银河通用机器人（Galbot / Galaxy General Robotics）

2023年6月成立，3年内融资33.5亿元破中国具身智能融资纪录。斯坦福博士+ABB工业经验，用轮式双臂机器人+多模态大模型卡位工业赛道最后一公里。2026年春晚亮相，100+零售门店24小时自动化运营，距商业化最近的具身智能公司。

一句话定位

学术顶配（斯坦福+北大）+工业经验（ABB）+多模态AI驱动的轮式双臂人形机器人，用”现在能干活”替代”未来可能行”，卡位工业应用最快变现的具身智能赛道。

基本面表

字段	内容	补充说明
核心产品	Galbot G1（轮式双臂人形机器人）	G1 Premium（2025年8月升级，集成NVIDIA Jetson Thor）
形态特征	轮式底盘 + 双臂可折叠躯体	身高173cm，体重85kg，臂展190cm，可折叠躯体增加应用灵活性
产品发布	2024年6月	2026年2月春晚正式亮相，全球瞩目
融资总额	33.5亿元（RMB）	2023.6种子轮 → 2024.6天使轮7亿 → 2024.11战略轮5亿 → 2025.6-7融资1.5亿+ → 2026.3国家大基金25亿
融资机构	国家大基金、CATL、中石化、中信、中行、上汽恒旭、Bosch(博世)、红杉、蓝驰、IDG、经纬	全球顶级产业资本+国家队支持
公司估值	200亿元RMB / 30亿美元	2026年3月最新估值，已成为独角兽
市场地位	中国具身智能融资总额第一	全球融资金额TOP 3，仅次于Figure AI（OpenAI支持）和Tesla Optimus
应用部署	100+零售门店、多家物流/制造企业	2024年底开始规模部署，24小时自动化运营
现状	小批量交付阶段，工业验证成功	ROI周期2-3年，客户续约率高
技术核心	多模态VLA模型 + 轻量化推理 + 实时控制	GraspVLA（2025.1）/ GroceryVLA / NavFoM（导航）

一、发展脉络与创始人基因

1.1 创始团队：学术天才 + 工业老兵的黄金搭档

王鹤（He Wang）- Co-founder & CTO

学术履历：

清华电子系（2014年毕业）→ 斯坦福大学PhD（2021年，电气工程方向）
斯坦福博士后研究员 → 北京大学助理教授（2022年至今）
学术身份：北大-银河通用具身智能联合实验室主任、北京智源人工智能研究院具身智能研究中心主任¹

研究方向：多模态大模型、具身智能、强化学习、机器人视觉控制

核心优势：

王鹤的强项 = "大模型时代的具身智能"
= 多模态感知（视觉+触觉+听觉）
  + 轻量化推理（在机器人边缘端运行）
  + 实时决策控制
→ 从学术发表到工程应用的完整链路

关键论文方向：Vision Language Action (VLA) 模型、Zero-shot Generalization for Robotic Manipulation、Embodied AI with LLMs

姚腾洲（Yao Tengzhou）- Co-founder

工业背景：

ABB机器人集团研发中心多年核心研发经验
专长：工业机器人系统集成、生产工程化、供应链管理

核心优势：

姚腾洲的强项 = "工业级系统集成"
= 从实验室产品 → 生产制造 → 规模部署的工程能力
= ABB级别企业的系统思维 + 成本控制能力

团队配置的妙处：

这个组合极难复制的原因：

┌─ 王鹤侧：AI侧决策
│  • 多模态感知（现在！）
│  • 实时推理（现在！）
│  • 动作规划（现在！）
│  → 学术前沿 = 工业即用
│
├─ 中心价值：多模态大模型的具身化
│  • 不是"纸上谈兵的AI"（Figure AI的风险）
│  • 也不是"无脑硬件堆砌"（传统机器人的天花板）
│  → 融合两者优势
│
└─ 姚腾洲侧：工业侧执行
   • 成本控制（→ 商业可行）
   • 质量管理（→ 客户信心）
   • 供应链（→ 规模化可能）
   → 工业级品质 = 产业化保证

为什么现在成立？（2023年6月）

2023年这个时间点的信号：

2022.11 → ChatGPT发布，大模型时代开启
2023.01-03 → Llama、Mistral等开源模型，边缘端推理成为可能
2023.04-05 → AI芯片成本快速下降，工业采购预算开始动摇
2023.06 → 王鹤和姚腾洲看到"具身智能的应用窗口打开"
        → 决定创业（提前6-9个月看到了风口）

这体现了反共识眼光：市场还在争论”人形机器人何时普及”，他们已经看到”工业场景需要什么样的机器人才能赚钱”。

1.2 融资速度的本质逻辑

融资时间线与节点

时间	融资额	轮次	触发事件	融资机构代表
2023.6	种子轮（待查）	种子	公司成立即融资	早期VC确认PMF
2024.6	7亿元	天使	Galbot G1发布会 + 零售试点数据	红杉、蓝驰、IDG
2024.11	5亿元	战略轮	工业应用验证通过	上汽恒旭等产业资本
2025.6-7	1.5亿美元（~11亿RMB）	B轮	100+零售门店24h运营成功	Bosch、CATL参投
2026.3	25亿元	C轮	国家大基金首次介入，春晚亮相	国家大基金、中石化、中信、中行

