全世界的实验室都在跑同一款机器人——宇树快成机器人圈的"CUDA"？
一条推文引发的归因之争：零样本迁移变容易，该记在谁头上？
2026 年 9 月 13 日，Agility Robotics 的 AI 创新负责人 Chris Paxton 转发了一条推文，附上这样一段话：
"Zero-shot sim to real for Asimov. I do think this is an important achievement -- we often understate the degree to which having the whole international community working on Unitree G1 robots made sim to real 'easy' for that robot"
翻译过来是：Asimov 的零样本 sim-to-real，我确实认为这是一项重要成就。我们常常低估了一个事实：全世界社区都在围着宇树 G1 工作，这让那台机器人的 sim-to-real 变"容易"了。
这句话最反常的地方不在内容，而在说话的人。Paxton 效力于 Agility Robotics，Agility 的 Digit 是宇树在全球人形机器人市场上的直接竞争对手。一个竞争对手的 AI 负责人，没有把这次成功归功于 Asimov 算法团队的天才，而是归功于一个外部原因：全世界社区长期在宇树硬件上堆积的免费劳动。这条推文把"共享硬件生态 vs 单点模型突破"的归因问题，从学术讨论变成了在场内被公开争论的真问题。Paxton
这条推文真正推上台面的，是一个记功问题：Asimov 的这次成功，功劳该记在算法团队的突破头上，还是记在全世界的共享社区头上？本文接下来要检验的，就是这场归因之争：零样本迁移变容易这件事，该在算法与生态之间怎么分成、各记几成。检验之前，先把这次成果的最小事实钉住：零样本迁移，全称零样本 sim-to-real（simulation-to-reality），意思是策略只在仿真环境里训练，上真机时不微调、上去就能跑。后面所有的记功讨论，都围绕这个最小事实展开。
"记在算法还是生态头上"不是一句修辞，而是一个能被证据回答的命题：Asimov 到底做到了什么，别人为什么把功劳记给社区，Asimov 自己又怎么给自己记功，硬件与生态各自贡献了什么，这些都可以一件件查证。把这几件事查清，才有资格回答标题里的那个大问题：宇树是不是正在变成人形机器人圈的 CUDA。接下来所有章节，都是这一条主线的展开：检验 Asimov 的成功，应当如何在算法与生态之间记功。
要检验这个命题，先得知道这个归因判断是从哪来的。这条判断在场内流转了三站，才落到 Paxton 手里：第一站是 Asimov 团队自己的技术博文（2026 年 8 月 31 日），第二站是 @eckartal 在 9 月 12 日的转推，第三站才是 9 月 13 日 Paxton 的这条引荐推文。为了让"一个判断如何在场内流动"变得可见，把传播链画出来：
图中的浏览数字都是抓取时刻的快照，X 上的计数会持续变化，只能当量级看。结构比数字更值得记：一家硬件厂商的客户发布成果，竞争对手的研究负责人反而放大它，说明"平台效应"已经被场内当作一个认真的归因来对待。把 Paxton 的话拆开看，它实际是两件事：第一件是事实判断，Asimov 是重要成就，值得认真对待；第二件是归因判断，它变容易了，因为全世界社区都在 Unitree G1 上工作。第二件正是本文要检验的主线，也就是段首那个记功问题。
进入检验之前，把两处边界划清，免得后面把归因问题越扯越远。其一，Paxton 的原话里从来没有出现过 "CUDA" 这个词，把宇树比作"人形机器人圈的 CUDA"，是本文为了展开平台效应而加的解释层，不能倒回去说成 Paxton 的主张；后面每一章都会用到这个类比，而它的发明权在我们手里，不在 Paxton 手里。其二，场内并不是所有人都走这条路，特斯拉的 Optimus 至今不对外销售、不开放 SDK，走的是完全相反的封闭路线（最后一章有完整对照）；"共享硬件 vs 单点突破"之所以值得争，正是因为两种押注同时在场。
所以这一章的判断是：我们把"零样本迁移变容易、该记在谁头上"当作一个待验证的命题接了下来，接下来一件一件看证据。先看第一件：零样本迁移到底难不难，Asimov 这次究竟做到了什么？
零样本迁移真的变"容易"了？Asimov 做到了，却把功劳归给了硬件
先给术语一个白话说法。零样本 sim-to-real（simulation-to-reality）指的是：策略只在仿真环境里训练，部署到真机时不经过任何真机微调，上去就能跑。它难在仿真和现实之间永远有差距，而你真的把策略放到真机上之前，不知道差距在哪。
