具身智能 IPO 冷思考：420 亿估值的宇树科技们，值这个价吗？

2026 年 5 月，宇树科技（Unitree Robotics）以 73 天闪电过会的速度刷新了科创板机器人板块的最快纪录。估值 420 亿人民币——一个让传统机器人行业瞠目结舌的数字。

先看事实：宇树科技 2025 年营收约 12 亿元，按 420 亿估值计算，PS（市销率）高达 35 倍。作为对比，A 股机器人龙头埃斯顿的 PS 约 8 倍，全球工业机器人巨头 FANUC 的 PS 约 4 倍。

这个估值隐含了一个关键假设：宇树科技不是一家「机器人硬件公司」，而是一家「具身智能平台公司」。如果它只是卖四足机器人和人形机器人硬件，35 倍 PS 显然过高。但如果它的 VLA 模型（Vision-Language-Action）能成为具身智能的「操作系统」，那 35 倍 PS 甚至可能偏低。

我的判断：市场正在给具身智能公司定价的不是「今天的业绩」，而是「明天的生态位」。这种定价逻辑在 2020 年的电动车行业也出现过——特斯拉在亏损时市值超过丰田，因为市场定价的是软件和服务的长期价值。

但这里有一个关键区别：电动车的软件变现路径已经验证（FSD 订阅、超充网络），而具身智能的软件变现路径仍然是假设。目前没有任何一家具身智能公司通过软件授权或平台服务获得过规模化收入。

冷思考：420 亿估值中，至少有 300 亿是「预期溢价」——市场在为尚未验证的商业模式提前买单。如果宇树科技在上市后 2-3 年内无法证明其 VLA 模型的平台价值，估值回调将不可避免。

传统机器人公司的估值方法不适用于具身智能公司。

传统机器人公司（如埃斯顿、汇川技术）的估值通常用 PE（市盈率）或 PS（市销率）——因为这些公司的商业模式清晰：卖硬件，赚差价。但具身智能公司的商业模式是「硬件+软件+平台」的混合体，不同部分应该用不同的估值方法。

分部估值法（Sum-of-the-Parts）是最合理的框架：

硬件业务：用 PS 估值。宇树科技的四足机器人和人形机器人硬件业务，2025 年营收约 12 亿元。给予 8-10 倍 PS（参考埃斯顿），硬件业务估值约 96-120 亿元。

VLA 模型/IP 授权：用 DCF（现金流折现）估值。假设宇树的 VLA 模型在 2028 年开始规模化授权，年收入达到 5 亿元，给予 30% 的利润率，按 15% 的折现率计算，现值约 50-80 亿元。

平台生态价值：用实物期权法（Real Options）估值。如果宇树的开发者平台在 3 年内形成生态（类似苹果的 App Store），平台价值可能达到 100-200 亿元。但这是一个高度不确定的赌注——成功概率可能只有 30%。

三部分加总：96 + 50 + 30（期望值）= 176 亿元。这比 420 亿的市场估值低了约 58%。

市场多出的 244 亿是什么？ 是「稀缺性溢价」和「动量溢价」。宇树科技是 A 股第一家纯正的具身智能上市公司——在「打新」和「稀缺性」的驱动下，短期估值往往远超内在价值。

2026 年 Q1，中国具身智能行业融资总额达到 373 亿元——这个数字超过了 2024 年全年的 2 倍。融资事件 87 起，其中超过 10 亿元的「巨无霸」融资有 8 起。

但融资分布极度不均匀。前 5 家公司（宇树科技、银河通用、智元机器人、云深处、乐聚智能）拿走了 78% 的资金。剩下的 80+ 家公司分剩余的 22%。

这种「赢者通吃」的融资格局反映了一个残酷的现实：具身智能的赛道门槛正在急剧升高。2024 年，一个 10 人团队用开源 VLA 模型 + 现成硬件还能做出有竞争力的产品。2026 年，你需要自研 VLA 模型（训练成本 1-3 亿元）、自建仿真平台、自研关键零部件——没有 5 亿元以上的启动资金，连入场券都拿不到。

谁在裸泳？ 我关注到三类高风险公司：

第一类：纯集成商。没有自研核心技术，只是把开源 VLA 模型装到买来的硬件上。这类公司在 2024 年还能靠「信息差」赚钱，但到 2026 年，随着技术标准化，它们的护城河已经消失。

第二类：PPT 人形机器人。声称在做人形机器人，但实际产品还停留在演示视频阶段，没有量产能力。这类公司的融资主要靠「人形机器人概念」的热度，一旦市场降温，将最先受到冲击。

