文 | 蓝媒汇，作者 | 封华，编辑 | 魏晓
最近有两个消息，让人形机器人行业感受到了新的风向。
9 月初在港股上市的梅卡曼德，其创始人邵天兰在朋友圈炮轰某些机器人企业是 " 攒局型创业 "，靠数采中心、租赁公司等各种关联交易做出不可持续的收入，成立两三年就要上市。
与此同时，市场上还传来消息，监管已向部分投行和投资机构作非正式 " 窗口指导 "，要提高人形机器人企业的 IPO 门槛，拟上市企业必须证明自己有持续性收入、正在减亏，或有真正重要的技术创新。
两件事看似孤立，实则一同指向了价值重估——机器人企业不能只画饼，不落地。
邵天兰将矛头指向了银河通用，不过市场上承受这份尴尬的不止这一家。
2023 年成立的自变量机器人，两年半融资超 50 亿元，美团、阿里、字节、小米四大厂全部进场，30 多家机构，估值约 200 亿元人民币。
然而自变量至今尚未形成规模化量产和销售收入。今年早些时候，自变量机器人联合创始人兼 COO 杨倩透露：" 我们开年第一月的出货量就超过了去年的总和。今年预计我们能够达到数亿订单。"
而同在深圳的对手智平方，同样估值 200 亿，已拿到近 5 亿元订单。
有消息称，自变量已向港交所秘密递表推进 IPO，公司回应 " 并不知情 "。在机器人企业 IPO 提高门槛的监管风向下，自变量还没能证明自己。
急于证明自己
8 月 12 日，自变量在深圳某头部物流仓库做了一场约一小时的直播：双臂机器人在无人工干预下连续分拣随机包裹，实现 1816 件 / 小时的效率、准确率超 98%。
单看数字，确实漂亮，但有行业人士指出二者口径并不对等。
博主 " 机器人大侦探 " 对比后发现，Figure 的试验结果，来自于长达 200 小时、多台机器人轮换的平均值，自变量拿出的则是一小时的峰值数据。而且，Figure 上阵的是全尺寸人形机器人，自变量则采取更简单的双机械臂 + 标准夹爪方案。
Figure AI 在 2025 年的出货量，据 Omdia 报道称仅有约 150 台，而宇树科技 2025 年出货量约 5500 台，Figure AI 仅以宇树的 2.7% 的出货量，实现了约合 2612 亿元人民币的估值，比宇树当前 2024 亿元的市值还要高一点。
自变量的潜台词在于：" 看到没，国外估值 2000 亿的机器人巨头能做，我们也能做，而且做得更好。"
只是，自变量空有对标头部玩家的雄心，却在现场操作中漏了马脚。
物流分拣属于较为标准化的场景，物品形态、重量、摆放有一定规律，机器人只需要在识别后抓取、翻面即可，如此循环，这是机械臂和自动化设备上很成熟的工作。
自变量 " 双机械臂 + 标准夹爪 " 的方案，虽然更适合类似的工厂场景，但科技感并不够震撼，无法撑起人形机器人的想象空间。
即使是 Figure AI，之前进入宝马的生产线后，也没有公布成功率、人工干预次数等关键指标，机器人还一度退役，留有空窗期。
这么看来，自变量急于强调成绩证明自己，动作有些急躁了。
而在进工厂之前，自变量还尝试凭借大规模进入家庭场景打响名声。
自变量创始人王潜把家庭场景，称为检验通用机器人的 " 终极考场 "。
在他看来，目前全球没有任何一台机器人可以在无遥控操作的情况下，独立完成一个真实家庭里 " 收拾拖鞋、洗完的碗、孩子的书包、被打翻的水 " 这类综合整理任务。
今年 3 月，自变量机器人联合 58 集团，在深圳率先推出机器人上门家政服务：机器人负责收拾桌面、捡垃圾、清理猫砂、协助叠被子，保洁员专注厨卫深度清洁。