域随机化（domain randomization）是这条路的入场券。思路很朴素：与其费劲把仿真做得无限逼真，不如故意在仿真里随机化一切现实世界可能有差异的维度。它的概念源头是 2017 年 OpenAI 的 Tobin 等人那篇奠基论文，随机化的对象包括物体位姿、相机位姿、光照条件和纹理，模型只见大量"不真实"的渲染图，期望现实世界只是这些变体的另一个采样。Tobin 2017
图注：左半记为 Training，是仿真渲染出的随机化样本（彩色几何体、随机背景）；右半记为 Test，是同一个检测器在真实世界里直接面对的照片。这是"训练只用仿真、测试只用现实世界"这个命题的原始图示。Tobin 2017
那篇论文当时做到了 1.5cm 的抓取定位误差，并自称为"第一次把只在仿真 RGB 图像上训练、没有用真实图像预训练的深度网络成功迁移到真实世界"。注意它的边界：解决的只是物体定位这一个环节，不是运动控制，更不是全身协调。从它到人形机器人全身策略，隔了八年。
2017 → 2024 的第一站是宇树 H1。清华、上海期智研究院等团队在 CoRL 2024 发表的 Humanoid Parkour 用三阶段流水线（平地行走 → oracle parkour 策略 → DAgger 蒸馏）把一套端到端视觉策略直接拷到 H1 上零样本部署，可以跳上 0.42m 的平台、跨过 0.8m 的间隙；实机对比里，4 项最困难任务的成绩压过了宇树 H1 出厂自带的 MPC 控制器。Parkour
图注：左侧是 H1 在真实地形上连续动作的照片，右侧是 DAgger 蒸馏流水线示意（深度图 → CNN 编码 → 学生策略）。它承载的是 2024 年 H1 时代零样本 sim-to-real 这件事本身。Parkour
2025 年是 G1 时代，RSS 2025 的 ASAP 论文把方法做成二阶段：先在 IsaacGym 预训练运动跟踪策略，再用真机数据学一个残差 delta action 模型，把它冻结后嵌回仿真器微调原策略，部署时 delta 模型不下机。方法细节这里不展开，记住一点就够了：在 G1 上存在独立的、可发表的 sim-to-real 方法。ASAP
图注：横向四面板依次是：预训练运动跟踪并采集真机轨迹、用真机数据训练 delta action 模型、把冻结的 delta 模型嵌回仿真器微调策略、真机直接部署（delta 模型不下机）。图中没有数字指标，读不出任何误差数值，它证明的是流程结构本身。ASAP
时间来到 2026 年，商业团队入场了。Asimov 团队（Menlo Research 的对外品牌）用 8 个月时间，在自己的双足平台 Asimov 1 上把零样本迁移工程化：25 个电机由机载运动控制板以 50Hz 控制，外部算力不在闭环内；策略完全在仿真里训练，部署时不针对任何单台机器人微调，可以在平地行走并泛化到轻微坡度、草地纹理这类轻微地形扰动。团队对这个成绩的自评是"接近宇树 2025 年初的 locomotion 水平，还有很长的路要走，但进展很快"。注意，这是团队自评基准，不是独立测试结果，不能读成"Asimov 超过了宇树"。Asimov
图注：Asimov 的训练架构：人类行走动作经 motion retargeting（动作重定向）转成机器人参考动作，观察空间 93 维、动作空间 23 维，判别器给出风格奖励、任务奖励合成收益，PPO 智能体在线更新。动作为 23 维不等于 G1 的真实自由度，别把两者划等号。Asimov
它凭什么说自己做到了？最直接的证据是关节轨迹对比：策略零样本部署后，真机 12 个下肢关节的位置–速度相位肖像与仿真轨迹在多数关节上高度重叠。
图注：2×6 子图矩阵对应 12 个下肢关节，蓝色是真机（Real）轨迹、绿色是 MuJoCo 仿真轨迹，多数关节的形状、范围与循环模式高度重叠。这是"sim 与 real 确实重合"的定性证据，只能看到重叠，看不到误差度量。Asimov
到这里，观察者归因和团队自归因出现了分歧，这正是这一章最有意思的地方。Paxton 说这是生态的功劳：全世界社区已经把 G1 这类硬件的未知清得差不多，后来者捡便宜。Asimov 自己却不是这么说的，他们的原话是：这次的修复更多来自让底层硬件变得更确定，而不是推模型。他们做了什么？换了 PREEMPT_RT 实时内核保证时序确定性，把有缺陷的原生 CAN 总线换成 SPI-CAN 并升级控制器，散热不足就加风扇；方法论上坚持"只随机化真正随机的参数"，执行器参数在仿真里精确建模而不是无差别随机化。Asimov
他们在另一篇早期博文里还回忆过在 G1 上的经历：曾经撞向一个黑盒，封闭固件把主要的失败模式藏了起来，怎么调都不出结果。这句话和 Paxton的"社区把路趟平了"互为镜像：黑盒曾经是真实的障碍，而 Asimov 自己的解法不是抱怨黑盒，而是绕开它、让自家硬件变得可预测、可复现。
