三年营收从30万到10亿,智元创新赴港上市,能否跨越人形机器人量产门槛?

【宇树科技+智元机器人】人形机器人产业链核心标的 人形机器人产业已进入 “技术验证 - 量产爬坡 - 场景爆发” 的关键转折点,宇树与智元的供应链企业正从零部件供应商向技术合伙人升级。中大力德、绿的谐波凭借减速器技术垄断占据成本制高点;奥比中光、千觉机器人通过感知技术突破定义行业标准;比亚迪、上海临港依托资本与产能优势构建生态壁垒。 阅读详情

智元创新启动赴港上市,节奏紧凑引关注

就在前不久,港交所新版上市规则正式生效的同一天,智元创新确认启动赴港上市流程。这一消息虽早有传闻,但选择在新规落地当日官宣,其精准的时间点让业内感受到该公司节奏紧凑、步步踩点的行事风格。

三年三级跳,惊人增速背后的现实

成立三年,智元创新营收从30万元跃升至10亿元级别,量产下线突破15000台,拿下全球近4成的人形机器人出货份额,这样的增长速度在硬科技赛道极为罕见。其实际控制人邓泰华此前长期隐身,他有超20年华为任职经历,负责过无线与计算2大业务线,其运营思路贯穿智元发展全程。

把时间拉回2023年,很少有人预料到智元会冲到行业前排。成立首年营收仅30万元,2024年变为6000余万元,2025年突破10.5亿元,成为国内最快跨过10亿营收门槛的机器人公司。2026年一季度营收超10亿元,全年目标40亿元。

产能爬坡支撑了营收暴涨。2025年初单月产量在1000台级别,年底累计下线达5000台;2026年3月底第1万台通用具身机器人下线,6月底累计量产下线突破15000台,第15000台精灵G2当天交付给龙旗科技工厂。目前订单驱动的柔性生产能力已达年产能10万台以上。

出货量方面,第三方机构Omdia报告显示,2025年全球通用人形机器人出货量约13000台,智元以5168台占39%的市场份额,位列全球第1;IDC数据显示,2025年全球人形机器人整体出货量约18000台,智元以5200台稳居榜首,且在全尺寸细分市场同样排名第1。不过,“全球第一”头衔有争议,宇树科技曾发布澄清声明,指出双方统计口径不同,两家公司赛道定义不同让排名出现分歧,但它们已是行业内公认的前2名。

产品端,智元搭建了远征、灵犀、精灵、酷拓4大系列,覆盖全尺寸人形、半尺寸人形、轮式机器人和四足机器人,是行业内产品线最宽的公司之一。在世界人工智能大会上,一口气发布5款新品。场景落地集中在3C制造、仓储物流、商业服务等领域,客户从试点采购转向批量集采,龙旗等代工厂是核心客户。为降低客户使用门槛,还推出了RaaS租赁模式。

然而,光鲜增速背后,人形机器人行业仍处于早期。10亿营收拆分到15000台量级,单台均价不高,大量订单集中在中低端的轮式和半人形产品上。全尺寸人形机器人单价高、技术难度大,但出货占比有限。和优必选类似,智元现阶段高增长建立在低基数之上,盈利模型未完全跑通。摩根士丹利预测,2026年中国人形机器人出货量将达5万台,到2030年市场规模有望触及150亿美元,但分摊到几十家玩家头上,每家份额有限。

双资本平台,邓泰华的棋局落子

在智元快速扩张的三年里,邓泰华很长时间隐身幕后,台前是彭志辉(网名稚晖君),这位华为天才少年出身、B站百万粉丝的技术明星出席了几乎所有新品发布会和行业论坛,很多人曾以为他是智元创始人。直到2025年3月,邓泰华出任董事长兼CEO才逐渐走到台前。

