作者｜Jacob Zhao @IOSG

包括 AGV（自动导引车） 与 AMR（自主移动机器人），在物流仓储、电商配送与制造运输中大规模落地，已成为 B 端最成熟品类。

代表企业：Amazon Robotics、极智嘉 (Geek )、快仓（Quicktron）、Locus Robotics。

服务机器人（Service Robots）

AI × 机器人：具身智能时代的黎明

传统自动化主要依赖预编程与流水线式控制（如感知–规划–控制的 DSOP 架构），只能在结构化环境中可靠运行。而现实世界更为复杂多变，新一代具身智能（Embodied AI）走的是另一条范式：通过大模型与统一表示学习，使机器人具备跨场景的“理解—预测—行动”能力。具身智能强调身体（硬件） 大脑（模型） 环境（交互）的动态耦合，机器人是载体，智能才是核心。

生成式 AI（Generative AI） 属于语言世界的智能，擅长理解符号与语义；具身智能（Embodied AI） 属于现实世界的智能，掌握感知与行动。二者分别对应“大脑”与“身体”，代表 AI 演化的两条平行主线。从智能层级上看，具身智能比生成式 AI 更高阶，但其成熟度仍明显落后。LLM 依赖互联网的海量语料，形成清晰的“数据 → 算力 → 部署”闭环；而机器人智能需要第一视角、多模态、与动作强绑定的数据——包括远程操控轨迹、第一视角视频、空间地图、操作序列等，这些数据天然不存在，必须通过真实交互或高保真仿真生成，因此更加稀缺且昂贵。虽然模拟与合成数据有所帮助，但仍无法替代真实的传感器—运动经验，这也是 Tesla、Figure 等必须自建遥操作数据工厂的原因，也是东南亚出现第三方数据标注工厂的原因。简而言之：LLM 从现成数据中学习，而机器人必须通过与物理世界互动来“创造”数据。未来 5–10 年，二者将在 Vision–Language–Action 模型与 Embodied Agent 架构上深度融合——LLM 负责高层认知与规划，机器人负责真实世界执行，形成数据与行动的双向闭环，共同推动 AI 从“语言智能”迈向真正的通用智能（AGI）。

具身智能的核心技术体系可视为一个自下而上的智能栈：VLA（感知融合）、RL/IL/SSL（智能学习）、Sim2Real（现实迁移）、World Model（认知建模）、以及多智能体协作与记忆推理（Swarm & Reasoning）。其中，VLA 与 RL/IL/SSL 是具身智能的“发动机”，决定其落地与商业化；Sim2Real 与 World Model 是连接虚拟训练与现实执行的关键技术；多智能体协作与记忆推理则代表更高层次的群体与元认知演化。

现实迁移：Sim2Real —— 从仿真到现实的跨越

Sim2Real（Simulation to Reality）是让机器人在虚拟环境中完成训练、再迁移至真实世界。它通过高保真仿真环境（如 NVIDIA Isaac Sim & Omniverse、DeepMind MuJoCo）生成大规模交互数据，显著降低训练成本与硬件磨损。 其核心在于缩小“仿真现实鸿沟”，主要方法包括：

• 域随机化（Domain Randomization）：在仿真中随机调整光照、摩擦、噪声等参数，提高模型泛化能力；

• 物理一致性校准：利用真实传感器数据校正仿真引擎，增强物理逼真度；

• 自适应微调（Adaptive Fine-tuning）：在真实环境中进行快速再训练，实现稳定迁移。

Sim2Real 是具身智能落地的中枢环节，使 AI 模型能在安全、低成本的虚拟世界中学习“感知—决策—控制”的闭环。Sim2Real 在仿真训练上已成熟（如 NVIDIA Isaac Sim、MuJoCo），但现实迁移仍受限于 Reality Gap、高算力与标注成本，以及开放环境下泛化与安全性不足。尽管如此，Simulation-as-a-Service（SimaaS） 正成具身智能时代最轻、却最具战略价值的基础设施，其商业模式包括平台订阅（PaaS）、数据生成（DaaS）与安全验证（VaaS）。

