原文作者：Jacob Zhao

本獨立研報由 IOSG Ventures 支持，感謝 Hans (RoboCup Asia-Pacific) , Nichanan Kesonpat(1kx), Robert Koschig (1kx) , Amanda Young (Collab+Currency) , Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital) , Jeffrey Hu (Hashkey Capital) 對本文提出的寶貴建議。撰寫過程中亦徵詢了 OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient,Tashi Network 和 CodecFlow 等項目團隊的意見反饋。本文力求內容客觀準確，部分觀點涉及主觀判斷，難免存在偏差，敬請讀者予以理解。

一、機器人全景：從工業自動化到人形智能

傳統機器人產業鏈已形成自下而上的完整分層體系，涵蓋核心零部件—中間控制系統—整機制造—應用集成四大環節。核心零部件（控制器、伺服、減速器、傳感器、電池等）技術壁壘最高，決定了整機性能與成本下限；控制系統是機器人的「大腦與小腦」，負責決策規劃與運動控制；整機制造體現供應鏈整合能力。系統集成與應用決定商業化深度正成為新的價值核心。

按應用場景與形態，全球機器人正沿着「工業自動化 → 場景智能化 → 通用智能化」的路徑演進，形成五大主要類型：工業機器人、移動機器人、服務機器人、特種機器人以及人形機器人。

· 工業機器人（Industrial Robots）：當前唯一全面成熟的賽道，廣泛應用於焊接、裝配、噴塗與搬運等製造環節。行業已形成標準化供應鏈體系，毛利率穩定，ROI 明確。其中的子類協作機器人（Cobots）強調人機共作、輕量易部署，成長最快。代表企業：ABB、發那科 (Fanuc)、安川電機（Yaskawa）、庫卡 (KUKA)、Universal Robots、節卡、遨博。

· 移動機器人（Mobile Robots）：包括 AGV（自動導引車）與 AMR（自主移動機器人），在物流倉儲、電商配送與製造運輸中大規模落地，已成為 B 端最成熟品類。代表企業：Amazon Robotics, 極智嘉 (Geek+)、快倉（Quicktron）、Locus Robotics。

· 服務機器人（Service Robots）： 面向清潔、餐飲、酒店與教育等行業，是消費端增長最快的領域。清潔類產品已進入消費電子邏輯，醫療與商用配送加速商業化。此外一批更通用的操作型機器人正在興起（如 Dyna 的雙臂系統）——比 任務特定型產品更靈活，但又尚未達到人形機器人的通用性。代表企業：科沃斯、石頭科技、普渡科技、擎朗智能、iRobot、 Dyna 等。

· 特種機器人 主要服務於醫療、軍工、建築、海洋與航天等場景，市場規模有限但利潤率高、壁壘強，多依賴政府與企業訂單，處於垂直細分成長階段，典型項目包括 直覺外科、Boston Dynamics、ANYbotics、NASA Valkyrie 等。

· 人形機器人（Humanoid Robots）：被視為未來「通用勞動力平台」。代表企業包括 Tesla（Optimus）、Figure AI（Figure 01）、Sanctuary AI (Phoenix)、Agility Robotics（Digit）、Apptronik (Apollo)、1X Robotics、Neura Robotics、宇樹科技（Unitree）、優必選（UBTECH）、智元機器人 等。

人形機器人是當下最受關注的前沿方向，其核心價值在於以人形結構適配現有社會空間，被視為通往「通用勞動力平台」的關鍵形態。與追求極致效率的工業機器人不同，人形機器人強調通用適應性與任務遷移能力，可在不改造環境的前提下進入工廠、家庭與公共空間。

目前，大多數人形機器人仍停留在技術演示階段，主要驗證動態平衡、行走與操作能力。雖然已有部分項目在高度受控的工廠場景中開始小規模部署（如 Figure × BMW、Agility Digit），並預計自 2026 年起會有更多廠商（如 1X）進入早期分發，但這些仍是「窄場景、單任務」的受限應用，而非真正意義上的通用勞動力落地。整體來看，距離規模化商業化仍需數年時間。核心瓶頸包括：多自由度協調與實時動態平衡等控制難題；受限於電池能量密度與驅動效率的能耗與續航問題；在開放環境中容易失穩、難以泛化的感知—決策鏈路；顯著的數據缺口（難以支撐通用策略訓練）；跨形體遷移尚未攻克；以及硬件供應鏈與成本曲線（尤其在中國以外地區）仍構成現實門檻，使大規模、低成本部署的實現難度進一步提高。