邓泰华毕业于电子科技大学,和彭志辉是校友,在华为工作20余年,从研发工程师做到华为副总裁,执掌过无线产品线和计算产品线,主导推进了鲲鹏芯片、昇腾AI计算生态的构建。多家媒体报道,是他邀请彭志辉创业才有了智元,两人构成“产业老将+技术明星”创业组合。在投资人眼中,邓泰华的华为背景和产业操盘能力是智元核心价值所在。

这种产业老将的行事风格在资本运作上体现明显。去年智元通过关联主体收购科创板上市公司上纬新材,采用“协议转让加部分要约收购”方式,拿下至少63%的股份,交易总额约21亿元。消息传出后,上纬新材股价冲高,涨幅超12倍。智元明确表态未来36个月内不存在借壳上市计划,邓泰华规划的是双资本平台路径:港股作为主体独立IPO,A股平台承担产业链协同和资产孵化功能。

收购完成后,上纬新材未注入机器人主体资产,而是向机器人零部件延伸,用自研轻量化复合材料生产机器人结构件。今年5月,还联合北大、京东发布居家家电操作数据集,切入具身智能数据采集赛道,和智元本体业务形成上下游协同。彭志辉进入上纬新材董事会更多是技术和战略输出,而非资产注入信号。

港股方面,智元筹备工作早就在推进。去年底完成股份制改造,此后关于保荐机构、递表时间传闻不断,直到港交所新规生效当天才官宣。港交所改革对科技公司友好,新规对智元这样的高成长科技企业几乎是量身定做,按照基石投资人给出的400亿到500亿港元目标估值,智元能享受同股不同权政策红利,还能通过秘密递表减少市场波动。有投资人透露,公司最快8月就能上市,节奏超出行业预期。但估值上市场有分歧,基石投资人目标是400亿到500亿港元,与优必选市值相当,而公司内部曾提出800亿港元预期,差距本质上是对人形机器人赛道爆发节奏判断不同。双资本平台布局让智元有独特资本优势,体现了邓泰华的长远考虑。

竞速时代,上市只是中场哨

智元启动上市宣告人形机器人行业进入资本竞速阶段。过去两年,赛道重点在样机、技术演示,2025年下半年转向量产和落地。特斯拉规划年产能达1100万台,但马斯克坦言量产难度远超电动车;国内比亚迪、小鹏等车企也在机器人赛道发力;华为虽不做整机,但昇腾算力和鸿蒙系统成为很多机器人公司技术底座,智元是华为生态深度参与者。创业公司中,宇树科技技术路线独树一帜,优必选在资本市场接受了检验。

行业有说法称1万台是生死线,10万台是爆发点,今年头部企业在1万台到10万台爬坡,跨过门槛成本才能下降,商业模式才能成立。智元累计下线15000台,但纯双足全尺寸人形占比不高,真正考验还在后面。

上市对智元不是终点,拿到融资后研发、产能扩张、生态建设都要烧钱,资本市场会严格审视财报。对邓泰华而言,这是职业生涯下半场,智元是他首次从零开始创业并走向资本市场,面对的是更复杂的具身智能产业。人形机器人产业长跑才开始,上市融到的钱能用多久、量产规模能否跨过10万门槛、通用智能何时落地,都需在下半场给出答案。

智元与宇树:人形机器人AI智能与运动控制的技术路径分野 人形机器人作为人工智能与先进制造的交叉领域,其核心在于实现机器在物理世界中的自主感知、决策与执行。其技术原理融合了运动控制、计算机视觉、传感器融合与机器学习,旨在赋予机器人适应复杂非结构化环境的能力。这一技术的价值在于突破传统自动化设备的局限,实现更通用、更柔性的任务执行,从而在工业自动化、家庭服务、应急救援等多个场景中创造巨大潜力。当前,行业正围绕两大核心能力展开竞争:以宇树科技为代表的卓越运动控制与硬件可靠性,以及以智元机器人为代表的AI大模型驱动与具身智能。前者在运动性能与工程化落地方面构筑了坚实壁垒 阅读详情

相关推荐

Mac上安装虚拟机搭载window系统

用Mac的都知道,很多window用的软件是Mac版本没有的。平时有的还得要求去用那些软件,有几种方式可供大家选择: 1.再买个window本; 2.装双系统; 3.装虚拟机,搭载window系统。 我比较推荐第3条,这样可以在Mac本上做到双开,一边开着mac一边开着window,还能做到同时处理文件,不至于重新启动操作系统,下边是具体实现步骤,其中有几个需要下载的,建议在网速好的时候完...