全球具身智能产业格局：合作竞争并存

全球机器人产业正处于“合作主导、竞争深化”的时期。中国的供应链效率、美国的 AI 能力、日本的零部件精度、欧洲的工业标准共同塑造全球机器人产业的长期格局。

• 美国在前沿 AI 模型与软件领域（DeepMind、OpenAI、NVIDIA）保持领先，但这一优势并未延伸至机器人硬件。中国厂商在迭代速度和真实场景表现上更具优势。美国通过《芯片法案》（CHIPS Act）和《通胀削减法案》（IRA）推动产业回流。

• 中国凭借规模化制造、垂直整合与政策驱动，在零部件、自动化工厂与人形机器人领域形成领先优势，硬件与供应链能力突出，宇树与优必选等已实现量产，正向智能决策层延伸。但在 算法与仿真训练层与美国仍存较大差距。

• 日本长期垄断高精度零部件与运动控制技术，工业体系稳健，但 AI 模型融合仍处早期阶段，创新节奏偏稳。

• 韩国在消费级机器人普及方面突出——由 LG、NAVER Labs 等企业引领，并拥有成熟强劲的服务机器人生态体系。

• 欧洲工程体系与安全标准完善，1X Robotics 等在研发层保持活跃，但部分制造环节外迁，创新重心偏向协作与标准化方向。

模型智能层（Model & Intelligence）

机器经济层（Machine Economy Layer）

数据采集层 （Data Layer）

旨在解决具身智能训练中稀缺且昂贵的高质量现实世界数据。通过多种路径采集和生成人机交互数据，包括远程操控（PrismaX, BitRobot Network）、第一视角与动作捕捉（Mecka、BitRobot Network、Sapien、Vader、NRN）以及仿真与合成数据（BitRobot Network），为机器人模型提供可扩展、可泛化的训练基础。需要明确的是，Web3 并不擅长“生产数据”——在硬件、算法与采集效率上，Web2 巨头远超任何 DePIN 项目。其真正价值在于重塑数据的分配与激励机制。基于“稳定币支付网络 众包模型”，通过无许可的激励体系与链上确权机制，实现低成本的小额结算、贡献溯源与自动分润。但开放式众包仍面临质量与需求闭环难题——数据质量参差不齐，缺乏有效验证与稳定买方。

Mecka  (https://www.mecka.ai)

Mecka 是一家机器人数据公司，通过游戏化的手机采集和定制硬件设备，众包获取第一视角视频、人体运动数据以及任务演示，用于构建大规模多模态数据集，支持具身智能模型的训练。

NRN Agents（https://www.nrnagents.ai/）

一个游戏化的具身 RL 数据平台，通过浏览器端机器人控制与模拟竞赛来众包人类示范数据。NRN 通过“竞技化”任务生成长尾行为轨迹，用于模仿学习与持续强化学习，并作为可扩展的数据原语支撑 sim-to-real 策略训练。

中间件与空间基建（Middleware & Spatial Infra）

机器人核心能力——导航、定位、连接性与空间建模——构成了连接物理世界与智能决策的关键桥梁。尽管更广泛的 DePIN 项目（Silencio、WeatherXM、DIMO）开始提及“机器人，但下列项目与具身智能最直接相关。

Auki – Posemesh for Spatial Computing (https://www.auki.com)

Auki 构建了去中心化的 Posemesh 空间计算网络，通过众包传感器与计算节点生成实时 3D 环境地图，为 AR、机器人导航和多设备协作提供共享空间基准。它是连接 虚拟空间与现实场景 的关键基础设施，推动 AR × Robotics 的融合。

仿真与训练系统（Distributed Simulation & Learning）

XmaquinaDAO – Physical AI DAO (https://www.xmaquina.io)

XMAQUINA 是一个去中心化生态系统，为全球用户提供对顶尖人形机器人与具身智能公司的高流动性参与渠道，将原本只属于风险投资机构的机会带上链。其代币 DEUS 既是流动化指数资产，也是治理载体，用于协调国库分配与生态发展。通过 DAO Portal 与 Machine Economy Launchpad，社区能够通过机器资产的代币化与结构化的链上参与，共同持有并支持新兴的 Physical AI 项目。