自变量畅想的是 " 人机搭档，各司其职 "，机器人在真实家庭场景中采集数据。但实际情况并不理想，有博主花 149 元下单后发现，机器人叠一件衣服要花十分钟，三个小时只整理了鞋柜、餐桌和沙发，速度慢、噪音大。
更值得注意的是，公司对参与数据采集的家庭每月最高补贴 3000 元、单户封顶 6000 元，用真金白银换取家庭场景的数据采集权限。
换言之，所谓 " 家庭服务落地 "，目前更接近 " 投入换数据 " 的研发环节，而非真正能独立胜任家务的产品。到了 2026 年下半年，这项 149 元机器人保洁服务已经淡出公司的宣传口径。
恰巧的是，Figure AI 这次又来打脸了。
就在 9 月 17 日，Figure 机器人进入 30 个陌生家庭，没有提前采集环境数据，也没有针对这些家庭进行微调，直接面对不同的房间布局、家具和物品，并完成整理客厅、折叠毛巾和铺床三项任务。
最终结果，在零样本测试中的完整任务成功率达到 56%，比以往 9% 的成功率进步明显。
自变量和 Figure AI 在工厂和家庭场景，都证明了一件事：演示可以亮眼，但离胜任，还有一段不短的距离。
过度标榜自己，并不明智。
市场变冷静，时间不等人
Figure AI 没卖多少机器人，却能获得高估值的原因并不复杂——拥有模型能力。
9 月 17 日的家庭场景测试，就得益于刚发布的 Helix 2.5 模型，Figure 将其称为自己构建的最先进的神经网络。
自变量的战略畅想，也是这条路。
自变量与传统机器人不同，没有走感知、规划、控制模块拼接的路线，而是从第一天起就做端到端的统一预训练模型，让模型理解整个物理世界。
这条路线在两年多里逐步搭建。2024 年底，自变量发布第一代 " 视觉—语言—动作 "（VLA）架构模型 WALL-A；2026 年 4 月，又推出被其称为全球首个 " 世界统一模型 "（WUM）架构的 WALL-B；之后又陆续发布具身智能世界模型（WALL-WM）、下一尺度自回归世界模型（ WALL-SS ）等。
这条路的天花板确实很高，一旦跑通，机器人将具备跨场景、跨任务的泛化能力，护城河也最深。
但通用模型的价值，最终要靠 " 每进一个新场景都不需要重新大量采数、重新驻场微调 " 来兑现。
如果每接一个客户都要重新采集、重新调试，边际成本无法递减，那它就更像一家项目制公司，而非平台公司，恐怕难以撑不起 200 亿元的估值。
此外，模型训练要海量算力，数据采集要真机与真实场景，人才要顶级薪酬，硬件本体与灵巧手要从零研发，全栈自研意味着周期长、高投入。这对还未实现规模化营收的自变量来说，压力山大。
为了让机器人在真实物理世界里采集数据，自变量在深圳建了国内首个大规模机器人数据工厂，又推出无本体数采方案，宣称能降低约 95% 的数据采集成本。
这条路线也是自变量吸引各路投资的根本原因：虽然当前收入微薄，但资本愿意为 " 超级通用模型 " 的长期想象买单。
苏商银行特约研究员告诉 AI 蓝媒汇：" 一家企业如果只有模型能力，没有硬件量产能力，没有稳定的客户订单，没有可持续的收入结构，那它的估值支撑主要来自资本市场对赛道的预期，而不是企业本身的经营成果。"
时间不等人，外部环境正在变得冷静。
最直接的信号来自宇树科技。这家 " 人形机器人第一股 "8 月 19 日登陆科创板，一度逼近 4500 亿元；但随后在十几个交易日里，市值蒸发超 2400 亿元。
作为机器人赛道的估值锚，宇树的腰斩为整个行业敲响了警钟：一级市场愿意为技术叙事买单，二级市场却要用真金白银的盈利来检验。
这个前车之鉴，对于有上市计划的自变量来说，不是个好消息，需要做的是，尽快把模型能力转化为成客户愿意持续付费的生产力。