Coder_Mumu的博客 1万+

智元创新赴港上市,三年三级跳背后能否跨越人形机器人产业长跑障碍?

在华为的20年,他操盘过百亿级别的产品线,经历过通信行业的黄金时代,也主导过计算业务的从无到有。从无线通信到AI计算,再到如今的具身智能,这一次面对的是一个比通信、比算力都更复杂的产业,机器人是硬件、软件、算法、制造的集大成者,产业链条更长,落地场景更分散,商业化周期也更长。无线是华为的传统现金牛业务,计算则是华为应对制裁的战略新赛道,鲲鹏芯片、昇腾AI计算生态的构建,都是在他任内主导推进的。智元的三年三级跳,证明了自己的执行力和量产能力,而市场更加看中的盈利能力和长期壁垒,则在慢慢兑现。

safetybug的博客 26

深入剖析STM32F103 I2C总线死锁问题及高效应对策略

本文深入剖析了STM32F103硬件I2C总线在轮询模式下发生死锁的根本原因,即硬件状态机的预取机制与软件响应速度不匹配。文章提供了高效的解决方案,包括在轮询模式下提前发送NACK/STOP信号、降低总线速度,以及治本的中断与DMA应用策略,帮助开发者根据项目需求选择最合适的方案,彻底解决这一经典硬件缺陷问题。

weixin_29184371的博客 207

智元、宇树中标中国移动1.24亿人形机器人

两家企业在中标中国移动项目中形成互补:智元的全尺寸机器人(1.6-1.8 米)满足工业巡检、重物搬运需求,宇树的小尺寸机器人(0.8-1 米)结合算力背包与灵巧手,适配数据中心检修、客服引导等场景。宇树已实现规模化交付,2024 年人形机器人交付量突破 1500 台,机器狗达 2.37 万台,年度营收超 10 亿元,连续五年盈利。算力背包集成高性能芯片,支持图像识别、路径规划等任务的本地实时处理,通信延迟极低,满足狭窄空间检修等复杂需求。,可完成奔跑、跳跃、后空翻等复杂动作,并支持螺丝刀、

具身机器人和通用AI 2249

自动化学报latex模板——ctex2.4.6和ctex2.9.2直接使用步骤

自动化学报latex模板——ctex2.4.6和ctex2.9.2直接使用步骤 1.背景及问题 最近在使用自动化学报latex模板写作业时,一只对latex搞不清楚,网上关于各种版本的latex下载了一堆(比如ctex中文套装方案的各个版本及texlive+texstudio方案,中间还升级了miktex,windet等),发现都未能成功编译出来自动化学报的latex模板,反正开始头很大!!!最后终于没忍住打开了: 自动化学报官网下载模板链接,因为我就要用latex模板(不能服输!)找到的解决方案是:使用

QIANFANGshiwo的博客 7713

保姆级教程:用Kvaser DB Editor从零创建你的第一个DBC文件(附CAN信号属性详解)

本文提供了一份详细的Kvaser DB Editor教程,指导用户从零开始创建DBC文件,并深入解析CAN信号属性的关键设置。通过步骤清晰的安装指南、信号属性配置详解和实用技巧,帮助工程师和学生快速掌握CAN总线通信的核心工具,提升工作效率。

weixin_27076351的博客 252

2026人形机器人万亿赛道投资全景

自2021年AI Day发布概念以来,Optimus已完成多轮关键升级——2023年Gen2实现减重10KG、行走速度提升30%,2024年11月抛接球视频展示 22 个自由度的灵巧手(手腕/前臂新增3个自由度),2025年5月跳舞视频验证 “仿真训练→单机推理” 的强化学习能力,2025年9月Optimus2.5版本以金色涂装、隐藏式关节接近量产形态。《“十四五” 规划建议》将 “具身智能”(人形机器人核心技术)列为 “新的经济增长点”,与量子科技、6G等并列,为产业提供长期政策保障。

