“人形机器人第一股启动询价”这条新闻，表面看是资本市场的IPO事件，本质上却是整个行业的定价时刻。当一家公司被冠上“第一股”的名头时，它不只是给自己估值，也是在替整个技术赛道回答一个问题：人形机器人到底值多少钱。
这个回答里有一个非常刺眼的矛盾：营收两年翻十倍，说明产品在放量，订单在增长，市场规模在扩大；但扣非净利润掉头，说明剔除非经常性损益之后，公司的主业还没能形成稳定造血能力。用技术圈的话说，这是“跑分很高，功耗没压住”。
如果你是做机器人、AI应用、嵌入式或者后端数据的技术人，这篇文章不是帮你分析股票，而是想和你一起拆解：这家公司的财务数据背后，暴露了人形机器人产业哪些真实的技术成本？哪些环节是真正卡脖子的？作为开发者，你可以从哪个方向切入这条赛道？以及，为什么说“仿真、数据、垂直场景”这三个词，比“本体硬件”更值得你关注。
1. 这件事为什么值得技术人关注
很多人看到“第一股启动询价”这样的标题，第一反应是“这是财经新闻，和我写代码有什么关系”。这是最大的误判。
人形机器人第一股的出现，意味着一个技术路线从实验室阶段进入资本定价阶段。资本愿意给出多少估值，会直接影响接下来的研发投入、人才流动、开源社区活跃度，以及上游供应链的订单规模。对开发者来说，这些变化最终会变成你所在团队的技术选型方向，甚至变成你的下一个offer来自哪里。
更重要的是，这家公司选择在营收高速增长、扣非净利润仍然承压的时间窗口启动询价，本身就暴露了行业的真实状态：人形机器人有想象力，但还没有跑通稳定盈利模型。资本市场买的是预期，技术人看到的是工程难度。
如果你正在做具身智能、机器人操作系统、仿真环境、数据采集工具链，或者只是想评估“要不要转行做机器人”，那么这家公司的财务数据、技术栈和公开发布的产品路线，就是一个非常难得的行业样本。它告诉你两件事：第一，这个行业正在加速商业化；第二，这个行业的坑比很多人想象中深。
2. 营收与扣非净利：一个容易被误读的信号
先解释两个财务术语，因为技术人看财务报表时最容易在这里卡住。
第一个是“营收”。营收代表公司在一段时间内卖出去的产品和服务总金额。人形机器人公司的主要营收来源通常包括：教育机器人及解决方案、巡检/物流等企业级机器人、人形机器人的交付与演示项目、零部件销售、技术授权等。营收两年翻十倍，说明公司拿到了大量订单，产品开始批量交付，市场盘子确实在扩大。
第二个是“扣非净利润”。这个指标的中文全称是“扣除非经常性损益后的净利润”。所谓非经常性损益，指的是和公司主营业务没有直接关系的收入或支出，比如政府补贴、资产处置收益、投资收益等。一家公司账面上的净利润可能因为几笔政府补助而变正，但扣掉这些之后，剩下的才是主业真实赚到的钱。
人形机器人公司之所以长期扣非净利润承压，核心原因几乎写在了研发费用和硬件成本里。一个双足人形机器人，单台硬件成本很高：关节电机、减速器、伺服驱动器、力传感器、IMU、计算平台、电池模组，每一部分都是真金白银。而且这种机器人的产量很难在短时间内爬升到消费电子产品那样的规模，硬件摊销压力巨大。
营收高增和利润承压并存，本质上反映的是这样一条业务链路：技术研发持续投入，销售端能签下订单，但交付端毛利有限，回款周期又长。对比传统软件公司，一套SaaS产品的边际成本几乎为零，多卖一个用户不会增加太多服务器成本；但多卖一台人形机器人，就意味着需要多买一套价值不菲的硬件料件，还要配一个技术支持团队。
下面这张表，可以帮助你快速理解不同业务模型的财务特征差异。
| 业务模型 | 营收增长逻辑 | 边际成本 | 盈利难度 | 典型代表 |
|---|---|---|---|---|
| 软件订阅 | 用户数增长 | 极低 | 规模后利润容易释放 | 通用SaaS、开发工具 |
| 消费硬件 | 单品销量增长 | 中等 | 依赖供应链和品牌溢价 | 手机、耳机 |