未來商業化路徑預計將經歷三個階段：短期以 Demo-as-a-Service 為主，依賴試點與補貼；中期演進為 Robotics-as-a-Service (RaaS)，構建任務與技能生態；長期以勞動力雲與智能訂閱服務為核心，推動價值重心從硬件製造轉向軟件與服務網絡。總體而言，人形機器人正處於從演示到自學習的關鍵過渡期，未來能否跨越控制、成本與算法三重門檻，將決定其能否真正實現具身智能。

二、AI × 機器人：具身智能時代的黎明

傳統自動化主要依賴預編程與流水線式控制（如感知–規劃–控制的 DSOP 架構），只能在結構化環境中可靠運行。而現實世界更為複雜多變，新一代具身智能（Embodied AI）走的是另一條範式：通過大模型與統一表示學習，使機器人具備跨場景的「理解—預測—行動」能力。具身智能強調 身體（硬件）+ 大腦（模型）+ 環境（交互）的動態耦合，機器人是載體，智能纔是核心。

生成式 AI（Generative AI）屬於語言世界的智能，擅長理解符號與語義；具身智能（Embodied AI）屬於現實世界的智能，掌握感知與行動。二者分別對應「大腦」與「身體」，代表 AI 演化的兩條平行主線。從智能層級上看，具身智能比生成式 AI 更高階，但其成熟度仍明顯落後。LLM 依賴互聯網的海量語料，形成清晰的「數據 → 算力 → 部署」閉環；而機器人智能需要 第一視角、多模態、與動作強綁定的數據——包括遠程操控軌跡、第一視角視頻、空間地圖、操作序列等，這些數據 天然不存在，必須通過真實交互或高保真仿真生成，因此更加稀缺且昂貴。雖然模擬與合成數據有所幫助，但仍無法替代真實的傳感器—運動經驗，這也是 Tesla、Figure 等必須自建遙操作數據工廠的原因，也是東南亞出現第三方數據標註工廠的原因。簡而言之：LLM 從現成數據中學習，而機器人必須通過與物理世界互動來「創造」數據。未來 5–10 年，二者將在 Vision–Language–Action 模型與 Embodied Agent 架構上深度融合——LLM 負責高層認知與規劃，機器人負責真實世界執行，形成數據與行動的雙向閉環，共同推動 AI 從「語言智能」邁向真正的通用智能（AGI）。

具身智能的核心技術體系可視為一個自下而上的智能棧：VLA（感知融合）、RL/IL/SSL（智能學習）、Sim2Real（現實遷移）、World Model（認知建模）、以及多智能體協作與記憶推理（Swarm & Reasoning）。其中，VLA 與 RL/IL/SSL 是具身智能的「發動機」，決定其落地與商業化；Sim2Real 與 World Model 是連接虛擬訓練與現實執行的關鍵技術；多智能體協作與記憶推理則代表更高層次的羣體與元認知演化。

感知理解：視覺–語言–動作模型 (Vision–Language–Action)

VLA 模型通過整合 視覺（Vision）—語言（Language）—動作（Action）三個通道，使機器人能夠從人類語言中理解意圖並轉化為具體操作行為。其執行流程包括語義解析、目標識別（從視覺輸入中定位目標物體）以及路徑規劃與動作執行，從而實現「理解語義—感知世界—完成任務」的閉環，是具身智能的關鍵突破之一。當前代表項目有 Google RT-X、Meta Ego-Exo 與 Figure Helix，分別展示了跨模態理解、沉浸式感知與語言驅動控制等前沿方向。

Vision-Language-Action 模型通用架構

目前，VLA 仍處於早期階段，面臨四類核心瓶頸：

1）語義歧義與任務泛化弱：模型難以理解模糊、開放式指令；

2）視覺與動作對齊不穩：感知誤差在路徑規劃與執行中被放大；

3）多模態數據稀缺且標準不統一：採集與標註成本高，難以形成規模化數據飛輪；

4）長時任務的時間軸與空間軸挑戰：任務跨度過長導致規劃與記憶能力不足，而空間範圍過大則要求模型推理「視野之外」的事物，當前 VLA 缺乏穩定世界模型與跨空間推理能力。

這些問題共同限制了 VLA 的跨場景泛化能力與規模化落地進程。

智能學習：自監督學習（SSL）、模仿學習 (IL) 與強化學習 (RL)

· 自監督學習 (Self-Supervised Learning)：從感知數據中自動提取語義特徵，讓機器人「理解世界」。相當於讓機器學會觀察與表徵。

· 模仿學習（Imitation Learning）：通過模仿人類演示或專家示例，快速掌握基礎技能。相當於讓機器學會像人一樣做事。

· 強化學習（Reinforcement Learning）：通過「獎勵-懲罰」機制，機器人在不斷試錯中優化動作策略。相當於讓機器學會在試錯中成長。

在 具身智能（Embodied AI）中，自監督學習（SSL）旨在讓機器人通過感知數據預測狀態變化與物理規律，從而理解世界的因果結構；強化學習（RL）是智能形成的核心引擎，通過與環境交互和基於獎勵信號的試錯優化，驅動機器人掌握行走、抓取、避障等複雜行為；模仿學習（IL）則通過人類示範加速這一過程，使機器人快速獲得行動先驗。當前主流方向是將三者結合，構建層次化學習框架：SSL 提供表徵基礎，IL 賦予人類先驗，RL 驅動策略優化，以平衡效率與穩定性，共同構成具身智能從理解到行動的核心機制。