具身机器人和通用AI 2485

FPGA上的时间数字转换器(TDC):详细概述及FPGA开发

本文对基于FPGA的时间数字转换器(TDC)进行了详细的概述,并提供了一个简单的示例代码,展示了如何在FPGA上实现TDC功能。在本文中,我们将详细概述基于FPGA的TDC,并提供相应的源代码示例,以帮助读者理解和实现这一功能。需要注意的是,这只是一个简单的示例,实际的TDC设计可能需要更多的功能和优化,以满足特定的需求。读取和重置:最后,测量结果可以通过读取计数器的值来获取,并且在每次读取后需要将计数器重置为零,以便进行下一次测量。TDC的基本原理是测量信号的到达时间与参考时钟之间的时间差。

EsqpWeller的博客 6872

估值对标宇树,智元加速赶考

两种路线,谁的故事更有吸引力?

lxinsight的博客 260

基于STM32、HAL库的BMP585 气压传感器 驱动程序设计

define BMP585_I2C_ADDR_PRIMARY 0x76 << 1 /* 0x76地址左移一位 */#define BMP585_I2C_ADDR_SECONDARY 0x77 << 1 /* 0x77地址左移一位 *//* I2C句柄 *//* I2C地址 *//* 设置新的温度过采样率 *//* 设置新的滤波器系数 *//* 芯片ID *//* 清除温度过采样位 *//* 转换为hPa *//* 设置新的压力过采样率 *//* 设置新的电源模式 *//* 清除压力过采样位 */

corlin6688的博客 461

小龙虾OpenClaw卸载全攻略,彻底清理缓存和配置,干净无残留!

不想要的小龙虾OpenClaw怎么彻底卸载?🦞本文教你如何彻底的卸载OpenClaw⚡️,Windows/macOS/Linux通用,干净无残留🧹

XiaoqiangClub的博客 318

具身智能双雄:宇树科技与智元创新上市竞速,谁能领跑资本市场?

7月30日晚间,宇树科技披露了科创板上市招股意向书及《发行安排及初步询价公告》,正式落定发行时间。在此之前,具身智能行业的资本化浪潮已持续许久,不少国内人形机器人企业进入IPO辅导、申报、聆讯或发行阶段。近期,宇树科技最大的竞争对手智元创新有了新动作,确认已启动赴港上市流程,但暂未披露保荐机构、递表时间及募资规模。同时,智元创新官网首次对外披露核心合伙人团队完整名单,意味着其上市核心班底正式公开。过去几个月,智元与宇树在多个层面展开交锋。先是争夺2025年出货量第一的位置,分别拿出不同测算数据,难分胜负;随

IT界那些事儿 25

软考高级系统架构设计师历年论文真题深度分析(2011-2025)

本文系统分析了2011-2025年系统架构设计师论文真题,归纳出十大主题类别,包括架构风格、企业集成、数据技术、非功能属性等。研究发现新兴技术占比最高(18.8%),企业集成、数据架构和非功能属性为三大核心考点。论文命题呈现明显技术演进特征,从经典架构理论逐步转向云原生、AI融合等前沿方向。备考建议重点关注高频考点和技术前沿,同时强化场景化解决方案能力。分析表明,架构师考试持续跟踪行业技术发展,注重理论与实践结合,为考生提供了明确的备考方向。

一几文的编程学习笔记。 2066

智元与宇树竞争升级:营收千亿目标背后,谁能在具身智能赛道突围?

