优必选U1机器人预售火爆,家庭陪伴愿景能否照进现实?

【U1机器人预售情况】

发布会之后,讨论焦点迅速从“存钱购买”转向价格、外观和实际能力。6月2日,优必选抖音官方账号发布视频,画面是两个昏暗背影,引人遐想。视频文案称“全球首款全尺寸超仿生人形机器人正式登陆京东开启预售!”点赞最多的评论是“我将开启史诗级存钱计划”。截至7月1日晚8点20分,这条评论获11.1万个赞,3220多条回复。

随后,优必选在抖音不定时发布“成绩单”。6月5日,3天累计突破1000 + 台;7日,6天累计突破2110 + 台;9日,8天累计突破3000 + 台;21日,20天累计5000 + 台。6月30日,在深圳优必选年度发布会上,该数字再次更新。优必选宣布U1线上线下全渠道订单累计达13361台,9月16日起交付。

【价格公布引质疑】

然而,随着价格和现场展示公布,质疑声出现。发布会上,U1系列价格和产品逐渐揭晓。U1 Pro价格为16.98万元,U1 Ultra男版和女版价格分别为99万元和88万元,轻量化半身的U1 Lite价格为11.98万元。

据《每日经济新闻》报道,这些“长着人脸”的机器人登台展示时,行走机械感明显,外观与此前网络渲染图有差距,部分网友评价“货不对板”。

【产品定位与愿景】

陪伴、进入家庭、情感需求,是优必选此次打出的明牌。但这三个词组合,让U1系列像是以正式商品形态出售的品类Beta。过去,人们对全尺寸仿生机器人的理解多来自影视作品,它外貌接近人类,能理解情绪、处理家务,长期相处可形成稳定人格。然而,现实中的消费机器人大多缩小问题,做成桌面设备、AI玩具、机器宠物,或保留明显机械外观。优必选定义U1为全球首款面向规模量产设计的全尺寸超仿生人形机器人。

但新品类需经真实世界检验。当一批用户付定金锁定购买资格,而系列起售价达11.98万元,他们等待的是完成的产品,还是未来能力的期票?

【产品版本实验】

周剑并非近期才想进入家庭场景。创业早期,他的愿景就是让机器人进入普通家庭。到2024年7月,优必选仍强调工业制造、商业服务和家庭陪伴三大场景,判断智能制造会最先大规模应用。

2025年12月26日,优必选第1000台工业人形机器人Walker S2下线。周剑表示,人形机器人应进工厂干实事,并给出战略路径:“优必选对人形机器人的应用场景明确了先工业制造、后商用服务、再家庭陪伴的三步走战略规划,目前首先在工业制造场景实现规模化落地。”

2026年1月上旬,周剑给出人形机器人进家庭的两个判断。一是功能方面,他认为按目前语言大模型发展,家庭情感陪伴最先实现,其次是物理功能,如家务工作。二是发展节奏方面,他觉得若行业发展快,最快3到5年内实现,情感陪伴是首先实现的场景;若慢,则需7、8年甚至10年。

不到半年,U1系列亮相发布会。6月30日发布会后采访中,周剑称U1是陪伴功能的起步,物理世界能力未完全构建,语言和情感模型可先交流,工业与商业场景继续积累真实世界数据。

U1发布会推出三个版本:U1 Lite是半身版,Pro是高配全身版,Ultra是高动态全身版。“Lite半身版”保留仿生脸、颈部和上身动作、语音、记忆与主动交互,无完整腿部等下半身。这并非简单减配,双腿意味着更多执行器、更高功耗、平衡控制、家庭导航和跌倒风险。Lite删掉双腿系统,保留构成“在场感”的部分:脸、声音、姿态和记忆。

Pro在Lite基础上补全人形,但补全四肢不等于有自主行动能力。优世界京东自营旗舰店客服称,预售主力U1 Pro目前不具备自主行走和家务劳作能力。三款机器人中,目前U1 Pro是官网上唯一有完整参数介绍的。据介绍,U1 Pro全尺寸超仿生拟态雕塑级身材复刻,全身自由度88DoF,有行业独创的“双支点 + 四连杆”仿生颈椎,超高自主自由度5DoF,高精度直线舵机0.06mm,还具备33轴面部肌腱网络,19个主动自由度灵动面肌,可实现自然微表情30 + ,情感表达准确率90%。

Ultra像是在Pro基础上,加入自主行动、高动态运动和开发能力。三个版本构成一场产品定义实验。市场到底愿意为能对话的仿生上半身、完整人形分别支付多少?又有多少客户真的需要能自主移动、价格近百万元的身体?

