Unitree AI 推進策略緊隨據報股價反彈54%
據報股價反彈逾54%後，Unitree AI 的抱負正受到關注，但這一數字衡量的是投資者情緒，而非機械人表現。隨着創辦人王興興更着重人工智能，兩者的分別尤其重要。股價上升無法證明機械人能否可靠地完成陌生工作。
眼前的張力在於已展示的動作能力與可靠執行之間。具身智能，即能在物理世界中感知和行動的人工智能，必須將指令連結至成功的行動。商業上的問題是，當物件改變、任務被中斷，或機械人面對從未遇過的環境時，這種連結能否維持。
Figure 提供了一個有用的參考，因其近期披露強調在陌生住宅中的表現。這些公司說法同樣需要審視。對 Unitree 而言，相關競爭不止是與另一家製造商較量，而是令人印象深刻的示範與客戶可持續委派的工作之間的距離。
Unitree AI 的關注度來自股價反彈，而非據報營運增長
36Kr 於10月23日發布的報道稱，股價較10月15日的盤中低位回升逾54%，並稱10月23日單日上升20%。這些是市場走勢，並非已披露的收入、出貨量或客戶採用增加。
這一澄清改變了標題的含義。若未指出所用指標便把此走勢稱為「增長」，會暗示該百分比無法證明的營運進展。據36Kr 轉載的 Phoenix Tech 分析，相關的股價反彈伴隨市場再次關注王興興的 AI 策略。
同一報道提及杭州合作夥伴大會，以及圍繞 H2-X 機械人的關注。其核心論點關乎硬件示範與證明公司自有智能系統能力之間的落差。有關大會的詮釋仍屬具歸因的報道，而非對 Unitree 整體能力的獨立評估。
經核實的分別，在於據報的市場回升，以及證實產品可靠性所需的獨立證據。
市場升勢可能反映對未來產品、合作夥伴關係或商業化的期望，卻不會揭示買家認為哪項期望最重要。若沒有額外證據，將整個升幅歸因於某一特定示範，便是把詮釋當成沒有根據的因果主張。
同樣的克制原則亦適用於相反方向。一篇批評大會的評論，並不能證明一家公司沒有實用技術。公開展示只反映研發工作的選定部分，觀察者亦很少能接觸所有內部評估。
恰當的做法是將問題分開：市場據報有何表現？公司發布了甚麼？外部開發者能檢視甚麼？有哪位客戶展示過在接近其實際營運的條件下可行的成果？
這些問題有不同答案，也有不同的證明標準。據報的交易走勢屬於第一類；已發布的模型資料屬於第二及第三類；可重複的客戶成果則屬於第四類。
這種區分亦能避免故事變成爭論王興興是否聽來足夠樂觀。創辦人的信心可以解釋策略重點，卻不能取代量度所得的成果。買家需要在簡報結束後仍然有用的證據。
對透過標題追蹤機械人新聞的讀者而言，實際含義很直接：把股價表現視為反映期望的資訊；把技術發布視為反映可取得研發成果的資訊；把部署成果視為關於特定應用的證據。
這些類別不應自動承襲彼此的可信度。一家公司可在交投疲弱期間取得技術進展，也可在客戶尚未有足夠證據批准更廣泛部署前，先獲投資者熱捧。
因此，新聞價值在於舉證責任的轉變。圍繞 AI 的關注提供了更精確說明能力的機會，同時亦提高了對證據的期望，要求超越最初吸引觀眾的實體動作。
買家需要完成的工作，而非又一次令人印象深刻的動作
最直接面對這個證據缺口的是潛在客戶及整合團隊。他們必須判斷機械人是減少工作，還是只改變由誰來做。一部需要持續監督的機器，與一部能獨立完成界定任務的機器，商業案例截然不同。
設想一個假設的零件處理部署。成功移動一次組件，證明該動作可行。買家仍需知道，機械人能否辨識正確組件、處理變化，並偵測錯誤放置。
當流程被打斷時，分別會更明顯。有人可能移走容器、加入陌生物件，或留下未完成的任務。商業問題在於系統如何應對，包括能否識別不確定性並請求協助。
客戶需要有關整個任務的證據，包括執行出錯時所需的人手工作。
這正是為何成功動作與成功委派應分開討論。動作關乎機器實際執行甚麼；委派則關乎人能否在無須持續補充缺失判斷的情況下，交付一個結果。
