企业官网建设流程全解析

长跑具身智能这条赛道的人，应该都记得2025年底那则消息：宇树科技的科创板招股书正式获受理。我第一时间把招股书翻了一遍，最触动我的反而不是营收和利润数字，而是藏在发展脉络里的十二个字——先本体、再模型；先运动、再干活。这十二个字，几乎可以当成过去几年具身智能赛道最实用的工程哲学来读。

我为什么觉得它值钱？因为过去两年，行业内到处都在喊“大模型+机器人”，仿佛模型足够强，机器人什么都能干。但真下场做过产品的人都知道，模型只是其中一环，硬件本体、运动控制、数据采集、供应链成本，每一环都有可能让项目直接翻车。宇树的招股书等于把答案写在脸上：先把能跑能跳的本体做扎实，再把AI模型叠加上去；先让机器人学会稳定运动，再谈干活。这篇文章适合机器人创业者、四足和人形机器人开发者、投资人，以及所有想理解具身智能落地顺序的人。与其跟风喊口号，不如把这个路线拆开揉碎，看清每一环背后的逻辑。

1. 招股书里那条最值钱的产品路线：先本体再模型

1.1 从四足到人形：招股书里能读出的产品节奏

翻完招股书，一个很清晰的产品漏斗就出来了。宇树的产品谱系从四足机器人铺开，消费级Go2负责跑量和教育市场，工业级B2负责巡检、物流、应急等更重的场景；人形机器人这边则是G1、H1、H2依次迭代。招股书显示，公司营收已经做到2025年上半年4.3亿元，同比增速超过230%，四足机器人仍然是收入主力，人形机器人则处在快速放量的早期阶段。

这个结构说明什么？说明宇树不是靠PPT讲故事，而是先靠四足本体建立现金流。四足机器人的技术成熟度和成本控制都更容易实现，在巡检、科普教育、消防救援、赛事表演这些场景里能直接卖出去并产生利润。人形机器人则被放在“下一代平台”的位置上：它需要更多自由度、更复杂的力控、更成熟的AI模型，所以放到后面打。

这种先易后难、先本体后模型的产品节奏，恰好把“公司养产品”和“产品养公司”这两件事拧在了一起。很多创业团队一上来就想做通用人形加全链路大模型，最终被成本拖死；宇树的打法是先用四足把工程和供应链能力熬出来，再往人形走。

1.2 “先本体再模型”到底是句什么话

字面上看，“本体”指的是机器人的物理硬件平台：关节电机、减速器、传感器、计算单元、电池，以及把它们组装成能跑能跳系统的工程能力。“模型”指的是AI模型，包括运动控制模型、感知模型，以及这两年大家常提的视觉-语言-动作模型（VLA）。

为什么说“先本体”？因为对于具身智能，模型不是一个可以悬空的软件模块。它的训练需要海量真实交互数据，这些数据必须由本体产生。一台连站都站不稳的机器人，哪怕接上最强的模型，采回来的数据也是噪声大、可复用性低；反过来，一个运动足够稳定、出货量足够大的本体，天然就是一台数据采集机器人。

很多人把这句路线图理解成“宇树不重视模型”，这是误读。准确的说法是：模型不是不做，而是不能抢跑。本体的稳定性和出货量，决定了模型能拿到什么质量的数据、能在什么物理约束下生效。厨房里要先有锅碗和食材，菜谱才有意义。硬件都没跑量，模型训练就成了无源之水。

2. 为什么必须先把本体做出来：硬件先行的三个硬道理

2.1 数据是模型的食物，本体是数据的入口

做具身智能的模型，最稀缺的不是算力，而是真实世界的数据。就拿“抓取水杯”这个动作来说，模型需要看到杯子在不同光照、不同材质、不同位置下的图像，还需要真机的关节角度、力矩反馈、末端位姿轨迹。这些多模态数据，只能靠真实本体在真实环境里一遍遍跑出来。

仿真是可以生成数据的捷径，但仿真和真机之间存在一道著名的鸿沟，行业里叫sim-to-real gap。域随机化、系统辨识、数字孪生，所有手段都只能缩小鸿沟，不能消灭它。招股书里那一长列硬件布局——关节模组、传感器、整机装配——都是在为数据采集和模型落地铺路。没有硬件的模型，就像没有食材的厨师；没有模型的本体，就像没菜谱的厨房。宇树的路径是先把厨房建好，再请厨师回来。

在这个逻辑下，“先本体”不是不重视AI，而是用硬件优势去喂养AI。四足机器人的价格一旦降到万元级，高校买得起搞科研，创业公司买得起做二次开发，电网、消防这些行业客户才敢批量采购。本体的规模越大，单台边际成本越低，数据采集量越大，模型训练素材越丰富。这个正循环的开端，必须落在本体上。