【U1的场景与能力】

优必选给U1设定的主要场景并非家务,而是日常陪伴、情绪支持、社交辅助、商业接待、文旅展览和康养。据科技日报报道,U1可识别20余种细粒度情绪,准确率超90%,并通过Agent Memory OS保存长期记忆;数据本地优先处理,用户可查看、导出和删除。不过,公司未公开上述准确率的测试集、人群构成和混淆矩阵。

优必选官网显示,仿生机器人超强AI处理器,算力高达200TOPS,还搭载行业首创针对“长期陪伴”的Resonance - LM情感共鸣大模型,文案是“你不说我也懂你,看懂、听懂、读懂”。

优必选副总裁焦继超表示,仿生头部需重新设计脸部肌肉、颈部和眼球双目视觉,许多零件无成熟供应;19个面部执行器要在有限空间解决结构和散热问题。他直言,一万多台的量产“是很大的挑战”。

【“爱”的制造真相】

从舞台效果看,U1像是学会了察言观色:摄像头捕捉表情,麦克风接收语气,机器人调取记忆,再用声音、唇形和眼神回应。但拆解过程,背后更像分工明确的剧组。摄像头和麦克风负责摄影与收音,捕捉面孔、姿态、说话内容、音高和停顿;情绪模型像场记,给信号贴“疲惫”“高兴”“沮丧”等标签;记忆系统如人物小传,查找称呼、偏好和经历;大模型似编剧,生成合适台词;语音合成、唇形控制和面部执行器负责表演。

然而,表演完成不代表机器人有感情。首先,情绪识别是概率分类题。2019年7月,美国东北大学心理学家Lisa Feldman Barrett等五位作者在《Psychological Science in the Public Interest》期刊发表综述论文《重新审视情绪表达:从人类面部动作推断情绪的挑战》,回顾1000多项研究后指出,特定面部动作不足以可靠、特异地诊断情绪,其心理意义依赖情境、文化和个人。这意味着,模型能读取面部信息,却不能仅凭此了解人的内心感受。优必选官网称“识别20余种情绪、准确率超过90%”,但在无数据集、类别分布、跨年龄与文化测试前,不能换算成家庭场景“懂人”的概率。

其次,长期记忆并非模型自然拥有。《基于大语言模型智能体的记忆机制综述》总结常见工程路径:系统把对话事实或摘要写入外部存储,需要时检索并注入上下文。通过“写入 - 存储 - 检索 - 注入”机制,智能体可保留并调用部分历史信息,但记住事实不等于有共同经历,就像秘书管理索引卡,虽能让回答更贴心,但记录、摘要、检索和生成环节都可能出错。

在优必选公开的具身智能研究中,扎实成果主要服务工业视觉、规划与控制,而非U1系列情感模型。2026年1月29日,优必选团队发表《Thinker: A vision - language foundation model for embodied intelligence》,披露训练数据包括170万视觉定位样本等,试图解决视觉语言模型在机器人场景的两个问题:混淆第一、三人称视角,忽略视频末尾关键信息。该论文展示通过特定视角训练数据和改进视频输入策略,增强模型在第一视角空间理解等方面的表现。简单说,Thinker像“看图排工作单”的调度员。

而“身体”的进步依赖工程积累。软件为机器人写好台词,身体却在练基本功。机器人身体硬件未经历大模型的“涌现时刻”。人形本体由电机等部件组成,每个关节要在重量等方面取舍,执行器进步通常是重量、寿命、良率等方面的小提升。麦肯锡2026年4月报告估算,执行器约占整机物料成本的40%至60%,2025年10月15日的报告也给出相同区间。仿生路线更增加难度,工程师要解决机械骨架与柔性皮肤、舵机转动与表情形成等问题,且脸部内部舵机和传动结构交付后能力上限基本固定。U1的跃迁感主要来自软件和交互层,支撑其长期运行的身体仍需按传统工业节奏发展。

【行业竞争与U1选择】

把产品在能力未完整时推向市场,并非优必选独有。过去两年,具身智能行业竞争从演示转向真实场景运行。2024年6月5日,美国Agility Robotics的双足机器人Digit进入GXO仓库运营,工作是接过料箱放上传送带。6月27日,双方宣布多年期RaaS协议,GXO自动化负责人称从试点走向真实仓库,Agility时任CEO强调机器人要创造收入、解决问题。窄任务可计费、留数据,展会演示只需成功一次,仓库机器人要重复动作并暴露问题。