| 企业级机器人 | 项目数量与单价 | 高 | 交付重、回款慢、毛利受硬件波动影响 | 物流机器人、巡检机器人、人形机器人 |
人形机器人目前更接近第三种模型。所以在招股书或财报里看到“扣非净利润亏损”，不必感到惊讶，这是当前行业阶段性的财务特征。真正值得警惕的不是“亏损”，而是“亏损有没有随着营收规模扩大而同步收窄”。如果营收翻十倍，但扣非净利润仍然掉头向下，说明规模效应还没有在利润端体现，行业距离稳态盈利还有明显距离。
3. 人形机器人技术栈拆解：钱到底花在了哪里
想理解人形机器人公司为什么“不赚钱”，必须看它的钱烧到了哪里。外界喜欢用“具身智能”概括一切，但拆到工程层面，人形机器人至少包含以下技术栈。
3.1 硬件本体：最重的成本项
- 执行器：这是人形机器人最核心的硬件。每一个受控关节都需要电机、减速器和驱动器协同工作。传统工业机器人用重型减速器没问题，但人形机器人需要在有限的体积和重量里输出足够扭矩，这对零部件的精度、寿命和一致性提出了极高要求。
- 传感器：视觉摄像头、激光雷达、力/力矩传感器、IMU（惯性测量单元）、触觉传感器。力传感器尤其关键，机器人在接触外部环境时需要实时感知力的大小和方向，否则很容易损坏本体或误操作物体。
- 计算平台：一个完整的感知-决策-控制回路需要在毫秒级完成，通常需要搭载嵌入式工控机或边缘AI计算设备，同时还要考虑功耗和散热。
- 电池与能源管理：双足行走本身能耗很高，电池续航直接决定了机器的可用性。能源管理系统需要动态分配计算功耗与关节驱动功耗。
3.2 软件与算法：差异化核心
- 感知模块：目标检测、语义分割、3D重建、人体姿态估计等。
- 状态估计与运动控制：SLAM、双足步态规划、全身动力学控制、平衡控制。这部分是硬骨头，也是学术论文最密集的区域。
- 任务规划与决策：传统方式用状态机或行为树，现在越来越多团队尝试大语言模型、视觉语言模型和强化学习。
- 仿真与数据平台：这是过去几年发展最快的部分。机器人在真实世界试错成本高，必须先在海量仿真场景里训练和验证。
3.3 为什么硬件降本很难
很多人觉得“人形机器人跟随电机技术成熟，成本会像消费电子一样快速下降”。事实没那么简单。消费电子产品的核心是标准化、大规模制造，而人形机器人的关节模组、传感器和整机结构目前还处于小批量定制阶段。核心部件如果依赖外购，议价能力弱；如果自研，前期研发投入巨大。
更重要的是，硬件降本需要以“稳定量产”为前提。一家公司只卖出几十台几百台机器人，是没有资格和上游供应商谈批量价格的。这就形成了一种恶性循环：成本高导致售价高，售价高导致订单少，订单少导致无法摊薄成本。
所以你看财报里的毛利数据时，不要只看绝对值，还要看硬件采购结构、自研比例和产量规模。人形机器人第一股启动询价的估值压力，很大程度上来自投资者对“规模不经济”的担忧。
4. 比硬件更难的是数据与场景闭环
如果只说硬件成本高，人形机器人和传统工业机器人并没有本质区别。真正让这个行业难的，是数据与场景闭环。
传统工业机械臂在一个固定工位重复同一个动作，环境高度可控，部署一个抓取程序就可以稳定运行几个月。人形机器人的核心卖点却是通用性：它能走进小区送快递、能在车间巡检、能在家庭环境里整理物品。但通用性的前提，是它必须能应对海量的、不可预测的真实世界场景。
真实世界的复杂度远超任何规则代码。一个机器人要学会“打开冰箱拿出牛奶”这个任务，需要理解冰箱门的位置、门的开合方向、牛奶的尺寸、把手的摩擦力、关门时需要用到的力……这些内容很难全部写死在代码里。行业现在普遍采用的方式，是让机器人通过大量数据学习操作技能。
这就是数据闭环的价值：
- 数据采集：通过遥操作、动捕设备、传感器记录等方式，获取机器人在真实和仿真环境中的动作数据。
- 数据清洗与标注：筛选有效数据，标注物体的位置、类型、操作结果。
- 模型训练：利用强化学习、模仿学习或端到端模型，让机器人学习如何完成特定任务。