現實遷移：Sim2Real——從仿真到現實的跨越

Sim2Real（Simulation to Reality）是讓機器人在虛擬環境中完成訓練、再遷移至真實世界。它通過高保真仿真環境（如 NVIDIA Isaac Sim & Omniverse、DeepMind MuJoCo）生成大規模交互數據，顯著降低訓練成本與硬件磨損。其核心在於縮小「仿真現實鴻溝」，主要方法包括：

· 域隨機化（Domain Randomization）：在仿真中隨機調整光照、摩擦、噪聲等參數，提高模型泛化能力；

· 物理一致性校準：利用真實傳感器數據校正仿真引擎，增強物理逼真度；

· 自適應微調（Adaptive Fine-tuning）：在真實環境中進行快速再訓練，實現穩定遷移。

Sim2Real 是具身智能落地的中樞環節，使 AI 模型能在安全、低成本的虛擬世界中學習「感知—決策—控制」的閉環。Sim2Real 在仿真訓練上已成熟（如 NVIDIA Isaac Sim、MuJoCo），但現實遷移仍受限於 Reality Gap、高算力與標註成本，以及開放環境下泛化與安全性不足。儘管如此，Simulation-as-a-Service（SimaaS）正成具身智能時代最輕、卻最具戰略價值的基礎設施，其商業模式包括 平台訂閱（PaaS）、數據生成（DaaS）與 安全驗證（VaaS）。

認知建模：World Model——機器人的「內在世界」

世界模型（World Model）是具身智能的「內腦」，讓機器人能在內部模擬環境與行動後果，實現預測與推理。它通過學習環境動態規律，構建可預測的內部表示，使智能體在執行前即可「預演」結果，從被動執行者進化為主動推理者，代表項目包括 DeepMind Dreamer、Google Gemini + RT-2、Tesla FSD V12、NVIDIA WorldSim 等。典型技術路徑包括：

· 潛變量建模（Latent Dynamics Modeling）：壓縮高維感知至潛在狀態空間；

· 時序預測想象訓練（Imagination-based Planning）：在模型中虛擬試錯與路徑預測；

· 模型驅動強化學習（Model-based RL）：用世界模型取代真實環境，降低訓練成本。

World Model 處於具身智能的理論前沿性，是讓機器人從「反應式」邁向「預測式」智能的核心路徑，但仍受限於建模複雜、長時預測不穩與缺乏統一標準等挑戰。

羣體智能與記憶推理：從個體行動到協同認知

多智能體協作（Multi-Agent Systems）與記憶推理（Memory & Reasoning）代表了具身智能從「個體智能」向「羣體智能」和「認知智能」演進的兩個重要方向。二者共同支撐智能系統的協作學習與長期適應能力。

多智能體協作（Swarm / Cooperative RL）：

指多個智能體在共享環境中通過分佈式或協作式強化學習實現協同決策與任務分配。該方向已有紮實研究基礎，例如 OpenAI Hide-and-Seek 實驗 展示了多智能體自發合作與策略湧現，DeepMind QMIX 和 MADDPG 算法 提供了集中訓練、分散執行的協作框架。這類方法已在倉儲機器人調度、巡檢和集羣控制等場景中得到應用驗證。

記憶與推理（Memory & Reasoning）：

聚焦讓智能體具備長期記憶、情境理解與因果推理能力，是實現跨任務遷移和自我規劃的關鍵方向。典型研究包括 DeepMind Gato（統一感知-語言-控制的多任務智能體）和 DeepMind Dreamer 系列（基於世界模型的想象式規劃），以及 Voyager 等開放式具身智能體，通過外部記憶與自我演化實現持續學習。這些系統為機器人具備「記得過去、推演未來」的能力奠定了基礎。

全球具身智能產業格局：合作競爭並存

全球機器人產業正處於「合作主導、競爭深化」的時期。中國的供應鏈效率、美國的 AI 能力、日本的零部件精度、歐洲的工業標準共同塑造全球機器人產業的長期格局。

· 美國 在前沿 AI 模型與軟件領域（DeepMind、OpenAI、NVIDIA）保持領先，但這一優勢並未延伸至機器人硬件。中國廠商在迭代速度和真實場景表現上更具優勢。美國通過《芯片法案》（CHIPS Act）和《通脹削減法案》（IRA）推動產業迴流。