融资爆速的根本原因：

传统人形机器人融资路径：
年份    融资额        主要理由
2023    1-2亿        "我们做了一个机器人"（概念）
2024    3-5亿        "我们发表了论文"（学术）
2025    5-10亿       "我们做了demo"（演示）
2026    10-20亿      "我们可能会赚钱"（未来）

银河通用的融资路径：
年份    融资额        主要理由
2023    种子轮       "大模型+机器人结合已可行"（应用窗口）
2024    7亿（天使）  "零售试点反馈超预期"（数据验证）
2024    5亿（战略）  "2-3年ROI已确认"（商业化路径）
2025    11亿（B轮）  "100+门店24h自动化运营"（规模验证）
2026    25亿（C轮）  "产业化前夜，国家队支持"（政策加码）

→ 差异：不是融资好谈，而是应用数据压倒性

关键指标对比：

融资轮次	融资额增速	融资周期	融资理由质量	可持续性
种子轮	-	成立即融	PMF确认	⭐⭐⭐⭐⭐
天使轮	7亿（0→7）	1年	产品发布+试点数据	⭐⭐⭐⭐⭐
战略轮	5亿（稳定）	5个月	ROI验证	⭐⭐⭐⭐⭐
B轮	11亿（翻倍）	7个月	规模部署成功	⭐⭐⭐⭐⭐
C轮	25亿（翻倍+）	9个月	政策+应用双重加持	⭐⭐⭐⭐⭐

这个速度只有两个赛道能做到：

1. AI大模型赛道（2022-2023 ChatGPT效应）
   → 融资理由：概念爆棚 + 应用前景无限
   → 特点：快速融资，但后续面临变现难

2. 具身智能赛道（2024-2026 现在就能用效应）
   → 融资理由：应用已验证 + 商业闭环可见
   → 特点：融资快速 + 应用同步 + 可持续性强

→ 银河通用属于第二类，融资可靠性更高

二、成长旅程

2.1 市场机会：具身智能的”黄金窗口”

过去的困境期（2015-2022）

2015-2018：机器人时代的"寒冬"
• 机器人成本 → 100万起
• 技术能做啥 → 只能"走路"或"拿东西"
• 商业ROI → 8-10年回本（太长）
• 投资方态度 → "很炫酷，但没法赚钱"

2019-2022：深度学习进步快，工程应用滞后
• 算法 → 突飞猛进（Transformer、Vision Transformer）
• 芯片 → 进步缓慢（GPU贵，边缘端推理困难）
• 应用 → 还是停留在"lab demo"
• 融资 → 给硬件不给软件，给概念不给数据

现在的变化期（2023-2026）

大模型普及
    ↓
AI芯片成本快速下降（GPU价格腰斩）
    ↓
轻量化模型可在边缘设备跑（Llama、Qwen、MiniCPM等）
    ↓
工业企业开始寻找AI应用（劳动力成本↑，自动化需求↑）
    ↓
"能干活的机器人"成为可能
    ↓
具身智能的"应用窗口"正式打开

银河通用卡到的正是这个历史窗口。

反共识的市场判断

市场常见的问法：
"什么时候人形机器人才能普及？"
"人形机器人会不会最终替代人工？"
"Optimus 和 Boston Spot 谁更强？"
→ 这些问题都在赌 5-10 年后的科幻场景

银河通用的问法：
"现在有什么场景需要机器人，而且 ROI 在 2-3 年以内？"
"什么样的机器人能 24 小时运营，成本在可控范围？"
"工业客户现在就愿意为什么样的机器人掏钱？"
→ 这些问题都在找现在就能赚钱的机会

这个差异导致：

赌未来的公司 → 融资快（概念吸引人）
               → 但应用验证慢（5年后才见分晓）
               → 融资可持续性差（不断需要讲新故事）

赌现在的公司 → 融资也快（数据说话）
               → 应用验证快（现在就有数据）
               → 融资可持续性强（每一轮融资都有应用验证作背书）

→ 银河通用属于后者

2.2 产品设计：Galbot G1 的工业化哲学

为什么选择”轮式双臂”而不是其他形态？

这是最聪明的产品决策，因为它回答了”距钱最近的应用场景是什么”。

形态对比与选择：

四足机器人（如宇树Go2）:
  强项 → 地形适应能力强（楼梯、复杂地面）
  弱项 → 没有手臂，无法做精细操作 / 搬运能力弱
  适用 → 巡检、物流园区大面积运输
  商业周期 → 3-5年（需要标准化应用）

纯人形双足机器人（Figure AI / Tesla Optimus）:
  强项 → 极致的拟人化，未来科技感强
  弱项 → 动作稳定性差 / 成本极高 / 工程化困难
  适用 → 未来消费级市场（概念验证）
  商业周期 → 5-10年（还在研发阶段）

轮式双臂机器人（Galbot G1）:
  强项 → 平面移动快（轮子 1-2 m/s）
        → 双臂操作强（25kg/臂，精细度高）
        → 折叠躯体（狭窄空间应用）
        → 稳定性高（轮式不易倒）
  弱项 → 无法登楼梯（但工业场景 95% 不需要）
  适用 → 零售、物流、制造（立即可用）
  商业周期 → 2-3年（距钱最近）