Figure更进一步。2025年11月19日,Figure 02在宝马美国工厂运行超1250小时,装载9万多个零件,参与3万多辆BMW X3生产,随后退役,经验用于下一代Figure 03。到2026年4月29日,Figure宣布BotQ工厂生产350多台Figure 03,速度提升,但整机一次通过率仍在改善,还设置多道检测。Figure官网称机群扩大和长时间运行会暴露更多问题,这里的量产意味着研发走出实验室,机器人要先持续运行,模型、供应链和工程师才能获取数据、发现问题。

竞争从工厂延伸到家庭。2025年10月28日,挪威1X开放家庭机器人NEO预订,有买断和订阅两种方式,计划2026年优先在美国交付。1X未将其包装成通用家务机器人,官网写明早期用户获基础自主能力,复杂任务可预约远程监督。

国内市场路径不同。2024年5月13日,宇树发布9.9万元起的G1,面向开发者和科研用户;2025年12月8日,智元宣布第5000台机器人下线,包括A、X、G三个系列,联合创始人强调量产重点是稳定性等。各公司虽外形不同,但争夺真实运行小时、制造经验和早期用户反馈。Agility用仓储流程获数据,Figure用工厂迭代本体,1X引入远程专家,宇树降低门槛,智元扩大规模,共同点是交付成为研发方法。

U1与1X选择不同,它用仿生脸、长期记忆和情绪反馈切入家庭。6月30日发布会后,周剑解释,工业、商用和家庭三条线要同时推进;工业强调负载等,家庭强调情感模型等,硬件终将趋同,家庭场景情感连接可能延伸出订阅等生态。这是公司战略判断,非已验证的商业结果。同一场采访中,周剑认为人形机器人的“iPhone时刻”需可复制的量产工艺和海量真实交互数据,U1正好触及这两点。

【首批买家与产品考验】

订单显示了兴趣,但不能证明家庭刚需。13361张全渠道订单,公开的京东U1 Pro预售规则是消费者支付3000元可退定金锁定购买资格,不同渠道和版本付款结构未披露。发布会上,周剑表示力争年内完成交付,这意味着衡量量产能力不应只看下线数量。

焦继超称,仿生机器人难点包括轻量化、舵机小型化和情感模型。U1头部集成19个舵机,对小型化等能力要求高,他坦言一万多台规模的量产挑战大。若U1年内交付一万台,首先证明供应链能力;半年后仍被使用,才开始证明产品价值。那么,U1能否经受住市场考验呢?