- 仿真验证：在MuJoCo、Isaac Sim等仿真环境中大规模测试策略稳定性。
- 真机部署与反馈：将策略部署到真机，收集失败案例，再回灌到数据管道重新训练。
这里最关键的瓶颈，是人形机器人的数据采集速度远低于大语言模型的文本数据采集速度。文本可以从互联网批量抓取，但机器人操作数据必须一个一个动作去采，成本极高。这也是为什么仿真环境如此重要——它可能是短期内唯一能扩大数据规模的路径。
但同时，仿真到现实之间存在明显的“sim-to-real gap”。仿真环境里的材质摩擦系数、关节延迟、传感器噪声和真机不可能完全一致。一个在仿真里百战百胜的策略，部署到真机后可能第一步就摔倒。所以现在很多团队会引入“域随机化”，也就是在仿真训练时随机改变物理参数，让模型见过更多情况，从而增强迁移到真实环境的鲁棒性。
数据闭环既是工程难点，也是创业机会。哪家公司能把数据成本降下来，哪家公司就掌握了人形机器人商业化的命门。
5. 开发者可以切入的三个具体方向
了解了行业全貌，接下来回答一个更实际的问题：如果你是软件开发者、算法工程师或数据工程师，现在切入人形机器人赛道，应该选什么方向？我的判断是，优先避开“做大而全的整机”这条路线，因为它对资金、供应链、硬件团队要求极高。更适合大多数技术人的，是以下三个方向。
5.1 仿真与数字孪生：最稳的入口
人形机器人的研发需要大量仿真测试，而且随着成本意识增强，仿真会越来越重要。仿真工程师不仅需要熟悉机器人运动学、动力学，还要掌握场景建模、随机化训练、自动化评测等技能。这个方向的好处是，你不需要购买昂贵的真机硬件，只需要一台带GPU的开发机就能开展大量工作。
常用的开源仿真工具包括MuJoCo、Isaac Sim、PyBullet等。本章后续会用一个最小的MuJoCo示例展示整个思路。你在实际项目中，可以把仿真环境想象成“机器人的编译器”：代码写得好不好，跑一遍仿真就知道，而不必每次都把代码部署到上万元的真机上“跑挂了再说”。
5.2 数据采集与标注：需求量大但常被忽视
人形机器人的数据工程环节，很像五年前自动驾驶行业的状态。当时大家都觉得算法是王，后来才发现数据标注和场景挖掘同样决定产品上限。现在的人形机器人行业正在经历同样的阶段。
你可以做的事包括：设计更高效的遥操作系统，让操作员更快地采集高质量动作数据；开发半自动化标注工具，减少人工标注成本；建立数据版本管理和回放系统，方便算法团队定位训练数据问题；甚至专门研究数据筛选策略，从海量仿真数据中挑出对训练收益最大的样本。
这个方向不需要你精通机器人控制算法，但需要扎实的工程能力和数据敏感度，适合大多数后端和平台型工程师。
5.3 垂直场景的上层应用
人形机器人真正买单的用户，目前主要集中在公共服务、教育、巡检、仓储物流等有限场景。很多场景并不需要人形机器人拥有全能的通用智能，只要能稳定完成一两项任务就能产生商业价值。
如果你所在团队能拿到机器人本体或SDK，可以把精力放在垂直场景的算法适配和应用开发上。比如：
- 针对特定巡检区域训练视觉模型，让机器人准确识别仪表读数、漏水点或异常温度。
- 针对教学场景开发互动课程内容，将运动能力与教育产品结合。
- 针对展厅场景优化交互流程，让机器人与参观者之间的对话更自然。
垂直场景应用的好处是，你可以利用现有机器人平台的能力，把自己的软件产品嵌进去，形成对客户的销售组合。这比从零做一台机器人要现实得多。
6. 实操示例：搭建一个人形机器人最小闭环
为了让前面的分析落地，这里用一个最小示例演示：如何用Python和MuJoCo搭建一个人形机器人运动仿真的最小闭环。同时，我会顺带演示如何用Python和SQL从财务数据角度分析机器人公司的营收结构。这两个示例都很短，但都能直接运行。
6.1 环境准备与依赖安装
本文的仿真示例以 MuJoCo 3.x 为例，具体版本以你安装时为准。MuJoCo是一个开源物理仿真引擎，在机器人研究中非常常用，支持从简单摆杆到双足人形机器人的仿真。