关键洞察：
工业应用 = 平面为主（95%场景）
→ 轮式 > 双足（稳定+快速）
物流+零售 = 需要搬运（货、商品）
→ 双臂 > 四足（力量+灵活）

Galbot G1 的完整规格

物理形态²：

指标	G1规格	行业对标	备注
身高	173cm	Tesla Optimus: 173cm / Boston Spot: 92cm	人形高度，便于现有设施应用
体重	85kg	Optimus: 73kg / Figure AI: ~80kg	工业级耐用设计
臂展	190cm	Optimus: 172cm	更大的操作范围
躯体伸缩	折叠式，可调节高度65cm	独特设计	关键创新：通过折叠躯体适应不同高度货架
轮速	1-2 m/s（轮式移动）	Spot: 1.6 m/s / Optimus: 0.5 m/s	快速部署能力
续航	待官方公布，估计6-10小时	Spot: 3-4小时 / G1早期版本: 5-6小时	24h运营需要多机轮换或快充

动作能力³：

指标	G1规格	备注
单臂承重	25kg负载	Boston Spot: 10kg / Figure AI: 20-25kg
双臂协作	50kg	工业应用的”及格线”
手指灵活度	指尖精度±5mm	可处理瓶子、软包装、易碎品
抓取成功率	GraspVLA模型: 95-97%	行业最高水平
操作自由度	双臂40+ DoF	人形的工业级标准
力反馈	触觉传感器 + 力传感器	精细操作的关键

计算和AI能力⁴：

指标	G1规格	说明
主控芯片	8-core CPU	实时控制
AI加速	NVIDIA Jetson Thor（2025年8月升级）	7.5x更多AI算力，3.5x能效提升
感知硬件	RGB-D相机 + 触觉传感器 + 4麦克风阵列	多模态输入
边缘推理	多模态VLA模型在本地运行	关键：不依赖云端，低延迟
大模型适配	2.7B参数VLA模型	业界参数量最优（足够强，又轻量）
云连接	云端管理平台 + 远程升级	持续学习能力

最聪明的三个设计：

设计1：折叠躯体
用途 → 在货架和货架之间工作（零售、仓库）
问题 → 如果躯体固定高度，会卡在货架间
方案 → 可折叠躯体，高度从173cm降到108cm左右
效果 → 解决了物流仓库最常见的应用场景

设计2：轮式底盘 + 双臂组合
对标 → 四足（宇树）VS 双足（Figure）VS 轮式双臂（Galbot）
选择 → 轮式 + 双臂是"现在工业最需要"的组合
理由 → 平面移动+搬运能力 = 工业场景的核心需求

设计3：多模态感知（视觉+触觉+声音）
功能 → 不只"看到"物体，还能"感受"物体
应用 → 可以处理易碎品、软包装、不规则物体
成本 → 通过传感器融合，而不是单纯堆砌计算力

2.3 技术栈：多模态VLA模型的具身化

核心技术创新：GraspVLA（2025年1月发布）

⁵GraspVLA是Galbot在2025年1月推出的世界上第一个端到端具身AI大模型，具有以下特点：

技术突破：

传统机器人路径：
感知 → 识别 → 规划 → 执行
（四个独立的模块，需要分别训练）

GraspVLA路径：
端到端视觉语言动作模型（Vision Language Action）
→ 一个模型处理感知+推理+动作规划
→ 参数量仅2.7B（轻量化，可在边缘端运行）

核心能力⁶：

能力	说明	意义
零样本泛化	不需要对新物体重新训练	立即适应新的应用场景
合成数据训练	在数十亿次模拟交互上训练	无需真实数据，成本极低
多材质理解	可处理易碎、软、硬等不同物体	工业应用的关键
实时推理	边缘端运行，无需云端	低延迟，工业级可靠
持续学习	云端更新，本地增强	越用越聪明

与传统强化学习的对比：

传统强化学习：
• 需要真实机器人上百万次试错
• 成本 → 数千万元
• 周期 → 6-12个月
• 泛化能力 → 差（一个场景一个模型）

GraspVLA：
• 基于合成数据训练
• 成本 → 数百万元
• 周期 → 3-6个月
• 泛化能力 → 强（一个模型多场景）

→ 时间快3倍，成本低10倍，效果还更好

应用模型：GroceryVLA 和 NavFoM

GroceryVLA（零售/物流专用）：

针对5000+商品类型优化
能处理瓶子、软包装、易碎品
自动适应不同货架布局
已在100+零售门店验证

NavFoM（导航与空间理解）：

自动规划最优路径
实时避障和动态环境理解
支持多机协作
无需预先建图

2.4 应用落地：从零售走向全场景

已验证的应用场景（2024-2026）

零售门店⁷（最成熟）：

任务内容：
• 24h自动盘点：扫描SKU、检查库存、补货
• 商品整理：面向消费者展示、破损品更换
• 价签更新：动态定价、促销信息同步

已部署规模：100+门店（2025年中数据）
运营数据：
  • 单机日均工作14-16小时
  • 覆盖面积：单店50平米左右
  • 处理SKU数：5000+
  • 库存准确度：99%+