因此，企業評估應在讚揚行為前先界定結果。「移動了一件物件」和「完成補貨任務」描述的是不同成就。後者還涉及選擇目的地、遵守限制及確認完成。
這些分別促使產品團隊說明界線。當機械人的責任清晰時，受限應用仍可帶來價值。含糊地聲稱具備通用實用性，反而更難辨識系統的實際適用範圍。
這亦對整合商構成壓力，即把機械人接駁至既有設備和工作流程的團隊。只有周邊流程能接納其輸出，可適應的機器才有價值。例外情況處理、維護及操作員培訓，都應納入評估。
對開發者而言，核心問題是可觀察性，即檢視系統做過甚麼及為何失敗的能力。示範可以掩蓋部署期間重要的決策點。有用的日誌及可重複評估，會揭示這些決策點。
對商業買家而言，相應問題是問責。損壞物件、未完成任務、中斷連線及軟件變更由誰處理，必須有人界定。有能力的模型本身無法回答這些營運問題。
這讓壓力落在 Unitree 將研發工作轉化為易於理解的產品界線的能力上。最有力的答案會指出任務、說明其運作條件，並披露所需協助。這會讓買家有具體可評估的內容。
另一種情況是，討論被愈來愈廣泛的承諾主導。這類承諾令比較變得困難，因為每類受眾都會想像不同應用。倉庫營運者、研究實驗室及家居買家，對有用自主性並沒有相同定義。
因此，自主性，即無須持續人為指示的執行，應在既定範圍內說明。機械人可以在某項任務中自主，卻在其他情況需要協助。若清楚披露，這是有用的產品分別。
短期商業挑戰，不在於滿足每一種想像中的使用情境，而在於證明一個界定清晰的情境。受限且可重複成果的證據，將加強擴展的理據，也會釐清仍須進行哪些額外研發。
已發布模型讓開發者有具體內容可供檢視
Unitree 已發布值得與大會評論分開評估的資料。其人形機械人模型儲存庫將 UnifoLM-WLA-1.0 描述為擁有60億個參數的模型，參數即在訓練期間學習得出的可調整數值。
據 Unitree 表示，訓練包含約2,500小時的實體機械人數據，而單一模型協調64項任務。公司描述了桌面操作及全身操作。其發布紀錄列出，基礎模型及微調程式碼於2026年9月28日可供使用。
微調是透過額外訓練來調整現有模型。這種可用性為開發者提供了比單靠簡報更具體的起點。然而，據報的訓練規模及任務覆蓋範圍仍屬公司描述，而非部署可靠性的獨立證明。
已發布模型使技術主張更可供檢視，但發布與可靠運作仍是不同里程碑。
這種分別保護評估的兩方面。若因簡報留下疑問便否定有關工作，會忽略一項實在的發布；若把發布視為商業就緒的證明，則是要求儲存庫證明它本身無法單獨證明的事情。
對外部開發者而言，下一步是辨識哪些內容實際上可以重現。一個可用的起點包括相關軟件、模型版本、兼容硬件及評估條件。缺少依賴項，會令看似可取得的系統難以評估。
可重現性亦要求清楚說明任務。成功測試應交代初始條件、容許的協助及完成規則。否則，不同團隊可以產生不同結果，卻以為自己進行的是同一項評估。
任務數量亦需要同樣審慎對待。一個集合可以包括相關變體，也可以包括實質不同的活動。若不檢視定義，較大的數量並不自動代表更高的獨立性、靈活性或實用性。
訓練時數在另一個方面具有參考價值：它們描述研發的投入，卻不直接說明投入的質素或由此產生的行為。若只透過訓練量比較系統，關鍵差異仍會懸而未決。
更具影響力的問題是，機械人在變得實用前，開發者還必須完成甚麼工作。新應用是否需要大量示範？工作空間是否必須維持嚴格受控？哪些改變會觸發再訓練或人手介入？
這些問題把模型公告轉化為工程評估，也揭示廣泛能力與應用特定優化之間的潛在取捨。即使是經廣泛訓練的系統，在符合客戶驗收標準前仍可能需要大量工作。
對 Unitree AI 而言，公開成果提供了讓討論轉向這些實務細節的機會。獨立使用者可報告兼容配置、限制及可重複成果。這類證據會比另一輪互相競逐的形容詞更具資訊價值。
負面的重現結果同樣需要脈絡。在不受支援的配置下失敗，並不會推翻該公司所聲稱的結果。反之，在原有條件下成功，也不代表其在所有環境中都具備相同表現。
