1.6万美元的人形机器人，具身智能的GPT-2.5时刻来了

这是中国宇树科技（Unitree）G1 的价格。折合人民币约 11.6 万元，比一辆比亚迪秦还便宜。

而大洋彼岸，特斯拉的 Optimus 还在工厂里练习叠衣服，预计售价 2-3 万美元。

一边是硅谷做"高端制造"，另一边是中国打"价格战"。听起来是不是很熟悉？没错，这和十年前智能手机的故事一模一样——苹果定义品类，中国厂商卷价格，最终所有人用上了智能机。

只是这次，"智能机"变成了"智能体"——会走路、会抓东西、会看、会听、会思考的人形机器人。

Bessemer Venture Partners 在 2026 年 5 月给出了一个精准的定位：机器人行业正处于"GPT-2.5 时刻"——能力是真实的，规模化规律开始显现，但离 99.9% 可靠性还有距离。

今天拆开来看，这个"GPT-2.5 时刻"到底是什么意思，技术上走到了哪一步，以及——作为技术人，我们能做什么。

一、"机器人的 GPT-2.5 时刻"：能用，但还不够稳

GPT-2.5 时刻是什么意思？

回忆一下大语言模型的发展路径：

• GPT-2（2019）：能写出看似通顺的段落，但经常胡说八道。有人觉得惊艳，有人觉得是玩具。
• GPT-3（2020）：能力大幅提升，开始有人用它做真实任务，但可靠性不够，出错率高。
• GPT-3.5/ChatGPT（2022）：突破临界点，普通人也觉得"这东西有用了"。
• GPT-4（2023）：可靠性达到商用标准，大规模落地。

人形机器人现在大约处在 GPT-2 和 GPT-3 之间——所以叫"GPT-2.5 时刻"。

具体来说：

• 能力是真实的：能走路、能抓物体、能执行简单任务链
• 规模化规律开始显现：更多数据 + 更大模型 = 更好的表现，这个 scaling law 已经被验证
• 但可靠性不够：成功率可能是 90-95%，而不是商用需要的 99.9%

5% 的失败率，在聊天机器人里是"偶尔说错话"。在人形机器人里，是"偶尔摔倒砸到人"。

这就是为什么大语言模型用了 3 年就从 GPT-2 到 ChatGPT，而人形机器人可能需要 5-8 年才能走完同样的路——物理世界不容许"幻觉"。

二、VLA 模型：机器人的"大脑"

从 LLM 到 VLA

大语言模型的训练范式是：从海量文本中学习语言规律。

机器人基础模型的训练范式是：从海量视频中学习物理世界的规律。

这就是 VLA（Vision-Language-Action）模型——视觉-语言-动作模型。

VLA 是当前具身智能最核心的技术主线。它把三种能力统一在一个模型里：

VLA模型架构

Vision（视觉）：通过摄像头理解周围环境。不只是"看到一个杯子"，而是理解杯子的位置、姿态、材质、是否有水、能不能抓。

Language（语言）：理解自然语言指令。"帮我把桌上的红色杯子拿过来"——需要理解"桌上"、"红色"、"杯子"、"拿过来"的含义，并映射到具体动作。

Action（动作）：生成机器人的关节控制指令。每个关节在每个时间步应该转到什么角度、施加多大力矩——这些底层控制信号由模型直接输出。

VLA 的训练数据从哪来？

这是 VLA 模型面临的最大挑战之一。

大语言模型的训练数据是文本——互联网上有几万亿 Token的文本可以用。

VLA 模型需要的是"带有动作标注的视频数据"——机器人在真实环境中执行任务的录像，并且每一帧都要标注机器人的关节状态和施加的力。

这种数据极度稀缺。

目前获取 VLA 训练数据的三条路：

路径一：遥操作采集。 人类操作员穿上动作捕捉设备，远程控制机器人执行任务。每一次操作都被记录为训练数据。但这很慢——一个操作员一天能采集 几十到几百条轨迹，而 VLA 模型需要几百万到几千万条。

路径二：仿真环境生成。 在 NVIDIA Isaac Sim、MuJoCo 等仿真平台中大规模生成训练数据。优点是速度快、成本低。缺点是 Sim-to-Real Gap——仿真中学到的策略，在真实世界中可能不管用（物理引擎再精确也不是真实物理）。

路径三：从互联网视频中学习。 让模型看 YouTube 上人类做家务、做饭、搬东西的视频，学习物理世界的规律。这是数据量最大的来源，但标注质量最差——视频中没有机器人的关节角度信息，需要模型自己推理。

谁能解决数据问题，谁就能在 VLA 竞赛中胜出。 这和当年大语言模型的竞争逻辑一样——数据规模和质量决定上限。

三、特斯拉 vs 宇树：西方造制造，东方压价格

特斯拉 Optimus：高举高打

特斯拉 Optimus 的策略是典型的马斯克风格——先造最难的，然后往下降维。

Optimus 的技术路线：

• 自研 FSD（Full Self-Driving）芯片做计算平台
• 基于特斯拉自动驾驶积累的视觉能力做环境理解
• 先在特斯拉工厂内部验证（搬运、分拣、质检）
• 目标售价 2-3 万美元，大规模量产后降到 2 万美元以下