内容概要:本文研究了基于角蜥蜴优化算法(HLOA)优化BP神经网络的风电功率预测模型,并提供了完整的Matlab代码实现。该方法通过引入HLOA算法对BP神经网络的初始权值和阈值进行全局寻优,有效解决了传统BP神经网络收敛速度慢、易陷入局部最优的问题,显著提升了风电功率预测的精度与鲁棒性。文中系统阐述了HLOA算法的生物启发机制、数学模型及其寻优过程,详细构建了HLOA-BP预测模型的技术框架,并结合实际风电场历史数据开展仿真实验。结果表明,该模型在均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R²)等关键指标上均优于标准BP神经网络及其他主流智能优化算法(如PSO、GWO)优化的对比模型,验证了其在短期风电功率预测中的优越性能。; 适合人群:具备一定机器学习与智能优化算法基础,从事新能源发电预测、电力系统调度、智能算法应用或相关领域研究的科研人员及工程技术人员,尤其适合电气工程、自动化、计算机等相关专业的研究生及以上学历层次的学习者与开发者。; 使用场景及目标:①应用于风电场短期功率预测,提升电网调度的稳定性与经济性;②为智能优化算法与神经网络融合的技术方案提供实践参考;③作为科研论文复现、算法改进或毕业课题设计的高质量模板。; 阅读建议:建议读者结合所提供的Matlab代码,按照文中模型构建流程逐步调试与运行,重点关注HLOA算法的参数敏感性分析及其对网络训练过程的影响,同时可尝试将该方法迁移至光伏发电预测、负荷预测或其他时间序列预测场景中进行拓展验证与性能对比。
摘要 随着我国城市化进程加速,城市生活垃圾处理压力日益凸显,垃圾分类作为源头减量的关键举措已上升为国家战略。传统社区垃圾分类督导模式存在人力成本高、居民参与度低、数据难以量化追踪等痛点,亟需构建高效的数字化管理体系。本文设计并实现了一款基于Spring Boot框架的微信小程序社区垃圾分类督导系统,旨在通过数字化手段构建居民、督导员、管理员三位一体的垃圾分类管理生态。 系统采用分层架构设计,前端基于微信小程序实现轻量化用户交互,后端通过Spring Boot框架提供稳定的业务支撑,数据层采用MySQL数据库实现高效数据存储与检索。核心功能模块包括居民端的垃圾分类智能识别、投放记录管理、积分激励、政策资讯、在线答题等功能,督导员端的居民信息管理、设备监控、投放点管理等现场管控能力,以及管理员端的全局系统配置与维护功能。系统集成百度AI图像识别接口实现垃圾智能分类,采用MD5加密保障用户数据安全,通过积分激励模型提升居民参与积极性。 该系统为社区垃圾分类管理提供了一套完整的数字化解决方案,能够有效提升垃圾分类管理效率,降低人力成本,具有较强的实践应用价值和推广前景。系统通过游戏化思维设计提升居民参与积极性,实现了垃圾分类从"被动执行"到"主动参与"的转变,为我国城市生活垃圾分类工作提供了新的技术路径和实践范式。 关键词:Spring Boot;微信小程序;垃圾分类
内容概要:本文围绕“参与调峰的储能系统配置方案及经济性分析”展开研究,基于Matlab代码实现,重点探讨了储能系统在电力系统调峰中的优化配置方法与经济效益评估。研究内容涵盖储能系统应对负荷峰谷差、提升电网稳定性的技术路径,构建了综合考虑投资成本、运行维护费用、峰谷电价套利及电网服务收益的经济性模型,并通过仿真验证不同配置方案的技术可行性与经济优势。文中结合实际电力市场环境,系统分析了储能容量、功率配置、充放电策略等关键因素对经济性的影响,深入探讨了多场景下的敏感性变化规律,为储能项目的科学规划与投资决策提供了量化依据与理论支撑; 适合人群:具备电力系统基础知识和Matlab编程能力,从事新能源、储能技术、电力市场或相关领域研究的研发人员、工程技术人员及高校研究生。; 使用场景及目标:①用于科研复现EI期刊论文中的储能配置与经济性分析模型;②指导实际储能项目在调峰场景下的容量规划、运行策略制定与经济评估;③辅助高校教学与课题研究,深入理解储能系统在电力系统中的多重价值实现机制与优化逻辑。; 阅读建议:建议结合文中的Matlab代码与理论模型同步阅读,重点关注目标函数构建、约束条件设定及参数敏感性分析部分,通过调整输入数据和关键参数进行仿真验证,以深化对储能系统经济性影响因素及其优化路径的理解。
内容概要:本文围绕《【Koopman】遍历论、动态模态分解和库普曼算子谱特性的计算研究(Matlab代码实现)》展开,系统阐述了Koopman算子理论在非线性动力系统分析中的核心地位与应用价值,深入探讨了遍历论的基本概念、动态模态分解(DMD)算法的数学原理及其与Koopman算子谱分析之间的内在关联,重点剖析了如何通过有限数据逼近无限维Koopman算子的谱特性,并配套提供了完整的Matlab数值实现代码,帮助读者从理论推导与编程实践双重角度掌握这一先进的数据驱动建模方法。文中强调通过算法复现与实例分析,理解复杂动力系统的模态分解、稳定性判据及长期演化行为预测技术。; 适合人群:具备扎实的线性代数、微分方程和数值分析基础,对非线性动力系统、流体力学、信号处理或数据驱动建模范畴感兴趣,从事相关领域研究的研究生、高校科研人员及工程技术开发者。; 使用场景及目标:① 深入理解并实现Koopman算子理论及其在高维复杂系统中的谱分析方法;② 掌握动态模态分解(DMD)及其变体算法的核心流程,并应用于流场分析、气候模式识别、生物振荡等实际场景;③ 利用Matlab进行非线性系统关键模态的提取、重构与未来状态预测,提升对系统内在动力学机制的洞察力。; 阅读建议:建议读者在学习过程中紧密结合文中的Matlab代码进行逐行调试与修改,通过可视化结果反哺理论理解,同时推荐延伸阅读Koopman模式分解(KMD)、EDMD(Extended DMD)等先进方法,以拓宽在实际科研与工程问题中的应用视野。