· 中國 憑藉規模化製造、垂直整合與政策驅動，在零部件、自動化工廠與人形機器人領域形成領先優勢，硬件與供應鏈能力突出，宇樹與優必選等已實現量產，正向智能決策層延伸。但在 算法與仿真訓練層與美國仍存較大差距。

· 日本 長期壟斷高精度零部件與運動控制技術，工業體系穩健，但 AI 模型融合仍處早期階段，創新節奏偏穩。

· 韓國 在消費級機器人普及方面突出——由 LG、NAVER Labs 等企業引領，並擁有成熟強勁的服務機器人生態體系。

· 歐洲 工程體系與安全標準完善，1X Robotics 等在研發層保持活躍，但部分製造環節外遷，創新重心偏向協作與標準化方向。

三、機器人 × AI × Web3：敘事願景與現實路徑

2025 年，Web3 行業出現與機器人和 AI 融合的新敘事。儘管 Web3 被視為去中心化機器經濟的底層協議，但其在不同層面的結合價值與可行性仍存在明顯分化：

· 硬件製造與服務層資本密集、數據閉環弱，Web3 目前僅能在供應鏈金融或設備租賃等邊緣環節發揮輔助作用；

· 仿真與軟件生態層的契合度較高，仿真數據與訓練任務可上鍊確權，智能體與技能模塊也可通過 NFT 或 Agent Token 實現資產化；

· 平台層，去中心化的勞動力與協作網絡正展現出最大潛力——Web3 可通過身份、激勵與治理一體化機制，逐步構建可信的「機器勞動力市場」，為未來機器經濟奠定製度雛形。

從長期願景來看，協作與平台層是 Web3 與機器人及 AI 融合中最具價值的方向。隨着機器人逐步具備感知、語言與學習能力，它們正演化為能自主決策、協作與創造經濟價值的智能個體。這些「智能勞動者」真正參與經濟體系，仍需跨越四個身份、信任、激勵與治理核心門檻。

· 在身份層，機器需具備可確權、可追溯的數字身份。通過 Machine DID，每個機器人、傳感器或無人機都能在鏈上生成唯一可驗證的「身份證」，綁定其所有權、行為記錄與權限範圍，實現安全交互與責任界定。

· 在信任層，關鍵在於讓「機器勞動」可驗證、可計量、可定價。藉助 智能合約、預言機與審計機制，結合 物理工作證明（PoPW）、可信執行環境（TEE）與 零知識證明（ZKP），可確保任務執行過程的真實性與可追溯性，使機器行為具備經濟覈算價值。

· 在激勵層，Web3 通過 Token 激勵體系、賬戶抽象與狀態通道 實現機器間的自動結算與價值流轉。機器人可通過微支付完成算力租賃、數據共享，並以質押與懲罰機制保障任務履約；藉助智能合約與預言機，還可形成無需人工調度的去中心化「機器協作市場」。

· 在治理層，當機器具備長期自治能力後，Web3 提供透明、可編程的治理框架：以 DAO 治理 共同決策系統參數，以 多籤與信譽機制 維護安全與秩序。長期來看，這將推動機器社會邁向「算法治理」階段——人類設定目標與邊界，機器間以合約維繫激勵與平衡。

Web3 與機器人融合終極願景：真實環境評測網絡——由分佈式機器人組成的「現實世界推理引擎」，在多樣、複雜的物理場景中持續測試與基準模型能力；以及機器人勞動力市場——機器人在全球執行可驗證的現實任務，通過鏈上結算獲取收益，並將價值再投入算力或硬件升級。

從現實路徑來看，具身智能與 Web3 的結合仍處於早期探索期，去中心化機器智能經濟體更多停留在敘事與社區驅動層面。現實中具備可行潛力的結合方向，主要體現在以下三方面：

（1）數據衆包與確權——Web3 通過鏈上激勵與追溯機制，鼓勵貢獻者上傳真實世界數據；

（2）全球長尾參與——跨境小額支付與微激勵機制有效降低數據採集與分發成本；

（3）金融化與協作創新——DAO 模式可推動機器人資產化、收益憑證化及機器間結算機制。

總體來看，短期主要集中在數據採集與激勵層；中期有望在「穩定幣支付 + 長尾數據聚合」及 RaaS 資產化與結算層 實現突破；長期，若人形機器人規模化普及，Web3 或將成為機器所有權、收益分配與治理的制度底層，推動真正的去中心化機器經濟形成。

四、Web3 機器人生態圖譜與精選案例

基於「可驗證進展、技術公開度、產業相關度」三項標準，梳理當前 Web3 × Robotics 代表性項目，並按五層架構歸類：模型智能層、機器經濟層、數據採集層、感知與仿真基礎層、機器人資產收益層。為保持客觀，我們已剔除明顯「蹭熱點」或資料不足項目；如有疏漏，歡迎指正。