2.2 供应链和成本，决定你能做多快

机器人行业有个残酷的常识：BOM成本直接决定产品能不能铺开。一台四足机器人的关节电机、减速器、编码器、电池占了成本大头，如果全部外购，成本很难压下来，出货量就成了空中楼阁。宇树的“先本体”不只是技术路线，更是商业路线。

从招股书和一些公开信息里能看出，核心关节模组自主设计和制造，供应链高度内化。这在工程上意味着更快的迭代节奏：今天发现电机发热异常，明天就能改版；用户反馈某个关节噪声大，两周内就能出新一代固件。这种能力在纯软件公司里难以想象，但在硬件公司里就是生死线。我自己的经验是：外购关节方案一旦出问题，排期和沟通成本会让你一个季度都动弹不得。

当四足机器人的价格被打到万元级，整条产业链的生态就活了。这里想强调一个容易被忽略的观点：硬件便宜了，开发者才敢拿它做破坏性实验。很多高校实验室的机器狗，都是每天在楼梯、碎石、泥地这种恶劣环境里跑坏的，但正是这种磨损，才换来了真实环境中的长尾数据。这部分价值，是几万块钱的仿真软件给不了的。

2.3 运动控制的工程验证，也只能在真机上练

很多外行人以为“运动控制”是想算法的事，写个强化学习网络就能让机器人学会走路。真金白银踩过坑的人会告诉你：最耗时间的从来不是训练出策略，而是让策略在真机上稳定复现、持续不坏。

我带巡检项目时遇到过特别典型的例子。仿真里步态跑得再漂亮，一放到真机上，地面摩擦系数、电池电压波动、关节发热带来的阻尼变化，每一个因素都会让策略退化。宇树从早年的A1到Go2再到B2，流传出来的测试视频里有大量的碎石路、湿滑路面、斜坡测试，甚至被人踢一脚仍能站稳的场景。这类鲁棒性不是靠模型加持出来的，是靠本体硬件和运动控制一遍遍打磨出来的。

所以“先本体”的另一层含义是：先用本体把运动鲁棒性、接触感知、结构强度这些底层问题解决掉，之后叠加模型时，才不会被基础问题反复打断。我见过太多团队，算法投入巨大，最后卡在电机抖动和机身发热上，得不偿失。

3. “先运动再干活”如何落地：从Go2到H2的能力栈

3.1 运动能力是干活的入场券

“运动”和“干活”的分界，是整句话里最值得琢磨的部分。运动对应的是locomotion，让机器人平稳行走、跑跳、上下楼、爬坡；干活对应的是manipulation和任务执行，比如开门、搬箱子、插拔充电枪、操作阀门。

为什么运动要排在干活前面？因为所有上层智能都依赖一个稳定的视点和稳定的力反馈。设想一艘颠簸的船上，让你端着相机去对焦远处的目标，手抖眼花，根本不可能完成。机器人也一样：四足或双足的身体姿态不稳定，相机画面一直在晃，场景理解、目标检测、末端定位的误差就会全部放大；机械臂在末端执行任务时，力反馈也会被自身晃动污染。

我习惯用一个生活化类比：先在平地上把走路练稳，才谈得上一手端着咖啡一手开门。运动能力越强，“端着咖啡的手”就越有余量。这也是为什么宇树把大量资源投入到跑跳、后空翻这类看似炫技的动作上——表面上是秀肌肉，实际上是在积累动态扰动下的平衡控制能力，这正是后续干活任务必备的底层素质。

3.2 运动控制落地时绕不开的技术点

这一节给想动手的同行一些参考。运动控制自上而下大概分四层：状态估计、步态规划、腿足控制、运动规划与避障。

状态估计靠的是IMU、关节编码器、压力传感器等融合。这里有个经常被忽略的工程细节：IMU数据直接使用噪声很大，通常会用滑动窗口滤波模型先做平滑处理，再用互补滤波或扩展卡尔曼滤波融合姿态。滑动窗口滤波计算量小、延迟低，非常适合实时嵌入式环境。看起来是老技术，但像Go2、B2这种出货量大的本体，底层跑的就是这种扎实的工程细节。

步态规划负责生成支撑相和摆动相。传统方法用足端轨迹曲线加重心轨迹规划，这几年强化学习成了主流：在Isaac Gym这类仿真环境里训练策略，再用域随机化迁到真机。这里要特别提醒一点，奖励函数设计非常容易翻车。只奖励前进速度，机器人会走出各种魔性步态；必须叠加身体平稳、关节平滑、能效约束等正则项，才能得到可用的步态。