公平的標準，是明確界定適用範圍，並配合可重複進行的測試。這項標準容許有意義的進展，而毋須立即要求具備通用能力。它亦可避免把有限的成功延伸為實際上從未測試過的主張。
因此，發布的策略價值在於其能否支援進一步驗證。開發者可獲得值得檢視、質疑及可能擴展的成果。這些工作會否演變成可靠產品，則取決於在檢驗過程中發生甚麼。
Figure 將比較焦點由任務多樣性提升至陌生環境
Figure 近日的披露，有助識別競爭審視正轉向何處。在其 9 月 17 日關於陌生住宅測試的說明中，該公司表示，Helix 2.5 在 30 個此前未曾見過的灣區住宅中完成了多項行為。
Figure 描述了整理客廳、摺毛巾及鋪床等工作。該公司表示，這些住宅並未進行部署地點資料收集或適應調整。這些均為公司自行報告的結果，並非對通用家居能力作出的獨立認證。
較早前的全身操作示範則提供了另一項具體參考。今年 1 月，Figure 描述了一段長四分鐘的自主洗碗碟流程，包括行走、搬運、卸載及重新裝載。該公司表示，整個流程毋須重設或人手介入。
綜合而言，這些披露展示了不同的評估問題。機械人能否持續完成相連的任務？已學習的行為能否遷移至陌生地點？單靠展示更龐大的動作目錄，無法回答這兩個問題。
有價值的比較應聚焦於評估條件及所需協助，而非哪家公司發布最戲劇化的影片。
這並不證明 Figure 已在整個機械人領域超越 Unitree。兩家公司公開的材料描述的是不同系統與測試。若沒有共同的評估標準，作出決定性的排名便會暗示現有證據並不支持的可比性。
不過，這為披露方式建立了實際參考。讀者可以問，一段示範有否交代環境、任務界線及人手協助的角色。即使結果仍由公司自行報告，這些細節亦會令公告更容易評估。
這項比較亦釐清了泛化能力，即系統在條件改變後應用已學習行為的能力。機械人或許能在新房間處理熟悉任務，卻可能難以應付不同物件。另一套系統則可能容忍物件變化，但依賴固定工作空間。
這些差異對買家十分重要，因為「新條件」並非單一類別。容器移位、陌生表面、任務中斷及指令改變，分別帶來不同要求。評估應清楚說明它實際涵蓋哪些變化。
相同原則亦適用於連續示範。不中斷的流程，是該流程的有用證據；但它不會揭示系統曾嘗試多少次，或失敗運行時發生了甚麼。
更有力的比較，應披露在既定條件下成功及失敗的嘗試，說明物件與地點如何選取，並區分機械人可自行復原的失敗，以及需要外部協助的失敗。
對 Unitree 而言，這意味著有機會令自身證據更精準。清楚交代其在陌生環境下的表現，將可回答與硬件展示不同的問題，並把 AI 策略連繫至客戶可辨識的關切。
對 Figure 而言，同一標準仍然必要。競爭對手雄心勃勃的披露，不應獲得自動接納或否定。當外部觀察者能理解分母、重現條件並檢視限制時，主張便更具價值。
這令核心張力回到部署，而非品牌競爭。真正重要的競爭，是廣泛實用性的主張與可重複執行證據之間的競爭。每個供應商都要面對這項考驗，無論其硬件聲譽或軟件策略如何。
有能力的規劃器仍需要可靠的執行系統
Google 的機械人推理文件提供了有用的架構參考。文件描述能理解場景、推理空間關係，並透過可用功能協調機械人動作的系統。這將判斷應發生甚麼，與落實實際物理動作區分開來。
在評估涉及通用 AI 模型的示範時，這項區別十分重要。理解一項指令，並不會自動證明系統能控制完成該指令所需的每一個動作。周邊的機械人軟件與硬件仍是結果的一部分。
Google 亦指出，生成式模型可能出錯，開發者必須維持安全的操作環境。這項警示應與能力主張並列考量。一個看似合理的計劃，與一項安全完成的任務，是不同的產出。
商業產品是完整的執行系統，包括其限制、復原行為及監督要求。
假設要把一件陌生物件收好。規劃器或能正確識別預定放置位置，但機械人仍需要合適的抓取方式、可到達的路徑，以及確認放置成功的方法。