模型智能層（Model & Intelligence）

Openmind - Building Android for Robots

· OpenMind 是一個面向具身智能（Embodied AI）與機器人控制的開源操作系統（Robot OS），目標是構建全球首個去中心化機器人運行環境與開發平台。項目核心包括兩大組件：

· OM1：構建在 ROS2 之上的模塊化開源 AI 智能體運行時 (AI Runtime Layer)，用於編排感知、規劃與動作管線，服務於數字與實體機器人；

· FABRIC：分佈式協調層（Fabric Coordination Layer），連接雲端算力、模型與現實機器人，使開發者可在統一環境中控制和訓練機器人。

OpenMind 的核心在於充當 LLM（大語言模型）與機器人世界之間的智能中間層，讓語言智能真正轉化為具身智能（Embodied Intelligence），構建起從 理解（Language → Action）到 對齊（Blockchain → Rules）的智能骨架。OpenMind 多層系統實現了完整的協作閉環：人類通過 OpenMind App 提供反饋與標註（RLHF 數據），Fabric Network 負責身份驗證、任務分配與結算協調，OM1 Robots 執行任務並遵循區塊鏈上的「機器人憲法」完成行為審計與支付，從而實現 人類反饋 → 任務協作 → 鏈上結算 的去中心化機器協作網絡。

項目進展與現實評估

OpenMind 處於「技術可運行、商業未落地」的早期階段。核心系統 OM1 Runtime 已在 GitHub 開源，可在多平台運行並支持多模態輸入，通過自然語言數據總線（NLDB）實現語言到行動的任務理解，具備較高原創性但仍偏實驗，Fabric 網絡 與鏈上結算僅完成接口層設計。

生態上，項目已與 Unitree、Ubtech、TurtleBot 等開放硬件及 Stanford、Oxford、Seoul Robotics 等高校合作，主要用於教育與研究驗證，尚無產業化落地。App 已上線測試版，但激勵與任務功能仍處早期。

商業模式方面，OpenMind 構建了 OM1（開源系統）+ Fabric（結算協議）+ Skill Marketplace（激勵層）的三層生態，目前尚無營收，依賴約 2000 萬美元早期孖展（Pantera、Coinbase Ventures、DCG）。總體來看，技術領先但商業化與生態仍處起步階段，若 Fabric 成功落地，有望成為「具身智能時代的 Android」，但周期長、風險高、對硬件依賴強。

CodecFlow - The Execution Engine for Robotics

CodecFlow 是一個基於 Solana 網絡 的去中心化執行層協議（Fabric），旨在為 AI 智能體與機器人系統提供按需運行環境，讓每一個智能體擁有「即時機器（Instant Machine）」。項目核心由三大模塊構成：

· Fabric ：跨雲算力聚合層（Weaver + Shuttle + Gauge），可在數秒內為 AI 任務生成安全的虛擬機、GPU 容器或機器人控制節點；

· optr SDK：智能體執行框架（Python 接口），用於創建可操作桌面、仿真或真實機器人的「Operator」；

· Token 激勵：鏈上激勵與支付層，連接計算提供者、智能體開發者與自動化任務用戶，形成去中心化算力與任務市場。

CodecFlow 的核心目標是打造「AI 與機器人操作員的去中心化執行底座」，讓任何智能體可在任意環境（Windows / Linux / ROS / MuJoCo / 機器人控制器）中安全運行，實現從 算力調度（Fabric）→ 系統環境（System Layer）→ 感知與行動（VLA Operator）的通用執行架構。

項目進展與現實評估

已發布早期版本的 Fabric 框架（Go）與 optr SDK（Python），可在網頁或命令行環境中啓動隔離算力實例。Operator 市場 預計於 2025 年底上線，定位為 AI 算力的去中心化執行層，主要服務對象包括 AI 開發者、機器人研究團隊與自動化運營公司。

機器經濟層（Machine Economy Layer）

BitRobot - The World's Open Robotics Lab

BitRobot 是一個面向具身智能（Embodied AI）與機器人研發的去中心化科研與協作網絡（Open Robotics Lab），由 FrodoBots Labs 與 Protocol Labs 聯合發起。其核心願景是：通過「子網（Subnets）+ 激勵機制 + 可驗證工作（VRW）」的開放架構，核心作用包括：