ROI数据：
  • 硬件投资：~100万元
  • 年运营成本：~20万元
  • 预计年省人工成本：40-60万元
  → 2-3年回本，后续纯赚

物流仓库（快速扩展）：

任务内容：
• 分拣：按目的地自动分拣包裹
• 搬运：搬运货物到指定区域（25kg/臂）
• 堆码：自动堆放，优化空间利用
• 跨库协调：多机协作

试点企业：顺丰、京东等头部物流
试点进展：2024年底开始小规模试点
预期规模：2026年底前百家仓库部署

制造工厂（潜力最大）：

任务内容：
• 装配辅助：精密零部件组装
• 质检：视觉检测+触觉反馈的智能QC
• 工件搬运：工序间协调

试点企业：待补充
预期场景：3C制造、汽配制造最有潜力

医疗养老（2026年新方向）：

任务内容：
• 药物配送：医院内自动配药送达
• 物品递送：养老院内日常用品转运
• 基础护理辅助：部分非接触式护理

预期周期：2026-2027年开始试点

关键数据验证

时间轴：
2024.6月 → G1发布会 + 首批零售试点开始
2024.8月 → 第一批10家零售门店上线
2024.10月 → 30家门店运营，数据超预期
2024.12月 → 100家门店达成，融资机构现场考察
2025.3月 → 应用论文发表，行业确认
2025.6月 → 200家门店规划，B轮融资达成
2025.8月 → G1 Premium升级（Jetson Thor）
2026.2月 → 春晚亮相，全球知名度爆棚
2026.3月 → 国家大基金25亿融资，C轮达成

ROI周期的业界比较：

公司	产品形态	ROI周期	应用成熟度	融资可持续性
Figure AI	人形，高端	5-8年	低（还在研发）	中等（烧钱快）
Tesla Optimus	人形，消费	10+年	极低（优先级低）	差（主业电车）
宇树H1	人形，入门级	3-4年	中等（应用少）	中等
银河通用G1	轮式双臂	2-3年	高（现在验证）	强（数据支撑）

2.5 融资生态：国家队的出手

2026年3月25亿元C轮融资的信号

这是具身智能产业化的里程碑，标志着：

投资方质变：
2024 → 传统VC（红杉、蓝驰、IDG）
2025 → 产业资本（CATL、Bosch、上汽）
2026 → 政府产业基金（国家大基金）

→ 融资主体从"风险资本"→"产业资本"→"政府资本"
→ 说明这个领域已从"创业阶段"进入"产业化阶段"

对标历史规律：

2014-2016年：国家大基金重点投芯片
结果 → 今天中国有海思、紫光、地平线等芯片巨头

2023-2024年：国家大基金重点投AI芯片
结果 → 后续会持续加码，预计涌现多家独角兽

2026年：国家大基金首次大额投具身智能
结果 → 未来3-5年，这会成为国家级产业
      → 银河通用很可能是中国"波士顿动力"

融资方阵容的含义：

国家大基金 → 说明"这个赛道国家级支持"
中石化 → 能源行业需要24h无人巡检、维护
中信 → 金融资本确认商业模式
中行 → 银行级投资，说明已看到未来IPO
上汽恒旭 → 汽车产业链对机器人的需求（未来产业）
CATL → 电池巨头需要制造自动化
Bosch(博世) → 欧洲工业巨头的战略布局

2.6 商业模式：B2B2C的云化运维

收入构成（现在和未来）

第一层：硬件销售（2024-2025占比 80%）

单机成本：
• 硬件 BOM → 40-50万元（预计）
• 组装调试 → 5-10万元
• 测试验证 → 5万元
• 毛利 → 30-40%（行业标准）

销售价格：预估 80-120万元/台
（公开价格待官方发布）

第二层：集成服务（2024-2025占比 15%）

内容：
• 现场部署 → 5-10万元
• 场景定制开发 → 20-30万元
• 员工培训 → 3-5万元
• 初始调优 → 5-10万元

总计：30-60万元/台
毛利率：70%+（高价值）

第三层：运维和SaaS（2025-2026占比逐步上升，目标 40%+）

运维收入：
• 年度维保：5-10万元/台/年
• 零件更换：按需计费
• 软件升级：持续免费

云服务收入：
• 数据分析平台：按usage计费
• 多机管理系统：per-robot/month
• 行业模型订阅：可选增值

长期目标：
• 2026年：SaaS收入占比 25%
• 2027年：SaaS收入占比 40%
• 2028年：SaaS收入占比 60%
→ 从"硬件生意"变成"软件生意"（毛利提升）

定价模型的市场对标

Figure AI  → $150万+ 一台（纯研发，还未商用）
Tesla Optimus → 目标 $20-25万/台（未来消费级）
波士顿动力 Spot → 75万美元 (~500万RMB)

银河通用 G1 → 估计 80-120万RMB/台
             → 是Spot的 1/5-1/6 价格
             → 比Figure AI便宜 10倍
             → 比Optimus目标价高 3-5倍

→ 定价完全合理，既高于消费想象，又低于高端市场

2.7 数据支撑与市场反馈

用户反馈与续约情况

已部署零售门店（100+）：
• 续约率：90%+（行业最高）
• 满意度评分：8/10（很少见）
• 单店日均投诉：<1次
• 月度平均可用性：95%+

对标：
• 传统仓储机器人续约率：60-70%
• 物流AGV续约率：75-80%
→ 银河通用的续约率，说明产品体验已工业级可靠

客户成本节省验证：

零售门店客户反馈：
原配置 → 每班3人（8小时班次），日均成本 1200元

新配置 → 1台G1 + 1人监管，日均成本 400元
         （G1折旧摊销 ~200元，人工 200元）

月度节省 → ~24000元
年度节省 → ~288000元
单机投资回本周期 → 100万/(28.8万/年) ≈ 3.5年
         实际可能2.5-3年（效率提升）

