聚焦：人工智能、芯片等行业
性能上探与价格下沉并行，低自由度产品已跌破万元大关。与此同时，宇树、Figure 等整机厂商强化自研，供应商面临客户转化为竞争对手的挑战。
Sharpa 的 DQ 挑战：技能迁移比订单更珍贵
Sharpa 在上海吴江路 DQ 门店制作的不仅是一杯暴风雪，更是对具身智能核心成本——“技能迁移”的一次深度验证。
该系统无需门店改造厨房，直接沿用纸杯、柜门、料勺及冰淇淋机等人类设施，自主完成 55 个连续步骤。由于纸杯形变、原料差异及光线不稳定等因素，微小的抓取误差会被后续步骤放大。在 55 个步骤中，触觉参与率高达 98%，仅靠视觉无法精准判断握力。
为此，Sharpa 将“手”置于系统核心，利用 CraftNet 融合视觉、触觉、语言与动作，以约 100Hz 的频率处理接触反馈。
DQ 项目综合训练不足 5 个月，目前单杯制作耗时约 6 分钟，效率约为人类店员的一半。相比当前效率，更具价值的指标是拓展第二个场景所需的训练时长。机器人在工作中产生的真实数据，正将数据采集从研发支出转变为产品运行的副产品。
冰淇淋制作仅是首张考卷。餐饮、零售、酒店等行业均处于标准流程与非标准现场的交界点。一旦抓取柔性容器、操作旋钮及控制力度等能力实现复用，新增场景的训练成本将显著下降。届时，Sharpa 的商业价值将从单一项目延伸为能在现实世界持续积累的软件与数据能力。
禾赛基因：将实验室产品压入量产曲线
近日，Sharpa 披露累计融资超 45 亿元，投后估值达 220 亿元。公司成立于 2024 年底，创始团队源自禾赛科技，投资方涵盖阿里、美团、腾讯、京东、传音及红杉中国、启明创投等机构。
作为“禾赛创始团队二次创业”，李一帆、向少卿、孙恺曾亲历激光雷达从昂贵小众走向百万级出货的过程，深谙精密机电、成本控制、可靠性及规模制造之道。这套能力正迅速迁移至机器人领域：2026 年 3 月，禾赛开始向 Sharpa 供应激光雷达与执行器，并提供装配测试支持。
截至 6 月底，禾赛机器人执行器专线累计交付超 1 万套，计划从灵巧手延伸至全身关节；双方年度关联交易上限也由 1 亿元上调至 3 亿元。
禾赛的规模化轨迹极具参考意义：2025 年其激光雷达出货 162.04 万台，同比增长 222.9%，营收 30.28 亿元，GAAP 净利润 4.36 亿元。随着 ADAS 产品占比提升，平均售价虽从 530 美元降至 260 美元，全年毛利率仍保持在 41.8%。这种在高端硬件降价一半的同时保住利润的能力，正是机器人行业稀缺的制造壁垒。
然而挑战依旧严峻。激光雷达仅为单一传感器，而机器人由数十个自由度和成千上万个机电零件构成。Counterpoint 数据显示，2026 年上半年全球人形机器人出货增长近 300%，但需求仍集中在表演、科研及数据采集，制造、物流及商业服务尚处验证期。
因此，Sharpa 选择先深耕商业场景以积累操作能力与真实数据，计划于 2028 年起逐步探索家庭市场。
创始人李一帆判断激进：物理世界没有纯做 OpenAI 的机会，只有苹果的机会。Physical AI 的基础设施尚未成熟，真实数据、算力形态及执行器均显薄弱。模型不能悬空于硬件之上，必须形成“硬件设计 - 模型训练 - 数据回流”的闭环。这也是 Sharpa 押注全栈路线的逻辑所在。
尽管全栈模式更重、更慢且烧钱，甚至可能导致零部件供应商与整机客户陷入竞争，但李一帆认为机器人市场规模可达汽车的 10 倍，全球最终或仅存 5 家巨头。
禾赛曾用工程能力将数万美元的激光雷达降至千元级。如今，Sharpa 赌的是同样的规模化能力，能否将灵巧手从 Demo 转化为月产万只、良率稳定且成本持续下探的工业品。
边界扩张：从零部件到整机与模型的全栈布局
Sharpa 正将灵巧手打造为通往物理 AI 的入口：底层为 Wave 灵巧手，中间是 67 自由度的 North 整机，上层是 CraftNet 模型，应用端覆盖餐饮、酒店、零售及制造。其官方定位已转向“全栈物理 AI”，旨在获取不仅限于硬件的价值，更包括机器人如何使用这只手的系统能力。
该路线的核心是将硬件、触觉、模型、整机及部署整合进同一闭环。其中，触觉是关键变量。数字 AI 可从图文视频学习，而物理 AI 需理解力量、摩擦、接触及形变。Wave 既是执行器也是传感器，更是高密度数据入口。
外部研究佐证了这一方向。NVIDIA、UC Berkeley 和马里兰大学 2026 年发布的 EgoScale，利用超 2 万小时第一视角人类视频训练 22 自由度灵巧操作任务，成功率较基线提升 54%。Wave 已被纳入 NVIDIA GEAR 机器人学习研究及 Isaac GR00T 参考设计。
Sharpa 的商业路径由此清晰：Wave 提供标准化触觉与运动接口，装机产生数据推动模型进化，模型再赋能 North 及其他本体，机器人在真实场景中持续制造高价值交互数据。
这也构成了 Sharpa 最棘手的矛盾：既希望将 Wave 卖给更多厂商，又生产自有整机 North。这种“供应商 + 竞争者”的双重身份虽能放大生态，也可能削弱伙伴信任。
物理 AI 行业共识渐成：本体、传感、模型、数据和场景缺一不可。Sharpa 的野心，是将这几层能力尽可能掌握在自己手中。
结语
下一场考试的考题已然更换。业界关注的焦点不再是机器人能否完成倒杯动作，而是离开特定场景后，它究竟沉淀了多少可复用的核心能力。
参考资料来源：第一财经、21 世纪经济报道、界面新闻、经济观察网等相关报道。