建议使用虚拟环境安装，避免污染本机Python环境。
# 创建并激活虚拟环境（Windows 用户请使用 venv 命令对应方式） python3 -m venv .venv source .venv/bin/activate # 升级 pip 并安装 mujoco pip install --upgrade pip pip install mujoco安装完成后，可以用下面的命令验证环境是否正常。
python -c "print('mujoco ok')"如果这一行能正常输出，说明Python环境没有问题。接下来写具体的仿真脚本。
6.2 用 Python 计算营收复合增长率
先看一个和财务分析相关的Python脚本。这个脚本只有一个函数，计算“复合年增长率”，可以让你快速评估一家公司“两年营收翻十倍”在年均维度上是什么概念。
# 文件名：kpi_analyzer.py # 用途：计算营收复合年增长率（CAGR） def cagr(start_value, end_value, years): """计算复合年增长率 CAGR = (期末/期初)^(1/年数) - 1""" return (end_value / start_value) ** (1.0 / years) - 1.0 # 示例：两年营收从 1 增长到 10 start_revenue = 1.0 end_revenue = 10.0 years = 2 rate = cagr(start_revenue, end_revenue, years) print(f"两年营收翻十倍，CAGR = {rate:.2%}")运行结果会输出“两年营收翻十倍，CAGR = 316.23%”，也就是平均每年增长超过三倍。这个数字在互联网产品里都算罕见，在硬件制造行业里更是极度罕见。看到这个数字，你应该追问一句：支撑这个增长的是长期订单，还是一次性的项目型交付？前者说明产品被市场接受，后者则意味着收入结构不稳定。
6.3 用 SQL 拆解收入结构
判断一家机器人公司的收入质量，不能只看总量，还要看各个业务线的占比。下面这段SQL模拟了一个简单的机器人公司收入拆表分析。假设你已经把财务数据导入了数据库，那么可以用窗口函数快速计算每个业务单元的收入占比。
-- 用途：按业务线拆解收入结构 SELECT business_unit, SUM(revenue) AS total_revenue, ROUND(SUM(revenue) / SUM(SUM(revenue)) OVER (), 4) AS revenue_ratio FROM financial_statement WHERE period = 'FY2023' GROUP BY business_unit ORDER BY total_revenue DESC;这段SQL会把每个业务线的收入从高到低排列，并计算出每个业务线占整体营收的比例。如果结果显示某一条非人形机器人业务贡献了绝大部分营收，那么就需要重新审视“人形机器人第一股”这个称号的含金量：资本市场给的是人形机器人估值，但实际营收支撑可能来自教育产品或企业级服务，这就是“估值标签”和“收入来源”之间的错位。
6.4 用 MuJoCo 搭建最小仿真闭环
真正和人形机器人技术直接相关的示例，是用MuJoCo创建一个最简单的摆动模型并执行动力学仿真。虽然这不是完整的人形机器人，但仿真循环的核心思想是完全一致的：加载模型、初始化状态、循环执行物理步进、记录结果。