智元机器人近期举办的一场行业大会,规格反常地高。2500个座位座无虚席,汇聚了来自34个国家和地区的客户、供应商与投资人;上海张江的会场内,英文、日文、韩文、阿拉伯文四路同传同步开启。这样的排场,向来是头部互联网大厂年度盛典的专属,很难与一家成立仅三年的机器人初创企业联系起来。这场大会上,创始人邓泰华将公司的核心经营数据毫无保留地公之于众。2023年,智元营收30万元;2024年,营收跃升至6000万元;2025年,营收直接突破10.5亿元。短短三年时间,营收实现了每年近20倍的疯狂裂变,成长速度堪称行业奇

IT界那些事儿 81

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

具身智能双雄:宇树与智元上市竞速,谁能领跑资本市场?

7月30日晚间,宇树科技披露了科创板上市招股意向书及《发行安排及初步询价公告》,正式确定发行时间。此前,具身智能行业的资本化浪潮已持续许久,不少国内人形机器人企业进入IPO辅导、申报、聆讯或发行阶段。近期,宇树科技最大的竞争对手智元创新有了新动作,确认已启动赴港上市流程,但暂未披露保荐机构、递表时间及募资规模。同时,智元创新官网首次对外披露核心合伙人团队完整名单,意味着其上市核心班底正式公开。在过去几个月,智元与宇树在多个层面展开交锋,先是争夺2025年出货量第一,后又先后官宣量产破万消息。这次智元冲刺上市

IT界那些事儿 53

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

“智元机器人收购A股上市公司是创新需要…现金流能撑三年”

这个也是我们今年3月份发布的基座模型GO1里提到的一个概念,我们在一阶段的自监督生成式预训练阶段用到了互联网的数据,用到了人的第一视角操作数据,在这些数据基础上我们其实可以学成一种通用的对动作的理解和表达,它是一种无关人或者机器人,或者是哪一个机器人,对动作的一种通用的描述。互联网的视频数据,其实我们整体来看是在偏金字塔的中下基座的位置,通过这些海量的低成本的数据,确实可以在第一阶段或者是预训练的阶段,确实可以给视觉编码器或者是视觉语言基础模型,以及我们一些影视的动作理解提供一个很好的基础。

量子位 1219

人形机器人从实验室到量产:宇树科技IPO背后的技术逻辑

2026年8月19日,人形机器人公司宇树科技(688836.SH)将在科创板上市,发行价150.80元/股,市值约610亿元。这是全球人形机器人行业首家登陆资本市场的公司。本文从技术视角拆解其核心技术壁垒与量产路径。

TongwenAI的博客 301

智元与汇川加码,机器人如何利好电机市场?

在牵一发而动全身的产业链上下游,机器人行业的成长基数得到稳定增长,为电机市场提供了更稳定且广阔的需求,倒推电机企业加大研发投入、提升产品质量,为国产电机企业提供了实现高端电机替代的机遇,加速国产替代进程。这些企业的发展和突破,标志着国产电机在高端市场的替代进程正在加速,逐步减少对外资品牌的依赖,并在全球市场中占据一席之地。伺服电机以其高精度控制、快速响应、宽速度范围和大扭矩输出等特性,能够实现对位置、速度、加速度和力矩的精准控制,特别适用于需要精确运动控制的场合,如工业自动化、机器人关节驱动等功能的实现。

funwy的博客 1495

微亿、智元、环动等,集体放缓IPO,机器人“待价而沽”

9月上旬,梅卡曼德创始人邵天兰上市不到十天,在朋友圈连发数文,矛头指向行业里的"攒局型"企业:名气很大、估值很高,大量利用数采中心以及与地方政府、投资方、供应商的关联交易,制造虚假的、不可持续的收入。据Wind统计,港交所有超过50家具身智能赛道企业候场,A股还有20多家,包括乐聚、云深处、星海图、逐际动力、众擎机器人、星动纪元、自变量机器人、银河通用等,有的在排队,有的被曝秘密递表。口水战没有赢家,但可以合理推测,行业内部的人,比二级市场的投资者更早意识到,一部分账面收入经不起推敲。

weixin_66593132的博客 249

609亿市值背后:宇树科技9年估值暴涨4500倍,人形机器人第一股的荣耀与隐忧

2026年8月,宇树科技以150.80元发行价登陆科创板,978万户投资者疯抢,中签率仅0.0181%。累计量产18000台人形机器人断层领先,新品超人原地跳高2米。从年亏千万到净利2.78亿,创始人王兴兴持股33.36%身价逼200亿。但智元上半年出货反超,行业应用率不足9%,第一股的桂冠之下挑战才刚开始。

找方案 298

7月A股分化,机器人接棒半导体!宇树上市、Optimus 3量产,人形机器人产业迎拐点?

