作者｜毛心如

2026 年，中国人形机器人产业迎来了一个里程碑时刻。

宇树科技正式登陆科创板，成为中国首家登陆 A 股的人形机器人企业，上市首日，公司市值一度达到约 4449.11 亿元人民币。

这意味着，至少在公开资本市场的市值尺度上，中国人形机器人公司第一次站到了 Figure AI 这座全球估值标杆之上。

去年 9 月，Figure AI 在最新一轮融资后的估值达到 390 亿美元（约合人民币 2630 亿元），是宇树上市前全球估值最高的人形机器人创业公司。

如果把目光放得更远一些，马斯克在 2025 年 9 月曾公开表示，特斯拉约 80% 的价值将取决于 Optimus 人形机器人，他预测 Optimus 将使特斯拉成为一家估值 25 万亿美元的企业。

但如果把视线从市值拉回技术和产业本身，故事其实远没有结束。

因为宇树和 Figure 代表的，本来就是两种不同的竞争路径。

前者已经证明了中国公司在机器人本体、工程化、规模制造和商业化上的速度与效率，后者则更早把模型、数据、硬件、制造与真实场景组织成了一套完整的具身智能系统。

所以，真正值得追问的问题反而变成了：当中国公司第一次在市值上跨过 Figure，下一步靠什么真正跨过 Figure 所代表的系统能力？

答案或许藏在 Figure 今年的动作里。

2026 年以来，Figure 没有频繁制造融资级别的大新闻，但细看它在同时推进三件事：

让机器人进入真实工作环境、启动 F.03 的量产制造、以及推动模型 Helix 02 向全身自主控制演进。

这三件事看似独立，实则指向同一个内核。

Figure 正在从一家造机器人的公司，转向试图建立模型、数据、硬件与场景闭环的具身智能系统公司。

而这也可能是人形机器人进入下一阶段之后，真正值得比较的东西。

因为当机器人开始面对全尺寸、双足、长序列和自主执行，竞争已经不只是谁的机器人更强，而是谁能让机器人更快获得真实世界的数据，再把这些数据变成模型能力，并重新送回真实世界。

Figure 的 2026：

场景、量产与模型开始连成一条线

Figure 的 2026 年主要围绕三件事：场景落地、规模量产、模型迭代。单看每一条都不算特别，但合在一起，正在描绘一家公司从量变到质变的轮廓。

场景是第一条线。

今年 6 月，F.03 进入宝马南卡罗来纳州斯巴达堡工厂。此前 F.02 已在此稳定运行近一年，协助组装超 3 万辆汽车。

但 F.03 的任务明显升级，物料搬运、零部件运输、仓储分拣，这些工作要求的不是走过去拿起来，而是感知动态变化、调整步态、移动身体并完成连续动作。

这也是 Figure 官方定义的 dynamic whole-body control（动态全身控制）在现实中的落地。

不只是汽车工厂。5 月，F.03 完成 200 小时不间断的包裹分拣直播，三台机器人累计处理近 25 万个包裹，零硬件故障。

同月，Figure 与零售巨头 Catalyst Brands 签署商业合作，切入服装品牌物流体系。

更早之前，Figure 还与 Brookfield 建立了合作，探索家庭和商业服务场景。

场景版图从汽车制造延伸到物流、零售、家庭，但 Figure 对场景的理解不止于商业化。

每一个部署机器人的真实环境，都是数据入口。机器人每完成一次操作，都在为模型生成一条可供训练的反馈。

量产是第二条线。

去年 Figure 公布了 BotQ 超级工厂计划，初期设计年产能 1.2 万台。

目前工厂交出了第一份成绩单：120 天内产能从每天 1 台提升到每小时 1 台；累计下线超 350 台 F.03；5 月单月产量达到 250 台；整机产线一次合格率超过 80%。

量产不只是制造问题，更多机器人产出，意味着更多真机数据流入，推动模型更快迭代，而更强的模型又能支撑机器人进入更多场景，进而获取更多数据。

制造规模正在成为模型进化速度的一部分。

模型是第三条线。

今年年初，Figure 发布新模型 Helix 02，相比上一代，最核心的变化是新增了 System 0 层。

新架构形成三层分工：System 2 负责任务理解和规划，System 1 负责高频全身动作控制，System 0 负责平衡、接触和全身协调。

其中 System 0 基于 1000 多小时人类运动数据和 sim-to-real 强化学习训练。

基于这套新架构，Figure 展示了长程家务、爬楼梯，甚至机器人在园区内开车等高难度动作。

这些演示的共同指向是 Whole Body Control（全身运动控制），让机器人的行走、操作和平衡成为一个统一的系统，而不是走到位置、停下、再操作的割裂执行。

