中國資本偏好短期變現、缺乏智慧財產權意識，或阻礙 AI 發展

Neo

29 分鐘前

Pantera Capital 投資人 Cosmo Jiang 近日分享一篇深圳實地調研紀錄，指出中國在全球人形機器人產業中扮演的角色，遠比外界想像更加重要。中國憑藉成熟的製造業聚落、完整供應鏈及成本優勢，已在機器人硬體領域建立難以複製的競爭壁壘，但在真正決定機器人自主能力的 AI 軟體與基礎模型方面，仍明顯落後美國。

Cosmo Jiang 表示，團隊過去幾年持續關注機器人產業，也投資部分美國機器人公司，但僅透過遠端資訊難以完整理解中國在全球供應鏈中的地位。因此，他們親自走訪深圳，拜訪涵蓋人形機器人製造商、模型開發商、資料採集設備供應商及靈巧手專業廠商等不同環節的企業，並與創辦人、高階主管及基層員工交流。

Table of Contents

中國掌握機器人硬體優勢，深圳供應鏈形成難以複製的護城河

Cosmo Jiang 指出，中國目前在機器人硬體領域具有明顯領先優勢，關鍵並非單純的低廉勞動力，而是數十年製造業發展累積出的完整產業聚落。

廣告 - 內文未完請往下捲動

深圳擁有高度密集的原物料供應商、精密加工廠、物流體系及大量具備製造技術的勞動力，使機器人新創能夠快速完成設計迭代。例如，一家深圳人形機器人新創早上提出新的零件設計，中午就可能從供應商取得打樣產品。這種研發與製造緊密結合的速度，是其他新興製造中心難以複製的優勢。

調研期間，團隊特別提到中國廠商無極科技（Wuji Tech）的靈巧手，其將超過 1,800 個零件整合至接近真人手掌大小的產品中，整體表現甚至優於團隊過去在美國見過的產品。

該產品的特殊設計之一，是手指能夠向後彎曲，以提高耐用性及碰撞時的韌性。團隊也實際觀察到，這款靈巧手能夠透過遠端操控，從一副撲克牌中精準抽出單張牌。這項看似簡單的人類動作，對機器人而言卻涉及精密的力量與摩擦力控制。

更值得注意的是，這些中國供應商並非只服務本土市場。Cosmo Jiang 表示，部分深圳廠商其實已經默默成為美國大型科技公司及多家大型新創的供應商，涵蓋靈巧手、致動器，以及用於機器人訓練資料採集的攝影機與頭戴設備。

這也反映出一個容易被忽略的現象：部分美國機器人公司雖然強調自主設計與內部製造，但其供應鏈背後仍高度依賴中國廠商。

不過，中國製造業的另一面是極端激烈的價格競爭。即使企業投入大量資源開發新一代致動器，最終仍必須面對競爭對手不斷降價的壓力。

Cosmo Jiang 提到，一名零售業者向團隊抱怨，中國企業經常願意犧牲當年度利潤換取市占率，希望下一年能夠獲利，但隔年又有新的競爭者願意以更低價格搶占市場。

這種被稱為「吃苦」的商業文化，一方面讓中國企業難以維持高額利潤，另一方面卻使整個產業持續受益於成本下降與製造效率提升。

機器人資料採集市場快速擴張，但真正的護城河是資料品質

除了硬體供應鏈，機器人訓練資料也是此次調研的重要發現。Cosmo Jiang 指出，中國目前存在大量機器人資料採集活動，背後甚至涉及地方政府的政策補貼與就業目標。

在中國中央政府推動機器人產業發展後，地方政府開始尋找能夠快速創造相關就業機會的方式，而補貼資料採集便成為其中一種選擇。因此，中國各地出現大量資料工廠，工作人員透過頭戴設備、感測手套等工具，反覆執行相同動作，產生機器人訓練影片及其他形式的資料。

問題在於，這些資料的實際訓練價值未必如表面數量所呈現的那麼高。

部分資料工廠產出的內容高度重複，即使累積數千小時的影片，也不代表能夠等比例提升模型能力。然而，這些資料仍然能夠成功銷售至海外，反映出目前全球機器人產業仍面臨資料供給不足的問題。

與大型語言模型不同，LLM 可以透過網路上的海量文字進行訓練，但機器人必須理解真實世界的物理環境，包括物體形狀、觸覺、力量、空間關係及動作結果，目前並不存在同等規模、可以直接取得的資料庫。

因此，Cosmo Jiang 認為，機器人資料產業真正的投資價值，不在於誰能夠蒐集最多小時的影片，而在於誰能夠從原始資料中提取真正有助於模型進步的訓練訊號。這包括資料標註、篩選、整理、品質評估，以及根據前沿模型實際需求調整採集方式。

他將這種競爭優勢比喻為 Scale AI 與 Mercor 在大型語言模型產業中的發展模式：真正成功的企業不只是提供人力或資料，而是憑藉研究能力深入模型實驗室的工作流程，成為值得信任的研究合作夥伴。

中國硬體領先，美國 AI 軟體仍有一至兩年優勢

此次調研最值得注意的發現，是中國機器人產業的軟體能力，並沒有隨著硬體製造能力同步進步。Cosmo Jiang 表示，團隊在深圳觀察到的大部分人形機器人，仍然缺乏真正的自主操作能力與泛化能力，實際展示經常依賴遠端操控或預先編寫好的動作流程。

多名中國企業高階主管坦承，自家機器人的 AI 軟體能力仍然不足，與海外競爭對手相比至少落後一至兩年。部分較年輕的員工甚至直接表示，公司目前的軟體根本無法正常運作，相關開發投入也不夠積極。

這反映出中國機器人產業的一個結構性問題：製造硬體與開發機器人基礎模型，是兩種完全不同的能力。目前不少中國人形機器人製造商，仍然依賴 OpenAI、NVIDIA 及 Physical Intelligence 等美國公司的開源模型，作為自身軟體能力的基礎，而非投入大量資本從零開發自主的基礎模型。

Cosmo Jiang 認為，這其實也為美國 AI 公司創造機會。透過開源模型，美國實驗室能夠讓中國製造商直接採用自己的技術，擴大模型生態系統及市場滲透率。中國廠商則可能選擇在既有模型上進行微調與後訓練，而不是承擔開發基礎模型所需的龐大成本。

不過，機器人模型的技術蒸餾比大型語言模型更加困難。LLM 可以透過大量合成文字資料進行模型蒸餾，但機器人必須同時具備真實世界的物理互動資料、硬體基礎設施及實際環境驗證能力。即使中國具有強大的製造能力，也不代表能夠直接複製美國前沿機器人模型的智慧。

中國資本偏好短期變現，可能限制長期 AI 研發

Cosmo Jiang 也將中國機器人產業的軟體落後，部分歸因於資本市場及創投生態系統的差異。他表示，團隊在與中國新創交流時，經常聽到一種說法：美國新創不需要那麼快賺錢，但中國新創必須盡早實現商業化。部分中國新創在成立後兩至三年內，就必須展現具體營收，而一旦出現初步市場成績，投資人甚至會開始推動企業盡快上市。

相較之下，基礎模型研發需要長時間投入資本、人力與研究資源，商業化路徑也更加不確定。這使中國企業更傾向選擇硬體製造及資料採集等能夠快速創造營收的業務，而非長期投入基礎軟體研發。

此外，智慧財產權保護不足，也讓企業更傾向盡快將每一項技術創新變現，避免競爭對手快速複製。這種結構性誘因，使中國雖然建立了強大的機器人硬體產業，卻未必能夠將製造優勢轉化成長期的軟體領導地位。