以敏捷机器人公司的周转箱搬运任务为基准,代入宇树参数,在2 - 4公斤周转箱搬运工作中,宇树机器人的吞吐量与Agility的Digit相当,利用率50%-67%。而下半年的催化窗口正在打开,除了未来宇树上市交易,7月WAIC世界人工智能大会,7月底至8月特斯拉Optimus 3量产启动,8月WRC世界机器人大会、世界人形机器人运动会。宇树的支点,是执行器。真正决定板块长期高度的,是中国供应链在“身体”端的成本优势,能否在“大脑”端技术差距缩小的窗口期内,完成从性价比供应商到技术定义者的跃迁。

IT界那些事儿 150

机器人与时间赛跑:一场关于春晚、商业化、上市窗口的争夺赛

当“春晚”成为机器人企业考虑的课题之一,竞争的本质已经改变。

lxinsight的博客 1888

宇树科技 IPO 辅导收官:A 股人形机器人第一股冲刺,盈利模式+政策红利引领行业估值验证

杭州宇树科技(Unitree)正式完成 A 股 IPO 辅导,14 天快速通关监管前置程序,由中信证券牵头辅导。作为国内首个实现盈利的人形机器人企业(2020 年起盈利,2024 年营收超 10 亿元),其以四足机器人(占比 65%)为现金牛,全力冲刺人形机器人(G1/R1/H2)规模化,领跑 AgiBot、Aelos 等对手,有望成为 A 股人形机器人标杆股。

牛喀具身智能社区的博客 2462

四年营收翻十倍!宇树科技获批科创板上市,能否引领人形机器人“量产造血”?

宇树科技走硬件极致之路,四年营收翻十倍、扣非利润扭亏为盈、人形机器人全球出货量第一,很逆袭。IPO通过是重要里程碑,对行业是标志性转折点。当科技热潮和资本泡沫褪去,能撑起产业的是既能造出来又能卖得好、赚得动的硬核玩家,宇树科技是头号种子。

IT界那些事儿 152

今年的8月 属于机器人

2026年8月,中国机器人产业迎来爆发期。世界机器人大会和人形机器人运动会同期举办,373家企业展出超3000件展品,全球人形机器人出货量达4万台,中国占比97%。优必选、宇树科技等企业推出多款新品,价格下探至18万元,应用场景从工业扩展到家庭服务。资本市场活跃,前8个月融资超1278亿元。尽管产业快速成长,但大规模商业化仍面临ROI不足等问题。行业正从技术验证阶段转向价值证明阶段,未来竞争将聚焦实际应用和经济效益。

张星河的博客 579

人形机器人量产提速

🔥 具身智能与机器人🔥 具身智能与机器人苏州工业园区150余家具身智能企业集中展示,艾利特机器人首发轮式人形机器人Centaur-G1及工业具身大模型元启Primo,已在多家制造企业落地测试2026年上半年全球人形机器人出货量约19100台,中国人形机器人制造商占全球97%以上出货量,产业从"技术验证"加速迈向"批量交付"特斯拉8月正式启动Optimus人形机器人产线部署,弗里蒙特工厂Model S/X生产线已改造为Optimus专用产线,目标9月达到周产1000台。

m0_45197968的博客 218
上一篇: Stripe拟百亿收购OpenRouter,模型路由赛道黄金时代来了?
下一篇: AI漫剧产能井喷爆款难寻,创作者如何突破无限供给与有限注意力困局?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值