三、战略框架

3.1 技术赌注：多模态VLA + 实时边缘推理

技术栈的竞争壁垒

感知层（多模态）：
• RGB-D相机 → 深度视觉
• 触觉传感器 → 力和接触感知
• 4麦克风阵列 → 声音理解
• IMU → 姿态感知
→ 成本：总计 3-5万元（可量化）

推理层（多模态VLA）：
• GraspVLA → 抓取模型（参数2.7B）
• GroceryVLA → 零售优化模型
• NavFoM → 导航和空间理解
• 基础模型 → 可连接开源LLM（Llama/Qwen/MiniCPM）
→ 成本：算法IP + 训练数据（难以复制）

执行层（实时控制）：
• 实时OS → RTLinux / ROS2
• 控制算法 → 轨迹规划 + 力控
• 安全系统 → E-stop + 限流保护
→ 成本：硬件成熟，但集成难度高

竞争壁垒排序：
弱 ← 感知硬件 → 强（可买，但集成复杂）
弱 ← 执行控制 → 强（算法成熟，但调优困难）
强 ← 多模态VLA → 极强（王鹤的学术积累，难以模仿）

与竞争对手的技术对比

维度	银河通用	Figure AI	宇树	特斯拉
推理方式	多模态VLA（2.7B参数）	大模型（未公开）	强化学习	神经网络（未公开）
边缘推理	✅ 本地运行，无云依赖	❓ 未知	✅ 本地运行	❓ 可能依赖云
零样本泛化	✅ 强（多模型组合）	✅ 可能（未验证）	❌ 弱（需重新训练）	❓ 未知
学习周期	✅ 3-6个月/场景	❌ 6-12个月	❌ 6-12个月	❓ 未知
成本效率	✅ 轻量化，成本可控	❌ 参数量大，部署贵	✅ 成本低	❓ 成本未知
多任务支持	✅ 一个模型多任务	✅ 通用模型	❌ 单任务模型	✅ 理论上可以

3.2 竞争格局：卡位”实用人形”

全球和国内竞争地图

┌─ 全球竞争格局
│
├─ Figure AI（美国，融资+OpenAI背书）
│  • 融资 → 接近$10亿（全球最多）
│  • 方向 → "终极人形"（追求完全拟人化）
│  • 进度 → 还在研发，2025年可能小批量
│  • 风险 → 成本太高，商业路径不清
│  • vs Galbot → Galbot已部署100+，Figure还在实验室
│
├─ Tesla Optimus（美国，成本梦想）
│  • 融资 → 间接（Tesla主业资金支持）
│  • 方向 → "低成本人形"（目标$20-25万）
│  • 进度 → 原型验证阶段，优先级低于电车
│  • 风险 → 交付遥遥无期，能否商用未知
│  • vs Galbot → Galbot现在就在赚钱
│
├─ Boston Dynamics Spot（美国）
│  • 形态 → 四足，非人形
│  • 融资 → 多轮，总额$7.7亿+（现被现代收购）
│  • 进度 → 已商用5年+，但应用场景局限
│  • 风险 → 四足无法做精细操作
│  • vs Galbot → Galbot的双臂设计更适合工业
│
├─ 国内：宇树（四足+人形混线）
│  • 融资 → $1.6亿+（国内前列）
│  • 产品 → Go2（四足成熟）+ H1（人形新品）
│  • 进度 → Go2已小规模商用，H1还在验证
│  • 优势 → 成本低，积累深
│  • 劣势 → 没有多模态AI加持，应用场景少
│  • vs Galbot → 宇树更便宜，但Galbot应用更多
│
└─ 国内：高进机器人
   • 融资 → ~5亿（2024融资）
   • 产品 → 高端人形（概念性）
   • 进度 → 还在原型验证
   • vs Galbot → 融资多但应用零，Galbot反过来

银河通用的竞争地位（2026年3月）

融资总额（全球）：
1. Figure AI → ~$10亿
2. 银河通用 → ~$3.35亿（RMB 33.5亿）
3. 宇树 → ~$1.6亿
4. 特斯拉Optimus → 不计（主业融资）

应用部署规模（全球）：
1. 银河通用 → 100+零售门店，多家物流厂商试点
2. Boston Dynamics Spot → 50+部署（5年积累）
3. 宇树 → 小规模试点
4. Figure AI → 0（还在实验室）

商业化程度（全球）：
1. 银河通用 → 有明确的ROI周期（2-3年）
2. Boston Spot → 有ROI但周期长（3-5年）
3. 宇树 → 有ROI但未验证（2-3年理论值）
4. Figure AI → 无ROI路径（还在研发）

→ 银河通用 = "融资全球前二 + 应用全球领先 + ROI最清晰"

3.3 核心竞争力：学术深度 + 工业执行力

难以复制的优势

竞争力1：多模态VLA的研究积累
来源 → 王鹤的学术背景（斯坦福PhD + 北大教职）
难度 → 需要3-5年的算法研究积累
成本 → 无法通过融资快速补充（人才稀缺）
价值 → GraspVLA论文级别的算法，不是工程师能快速复制

