人形機器人公司Neura完成14億美元C輪融資，估值達70億美元，成為全球第一梯隊企業。

文章作者、來源： 融中財經

人形機器人賽道上又出現了一筆創紀錄的資金。

近日，總部在慕尼黑的人形機器人公司Neura正式宣佈完成了C輪的融資，融資額為14億美元，約合人民幣94.9億。融資到位之後，Neura的估值達到了大約70億美元，進入了全球人形機器人的第一梯隊。

這不僅僅是因為數字上創造了新的記錄，而且是意義所在。值得重視的是誰在給予以及為什麼給予。懂製造的人開始用產業資本下注，說明這個賽道的邏輯正在發生根本性的改變，由原來的技術展示轉向工廠落地，由資本的故事轉向真正的商業體系。人形機器人下一場戰爭已經悄然在工廠的地面上打響。

不只是金錢上的問題

這一次砸給人形機器人賽道的資金又達到了一個新的高度。

根據Neura官方披露的信息，公司已經完成了C輪的融資，融資金額為14億美金，約合94.9億人民幣。投資方名單上出現了一些科技圈的老面孔：英偉達、亞馬遜、高通等。但是使這次融資在業內引起關注的是另外兩個名字——舍弗勒和博世。

這兩家都是歷史悠久的老牌德國工業零部件公司，並不是新崛起的科技公司。舍弗勒專注於軸承和傳動系統，博世則深入到汽車零部件和工業設備領域，他們所服務的是全球製造業中最苛刻的一群客戶。這樣的公司做戰略投資，並不是為了追逐風口，而是因為看到了可以落地、可以量產、可以裝進真正的工廠裡的東西。它們都押注了Neura，背後的邏輯只有一個：人形機器人這件事已經走過了實驗室階段，正要進入可以認真做生意的時候。

Neura 的總部位於慕尼黑，其創始人 Armin Zeher 在工業機器人領域深耕多年，從一開始團隊的基因就不是學術派，而是工廠派。公司的問題意識非常明確：人形機器人怎樣才能在工業環境中長期工作，而不僅僅是在發佈會上走幾步、做幾個抓取動作之後就被掌聲送走了。因此，在眾多的人形機器人公司中，Neura 早早地就拿到了一張別人還沒有的入場券——寶馬已經成為了它的客戶，產品也在真實的生產線上經過了檢驗。來自真實的製造場景的背書，比任何一份漂亮的路線圖都更能夠說服像舍弗勒和博世這樣的公司在工廠裡打磨零件的公司。

隨著本輪融資落地，行業人士測算Neura的估值已經提升到了大約70億美元，在全球人形機器人公司中僅次於Figure AI，二者之間的差距也在迅速縮小。該數據本身不重要，但是這筆錢的去向所體現出來的邏輯變化才是我們應當關注的。過去兩年來，人形機器人的大額融資主要集中在美西地區，如Figure AI、Physical Intelligence、1X等公司，它們背後有OpenAI、微軟、貝索斯個人基金等支持，講的是通用機器人和AI具身智能的宏大敘事。Neura這一次不同了，英偉達帶來了算力基礎設施的角度，亞馬遜帶來了倉儲物流場景的需求判斷，而舍弗勒和博世帶來的，則是真正懂工業體系怎麼做的產業眼光。三個角度加在一起，使這次融資的價值不僅僅體現在規模上。

這條賽道上也開始有融資了

人形機器人的賽道上，資金也從來沒有像現在這樣集中地湧入。

在這樣的時間段裡資金會集中進來，這其中有幾方面的原因。

第一種是技術側的臨界點效應。近幾年來大模型能力的迅速提高，也使得機器人的感知、決策能力的上限被打破。早期的工業機器人是程序控制的，在高度結構化的環境中可以重複執行固定的運動，稍微複雜的環境則需要大量的手工編程與調試。大模型出現之後，機器人第一次有了處理非結構化環境的能力——它能夠理解自然語言指令，根據視覺信息判斷怎樣去抓取一個從未見過的物體，在任務執行過程中可以實時地調整自己的動作策略。人形機器人的能力提升使它不再侷限於“只能在固定的流水線上工作”，而可以做到“理論上可以完成大部分的人類體力勞動”，整個賽道的市場想象空間也隨之發生改變。

第二點就是需求端的壓力。全世界主要的製造國家都面臨著一個結構上的問題，即勞動力成本不斷上升，一線工人的缺口越來越難以填補。日本製造業的人口老齡化問題已經很嚴重了，有些工廠的一線工人平均年齡都超過了50歲；德國高端製造業的技術工人短缺問題也已經持續了一段時間； 就連勞動力成本比較低的東南亞地區，在經濟發展的推動下，製造業用工成本也是一年比一年高。在這樣的背景下，人形機器人出現了，並且不是一種選擇，而是越來越成為一種必須的選擇。舍弗勒和博世的介入，在某種意義上就是對這種需求側壓力的一種回應——它們不是隻在投資一家機器人公司，而是在為自己的工廠未來的解決辦法做準備。