# 文件名：minimal_robot_sim.py # 用途：演示 MuJoCo 最小仿真闭环 import mujoco # 用一个简单的摆杆模型代替完整人形机器人，只演示核心流程 xml = """ <mujoco model="simple_pendulum"> <worldbody> <light name="top" pos="0 0 4"/> <geom name="floor" type="plane" size="2 2 0.1"/> <body name="pole" pos="0 0 0.5"> <joint name="hinge" type="hinge" axis="0 1 0"/> <geom name="ball" type="sphere" size="0.1" pos="0 0 0.5" mass="1"/> </body> </worldbody> </mujoco> """ model = mujoco.MjModel.from_xml_string(xml) data = mujoco.MjData(model) # 设置初始角度，让摆杆在重力作用下运动 data.qpos[0] = 0.5 # 执行1000步仿真 steps = 1000 for _ in range(steps): mujoco.mj_step(model, data) print("最终角度:", data.qpos[0]) print("最终角速度:", data.qvel[0])运行这个脚本的命令也很简单。
python minimal_robot_sim.py如果一切正常，你会看到类似“最终角度: 0.39 … 最终角速度: -1.24 …”这样的输出。数值本身不重要，重要的是理解这个循环：model定义机器人的物理本体，data表示当前状态，每调用一次mj_step，物理世界就向前推进一步。真实的人形机器人仿真，本质上也是这个循环，只是模型从摆杆换成了包含几十个关节和大量传感器的整机模型。
6.5 运行失败排查表
如果脚本运行异常，按下面顺序排查。
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
ModuleNotFoundError: No module named 'mujoco' | 未安装 MuJoCo 或安装在错误环境 | pip show mujoco检查包信息 | 确认已激活虚拟环境后重新安装 |
| Python 提示版本不兼容 | MuJoCo 对 Python 版本有要求 | python --version检查版本 | 升级到 Python 3.9 及以上 |
| 脚本运行但输出为 0 或不变化 | 模型没有重力或其他外力驱动 | 检查 XML 中是否有geom和质量设置 | 添加worldbody下的重力，或调整初始角度 |
| 程序运行极慢 | 机器配置较低或步数过多 | 检查 CPU 占用，减少步数 | 降低steps到 100，确认流程后再增加 |
对于刚接触机器人仿真的开发者，建议先跑通这个最简示例，再逐步替换为更复杂的模型和控制器。不要一上来就去研究完整的人形机器人仿真，那样容易因为环境复杂度太高而卡住。
7. 常见判断误区与风险提示
围绕“人形机器人第一股”这件事，技术社区存在很多观念上的误区。下面这张表汇总了比较常见的几种。
| 误区 | 实际情况 | 判断依据 |
|---|---|---|
| 营收翻十倍说明人形机器人已经量产 | 增长可能来自项目制交付和政企订单，规模化的消费级交付还没有形成 | 看扣非净利润和毛利率，如果仍亏损，说明成本没有摊薄 |
| 人形机器人公司在赚“机器人”的钱 | 收入结构可能以教育产品、企业级服务为主，人形机器人只是明星业务 | 用 SQL 按业务线拆解收入结构 |
| 只要算法足够强，机器人就能聪明 | 硬件执行器、传感器精度、时延都会拖累上层算法 | 仿真里效果好，真机效果可能完全不同，需要重视 sim-to-real |
| 这个行业现在进入爆发期，可以立即量产 | 研发周期长、回款慢、硬件成本高，行业仍在早期 | 关注研发费用、存货、应收账款等指标 |