第三类：过度扩张者。同时进入多个应用场景（工业、服务、教育、家庭），每个场景都浅尝辄止。具身智能的落地需要深度定制——一个场景都没做透就扩张到多个场景，是资源浪费的典型模式。

# 具身智能行业投资分析框架
# 用于评估具身智能公司的投资价值

class EmbodiedAICompanyEvaluator:
    """具身智能公司投资评估框架"""
    
    def __init__(self, company_name: str):
        self.company = company_name
        self.scores = {}
    
    def evaluate_tech_moat(self, 
        has_self_developed_vla: bool,
        vla_model_scale: int,         # 参数量（亿）
        sim_to_real_success_rate: float,  # Sim-to-Real 成功率
        patent_count: int,
        key_talent_count: int,        # 核心技术人才数
    ) -> float:
        """评估技术护城河（0-100 分）"""
        score = 0
        
        # VLA 模型自研（最重要）
        if has_self_developed_vla:
            score += 30
            if vla_model_scale >= 10:
                score += 10  # 10B+ 参数
        else:
            score += 5  # 仅使用开源模型
        
        # Sim-to-Real 能力
        score += min(25, sim_to_real_success_rate * 30)
        
        # 专利
        score += min(15, patent_count * 0.5)
        
        # 人才
        score += min(20, key_talent_count * 2)
        
        self.scores['tech_moat'] = score
        return score
    
    def evaluate_commercialization(self,
        annual_revenue: float,        # 年营收（亿元）
        revenue_growth_yoy: float,    # 同比增长率
        customer_count: int,          # 付费客户数
        repeat_purchase_rate: float,  # 复购率
        gross_margin: float,          # 毛利率
    ) -> float:
        """评估商业化能力（0-100 分）"""
        score = 0
        
        # 营收规模
        if annual_revenue >= 10:
            score += 30
        elif annual_revenue >= 1:
            score += 15
        elif annual_revenue >= 0.1:
            score += 5
        
        # 增长率
        score += min(25, revenue_growth_yoy * 25)
        
        # 客户数
        score += min(15, customer_count * 0.3)
        
        # 复购率（最重要的商业化指标）
        score += min(20, repeat_purchase_rate * 25)
        
        # 毛利率
        if gross_margin > 0.5:
            score += 10
        elif gross_margin > 0.3:
            score += 5
        
        self.scores['commercialization'] = score
        return score
    
    def evaluate_valuation(self,
        valuation: float,             # 估值（亿元）
        annual_revenue: float,        # 年营收（亿元）
        ps_ratio_industry_avg: float = 8.0,
    ) -> dict:
        """评估估值合理性"""
        ps_ratio = valuation / max(annual_revenue, 0.01)
        
        valuation_score = 100
        if ps_ratio > ps_ratio_industry_avg * 3:
            valuation_score = 20  # 严重高估
        elif ps_ratio > ps_ratio_industry_avg * 2:
            valuation_score = 40  # 偏高
        elif ps_ratio > ps_ratio_industry_avg:
            valuation_score = 60  # 合理偏高
        else:
            valuation_score = 80  # 合理
        
        self.scores['valuation'] = valuation_score
        
        return {
            "ps_ratio": ps_ratio,
            "industry_avg_ps": ps_ratio_industry_avg,
            "premium": ps_ratio / ps_ratio_industry_avg,
            "score": valuation_score,
            "verdict": self._valuation_verdict(valuation_score),
        }
    
    def _valuation_verdict(self, score: int) -> str:
        if score >= 80:
            return "✅ 估值合理，值得关注"
        elif score >= 60:
            return "⚠️ 估值偏高，需要强增长支撑"
        elif score >= 40:
            return "🟡 估值偏高，风险收益比不佳"
        else:
            return "❌ 严重高估，建议回避"
    
    def generate_report(self) -> str:
        """生成投资评估报告"""
        total = sum(self.scores.values())
        n = len(self.scores)
        avg = total / n if n > 0 else 0
        
        report = f"═══ {self.company} 投资评估报告 ═══\n"
        for category, score in self.scores.items():
            emoji = "✅" if score >= 70 else "⚠️" if score >= 50 else "❌"
            report += f"{emoji} {category}: {score:.0f}/100\n"
        report += f"\n综合评分: {avg:.0f}/100\n"
        