但是這條賽道上已經出現了越來越明顯的分界線。

一類公司的路線是“通用人形機器人”，目標是製造出可以像人一樣工作的機器，適應各種各樣的場景，從倉儲、家政到零售都可以使用。這條路想象的空間最大，但是技術難度和商業化的週期也是最長的。人的身體動作非常複雜，“撿起一個隨意放置的物體”這一動作背後所涉及到的感知、判斷、運動控制的協同，至今仍然是機器人領域的一個核心難題。Figure AI和Physical Intelligence走的就是這樣的路線，它們拿到的資金很多，燒得也很快，商業化的時間表一直是外界關注的重點。

另一類公司則選擇了“垂直工業場景”的路徑，並不追求通用性，而是在少數幾個定義明確、重複度高、精度要求高的工業任務中集中機器人的能力，先把這幾個任務做好，在此基礎上再進行擴展。Neura 也是這樣做的。這條路的好處是商業化的路徑比較明確，客戶的驗證週期也相對可以控制，在一個頭部客戶生產線上跑通之後，複製到其他類似場景中的難度會大大降低。但是市場的天花板在最初的時候並不像前者那樣高，講出來的故事也沒有“通用人形機器人”那麼有吸引力。

機器人的時代，門檻又是什麼

人形機器人的真正戰場，並不是在發佈會現場，而是在工廠的地面上。

最近兩年來，整個行業的最集中討論就是兩個問題：機器人能不能動起來，動起來之後能不能聽懂命令。隨著大模型能力不斷提升，這兩個問題也逐漸有了答案。但是越來越多的從業者發現，技術本身已經不是最難的一道題了。真正決定人形機器人能否大規模落地的是它在真實的場景中是否能持續穩定地創造出價值，圍繞著這個價值所形成的商業體系能否運轉起來。那麼接下來幾年這條賽道要解決的核心問題是什麼呢？

工業製造場景，是目前公認的最早可以實現規模化落地的方向。原因不復雜：工廠環境比較結構化，任務定義清楚，重複性高，對精度和穩定性要求很高，但是邊界是可以量化的。另外，工廠場景需求很剛性。一條汽車裝配線每天要完成的操作次數是固定的，對節拍的要求是精確到秒的，這樣的場景對於機器人的容錯率要求很高，但是隻要機器人能穩定達標，它的替代價值就非常直接，採購決策也比較容易量化。因此，汽車製造、精密電子裝配、重型設備製造這三種方向成為了人形機器人最早開始真正應用的地方。寶馬、大眾等大廠的工廠裡已經出現了人形機器人，雖然數量不多，但是早期部署的意義在於它提供了一個真實的環境下的壓力測試數據，這是任何實驗室都替代不了的。

危險作業場景是很容易被忽略但是潛力很大的一個方面。在化工、核能、深海作業、高溫冶煉等環境中，人的作業面臨很高的安全風險，長期用工的成本也很高。對於機器人的要求，並不是靈活性，而是耐久性和可靠性，在高溫、高壓、高輻射的環境下可以長時間工作而不會感到疲憊也不會出錯。人形機器人在這一領域中的滲透目前還處於初期階段，但是已經有一些先導項目在進行中。這類應用的商業邏輯非常清楚：事故造成的損失遠遠大於機器人的購買和維護費用，只要機器人的可靠性達到標準，採購決策就基本不需要過多的討論。

但是落地的難點，並不是找到需要機器人的場景，而是在把機器人真正裝到這些場景之後，如何讓它持續穩定地工作。其中有一些問題會被人們忽略掉。第一種就是適配成本。每個工廠的生產線上都有一套屬於自己的節奏、佈局和工藝邏輯，把一個通用的人形機器人放到裡面去，要進行大量的場景定製和調試工作。這個過程不僅包括軟件層面的，還包括對工廠物理空間進行改造、安全防護體系重新設計以及工人與機器人協作流程重建等。工作所花費的成本和時間一般要比購買機器人本身的價格高很多，這也是目前限制大規模部署的一個重要因素。

第二個就是維護體系的形成。一臺工業機器人出現故障導致停產一小時所產生的損失，對於製造企業而言是一個很具體的數據。因此，機器人的供應商不僅要銷售產品，在客戶所在地區也要建立起來足夠的服務與維修能力。該體系的形成要花費時間、需要當地化的人才和技術人員以及備件庫存的佈置。對於一個剛開始規模化的商業化賽道而言，這是一筆很大的基礎設施投入，但是它是贏得客戶長期信任所必需的。

這些都是一些真實存在的難題，但是它們本質上是工程上的問題和商業上的問題，有解決的辦法，需要時間。人形機器人賽道走到今天最大的變化並不是技術突破有多快，而是整個產業鏈的信心集體建立起來。百年工業巨頭開始用真金白銀來投票的時候，汽車廠的裝配線上出現了真實的機器人之後，整個行業就由“能不能做到”轉到了“怎麼做得更好、更快、更穩”。這才是本輪最大融資所要關注的信號。從實驗室到工廠地面，人形機器人正在完成它最重要的一次跨越。