Kinetix AI 仅用一年时间就构建了完整的类人机器人技术栈

一个“无脸”机器人的乒乓球回击，反而是它最不引人注目的一点

本月在北京举行的世界机器人大会上，一台头部空洞、形似头盔的人形机器人展现了相当流畅的乒乓球对打表现，吸引了大批观众围观——尽管其中不乏几记打偏的球和尴尬的高弹跳球，但它仍能不改步地追回。 这款名为KAI的机器人隶属于Kinetix AI——这是一家成立于2025年7月的深圳初创公司，自主研发类人机器人躯体、灵巧的手部、动作捕捉头盔以及将这些组件整合在一起的世界模型软件。 在短短一年多时间里，该公司已构建起由硬件、机械手、数据采集、预测性世界模型以及训练管道组成的五部分具身人工智能技术栈，而美国融资规模最大的人形机器人公司Figure耗时约三年才完成这一构建。

Kinetix AI（深圳超维动力智能科技有限公司）在中国机器人圈外尚不为人所熟知，而WRC上的乒乓球演示视频，更多是为社交媒体而制作，而非为了财务报表。 但演示背后所宣称的——一家成立仅一年的公司，竟复制了其规模大得多的竞争对手耗时三年且投入大量资金才搭建完成的完整技术架构——这一点值得深入探讨，因为这考验着 “全栈”具身人工智能究竟是真正的资本与时间护城河，还是任何人员配备充足的团队如今都能迅速达成的标准。

全栈类人机器人公司所需的五大要素

Kinetix AI 的论点——这一观点在整个行业中得到了 Figure、特斯拉以及专注于模型研发的初创公司 Physical Intelligence 的呼应——是：没有任何单一组件能够凭一己之力赢得类人机器人竞赛。一个没有模型驱动的强健躯体，不过是一个昂贵的模特。 而一个功能强大的模型，如果缺乏用于训练的真实世界部署数据，就无法超越实验室范围进行泛化。Kinetix AI 已构建了该论点所要求的全部五个要素：KAI Bot，一款身高 173 厘米、重 70 公斤、拥有 117 个自由度以及约 18,000 个触觉传感器的类人机器人

其体表约80%的区域分布着传感器点，灵敏度足以感知小于0.1牛顿的接触力； KAI Hand，一款拥有37个自由度的灵巧机械手，作为独立产品销售，指尖施力超过30牛顿，并配备热管理功能，在连续抓握十分钟后仍能保持低于人体温度； KAI Halo及其更轻便的版本KAI Halo Lite，这两种可穿戴设备被数百名数据采集人员用于在住宅、超市、商业空间和小工厂内录制第一人称视角的多模态影像； KAI World Model，这套预测系统被该公司描述为实时生成式环境，允许人类操作员在模拟空间中操控物体，并根据结果生成训练数据；以及KAI Embodied AI Infra，该后端平台负责处理数据、训练模型，并在部署前通过模拟进行评估。

该公司表示，其数据采集工作已在超过20种场景和300多项全身原子级技能中记录了超过10万小时的第一人称视频，且其基础设施平台将数据处理吞吐量提高了10倍，并将模型训练与评估速度提升了5至7倍。 对于评估供应商的买家而言，这些倍数提升比表面上的自由度数量更为重要，因为任何具身AI产品的上限不在于硬件有多灵活，而在于底层模型在开始收集部署数据后能以多快的速度改进；而训练循环越慢，当两家竞争对手并行运营的时间越长，能力差距就越会扩大。

押注于复用，而非单个机器人

这项被内部命名为SMASH的乒乓球演示，与其说是一场新奇表演，不如说是对该基础设施主张的有力验证。快速移动且不可预测的球路迫使机器人必须在紧凑的闭环中进行感知、预测和行动，而非执行预先编写的程序，Kinetix AI表示

SMASH的感知与控制栈并非专为其自有硬件打造。相同的算法已经过适配，可在Unitree的G1和AgiBot的Yuanzheng A3上运行——这两款由竞争对手公司制造的人形机器人平台，是中国部署最为广泛的产品之一。 一套无需完全重构即可移植到竞争对手硬件上的软件栈，比仅能在供应商自有机器人上运行的软件栈具有更强的商业信号，因为这表明其底层的感知与控制层是真正可复用的，而非针对特定底盘进行的手动调优， 这种可移植性正是评估多家机器人供应商的买家在决定采用任何单一供应商的软件之前，希望得到确认的。

Kinetix AI 还开始独立对软件栈中的各个组件进行商业化，而不是等待一款完整且准备上市的人形机器人。 KAI Hand 和 KAI Halo Lite 已在今年早些时候的 WAIC 大会期间公开发售，让其他机器人开发者无需购买完整的 KAI Bot，即可为自己的平台购买这款灵巧的手部，或为自己的模型训练工作购买数据采集装置。这种解绑策略有两点值得采购团队注意： 它使公司在完整类人机器人产品上市前便能获得收入和市场反馈；同时，它将每个独立组件的购买者转化为额外部署数据的来源，这些数据将回流至 Kinetix AI 自身的模型中——这与 Figure 通过直接工厂部署所追求的数据飞轮机制如出一辙，也与特斯拉通过其垂直整合的 Optimus 计划所追求的模式相同。