· 通過 VRW (Verifiable Robotic Work) 標準定義並驗證每一項機器人任務的真實貢獻；

· 通過 ENT (Embodied Node Token) 為機器人賦予鏈上身份與經濟責任；

· 通過 Subnets 組織科研、算力、設備與操作者的跨地域協作；

· 通過 Senate + Gandalf AI 實現「人機共治」的激勵決策與科研治理。

自 2025 年發布白皮書以來，BitRobot 已運行多個子網（如 SN/01 ET Fugi、SN/05 SeeSaw by Virtuals Protocol），實現去中心化遠程操控與真實場景數據採集，並推出 $5M Grand Challenges 基金 推動全球模型開發的科研競賽。

peaq – The Economy of Things

peaq 是專為機器經濟打造的 Layer-1 區塊鏈，為數百萬台機器人與設備提供機器身份、鏈上錢包、訪問控制以及納秒級時間同步（Universal Machine Time）等底層能力。其 Robotics SDK 使開發者能夠以極少代碼讓機器人「機器經濟就緒」，實現跨廠商、跨系統的互操作性與交互。

目前，peaq 已上線全球首個代幣化機器人農場，並支持 60 餘個真實世界的機器應用。其代幣化框架幫助機器人公司為資本密集型硬件籌集資金，並將參與方式從傳統 B2B/B2C 擴展至更廣泛的社區層。憑藉由網絡費用注入的協議級激勵池，peaq 可補貼新設備接入並支持開發者，從而形成推動機器人與物理 AI 項目加速擴張的經濟飛輪。

數據採集層（Data Layer）

旨在解決具身智能訓練中稀缺且昂貴的高質量現實世界數據。通過多種路徑採集和生成人機交互數據，包括遠程操控（PrismaX, BitRobot Network）、第一視角與動作捕捉（Mecka、BitRobot Network、Sapien、Vader、NRN）以及仿真與合成數據（BitRobot Network），為機器人模型提供可擴展、可泛化的訓練基礎。

需要明確的是，Web3 並不擅長「生產數據」——在硬件、算法與採集效率上，Web2 巨頭遠超任何 DePIN 項目。其真正價值在於重塑數據的分配與激勵機制。基於「穩定幣支付網絡 + 衆包模型」，通過無許可的激勵體系與鏈上確權機制，實現低成本的小額結算、貢獻溯源與自動分潤。但開放式衆包仍面臨質量與需求閉環難題——數據質量參差不齊，缺乏有效驗證與穩定買方。

PrismaX

PrismaX 是一個面向具身智能（Embodied AI）的去中心化遠程操控與數據經濟網絡，旨在構建「全球機器人勞動力市場」，讓人類操作者、機器人設備與 AI 模型通過鏈上激勵系統協同進化。項目核心包括兩大組件：

· Teleoperation Stack——遠程操控系統（瀏覽器/VR 界面 + SDK），連接全球機械臂與服務機器人，實現人類實時操控與數據採集；

· Eval Engine——數據評估與驗證引擎（CLIP + DINOv2 + 光流語義評分），為每條操作軌跡生成質量評分並上鏈結算。

PrismaX 通過去中心化激勵機制，將人類操作行為轉化為機器學習數據，構建從 遠程操控 → 數據採集 → 模型訓練 → 鏈上結算 的完整閉環，實現「人類勞動即數據資產」的循環經濟。

項目進展與現實評估： PrismaX 已在 2025 年 8 月上線測試版（gateway.prismax.ai），用戶可遠程操控機械臂執行抓取實驗並生成訓練數據。Eval Engine 已在內部運行，整體來看，PrismaX 技術實現度較高，定位清晰，是連接「人類操作 × AI 模型 × 區塊鏈結算」的關鍵中間層。其長期潛力有望成為「具身智能時代的去中心化勞動與數據協議」，但短期仍面臨規模化挑戰。

BitRobot Network

BitRobot Network 通過其子網實現視頻、遠程操控與仿真等多源數據採集。SN/01 ET Fugi 允許用戶遠程控制機器人完成任務，在「現實版 Pokémon Go 式」的交互中採集導航與感知數據。該玩法促成了 FrodoBots-2K 數據集的誕生，這是當前最大規模的人機導航開源數據集之一，被 UC Berkeley RAIL 和 Google DeepMind 等機構使用。SN/05 SeeSaw (Virtual Protocol) 則通過 iPhone 在真實環境中大規模衆包採集第一視角視頻數據。其他已公布的子網，如 RoboCap 和 Rayvo，則專注於利用低成本實體設備採集第一視角視頻數據。

Mecka

Mecka 是一家機器人數據公司，通過遊戲化的手機採集和定製硬件設備，衆包獲取第一視角視頻、人體運動數據以及任務演示，用於構建大規模多模態數據集，支持具身智能模型的訓練。

Sapien

Sapien 是一個以「人類運動數據驅動機器人智能」為核心的衆包平台，通過可穿戴設備和移動端應用採集人體動作、姿態與交互數據，用於訓練具身智能模型。項目致力於構建全球最大的人體運動數據網絡，讓人類的自然行為成為機器人學習與泛化的基礎數據源。