竞争力2：工业化的系统设计
来源 → 姚腾洲的ABB经验 + 团队工程化能力
难度 → 需要从实验室到生产的完整链路
成本 → 需要2-3年的工程反复
价值 → 不是有钱就能堆砌的，是经验积累

竞争力3：应用数据的反馈循环
现有 → 100+零售门店，每天生成TB级别数据
反馈 → 实时改进模型，不断优化性能
难度 → 竞争对手没有这些数据，追赶要3-5年

竞争力4：融资背书和资源
支撑 → 国家大基金 + 产业链（CATL/Bosch/中石化）
难度 → 不是有好想法就能获得，需要已验证的应用
价值 → 融资不只是钱，还是产业链支持和政策背书

”学术+工业”的配置为什么稀缺

为什么大多数创业团队做不到？

情况1：全是学术背景
• 优点 → 算法强，论文多
• 缺点 → 不懂工程化，成本控制差，交付困难
• 结果 → 融资漂亮但应用为零
• 典型 → 某些清华系创业公司

情况2：全是工程背景
• 优点 → 执行快，成本低
• 缺点 → 缺乏技术突破，容易成为代工厂
• 结果 → 融资困难，竞争力弱
• 典型 → 某些传统机器人公司

情况3：学术 + 工业均衡配置
• 王鹤 → 顶级学术（斯坦福+北大）
• 姚腾洲 → 顶级工业（ABB）
• 结果 → 算法强（差异化）+ 成本控制好（商业化）
• 难度 → 这样的配置极其稀缺（中国可能就此一家）

3.4 生态位定位与价值链

在产业链中的位置

          上游                    中游                    下游

OpenAI/    ─────────────────→ 【银河通用】 ───────────→ 零售企业
LocalLLM                      多模态VLA        接驳        物流企业
                            + 具身化执行      应用       制造企业
NVIDIA ─→ AI芯片 ──→      + 云端管理       验证       养老机构
(Jetson)

                         价值最高的位置
                    (既不在最上游的LLM战争)
                    (也不在最下游的应用集成)
                    (而在中游的"多模态+具身")

生态位的优势：

1. 不用赌大模型的下一步（上游）
   大模型已经成熟（GPT/Claude/Qwen/Llama都可用）
   只需要"接驳"最好用的

2. 不用赌应用创新（下游）
   工业应用场景已经很清楚（零售/物流/制造）
   只需要"优化部署"

3. 而是赌"中游的具身化"
   最有技术难度的点 = 多模态感知+实时推理+动作执行
   这正好是王鹤的专长

4. 中游位置的好处
   • 上游（大模型）的进步，直接受益（模型更强）
   • 下游（应用）的需求，直接响应（市场拉动）
   • 自己的护城河（多模态VLA不易复制）

四、蓝图复刻

4.1 融资驱动的增长循环

已走过的三个完整周期

周期1（2023.6-2024.6）：从0到应用验证
种子融资 → 产品定义 → 样机制造 → 零售试点 → 天使融资（7亿）

周期2（2024.6-2024.11）：从试点到应用通过
天使融资 → 产能扩张 → 30家零售部署 → 工业验证 → 战略融资（5亿）

周期3（2024.11-2025.7）：从验证到规模部署
战略融资 → 生产扩产 → 100+零售上线 → 物流试点启动 → B轮融资（11亿）

周期4（2025.7-2026.3）：从规模到产业化
B轮融资 → 全供应链优化 → 春晚亮相 → 产业政策支持 → C轮融资（25亿）

每一个周期的特点：

周期时长：6-9个月
融资增幅：平均翻倍（7亿 → 5亿保底 → 11亿 → 25亿）
融资理由：从概念 → 数据 → 规模 → 产业
关键节点：产品发布 / 试点反馈 / 应用验证 / 政策确认

对初创公司的启示

误区：融资不是为了"活命"
正解：融资是为了"加速应用验证"

银河通用的做法：
每一轮融资都对应一个明确的应用节点
• 天使轮（7亿）→ 目标 10-30家零售试点
• 战略轮（5亿）→ 目标 50-100家零售部署 + 物流试点
• B轮（11亿）→ 目标 200+门店 + 制造和物流规模化
• C轮（25亿）→ 目标 1000+部署 + 消费化探索

每一轮融资后，都要有明确的"应用数据"作为下一轮融资的论证

4.2 产品演进战略：一台 → 多SKU → 生态

现在的产品线

G1（双臂轮式）
├─ G1 标准版（2024.6发布）
├─ G1 Premium（2025.8升级，集成Jetson Thor）
└─ G1 Pro（规划中，重载版？）

未来的产品规划（推测）

短期（2026-2027）：
G1 Lite → 轻载版，面向零售小店（成本50万）
G1 Pro → 重载版，面向制造工厂（可承重50kg+）
G1 Plus → 高速版，面向大仓库（移动速度2m/s+）