场景提供数据，量产放大数据来源，模型消化数据并转化为能力，三条线咬合在一起，形成了一个持续迭代的系统。

这套系统化能力的初步成型，是 Figure 估值 390 亿美元的底层支撑，也是它能够在市值被宇树超越之后，依然值得被深度研究的原因。

市值反映的是市场当下的判断，而系统能力决定的是谁能走得更远。

中国公司开始给出自己的「Figure答案」

如果用这套系统能力的逻辑重新审视中国市场，问题也就从谁像Figure变成了谁有可能走出自己的「Figure路径」。

筛选标准有三条：坚持全尺寸双足人形路线、模型优先且软硬全栈自研、有真实场景落地且场景同时承担数据采集职能。

这三条标准背后有一个递进逻辑，形态决定问题域的难度，自研决定迭代的自主权，场景决定数据的可得性。

但符合这三条标准，并不意味着与 Figure 画等号。

Figure 验证的，是一种系统化竞争的范式，即模型、数据、硬件、场景四件事必须咬合成一个闭环。

而在中国，不同的公司正在用不同的方式给出自己的系统化答案。其中，有三家公司的路径最具辨识度：星动纪元、智元、超维动力。

它们都在不同维度上对齐了 Figure 的终局思考，但解法各不相同。

先说一个容易被忽略的前提：为什么一定要是全尺寸双足？

轮式机器人天然更稳定，移动效率也更高；中小型双足机器人在惯量、负载和身体控制上相对容易。

但全尺寸双足一旦进入真实环境，就要同时面对重心漂移、地面反作用力、步态切换、躯干协调与上肢操作耦合等问题。

也就是说，中国玩家要进入 Figure 的讨论范畴，第一道门槛不是外表像不像，而是有没有选择正面硬刚全尺寸双足所对应的那组最难的问题。

星动纪元跟Figure AI一样，坚持全尺寸双足路线，强调软硬全栈自研与灵巧手的精细化控制，以物流为落地起点。

目前其已在物流场景与顺丰、中国邮政等客户建立合作，完成了从数据采集、模型训练、运控算法到灵巧手执行、本体反馈的全链条能力搭建。

智元同样坚持全尺寸双足路线，构建了数据-模型-本体-场景的完整体系。其远征A3身高173cm、体重55kg，搭载自研关节与全栈技术架构，落地方向覆盖导览导购、文娱商演等高频人机互动场景。

量产规模与商业化落地也是智元尤为突出的另一个维度。截至目前智元累计下线已突破15000台。这一数字本身就说明，全栈具身智能路线不仅在技术逻辑上自洽，在商业可行性上也正在被验证。

但量产规模只是系统竞争力的一个截面。如果将视角从卖出了多少台拉回到系统本身能进化多快，另一家公司的解法同样值得关注：

超维动力，在同一条终局路线上，做出了更具进攻性的架构设计。

与 Figure 一样，超维动力将自身定位为具身智能大模型公司，而非单纯的本体制造商。

同样坚守全尺寸双足路线，重点攻克全身运动控制，其 SMASH 系统已完成户外环境下人形机器人 1V1 乒乓球对抗。

同时，超维动力也在推进真实场景落地，目前已与北大医疗达成合作，将真机投入真实环境获取交互数据。

至此可以看到一个清晰的轮廓：超维动力与 Figure 解决的是同一道题，如何构建模型-数据-硬件-场景的系统闭环。

但在具体解法上，超维动力在三个关键变量上做了与 Figure 不同的选择。

本体层面，KAIBot 全身拥有 117 个自由度，是目前公开参数中全球自由度最高的人形机器人本体。

全身约 80%区域覆盖触觉皮肤，集成约 18000 个触觉触点，可感知低至 0.1N 的轻微触碰；灵巧手 KAI Hand 拥有 37 个自由度，指尖输出力超 30N。

更高自由度意味着模型要处理更复杂的动作空间，更高密度触觉意味着机器人不能仅依赖视觉，还要理解身体与环境之间持续发生的接触关系。

硬件不只是模型的执行端，它在根本上定义了模型能力的天花板。

模型层面，为适配超高自由度本体及海量触觉、视觉多模态输入，超维动力的模型架构在训练难度与泛化上限上都面临更高要求。

最具辨识度的一点是跨本体迁移能力：SMASH 算法还可适配宇树 G1、智元远征 A3 等多款不同构型机器人，是国内为数不多实现跨机型、跨厂商通用模型迁移的平台化能力。

跳出了模型只为单一本体服务的行业局限，相比 Figure Helix 模型与自有本体深度绑定的模式，具备更强的产业通用性与生态延展性。

同时，SMASH 能在户外非结构化环境中完成人机乒乓球对抗，这与 Figure 更多聚焦结构化工厂场景，也形成了能力方向上的互补。

超维动力实际上在尝试回答一个更底层的问题：具身模型能不能成为平台，而不是某台机器人的专属操作系统？

如果跨本体迁移最终成为稳定能力，模型的价值边界就不再局限于单一本体，而可以向不同构型、不同自由度的机器人扩展。

数据闭环层面，超维动力自研 KAI Halo 数采头环，深入家庭、商超、商业空间等真实环境采集人类第一视角多模态数据。

目前已积累超过十万小时的人类第一视角数据集，依托 Embodied AI Infra 平台，能将数据处理效率提升 10 倍，模型训练速度提升 5-7 倍。

作为对比，Figure 拥有宝马工厂等优质工业场景，但数据采集手段相对单一。超维动力在数据采集的场景广度与自动化处理效率上，构筑了差异化的护城河。

这里还有一个容易被忽略的变量，速度。

Figure 花了约四年时间，逐步建立起本体、模型、制造与场景的完整体系。

而超维动力成立仅一年左右，已形成 KAIBot、KAI Hand、KAI Halo、KAI World Model 和 Embodied AI Infra 等多个产品与技术板块，并开始向医疗等真实场景推进。