Vader

Vader 通過其現實世界 MMO 應用 EgoPlay 衆包收集第一視角視頻與任務示範：用戶以第一人稱視角記錄日常活動並獲得 $VADER 獎勵。其 ORN 數據流水線 能將原始 POV 畫面轉換為經過隱私處理的結構化數據集，包含動作標籤與語義敘述，可直接用於人形機器人策略訓練。

NRN Agents

一個遊戲化的具身 RL 數據平台，通過瀏覽器端機器人控制與模擬競賽來衆包人類示範數據。NRN 通過「競技化」任務生成長尾行為軌跡，用於模仿學習與持續強化學習，並作為可擴展的數據原語支撐 sim-to-real 策略訓練。

具身智能數據採集層項目對比

感知與仿真（Middleware & Simulation）

感知與仿真層為機器人提供連接物理世界與智能決策的核心基礎設施，包括定位、通信、空間建模、仿真訓練等能力，是構建大規模具身智能系統的「中間層骨架」。當前該領域仍處於早期探索階段，各項目分別在高精度定位、共享空間計算、協議標準化與分佈式仿真等方向形成差異化佈局，尚未出現統一標準或互通生態。

中間件與空間基建（Middleware & Spatial Infra）

機器人核心能力——導航、定位、連接性與空間建模——構成了連接物理世界與智能決策的關鍵橋樑。儘管更廣泛的 DePIN 項目（Silencio、WeatherXM、DIMO）開始提及「機器人，但下列項目與具身智能最直接相關。

RoboStack – Cloud-Native Robot Operating Stack

RoboStack 是雲原生機器人中間件，通過 RCP（Robot Context Protocol）實現機器人任務的實時調度、遠程控制與跨平台互操作，並提供雲端仿真、工作流編排與 Agent 接入能力。

GEODNET – Decentralized GNSS Network

GEODNET 是全球去中心化 GNSS 網絡，提供釐米級 RTK 高精度定位。通過分佈式基站和鏈上激勵，為無人機、自動駕駛與機器人提供實時「地理基準層」。

Auki – Posemesh for Spatial Computing

Auki 構建了去中心化的 Posemesh 空間計算網絡，通過衆包傳感器與計算節點生成實時 3D 環境地圖，為 AR、機器人導航和多設備協作提供共享空間基準。它是連接 虛擬空間與現實場景 的關鍵基礎設施，推動 AR × Robotics 的融合。

Tashi Network—機器人實時網格協作網絡

去中心化實時網格網絡，實現亞 30ms 共識、低延遲傳感器交換與多機器人狀態同步。其 MeshNet SDK 支持共享 SLAM、羣體協作與魯棒地圖更新，為具身 AI 提供高性能實時協作層。

Staex—去中心化連接與遙測網絡

源自德國電信研發部門的去中心化連接層，提供安全通信、可信遙測與設備到雲的路由能力，使機器人車隊能夠可靠交換數據並跨不同運營方協作。

仿真與訓練系統（Distributed Simulation & Learning）

Gradient - Towards Open Intelligence

Gradient 是建設「開放式智能（Open Intelligence）」的 AI 實驗室，致力於基於去中心化基礎設施實現分佈式訓練、推理、驗證與仿真；其當前技術棧包括 Parallax（分佈式推理）、Echo（分佈式強化學習與多智能體訓練）以及 Gradient Cloud（面向企業的 AI 解決方案）。在機器人方向，Mirage 平台面向具身智能訓練提供 分佈式仿真、動態交互環境與大規模並行學習 能力，用於加速世界模型與通用策略的訓練落地。Mirage 正在與 NVIDIA 探討與其 Newton 引擎的潛在協作方向。

機器人資產收益層（RobotFi / RWAiFi）

這一層聚焦於將機器人從「生產性工具」轉化為「可金融化資產」的關鍵環節，通過 資產代幣化、收益分配與去中心化治理，構建機器經濟的金融基礎設施。代表項目包括：

XmaquinaDAO – Physical AI DAO

XMAQUINA 是一個去中心化生態系統，為全球用戶提供對頂尖人形機器人與具身智能公司的高流動性參與渠道，將原本只屬於風險投資機構的機會帶上鍊。其代幣 DEUS 既是流動化指數資產，也是治理載體，用於協調國庫分配與生態發展。通過 DAO Portal 與 Machine Economy Launchpad，社區能夠通過機器資產的代幣化與結構化的鏈上參與，共同持有並支持新興的 Physical AI 項目。

GAIB – The Economic Layer for AI Infrastructure

GAIB 致力於為 GPU 與機器人等實體 AI 基礎設施提供統一的 經濟層，將去中心化資本與真實 AI 基建資產連接起來，構建可驗證、可組合、可收益的智能經濟體系。