| 人形机器人一定要做成“通用机器人” | 现阶段更现实的是垂直场景专用能力的积累 | 观察头部公司实际拿下订单的行业 |
| 仿真环境只是玩具 | 仿真已经贯穿数据生成、策略训练、安全验证全链路 | 主流团队都在建设仿真和数字孪生基础设施 |
除了判断误区，还有几个风险信号值得注意。
第一，研发投入的持续性。人形机器人技术远未收敛，公司需要不断投入资金改进硬件和算法。一旦融资节奏放缓，研发效率就会受到影响。
第二，硬件供应链的稳定性。核心零部件如果有相当比例依赖上游供应商，那么供应链波动会直接影响交付时间和毛利。这一点在机器人行业已经多次发生。
第三，技术路线的分歧。双足行走、轮式底盘、单臂双臂、液压/电驱动……不同技术路线各有优劣，一旦行业在某个阶段形成新的主导路线，前期的部分投入可能面临重新选择。
第四，收入确认方式的偶然性。项目制公司容易出现“某个大季度集中确认收入，随后几个季度收入回落”的情况。所以看营收增速时，最好看连续多个报告期的趋势，而不是只看单季度或单年度数据。
作为技术人员，你不要因为一款人形机器人的演示视频惊艳，就认定整个行业已经成熟；也不要因为财务数据亏损，就否定这个行业的技术价值。最理性的状态是：理解技术潜力的同时，对商业化节奏保持清醒。
8. 最佳实践与工程建议
如果你决定进入这条赛道，以下几条工程建议值得参考。
8.1 先仿真，后真机
人形机器人的真机测试成本极高，而且存在人员安全和设备损坏风险。任何新策略，都应该先在仿真环境里完成大量随机化测试，确认稳定后再迁移到真机。哪怕只是从摆杆模型起步，也要养成“仿真先行”的习惯。
8.2 建立数据版本管理机制
机器人数据和大语言模型数据一样，也需要版本管理。一个训练任务用到的数据来自哪些场景、哪一批遥操作、标注规范是什么版本，这些信息如果不可追溯，模型出问题时几乎无法排查。建议项目初期就引入数据版本管理工具，并记录每一次训练所用的数据集合、仿真参数和模型超参数。
8.3 优先选择可以量化的垂直场景
对团队来说，与其追求“什么都能做”的通用机器人Demo，不如选择一个可以量化收益的垂直场景。比如，在园区巡检场景里，机器人需要发现多少个异常点；在物流分拣场景里，机器人需要在多长时间内完成多少单。指标明确之后，算法优化、硬件选型和客户沟通都会变得顺畅。
8.4 关注安全性边界
人形机器人工作在国际不特定空间，安全性必须从设计阶段就考虑。开发者需要为系统设置速度限制、力矩限制、急停逻辑和状态监控机制。仿真环境里可以测试大量边界情况，但最终部署到真实环境前，必须有层层安全护栏。这一点无论对独立开发者还是创业团队都是红线。
8.5 保持跨学科协作意识
一个人很难同时搞定机械设计、嵌入式驱动、运动控制、感知算法、数据工程和产品定义。在实际团队中，你要学会和不同背景的工程师协作。做好接口定义、模块解耦和文档沉淀，比追求某一项技术的单点突破更重要。
9. 总结：人形机器人赛道的下一个分水岭
“人形机器人第一股启动询价”这件事，最大的价值在于把行业从抽象的概念拉回到了具体的数字：营收、成本、毛利、扣非净利润、研发费用、应收账款。这些数字像一张体检报告，提醒所有人，资本热潮和技术现实之间存在时间差。
这个时间差，恰恰是工程师的窗口期。硬件成本终会随着供应链成熟而下降，但数据闭环能力、仿真基础设施、垂直场景里的可行性验证，不会自动发生。它们需要大量工程人员参与，把这套工具链一点点打磨成熟。
接下来的两三年里，真正值得观察的指标不是某家公司单季度营收多高，而是：
- 扣非净利润是否随着营收增长逐步收窄。
- 收入结构是否从项目制转向更可持续的产品和服务模式。
- 仿真环境里训练出来的操作策略，能否在真实场景重复成功。
- 数据采集成本是否有明显下降。
如果这些指标同时出现正向变化，那么人形机器人行业才真正从“故事阶段”进入“工程阶段”。你现在积累的仿真经验、数据工程能力和垂直场景理解，到那时候都会变成真正稀缺的资产。