        if avg >= 70:
            report += "建议: 积极关注"
        elif avg >= 50:
            report += "建议: 观望等待更好入场时机"
        else:
            report += "建议: 回避"
        
        return report

# 使用示例
# evaluator = EmbodiedAICompanyEvaluator("宇树科技")
# evaluator.evaluate_tech_moat(
#     has_self_developed_vla=True,
#     vla_model_scale=12,
#     sim_to_real_success_rate=0.85,
#     patent_count=120,
#     key_talent_count=80,
# )
# evaluator.evaluate_commercialization(
#     annual_revenue=12,
#     revenue_growth_yoy=1.5,
#     customer_count=200,
#     repeat_purchase_rate=0.4,
#     gross_margin=0.35,
# )
# valuation = evaluator.evaluate_valuation(
#     valuation=420,
#     annual_revenue=12,
# )
# print(evaluator.generate_report())

具身智能行业的投资需要「三级过滤」：

第一级：技术真实性过滤。区分「真正在做具身智能」和「蹭概念」。核心判断标准：

• 是否有自研的 VLA 模型或核心算法？
• 是否有 Sim-to-Real 的成功案例（不是 demo 视频，而是可复现的结果）？
• 核心技术团队是否有机器人 + AI 的复合背景？

第二级：商业化可行性过滤。区分「技术好」和「能赚钱」。核心判断标准：

• 是否有至少一个场景实现了规模化落地（年营收 > 1 亿元）？
• 客户复购率是否超过 30%？（具身智能产品如果好用，客户一定会复购）
• 毛利率是否超过 30%？（低于 30% 说明产品没有足够的差异化溢价）

第三级：估值合理性过滤。区分「好公司」和「好投资」。核心判断标准：

• PS 是否低于行业平均的 2 倍？
• 如果按分部估值法，当前估值是否低于 SOTP 的 1.5 倍？
• 是否有明确的催化剂（如大客户签约、新产品发布）能在 6 个月内推动估值回归？

通过三级过滤的公司可能不到行业总数的 10%——但这 10% 才是真正值得投资的标的。

我的具体建议：

1. 短期（6 个月内）：警惕 IPO 后的「解禁期抛压」。宇树科技等公司的早期投资者在锁定期结束后大概率会减持。
2. 中期（1-2 年）：关注「商业化验证节点」——第一个大客户复购、第一次软件授权收入、第一次海外规模化出货。
3. 长期（3-5 年）：具身智能的真正价值在于「通用物理任务能力」——谁能做出可以完成 100+ 种不同任务的通用机器人平台，谁就值千亿以上。

具身智能是真实的科技革命，但当前的估值包含了过多的乐观预期。

2026 年的具身智能行业让我想起 2015 年的中国电动车行业——技术方向确定、政策大力支持、资本疯狂涌入、估值高得离谱。但 2015 年入场的投资者中，有 60% 最终亏损——即使电动车行业最终成功了。

成功的关键不是「选对赛道」，而是「选对价格」。即使是最好的公司，在过高的估值买入也可能亏钱。

我的核心建议：

1. 不要被「73 天过会」「420 亿估值」这些数字吓到或吸引——它们只是市场情绪的温度计
2. 用分部估值法拆解每家公司的真实价值
3. 等待合理的入场时机——IPO 后的解禁期、行业周期性低谷、宏观市场调整
4. 长期持有真正通过三级过滤的公司——具身智能的赢家最终会证明自己的价值

这个行业会在 2030 年达到万亿规模。但通往万亿的路上，布满了估值过高而倒下的公司。

距离本文初稿发布仅数周，具身智能赛道又发生了数件大事。本节作为 2026 年 6 月的增补更新，覆盖最新的融资动态、技术突破与行业格局变化。

融资动态：Q2 开局即爆发

2026 年 6 月第一周，具身智能领域连续发生 3 起超 10 亿元融资。

银河通用机器人完成 25 亿元 C 轮融资，由红杉中国领投，老股东高瓴创投、IDG 资本跟投。银河通用此前估值约 180 亿元，本轮投后估值跃升至 260 亿元，正式成为宇树科技之外估值最高的未上市具身智能公司。值得注意的是，银河通用的融资节奏极快——从 B 轮到 C 轮仅间隔 5 个月，反映出资本对该赛道的抢筹心态。

智元机器人（Agibot）获得 15 亿元战略投资，投资方包括比亚迪、上汽集团等产业资本。与纯财务投资不同，产业资本的进入意味着智元的技术路线已获得下游客户的认可。据悉，智元已与比亚迪签署工厂场景落地协议，将在 2026 年 Q4 向比亚迪工厂交付首批 200 台人形机器人用于装配线作业。