若抓取失敗，系統需要作出另一項判斷。假定物件已固定並繼續執行，會令局部錯誤演變成更大的失敗。當系統無法建立安全替代方案時，要求協助可能是正確結果。
因此，錯誤復原值得明確評估。復原是指辨識動作未成功並作出恰當回應，而不應從一次沒有出現明顯問題的成功運行中推斷出來。
一項務實的驗收測試，應區分有成效的審慎與不必要的中斷。任何事物一有變化便停下來的機械人難以使用；而在未能辨識不確定性的情況下繼續執行，則會造成另一種操作問題。
有用的目標是恰當介入。這要求界定機械人可自行決定甚麼、必須驗證甚麼，以及何時應由人接手。這些界線應依據應用場景，而非廣泛的市場推廣標籤。
軟件變更令這項評估更複雜。即使機械人的實體組件保持不變，更新後的模型仍可能改變其行為。因此，買家需要一種方法，把測試結果與他們擬部署的版本連繫起來。
這項要求令文件成為產品證據的一部分。可重現的結果應識別相關配置及條件。否則，開發期間報告的改進，可能難以與客戶實際使用的系統連結。
這也是工程知識變得具操作價值的地方。可搜尋的失敗、修正及獲接受配置記錄，可協助團隊避免重複不成功的實驗。維護一個技術知識庫，可支援這項工作，但不能取代實體驗證。
這些要求並不代表 Unitree 的方法必然失敗。它們描述的是買家在將工作交託給機械人前必須解決的問題。同樣的問題適用於以專有模型、外部模型或兩者結合建構的系統。
因此，核心不確定性比「AI 能否改善機械人技術」更具體。問題在於某一特定系統可完成哪些任務、在甚麼條件下完成，以及需要甚麼支援。解答這項不確定性，將令該策略在商業上更容易理解。
留意可重現結果、陌生任務及客戶證據
在未來一至三個月，最有用的訊號將涉及證據質素。新的展示可以重新吸引注意，卻未必解答操作層面的問題。更具資訊價值的披露，會把可用技術與可重複成果及清楚說明的限制連繫起來。
第一個訊號，是外部團隊可重現地使用 Unitree 已發布的模型材料。留意外部團隊有否說明其硬件配置、軟件版本、任務定義及結果。在受支援條件下獨立重現，將增強對已發布起點的信心。
若有報告指出缺少要求或行為不一致，應值得調查，而非立即否定。其重要性取決於團隊有否遵循預定設定。清晰回應及修正文件，本身亦可為開發者準備程度提供有用證據。
第二個訊號，是系統在明確陌生條件下的表現。留意測試有否將訓練環境與評估環境分開，並披露後者如何選取。未剪輯運行、失敗嘗試及介入紀錄，將令結果更具資訊價值。
這類證據會加強已學習行為可遷移至原有場景以外的論點。若只在嚴格準備的環境中反覆成功，則只支持較狹窄的結論。兩種結果都毋須假裝有限能力毫無價值。
第三個訊號，是客戶對已完成工作的證據。一份有用的部署說明，會識別任務、操作條件、人手監督及例外情況的處理方式。客戶解釋為何繼續或擴大部署，將提供超越供應商示範的脈絡。
單靠出貨公告，仍會留下這些問題。同樣地，只描述意向而未報告實際運作的合作關係亦然。更強的訊號，是證據顯示買家發現系統能在既定責任範圍內發揮作用。
當模型可用性、陌生任務表現及客戶成果能夠連繫起來時，Unitree AI 將更容易評估。
這種連繫亦會令競爭比較更具紀律。供應商可在架構上存在分歧，同時仍面對有關可靠性及協助的相似問題。讀者將獲得不依賴市場熱度的判斷基礎。
據報股價回升，解釋了為何關注度加劇；但這並不決定工程故事如何收場。下一項有用的發展，是能縮小不確定性的證據，說明機械人可反覆完成甚麼工作。
在把下一項機械人公告視為部署里程碑前，先檢視它實際證明了甚麼任務。問一問環境是否熟悉、有否披露協助，以及是否包括失敗嘗試。將證據與買家希望委派的工作作比較，包括例外情況與復原。對 Unitree AI 而言，一項外界可重現的有限成果，會比另一個廣泛承諾提供更穩固的判斷基礎。把市場故事與營運故事分開，並隨新證據出現而更新兩者。下一次示範來臨時，提出一個具體問題：一個人現在可有信心地交託甚麼責任？