内容概要:本文提出了一种基于高斯混合模型(GMM)聚类的风电场短期功率预测方法,结合CNN-BiLSTM-Attention深度学习模型,实现对风电功率的高精度预测。首先利用GMM对风电历史运行数据进行工况聚类,识别出不同的运行状态(如稳态、波动、突变等),进而针对每一类工况分别构建专用的CNN-BiLSTM-Attention预测模型。该模型中,卷积神经网络(CNN)用于提取输入特征的局部空间模式,双向长短期记忆网络(BiLSTM)捕捉时间序列的前后向时序依赖关系,注意力(Attention)机制则动态调整关键时间步的权重,强化重要信息的表征能力,有效提升了模型在复杂多变气象条件下的适应性与预测精度。研究涵盖了数据预处理、特征工程、模型架构设计、多场景仿真实验及性能对比分析,并通过Python与Matlab平台完成了算法实现与验证,结果表明所提方法在多种典型工况下均显著优于传统单一模型预测方案。; 适合人群:具备一定机器学习与深度学习基础,熟悉时间序列预测任务,从事新能源发电预测、电力系统调度、智能算法开发或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于风电场实际运行中的短期功率预测系统,提升预测精度以支持电网稳定调度与电力市场交易;②为处理具有强非平稳性和多模态特性的复杂时序预测问题(如光伏、负荷预测)提供可复用的技术框架;③通过代码复现深入掌握CNN、BiLSTM与Attention机制的融合建模方法及其在实际工程中的调优策略。; 阅读建议:建议读者结合提供的Python与Matlab代码进行实践操作,重点关注GMM聚类结果与预测模型之间的映射关系,以及多模型联合预测的集成逻辑,同时深入理解Attention机制在时序特征加权中的作用,以全面掌握该方法的技术细节与工程应用价值。
内容概要:本文围绕“基于启发式算法的深度神经网络卸载策略研究”,聚焦于边缘计算环境下如何高效解决深度神经网络(DNN)任务的计算卸载问题。文章系统梳理了传统粒子群优化算法(PSO)的基本原理,并深入剖析其在DNN卸载应用中存在的收敛速度慢、易陷入局部最优等局限性。在此基础上,重点介绍了自适应权重PSO、混合遗传PSO、模拟退火PSO以及多目标PSO等多种改进算法的核心机制与优化策略,详细阐述了它们在提升全局搜索能力、增强算法稳定性和应对多目标优化方面的优势。通过在多个核心性能维度上对不同改进算法进行对比分析,为面向延迟敏感、资源受限的边缘智能应用场景下的算法选型与参数调优提供了坚实的理论支撑与实践指导。; 适合人群:具备一定算法基础和MATLAB编程能力,从事边缘计算、智能优化或深度学习相关研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①为边缘计算环境中DNN任务的资源分配与计算卸载提供高效的优化解决方案;②对比分析不同改进粒子群算法在复杂优化问题中的性能差异,指导实际场景中的算法选择与参数调优。; 阅读建议:本文以理论推导与MATLAB代码实现相结合,建议读者在理解算法原理的基础上,动手运行和调试所提供的代码,通过可视化结果加深对各类改进PSO算法性能特点的认识,并尝试将其应用于其他类似的优化问题中。
内容概要:本文围绕【信号检测】PTT、HRV 和 PRV 的 ECG 和 PPG 信号展开系统性研究,深入阐述了脉搏波传导时间(PTT)、心率变异性(HRV)和脉搏率变异性(PRV)的基本概念、生理机制、测量方法及其在临床医学中的重要应用价值。重点探讨了利用ECG与PPG多模态信号融合技术进行生理参数提取的技术路径,详细分析了PTT作为无创血压估测指标的可行性、HRV反映自主神经系统功能的科学依据,以及PRV在缺乏ECG信号时作为HRV替代参数的有效性与局限性,并对两者进行了对比研究。文中结合Matlab代码实现了完整的信号处理流程,涵盖原始信号预处理、QRS波与脉搏波峰值检测、间期序列提取、时域与频域分析、结果可视化等关键技术环节,具有较强的实践指导意义。; 适合人群:具备一定生物医学信号处理理论基础,从事生理参数监测、可穿戴健康设备研发、远程医疗系统设计或医疗大数据分析等相关领域的科研人员、工程技术人员及研究生。; 使用场景及目标:①实现基于ECG和PPG信号的PTT实时计算,用于连续无创血压监测系统的开发;②开展HRV与PRV的相关性与一致性研究,评估PRV在不同生理状态(如静息、运动、应激)下的可靠性;③构建多模态生理信号联合分析平台,提升心血管健康状态评估的准确性与鲁棒性。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,重点关注QRS波和脉搏波特征点的检测算法优化,注意处理信号噪声、基线漂移和运动伪影对检测精度的影响,可通过MIT-BIH等公开生理信号数据库验证算法性能,并进一步探索深度学习等先进方法在特征提取中的应用潜力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值