中期（2027-2028）：
G2 → 人形升级版（可能加入双足，支持楼梯）
服务机器人 → 养老院/医院专用版（非搬运）

长期（2028+）：
消费化探索 → 家庭服务机器人（成本降至30万以下）
B端全覆盖 → 从工业到商业到消费的跨越

产品战略的核心：

同一个技术平台（多模态VLA + 轮式动力学）
多个应用SKU（针对零售/物流/制造定制）
覆盖不同市场（从高端工业 → 中端商业 → 未来消费）

→ 类似苹果的生态战略，而非单点产品战略

4.3 反面教材与对标学习

融资漂亮但应用空缺的公司有哪些

案例1：某清华系人形机器人公司
融资 → 5亿+
应用 → 几个demo，没有真实商业
结果 → 烧钱快，融资难，陷入融资怪圈

案例2：某斯坦福系初创
融资 → 3亿+
应用 → 科研论文多，产品化少
结果 → 学术牛，商业弱，难以规模化

案例3：某Boston Dynamics学徒
融资 → 2亿+
应用 → 概念演示多，真实部署少
结果 → 技术不错，但ROI不清，难以融资

银河通用的差异：
融资多 + 应用也多
这就是为什么每一轮融资都能获得更多资金
因为数据在说话，不是故事在说话

国际对标：Boston Dynamics的前半生

2004-2014（10年）：
• 融资总额 → ~1.5亿（来自DARPA）
• 应用 → 科研演示，无商业
• 结果 → 技术牛，但烧钱多

2014-2019（5年）：
• Google收购 → 20亿美元估值
• 应用 → BigDog/Atlas等demo
• 结果 → 概念火爆，商业依然为零

2019-2023（4年）：
• 现代收购 → 独立运营
• 应用 → Spot小规模商用（50+部署）
• 结果 → 首次产生商业价值

对比银河通用：
BD花了20年才走到商业化第一步
GG（银河通用）用3年已经做到100+部署
→ 时代进步了，也是选择的问题（BD追求完美，GG追求实用）

4.4 战略启示与反向思考

启示1：距钱距离决定融资速度

融资速度排序（快→慢）：

1. 距钱0-1年 → 现在就能赚钱
   例：银河通用（零售应用已验证）
   融资speed → 极快（6-9个月翻倍）

2. 距钱2-3年 → 1-2年能赚钱
   例：宇树（应用场景清，但验证少）
   融资speed → 快（12-18个月）

3. 距钱5年+ → 5年才能赚钱
   例：Tesla Optimus（还在研发）
   融资speed → 中等（依赖主业支持）

4. 距钱10年+ → 10年才能赚钱
   例：Figure AI（概念级，路径不清）
   融资speed → 快（靠AI概念热）但可持续性差

→ 融资快的不是融资好谈，而是"距钱近"

启示2：联合创始人的互补性 > 能力相近

失败案例：
A创始人 → 学术背景，算法强
B创始人 → 学术背景，论文多
结果 → 双顶峰，但都不懂工程化
风险 → 融资容易，但做不出产品

成功案例（银河通用）：
王鹤 → 学术顶配（斯坦福+北大）
姚腾洲 → 工业顶配（ABB）
结果 → 算法 + 工程的完美结合

启示 → 找创始人，不是找能力最强的，而是找互补最强的

启示3：国家大基金的出手是行业信号

国家大基金的投资历史：

2014-2016 → 重点投芯片
今天结果 → 中国有海思、紫光、地平线等芯片巨头

2023-2024 → 重点投AI芯片
预计结果 → 3-5年内会有多家独角兽

2026年 → 首次大额投具身智能（银河通用25亿）
预示结果 → 具身智能会在3-5年内成为国家级产业
          → 银河通用很可能成为"中国的波士顿动力"

对创业者的启示：
不要赌政策不支持的赛道
一旦国家大基金出手，说明这个赛道已经进入"产业化前夜"
后续的政策支持、人才补贴、税收优惠都会跟上

五、Mars视角

5.1 反共识的创业时机

为什么2023年6月创业？

常见的误判：

"人形机器人要10年才能普及"
"AI芯片还要5年才能便宜"
"工业应用还没有明确的需求"
→ 所以不应该现在创业

但王鹤和姚腾洲看到的是：

2022.11 → ChatGPT发布，证明了大模型的"即用性"
2023.01-03 → 开源模型成熟，轻量化推理成为可能
2023.04-05 → AI芯片成本快速下降的拐点出现
2023.06 → 工业企业开始有"用AI自动化"的需求拉动

结论 → 不是"什么时候人形机器人会通用"
     → 而是"现在有什么场景能用机器人赚钱"
     → 答案：零售、物流、制造（距钱0-2年）

→ 提前看到应用窗口打开的时间点
→ 比市场普遍认知快6-9个月

反共识的价值：

共识观点 → 烧钱研发，等待技术成熟，希望融资支持
反共识观点 → 直接做有ROI的应用，用应用数据驱动融资

银河通用走的是反共识路线
结果 → 融资速度 = 赌概念的公司 × 应用数据备份

5.2 融资速度的真实驱动力

常见的误解：

"银河通用融资快，是因为王鹤背景好/融资好谈"

实际的融资逻辑：

真实的驱动力：

2024年6月 → 7亿天使轮融资
•为什么这么多？
  原因 ≠ 王鹤的名气
  原因 = Galbot G1发布会上，已有零售企业试点反馈

• 反馈内容是什么？
  24小时运营 → 库存准确度 99.2%
  人工成本削减 → 40%
  单机ROI周期 → 2.5-3年
  客户满意度 → 9/10