二次开发接口是开发者最该关注的部分。很多团队冲着宇树go2二次开发接口来的，这套SDK和CAN接口确实做得很开放：你可以在上位机上拿到机器人的实时状态数据，比如机身姿态、关节角度、电流反馈，也可以下发目标速度和姿态指令。这意味着你可以绕开原厂App，接入自己的感知和规划算法。我见过不少创业团队，就是在这类开放本体的基础上做导航和巡检应用，省去了重新造底盘的时间。

3.3 从会运动会干活，中间隔了怎样的金字塔

我把从运动到干活的过程拆成四层金字塔：稳定运动、感知定位、灵巧操作、任务规划。

稳定运动这层，四足机器人已经比较成熟，这也是宇树先把四足立起来的原因。感知定位这层，靠的是深度相机、激光雷达和SLAM算法，难度不大但工程量大。灵巧操作是真正的分水岭，它需要力控关节、灵巧手、高刷新率视觉伺服，还要解决接触过程里的动态力变化。任务规划这层，目前最缺的不是模型，而是长程任务的数据——让机器人连续完成“走过去、拿起杯子、递给对面的人、再回来”，既需要运动稳定，又需要操作泛化。

人形机器人H2之所以被寄予厚望，是因为它的形态更适合人类环境里的干活任务：有双臂可以协作、有更高自由度覆盖更多姿态、灵巧手可以做精细操作。但有一点必须清醒：人形机器人的每一步都比四足更难，自由度多了，控制复杂度和成本都会指数级上涨。所以“先运动再干活”在人形上同样适用，只是这条台阶更长。

4. 模型在宇树路线里的真实位置：不是不做，而是分步做

4.1 具身智能需要的是分层模型，不是一个“大”模型

提到“模型”，很多人会想到ChatGPT那样的大语言模型。但具身智能的模型是一个分层结构，从下往上大致是：运动控制模型、感知模型、任务与多模态模型。

底层运动控制模型，负责把“往前走”“保持平衡”这些指令变成关节扭矩。常见实现是强化学习策略网络，输入IMU和关节状态，输出关节力矩指令，推理延迟要求极高，通常跑在实时嵌入式端。中层感知模型负责环境理解，比如障碍物分割、可通行区域识别，用的是语义分割和深度估计网络，跟NLP里那些长文本模型完全是两个路子。高层模型才是大语言模型、视觉语言模型和VLA，负责理解指令、拆解任务、生成动作序列。

三个层次研发节奏完全不同。运动控制需要真机调参，感知需要数据标注，任务层需要高质量操作数据。宇树把“模型”放在本体的后面，恰恰是在为三个层次分别蓄力：硬件平台成熟了，运动控制可以持续优化；出货量上去了，感知和任务层的真机数据才能攒起来。很多人觉得宇树“慢”，其实它是在用本体出货的方式，悄悄把这三层模型的口粮都备齐了。

4.2 模型训练的数据闭环：仿真优先还是真机优先

我的经验是，运动控制可以仿真优先，操作任务必须真机优先。仿真的优势是成本低、批量大，适合探索步态、测试突发扰动；劣势是物理近似误差始终存在。所以主流做法是仿真训练加域随机化，再拿到真机上微调，形成“仿真爬坡、真机验证”的闭环。

操作任务则是另一回事。抓取、插接、装配这类动作接触动力学极其复杂，仿真很难模拟出真实的摩擦力和柔顺性。行业通用做法是遥操作采集，一个人用VR手柄或主臂操作本体，让机器人记录轨迹、力矩和图像，再拿这些数据训练模仿学习或扩散策略。宇树大规模出货的本体，在这种采集链条里就是最基础的工具：本体越多，能采集的数据越多样，长尾场景覆盖越广。

招股书里没有直接写这句结论，但隐含的商业逻辑很清楚：继续卖本体，就是在为下一代具身模型铺数据入口。这也是为什么我判断宇树后续大概率会加深在“数据服务”或“模型训练平台”上的布局。

4.3 从模型的角度，宇树的护城河到底是什么

这两年出现了一批“只有模型、没有本体”的具身智能公司。它们做得不错，但也普遍面临一个困境：训练数据要通过合作方采购或租赁真机来获取，数据来源受制于人；仿真比例一旦过高，模型在物理世界的泛化就会打折扣。

宇树的护城河，不是某个参数数量吓人的大模型，而是“自研本体+大规模出货+数据自主采集”的组合。招股书里研发人员占比接近六成，说明软硬一体化是真实投入。这条路一旦跑顺，后续在模型层无论是自研还是生态合作，都握有非常主动的牌。

更进一步说，具身智能赛道最终拼的是“物理经验”的积累：什么样的电机组合适合什么样的动作，什么样的传感器配置能支撑什么样的算法，这些经验必须靠真实的硬件迭代来沉淀。这比单纯刷模型分数要慢，但更难被复制。