当然，成立一年并不意味着已追上 Figure。

但对于具身智能这种高度依赖工程协同的产业来说，能否在更短时间内把硬件、模型、数据和 Infra 同时搭起来，本身就是一种竞争力。

因此，如果说星动纪元更接近于技术路径上的对齐，智元代表的就是在全栈体系上更大的量产基础面。

那么超维动力正在尝试的，是在 Figure 相似的终局上，做出一套更强调高自由度本体、全域触觉感知、模型平台化、自动化数据基建的全栈体系。

从系统布局的完整度与技术演进速度来看，超维动力展现出了最具潜力超越 Figure 的中国具身智能公司姿态。

下一阶段，真正比拼的是系统闭环

真正值得关注的，其实并不是哪家公司更像 Figure，也不是今天谁的市值暂时更高。

经过一轮轮技术迭代，行业正在慢慢看清一个现实：决定一家人形机器人公司最终上限的，可能还是它能不能把模型、数据、硬件和场景连接成一个持续进化的系统。

因为具身智能正在改变传统机器人产业的分工方式。过去，硬件公司做本体，模型公司做算法，数据公司提供数据，应用公司负责寻找场景。

但现在，这四件事情越来越难以拆开，硬件决定数据上限，数据决定模型上限，模型决定机器人能力，场景又决定数据反馈的速度，最终形成一个不断循环的飞轮。

在这套系统飞轮当中，Whole Body Control（全身运动控制）与 loco-manipulation （移动操作一体化），正在成为区分工具型机器人和通用人形机器人的两道关键分水岭。

传统机器人习惯于把导航移动和抓取操作拆分为两个独立任务，机器人先移动到达指定点位，再执行抓取作业。

而全尺寸双足人形机器人面向真实世界作业，要求走路、环境感知、触觉反馈、抓取操作、动态平衡、任务规划融合成为统一整体。

真正的难点，不是分别做好移动、做好抓取，而是让整套躯体、感知、控制系统融合成一个完整智能体，而不是底盘叠加机械臂的简单拼接。

这既是 Figure 坚持的技术方向，也是国内所有坚持全尺寸双足路线的企业共同面对的硬核挑战。

Figure 在 Helix 02 中把 System 0 加入全身控制体系，超维动力则从高自由度本体、高动态运动和跨本体迁移等方向进行探索。

本质上都在回答同一个问题，模型什么时候才能真正接管机器人的整个身体？

而对于中国公司来说，另一个现实变量可能更加重要，数据效率。

必须承认，中国公司和 Figure 之间依然存在资本规模、全球融资、GPU 算力以及部分海外商业化积累上的差距。

但具身智能和纯数字 AI 不同，它最终必须进入物理世界。

这意味着中国公司的另一组优势也值得被重新估算：供应链密度、硬件迭代速度、真实场景数量以及数据采集效率。

如果这些优势能够进一步转化成更短的数据闭环周期，那么资本和算力上的差距，就未必完全等价于模型进化速度上的差距。

超维动力正在搭建的就是这样一条链路：KAI Halo 采集数据→数据处理与 Infra→模型训练→KAIBot 执行→真实场景反馈→再训练。

它的意义不在于什么都做，而在于能不能把这些环节真正连接起来，并不断压缩每一轮反馈的周期。

这可能才是下一阶段具身智能公司的核心竞争力。

最终值得比较的，也不只是机器人有多少自由度，或者能不能完成某个惊艳 Demo。

而是谁能让自己的机器人更快从真实世界获得数据，再把数据转化为模型能力，并最终重新回到真实世界。

回到开头的两个数字：宇树挂牌后市值约 3417 亿元，已经超过 Figure 约 2630 亿元的估值。

市值反超是中国人形机器人赛道的重要里程碑，也给了行业更强的信心。

数据比较只是参照。资本市场正在给这个行业建立坐标系，但真正决定下一轮竞争的，未必是今天的估值。

未来的人形机器人公司，可能越来越不像传统机器人公司。

它既要做硬件、做模型、做数据、做 Infra、做场景、做制造，最终形成一个能够让机器人持续进化的系统。

Figure AI 是全球较早把这套系统逻辑推进到量产阶段的玩家之一。

而中国市场真正值得关注的，也不只是今天谁在市值上超过了Figure，而是谁能在模型、数据、硬件和场景的系统竞争中，形成真正可持续的优势。

如果说第一阶段的人形机器人竞争是谁先造出机器人，那么下一阶段真正的问题是：谁能先让机器人拥有一个能持续自我迭代的系统。