星动纪元完成 8 亿元 A+ 轮融资。星动纪元是清华大学机器人实验室孵化的公司，主攻双足行走技术，其核心产品「星动 X1」在 2026 年 5 月实现了连续行走 100 公里不摔倒的纪录，是国内首个达到这一里程碑的双足人形机器人。

2026 年上半年具身智能行业融资总额已突破 520 亿元，超过 2025 年全年的 1.8 倍。按此节奏，2026 年全年融资规模有望突破 1000 亿元——这将使具身智能超越大模型，成为中国 AI 领域最大的融资赛道。

技术突破：从实验室到工厂车间

Figure 02 的工厂实测数据令人印象深刻。Figure 于 2026 年 5 月公布了 Figure 02 在宝马工厂的第三阶段实测结果：连续运行超过 1000 小时，执行 17 种工业装配任务，任务成功率从第一阶段的 87% 提升至 96.3%。更关键的是，Figure 02 展现了「零样本迁移」能力——在未经专门训练的新任务上，首次尝试成功率达到 72%。这意味着基于大规模仿真训练 + VLA 模型的泛化能力正在接近工业级可用标准。

1X Technologies 的 NEO 机器人进入商业交付阶段。1X 于 2026 年 6 月宣布开始向欧洲和北美的企业客户交付 NEO Beta 版本，首批 500 台主要面向仓储物流和安防巡逻场景。NEO 采用了独特的轮式+双足混合运动方案，室内移动速度可达 3.5 m/s，是目前移动速度最快的商用人形机器人。1X 的定价策略也颇具攻击性——月租模式低至 2,500 美元/台，已接近一名东南亚工厂工人月成本的 3-5 倍。

宇树科技 H1 人形机器人开始规模化交付。宇树科技 2026 年 Q1 人形机器人出货量达到 800 台，其中 60% 交付给了工业客户。H1 的售价被压至 15 万元人民币以下，首次将全尺寸人形机器人的价格打到了「一辆经济型轿车」的水平。宇树的核心优势在于自研关节模组的成本仅为进口产品的 1/3，这使其在价格战中拥有极大的缓冲空间。

端到端 VLA 模型的训练效率取得突破。Google DeepMind 在 2026 年 6 月初发布的 RT-X 2.0 模型，将机器人操控任务的训练数据需求降低了 10 倍——仅需 50 小时的遥操作数据即可达到此前 500 小时数据的性能水平。这一突破大幅降低了 VLA 模型的训练门槛，使得中小型机器人公司也能训练出可用的基础模型，行业竞争格局可能因此发生变化。

行业格局变化：从「百花齐放」到「寡头雏形」

2026 年上半年的行业格局出现了三个根本性变化：

第一，头部集中度进一步加剧。宇树科技、银河通用、智元机器人三家形成了「第一梯队」，合计占据具身智能赛道 85% 的融资额和 70% 的已签约商业订单。第二梯队的云深处、乐聚智能、傅利叶等仍在努力证明差异化价值，但融资窗口正在收窄——如果 12-18 个月内无法实现规模化出货，可能面临资金链断裂风险。

第二，出海成为新增长极。2026 年 Q1，中国具身智能公司海外订单总额突破 50 亿元，同比增长超过 300%。宇树科技的四足机器人在北美安防市场占有率已达 25%，人形机器人 H1 获得了中东主权基金 5,000 台的采购意向。东南亚市场则成为新的争夺焦点——越南、泰国的制造业企业开始批量采购人形机器人用于电子装配和物流分拣。

第三，技术路线趋于收敛。2024 年行业还存在液压驱动、电机驱动、混合驱动等多种技术路线之争，但到 2026 年 6 月，高扭矩密度电机 + 谐波减速器 + 力矩传感器的方案已成为绝对主流。Figure、宇树、银河通用、智元四家的硬件架构相似度超过 70%——竞争焦点正在从「硬件怎么做」转向「软件怎么强」。VLA 模型的泛化能力、Sim-to-Real 的迁移效率、以及基于真实数据的持续迭代能力，正在成为决定胜负的核心变量。

总结：2026 年 6 月的具身智能赛道，融资热度不减、技术突破加速、行业格局初定。对于投资者而言，「选公司」比「选赛道」重要得多——赛道已经确定性强，但谁能跑出来，差异正在拉大。