总结与展望：现实挑战与长期机会

从长期愿景看，机器人 × AI × Web3 的融合旨在构建去中心化机器经济体系（DeRobot Economy），推动具身智能从“单机自动化”迈向“可确权、可结算、可治理”的网络化协作。其核心逻辑是通过“Token → 部署 → 数据 → 价值再分配”形成自循环机制，使机器人、传感器与算力节点实现确权、交易与分润。

然而，从现实阶段来看，该模式仍处早期探索期，距离形成稳定现金流与规模化商业闭环尚远。多数项目停留在叙事层面，实际部署有限。机器人制造与运维属资本密集型产业，单靠代币激励难以支撑基础设施扩张；链上金融设计虽具可组合性，但尚未解决真实资产的风险定价与收益兑现问题。因此，所谓“机器网络自循环”仍偏理想化，其商业模式有待现实验证。

• 模型智能层（Model & Intelligence Layer）是当前最具长期价值的方向。以 OpenMind 为代表的开源机器人操作系统，尝试打破封闭生态、统一多机器人协作与语言到动作接口。其技术愿景清晰、系统完整，但工程量巨大、验证周期长，尚未形成产业级正反馈。

• 机器经济层（Machine Economy Layer） 仍处于前置阶段，现实中机器人数量有限，DID 身份与激励网络尚难形成自洽循环。当前距离“机器劳动力经济”尚远。未来唯有具身智能实现规模化部署后，链上身份、结算与协作网络的经济效应才会真正显现。

• 数据采集层（Data Layer） 数据采集层门槛相对最低，但是目前最接近商业可行的方向。具身智能数据采集对时空连续性与动作语义精度要求极高，决定其质量与复用性。如何在“众包规模”与“数据可靠性”之间平衡，是行业核心挑战。PrismaX 先锁定 B 端需求，再分发任务采集验证一定程度上提供可复制模板，但生态规模与数据交易仍需时间积累。

• 感知与仿真层（Middleware & Simulation Layer） 仍在技术验证期，缺乏统一标准与接口尚未形成互通生态。仿真结果难以标准化迁移至真实环境，Sim2Real 效率受限。

• 资产收益层（RobotFi / RWAiFi）Web3 主要在供应链金融、设备租赁与投资治理等环节发挥辅助作用，提升透明度与结算效率，而非重塑产业逻辑。

当然，我们认为，机器人 × AI × Web3 的交汇点依然代表着下一代智能经济体系的原点。它不仅是技术范式的融合，更是生产关系的重构契机：当机器具备身份、激励与治理机制，人机协作将从局部自动化迈向网络化自治。短期内，这一方向仍以叙事与实验为主，但它所奠定的制度与激励框架，正为未来机器社会的经济秩序铺设基础。从长期视角看，具身智能与 Web3 的结合将重塑价值创造的边界——让智能体成为真正可确权、可协作、可收益的经济主体。

本独立研报由 IOSG Ventures 支持，感谢 Hans (RoboCup Asia-Pacific) , Nichanan Kesonpat (1kx), Robert Koschig (1kx) , Amanda Young (Collab Currency) , Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital) , Jeffrey Hu (Hashkey Capital) 对本文提出的宝贵建议。撰写过程中亦征询了 OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient,Tashi Network 和 CodecFlow 等项目团队的意见反馈。本文力求内容客观准确，部分观点涉及主观判断，难免存在偏差，敬请读者予以理解。

本文在创作过程中借助了 ChatGPT-5 与 Deepseek 的 AI 工具辅助完成，作者已尽力校对并确保信息真实与准确，但仍难免存在疏漏，敬请谅解。需特别提示的是，加密资产市场普遍存在项目基本面与二级市场价格表现背离的情况。本文内容仅用于信息整合与学术/研究交流，不构成任何投资建议，亦不应视为任何代币的买卖推荐。