在機器人方向上，GAIB 並非「銷售機器人代幣」，而是通過將機器人設備與運營合同（RaaS、數據採集、遙操作等）金融化上鍊，實現「真實現金流 → 鏈上可組合收益資產」的轉化。這一體系涵蓋硬件孖展（孖展租賃 / 質押）、運營現金流（RaaS / 數據服務）與數據流收益（許可 / 合約）等環節，使機器人資產及其現金流變得 可度量、可定價、可交易。

GAIB 以 AID / sAID 作為結算與收益載體，通過結構化風控機制（超額抵押、準備金與保險）保障穩健回報，並長期接入 DeFi 衍生品與流動性市場，形成從「機器人資產」到「可組合收益資產」的金融閉環。目標是成為 AI 時代的經濟主幹（Economic Backbone of Intelligence）

Web3 機器人生態圖譜: https://fairy-build-97286531.figma.site/

五、總結與展望：現實挑戰與長期機會

從長期願景看，機器人 × AI × Web3 的融合旨在構建去中心化機器經濟體系（DeRobot Economy），推動具身智能從「單機自動化」邁向「可確權、可結算、可治理」的網絡化協作。其核心邏輯是通過「Token → 部署 → 數據 → 價值再分配」形成自循環機制，使機器人、傳感器與算力節點實現確權、交易與分潤。

然而，從現實階段來看，該模式仍處早期探索期，距離形成穩定現金流與規模化商業閉環尚遠。多數項目停留在敘事層面，實際部署有限。機器人制造與運維屬資本密集型產業，單靠代幣激勵難以支撐基礎設施擴張；鏈上金融設計雖具可組合性，但尚未解決真實資產的風險定價與收益兌現問題。因此，所謂「機器網絡自循環」仍偏理想化，其商業模式有待現實驗證。

· 模型智能層（Model & Intelligence Layer）是當前最具長期價值的方向。以 OpenMind 為代表的開源機器人操作系統，嘗試打破封閉生態、統一多機器人協作與語言到動作接口。其技術願景清晰、系統完整，但工程量巨大、驗證周期長，尚未形成產業級正反饋。

· 機器經濟層（Machine Economy Layer）仍處於前置階段，現實中機器人數量有限，DID 身份與激勵網絡尚難形成自洽循環。當前距離「機器勞動力經濟」尚遠。未來唯有具身智能實現規模化部署後，鏈上身份、結算與協作網絡的經濟效應纔會真正顯現。

· 數據採集層（Data Layer）數據採集層門檻相對最低，但是目前最接近商業可行的方向。具身智能數據採集對時空連續性與動作語義精度要求極高，決定其質量與複用性。如何在「衆包規模」與「數據可靠性」之間平衡，是行業核心挑戰。PrismaX 先鎖定 B 端需求，再分發任務採集驗證一定程度上提供可複製模板，但生態規模與數據交易仍需時間積累。

· 感知與仿真層（Middleware & Simulation Layer）仍在技術驗證期，缺乏統一標準與接口尚未形成互通生態。仿真結果難以標準化遷移至真實環境，Sim2Real 效率受限。

· 資產收益層（RobotFi / RWAiFi）Web3 主要在供應鏈金融、設備租賃與投資治理等環節發揮輔助作用，提升透明度與結算效率，而非重塑產業邏輯。

當然，我們認為，機器人 × AI × Web3 的交匯點依然代表着下一代智能經濟體系的原點。它不僅是技術範式的融合，更是生產關係的重構契機：當機器具備身份、激勵與治理機制，人機協作將從局部自動化邁向網絡化自治。短期內，這一方向仍以敘事與實驗為主，但它所奠定的制度與激勵框架，正為未來機器社會的經濟秩序鋪設基礎。從長期視角看，具身智能與 Web3 的結合將重塑價值創造的邊界——讓智能體成為真正可確權、可協作、可收益的經濟主體。

免責聲明：本文在創作過程中藉助了 ChatGPT-5 與 Deepseek 的 AI 工具輔助完成，作者已盡力校對並確保信息真實與準確，但仍難免存在疏漏，敬請諒解。需特別提示的是，加密資產市場普遍存在項目基本面與二級市場價格表現背離的情況。本文內容僅用於信息整合與學術/研究交流，不構成任何投資建議，亦不應視為任何代幣的買賣推薦。

原文鏈接

本文來自投稿，不代表 BlockBeats 觀點。

點擊了解律動BlockBeats 在招崗位

歡迎加入律動 BlockBeats 官方社羣：

Telegram 訂閱羣：https://t.me/theblockbeats

Telegram 交流羣：https://t.me/BlockBeats_App

Twitter 官方賬號：https://twitter.com/BlockBeatsAsia