优势：特斯拉有全球最大的视觉数据采集网络（几百万辆车上的摄像头），自研芯片能力强，垂直整合度高。

劣势：进度慢。Optimus 目前还在做工厂内部的简单任务，距离"走进千家万户"还有很长的路。

宇树 G1：中国式降维

宇树科技的 G1 走了完全不同的路——先把价格打下来，让更多人用得起。

G1 的核心参数：

• 身高约 1.3 米，体重约 35 公斤
• 售价约 1.6 万美元（约 11.6 万人民币）
• 支持基本的行走、抓取、搬运
• 开放 SDK，支持二次开发

特斯拉 vs 宇树竞争格局

1.6 万美元意味着什么？

• 比特斯拉 Optimus 目标价便宜 40-50%
• 大约等于一台高配 MacBook Pro 的价格
• 进入了中小企业和科研机构的采购预算范围

宇树的逻辑和小米做手机一样：不追求最强性能，追求最优性价比。 先用低价铺量，让更多开发者和企业用上人形机器人，然后通过数据积累和生态建设逐步提升能力。

"苹果-安卓"格局正在形成

特斯拉和宇树的竞争，很像当年的 iPhone vs 安卓：

最终结果大概率也和手机一样：高端市场特斯拉吃肉，中低端市场中国厂商分蛋糕，但全球出货量的大头在中国这边。

四、99.9% 可靠性：最后 5% 是最难的

从 95% 可靠性到 99.9% 可靠性，看起来只差 4.9 个百分点。

但这 4.9% 可能需要和前 95% 一样多的努力——甚至更多。

为什么最后几个百分点这么难？

长尾场景。 机器人在标准环境中表现很好，但真实世界充满了"边缘情况"：地上有根电线、桌角有个不规则形状的物体、光线突然变暗、地面湿滑……这些长尾场景在训练数据中出现频率很低，但在现实中随时可能遇到。

物理约束。 软件出 bug 可以重启。机器人出 bug 可能摔倒、撞人、砸东西。物理世界不能回滚。 这要求机器人不仅要做出正确动作，还要有能力判断"这个动作有多大把握能成功"，在不确定时选择保守策略。

累积误差。 一个 10 步的任务，每步成功率 99%，整体成功率只有 90.4%。如果是 50 步的复杂任务，整体成功率掉到 60.5%。要让复杂任务可靠执行，每一步的成功率必须极高。

三个技术方向

方向一：Sim-to-Real Transfer（仿真迁移）

在仿真环境中训练机器人应对各种极端场景（摔倒恢复、碰撞避让、抓取失败重试），然后迁移到真实环境。NVIDIA 的 Isaac Sim 和 Google 的 Brax 是这个方向的代表。

方向二：世界模型（World Model）

让机器人在大脑中"模拟"物理世界——在执行动作前，先在内部模拟一下结果。如果模拟结果不好，就换个策略。这本质上是给机器人装了一个"物理直觉引擎"。

方向三：人类反馈强化学习（RLHF for Robots）

类似 ChatGPT 用 RLHF 提升对话质量，让人类评价机器人的行为，通过强化学习持续优化。这需要大量的人机交互数据。

五、对技术人的三个判断

第一，VLA 是未来 3-5 年最值得关注的 AI 方向之一。

如果说 LLM 是"数字世界的大脑"，VLA 就是"物理世界的大脑"。VLA 模型的研发需要同时具备计算机视觉、自然语言处理、机器人控制、强化学习的跨领域能力——这种复合型人才极度稀缺。

第二，机器人的"App Store 时刻"可能在 2028-2030 年。

当人形机器人的可靠性突破 99% 并且价格降到 1 万美元以下时，就会出现机器人版的"App Store"——开发者为机器人开发各种"技能包"（做饭、清洁、陪护、仓储分拣）。平台生态的争夺，才是真正的终极战场。

第三，中国在具身智能赛道有结构性优势。

制造业基础（伺服电机、减速器、传感器的产能和成本优势）、工程师红利（机器人工程师数量全球最多）、应用场景丰富（工厂、物流、养老）——这三个因素让中国在机器人量产和落地方面有天然优势。

宇树 G1 的 1.6 万美元定价就是这种优势的体现。特斯拉可以做出更酷的机器人，但中国厂商可以让更多人用上机器人。

写在最后

人形机器人正处于"GPT-2.5 时刻"——能力是真的，趋势是明确的，但还没到大规模普及的临界点。

就像 2020 年的大语言模型：懂行的人已经看到了未来，但大部分人还在问"这东西有什么用"。

两年后 ChatGPT 出现，所有人都不问了。

人形机器人的"ChatGPT 时刻"也会来。可能是 2028 年，可能是 2030 年。当一台机器人能像人类一样稳定地完成日常家务，并且价格不超过一辆电动车——那一天，就是分水岭。

到那时，"你家有机器人吗"这个问题，就会像今天的"你用 AI 吗"一样普通。

我们正站在这个变革的起点上。

— 完 —