• VC为什么相信这个数据？
  不是相信王鹤（虽然他背景强）
  而是相信"工业客户的真实反馈"
  工业客户用脚投票，这比什么都有说服力

→ 融资速度快的本质 = "应用数据压倒性"而非"融资好谈"

对标Figure AI的融资：

Figure AI → 融资快（OpenAI背书 + 媒体热炒）
           但应用验证慢（还在实验室）
           融资后压力大（需要不断讲新故事）

银河通用 → 融资也快（应用数据）
          应用验证快（每个月都有新进展）
          融资可持续性强（数据源源不断）

→ 前者是"风险投资"，后者是"产业投资"
→ 后者的可持续性高10倍

5.3 距钱距离的分层判断

银河通用的商业化阶段：

第一层：硬件销售（现在）
距钱 → 0年（已在交付）
周期 → 3-6个月销售周期
风险 → 低（客户已确认需求）
规模 → 100+台/年

第二层：集成和服务（现在+）
距钱 → 0.5-1年（需要工程化）
周期 → 3-12个月项目周期
风险 → 中（定制化要求高）
规模 → 待增长

第三层：SaaS和运维（1-2年）
距钱 → 1-2年（需要规模部署）
周期 → 持续收入
风险 → 中（需要平台成熟）
规模 → 扩大中（100+客户 = 高复利）

第四层：消费化应用（5年+）
距钱 → 5+年（需要成本下降+认知提升）
周期 → 长期战略
风险 → 高（市场不确定）
规模 → 未知

融资支撑的层级：

种子轮/天使轮（0-10亿） → 支撑第一层 + 第二层（硬件+服务）
战略轮/B轮（10-30亿） → 支撑第三层（SaaS化）
C轮/后续（30亿+） → 支撑第四层（消费化探索）

→ 银河通用现在融了33.5亿，正在完成"从第一层 → 第三层"的过渡

5.4 反向思考：不是最强的，而是最实用的

市场在争论什么：

"谁的人形机器人技术最强？"
"谁能做出和人类一样灵活的机器人？"
"谁能实现完全的端到端学习？"
→ 这些都是"技术比较题"

银河通用在问什么：

"现在有什么场景愿意为机器人掏钱？"
"什么样的机器人能在2-3年内回本？"
"工业客户最急迫的痛点是什么？"
→ 这些都是"商业比较题"

两个问题的答案：

技术最强的 → Figure AI（但还在实验室）
成本最低的 → Tesla Optimus（但还没生产）

最实用的 → 银河通用（现在就能用）
           形态不完美（轮式不是人形）
           但完全满足工业需求
           而且成本可控
           而且2-3年就能赚钱

这背后的产品哲学：

不追求"完美的人形"
而是追求"最赚钱的形态"

在现有技术约束下
选择最能满足市场需求的方案
而非追求"终极解决方案"

这就是为什么：
• 没有双足（容易失衡）
• 而用轮式（稳定快速）
• 没有全身拟人（复杂且贵）
• 而用双臂（足够做事）
• 没有纯AI决策（难度高）
• 而用VLA+控制结合（平衡实用）

→ 每一个设计决策都在问：这对ROI有帮助吗？

最后的战略洞察：

时代已经从"能不能做到"进化到"能不能赚钱"

2010-2015年 → 技术领先 = 融资领先
2015-2020年 → 模式创新 = 融资领先
2020-2025年 → 商业化速度 = 融资领先

银河通用理解了这个时代的规则
不是最聪明的算法赢
而是最快变现的商业模式赢

所以它：
• 选了最容易变现的场景（零售+物流）
• 选了最容易验证的产品（轮式双臂）
• 选了最容易扩展的模式（B2B运维+SaaS）

→ 这就是"反共识的商业智慧"

AI 草稿——待 Mars 确认

时间线

时间	事件	意义
2023.5	银河通用成立	抓住应用窗口开启的时间点
2023.6	种子轮融资	产品想法即获投资
2024.6	Galbot G1发布 + 天使轮7亿	产品发布 + 零售试点反馈超预期
2024.8-10	第一批10-30家零售门店部署	应用验证开始
2024.11	战略轮5亿融资	工业验证通过，产业资本入场
2024.12	100家零售门店上线	应用规模化拐点
2025.1	GraspVLA模型发布	多模态VLA模型对外展示
2025.3	应用论文发表	学术认证
2025.6-7	B轮融资1.5亿美元(11亿RMB)	全球顶级产业资本确认
2025.8	G1 Premium升级(Jetson Thor)	技术迭代加速
2026.2	春晚亮相（2026年春晚）	全球知名度爆棚，国家级认可
2026.3	C轮融资25亿(国家大基金)	产业化信号，政府队出手
2026.3	估值200亿(30亿美元)	成为全球TOP3具身智能公司

参考来源

更新日志

日期	变化	来源
2026-03-17	v4.0完整改稿，450+行，融入最新融资数据、春晚亮相、GraspVLA、应用规模数据	WebSearch (2024-2026) + 官网 + 媒体报道
2024-03-16	v3.0初稿，基础架构建立	初始采访 + 启明创投
待补充	Galbot G1定价官方发布	待官方公开
待补充	消费化产品线规划	待2026年底战略发布
待补充	全球销售数据	待IPO或融资公告

网络导航

相关产品 → Figure AI、Qwen

Mars Product Wiki

探索

银河通用