 Anthropic 两家巨头垄断。
大多数蓝领体力劳动并不需要高达 200 的超级智商，它们只需要适度的环境理解力配合极佳的后训练微调即可胜任。随着训练方法论的逐步成熟和数据规模的扩大，整个行业的竞争重心将从研发通用的基座模型，全面转向场景落地部署与针对性后训练。在这样的格局下，任何单纯押注基座模型的公司，都将越来越难维持差异化的竞争护城河。
在可预见的未来，我们认为美国在软件算法上仍将保持对中国的领先身位。这很大程度上是因为中国机器人企业更倾向于追逐硬件销售与数据外包带来的即时现金流，而缺乏长期投注重资本研发的耐性。美国前沿实验室在底层算法上的持续突破，大概率将进一步加深中国厂商对海外开源生态的依赖惯性。
不同于大语言模型可以较为轻松地通过文本蒸馏快速复现，具身智能的模型蒸馏门槛要高得多。模型认知必须与跨多样化物理环境和不同机械本体的真实交互数据深度闭环。单纯依靠硬件制造层面的单点优势，无法轻易逾越这道综合性壁垒。我们推断，中美在具身软件领域的代际差距，可能会比我们在大语言模型领域观察到的差距更为持久。
目前有海量资金正在被投入到解答机器人领域的底层重大争议中（例如模型架构路线、机械构型设计、垂直一体化 vs 水平分工等），而很多早期的初创公司注定会在这场探索中走入死胡同。
今天新入局的创业团队完全可以站在先行者的肩膀上汲取经验教训，省去试错交学费的巨额资本消耗，直接基于行业最新的范式（Meta）打造最前沿的全新架构。
行程最后一天的晚上八点，我们坐上了同一辆汽车，踏上前往香港国际机场并飞回纽约的归途。在对深圳机器人核心产业带进行了全方位的深度考察后，我们对全球机器人产业的发展全景有了焕然一新的认知。
“现场现物”。这次实地考察再次坚定了我们的信念：在这个信息过载的时代，亲临一线、亲眼所见，依然是专注基本面的投资人构建独立思考与深度研判的最坚固基石。
中国无疑将在重塑全球机器人的未来版图中扮演举足轻重的角色，我们也将密切关注硬件、软件以及二者之间所有环节的演化进程。
数十年的制造业积淀赋予了中国在硬件制造上极其巨大的、甚至难以逾越的壁垒。然而，短期量化目标驱动的数据采集弊端隐现，资本层面对即时回报的短视，也让本土企业在面对需要长周期攻坚的底层创新时相比美国企业受到更多掣肘。
有一点比以往任何时候都更加清晰：我们离开深圳时，对机器人赛道的未来前景充满了更加笃定的信心，并坚信当下正是重仓投资该产业的绝佳时机。
在底层软件真正具备足够的泛化能力、让人形机器人具备实质生产力之前，行业在数据采集、高维标注和数据智能领域依然存在巨大的结构性缺口。我们始终在寻找那些在机器人数据与具身智能领域打造突破性解决方案的优秀创业者。如果你正深耕于此，我们的投资团队非常期待与你交流。