5. 对从业者的实战启发：如何抄这份作业

5.1 选场景：先找一个能产生现金流的运动场景

我觉得最值得抄的作业，是先找一个“运动能力本身就能卖钱”的场景，而不是一上来就做通用智能。巡检是典型的例子：机器狗能爬楼梯、能走碎石路、能应对雨雪天气，本身就比轮式机器人有优势，客户愿意为这个能力付钱。教育科研、赛事表演、演示接待也是类似，核心卖点是运动能力和可编程性，而不是复杂的AI。

“先运动再干活”放到创业语境里就是：愿景可以远，但第一代产品要做近。第一代产品先做到稳定运动加一个明确的刚需，比如电力巡检、消防侦察、物流末端配送，通过实际交付来建立工程能力，再逐步叠加AI功能。这个顺序反过来，大概率就是烧钱烧到团队散伙。

5.2 团队和研发节奏：硬件、控制、算法三波人

带团队时我的建议是分三波配置。第一波主攻机械结构、嵌入式系统、运动控制，目标是让本体稳定出货。第二波主攻感知、SLAM、路径规划，让机器人在真实环境里自主移动。第三波才是模型团队，做操作学习、任务规划、多模态指令理解。

团队比例上，硬控和系统至少要占一半。过去一年见过太多项目，算法工程师比硬件工程师多十倍，结果连稳定的测试平台都没有，策略在真机上跑几次就失败。研发节奏上，先把运动控制做成“稳定可复现”的工程，再谈操作泛化和智能规划。这里的“稳定可复现”指的是：同一套代码部署到三台机器狗上，跑出来的行为和性能基本一致，这是很多团队在硬件一致性上栽跟头的点。

5.3 避坑清单：我踩过的和看别人踩过的

第一个坑是模型抢跑。项目连站都站不稳，就急着训练抓取模型，结果是采集数据全部作废，算法团队每天都在给硬件擦屁股。第二个坑是自研一切。不是所有组件都值得自己做，尤其是标准传感器、通信模块这些成熟器件，能买就买，把精力集中在关节模组和控制算法上。第三个坑是忽视量产一致性。实验室样机跑得再好，批量装配时螺丝力矩不同、电机参数离散，性能就飘了。

招股书里最容易被忽略的信息，其实是供应链备货和售后服务体系。量产机器人的基本盘不是发布会的demo，而是备件库存、故障返修、现场调试这些脏活累活。宇树的四足能跑量，说明它这套基础设施已经跑通了。想抄作业的团队，第一步不是招算法大牛，而是先把交付和售后的链条想清楚。

6. 常见问题与排查技巧实录

6.1 开发与落地中的常见问题速查

我在各类机器人项目里整理过一份通用问题表，这里挑几条和“本体+运动控制+模型”相关的典型情况，供有需要的同行直接对照检查。

这些问题的排查逻辑其实是相通的：先确认本体是否稳定，再排查模型和数据。顺序对了，很多看起来诡异的Bug都能快速定位。反过来说，如果每次调试都从模型参数开始找原因，最后多半会绕回硬件本身。

6.2 围绕招股书的几个特别观察

最后说几个我作为从业者特别关注的细节。第一，宇树对四足机器人的定位非常务实，它把四足当作已经商业化的主力产品线，而不是通往人形的过渡品。这意味着四足还有相当长的生命周期，行业里做四足应用和二次开发的公司，不是站错了赛道，而是站在了当下现金流最稳的位置。

第二，人形机器人虽然话题度高，但在商业数据上仍然处在放量初期。这说明“先运动”阶段的本体积累，其实是在为“干活”阶段的模型和数据做储备。现在急着证明人形能干活的公司，很容易被量产和成本拖垮；反过来，能像宇树一样用四足养人形，才是更稳的打法。

第三，开源本体平台和二次开发文档看起来远不如大模型发布会热闹，但长期看，它们决定了整个生态里有多少开发者愿意围绕这个本体写代码。我接触过的不少高校团队和创业公司，最初都是被开放接口吸引进来的，最后这些开发者又成了本体的最佳推销员。这个飞轮，比发布会上的参数更值钱。

我自己做项目时有一条不成文的判断标准：看一个机器人公司的价值，先看它能稳定出货多少台本体，再看它在模型和数据上的布局。这个习惯，就是从宇树那句“先本体再模型、先运动再干活”里学到的。路线听起来简单，但真按照这个顺序执行，能省下大量团队试错成本。如果你正在做自己的机器人项目，不妨先停下来问一句：我的本体，稳了吗？这句话，值得贴在团队的白板上。