推动高速发展的团队

Kinetix AI 的发展速度并非源于某种无法解释的捷径，而是有具体且可验证的解释。 联合创始人罗平在香港大学担任计算与数据科学领域的教职，该公司还与香港大学MMLab以及深圳河涛合作区开展了积极的研究合作。对于基础设施方面的声明，更有说服力的是，工程团队的成员

此前，他曾为华为的自动驾驶项目构建了数据和培训基础设施，该项目从原型阶段发展到交付超过100万辆量产车；此外，他还曾参与康复外骨骼和L4级自动驾驶矿用卡车的相关工作。 这一背景至关重要，因为Kinetix AI技术栈中最难被复制的部分正是基础设施层——这一看似不起眼的管道负责采集原始传感器数据、对其进行清洗， 基于这些数据训练模型并评估结果，直到数据最终传送到物理机器人——这正是拥有将自动驾驶数据管道扩展至量产规模经验的团队，能够迅速构建的层级。

与Figure的比较在哪些方面确实成立

成立于2022年的Figure，通过将自主设计的人形机身与自研的Helix视觉-语言-动作模型相结合，并在宝马工厂内进行实时部署，从而建立了其声誉，实现了真实任务数据与模型重新训练之间的闭环。 特斯拉的Optimus项目则依托公司现有的自动驾驶软件栈、供应链和生产车间，同步推进机身、模型和制造技术的研发。Physical Intelligence则采取了更窄义的“模型优先”策略，致力于构建一个通用型具身基础模型，旨在跨不同机器人机身运行，而非仅限于其自主制造的机身。 Kinetix AI的商业模式与Figure最为接近：硬件、模型及真实世界数据均由公司自主开发并相互反馈，但耗时仅为后者的三分之一左右。这得益于其创始团队具备的基础设施专业知识——大多数初次涉足机器人领域的创始人通常需要数年时间才能在实践中掌握这些技能。

这种比较存在实际局限性，投资者在将 Kinetix AI 视为 Figure 的同行而非模仿者之前，应权衡这些因素。Figure 在宝马工厂的部署，在持续的实际运行条件下产生了生产线数据，并建立了付费的工业客户关系；

到目前为止，Kinetix AI的商业部署仅限于独立组件的销售和会议演示，尚未进入可比的生产环境。 一个可运行的乒乓球演示和一组内部报告的吞吐量倍数，其证明力远不及一份为期多年的工厂合同；而在展示技术能力与大规模销售可靠且有技术支持的产品之间，正是大多数类人机器人初创企业——无论其技术栈在纸面上看起来多么完善——历史上一直难以跨越的鸿沟。

这对评估具身人工智能供应商的买家意味着什么

对于评估人形机器人或具身人工智能供应商的采购或自动化团队而言，Kinetix AI 的架构为尽职调查提供了有用的模板，这些问题值得向任何声称具备全栈能力的供应商提出，而不仅仅针对这家供应商。 应询问供应商的数据管道和训练基础设施是自主开发还是授权引进，因为由拥有直接扩展同类管道经验的团队构建的基础设施，与初创企业首次组装的基础设施相比，其可靠性有本质区别。 询问供应商的感知与控制软件是否已在非其自产的硬件上进行过演示，因为跨平台的可移植性比在供应商自有机器人上的一次精心演示更能体现软件的可复用性。 此外，还需询问供应商当前收入中有多少比例（如有）来自已上市的独立组件，而非仍处于开发阶段的完整产品——因为一家能够从现有部分产品中获取真实市场反馈的公司，比那些等待完整类人机器人上市的公司更早地通过付费客户验证了其假设。

Kinetix AI 尚未披露完整 KAI Bot 设备的定价或确切交付日期，且其公布的规格参数和吞吐量倍数均未在公司自身披露信息之外经过独立基准测试。究竟

可以独立验证的是这些部件确实存在，灵巧的手部装置和数据采集设备今天正在发往外部买家， 一套感知与控制系统已在至少两家竞争对手的机器人上运行，而一支成立仅一年的团队所宣称的吞吐量数据，若出自一家运营历史是其三倍的公司之口，倒也算不上什么了不起的成就。 这种速度究竟反映了Figure和特斯拉所追求的通往同一目标的真正捷径，还是反映了一家在面临持续工厂部署这一更严峻考验之前，已将最具说服力的主张提前展示的公司，这将是未来十二个月将要解答的问题。 回到WRC展会现场，KAI不断应对那些尴尬的网前截击和狂野的高吊球——正是这些动作区分了排练过的演示与真正具备反应能力的系统。这种看似平淡无奇的稳定性，远比任何单一的技术规格表，才是买家真正应该关注的。

本分析综合了WRC 2026展会结束后数日间披露的公司信息、产品规格以及公开会议演示内容。

免责声明：本文仅供一般信息参考，不构成投资、法律或采购建议。读者在做出商业决策前，应通过原始来源核实相关细节。