所以这一章给到的事实是：零样本迁移是真本事，且有九年谱系，从 2017 年的理念证明一路到 2026 年被商业团队兑现；但 Asimov 自己认为关键不在模型，而在硬件确定性。同时它的边界也要钉死：团队只声明了平地与轻微地形扰动下的零样本迁移，locomanipulation（移动与操作一体）和大规模机群一致性明说还没做。本文后面任何地方都不会出现"sim-to-real 已解决"这种话。
把话说回来：算法团队敢押注的前提，是硬件先不为难人。Asimov 把功劳归给"让硬件更确定"，那我们就得追问：一台能被拆开、能复制、不为难人的硬件，是怎么被设计出来的？
算法团队敢押注的前提：一台能被拆开、能复制、不为难人的硬件
2026 年 7 月，以拆解汽车闻名的 Munro & Associates，联合 Schaeffler 和机器人分析师机构 Robo Strategy，把一台宇树 G1 摆上台面，逐件拆开。这件事本身就值得先停一下：一家 36 年历史的第三方拆解公司，愿意花 38 分钟录一期视频拆一台消费级人形机器人，说明 G1 已经不是被关在盒子里的黑盒了，外部工程师愿意把它当正经工程对象来检视。Munro G1 拆解
图注：Munro Live 拆解现场：白壳机器人站在背景中，台面上摆着拆开的双腿、双手、躯干与多个圆形执行器模组，左上角是 MUNRO LIVE 标识。画面里没有型号字样和参数，这张图证明的是"这台机器人被外部团队摆上台面拆解"这一事件本身。Munro G1 拆解
拆解结论中最关键的一条，是减速器的选择。工业机器人关节普遍用谐波减速器（strain wave），100:1 以上的减速比、轻、紧凑、几乎零回差，但代价是很难后向驱动，通常需要在输出端加扭矩传感器，才能知道关节承受了多大负载。G1 走的是另一条路：电机后面接两级行星减速器，总减速比大约 15:1。减速比低意味着外力能反向转动输出端、带动电机反转，于是电机电流本身就成了输出扭矩的代理，RL 策略想"读"关节扭矩，不需要在每个输出端装昂贵的扭矩传感器。拆解团队把这种特性叫做扭矩透明（torque transparency），代价是两级齿轮间的回差，宇树用关节端编码器测输出位置来部分补偿。这使 G1 对需要关节状态反馈的控制研究更友好；而这种硬件特性是否构成具体策略成功的决定因素，仍须由各团队的系统证据另行证明。Munro G1 拆解
散热和踝关节的设计同样刻意。膝关节定子上直接用铜热管散热，拆解团队说此前没见过把热管直接贴在电机定子上的做法，这是给 CPU、GPU 散热的手法；髋部用两个离心风扇，空气走机加工的导流道。踝关节没有线性执行器，电机装在关节上方，通过两根拉杆（tie-rod）驱动一个万向 Cardan 关节，配合运动产生俯仰、差动产生侧滚。结构上，大量小紧固件代替铸造件，银色结构件多为铝合金毛坯 CNC 加工，拆解团队对这套取舍的评价是一句话：先让硬件进到开发者手里，再谈量产优化。这些判断都来自拆解现场，不是宇树的规格书。Munro G1 拆解
官方规格可以给一句对账：G1 全机 23 自由度，膝关节最大扭矩 90 N·m。Unitree 官网
光有工程判断还不够，要把"可复制"落到数字上，就得看财务侧的证据。中邮证券 2026 年 3 月发布的拆解报告给出了一组测算（据中邮证券测算）：G1 Basic 整机 BOM 约 4.16 万元，加工费 0.3 万元，营业成本 4.46 万元，预估毛利率 40.7%；其中关节模块约 2.75 万元（14 个小关节按 1000 元、9 个大关节按 1500 元估算），占整机 BOM 约 66%。供应链结构是"核心自研 + 成熟外采"：电机、驱动板、运动控制算法自研，深度相机用 Intel D435i、激光雷达用 DJI LIVOX MID360、主控用 Rockchip RK3588S，减速器和交叉滚子轴承分别来自美湖、洛阳佰纳等厂商。研报的原话是：G1 核心硬件由成熟可采购、可量产的部件构成，单独硬件部件本身并不具备极高的技术壁垒。中邮证券
再看价格梯度，能看出这份可复制性不是偶然：
图注：中邮证券测算的 G1 四个版本：Basic 毛利率 40.7%，EDU 标准版 63.5%、进阶版 66.7%、旗舰版 C 64.8%。这是单 SKU 单品毛利率口径，与公司整体的 62.9% 不是一回事，不能混用（据中邮证券测算）。中邮证券
表格背后那句话更关键：EDU 版本相比 Basic，升级成本不超过 1 万元，售价却抬了 8.4 万元，毛利率随之显著跳升。这说明高毛利主要来自定价策略而不是物料成本，面向教育与开发者市场，卖的不是零件堆，而是"能上手开发"这件事本身。中邮证券
所以这一章的结论是：执行器层面，G1 的关节被设计成可拆、可复制、可模块化，电机电流还能当扭矩读，这是一台可以被 RL 策略"读懂"的硬件；财务层面，BOM 结构和定价梯度说明这种可复制性是刻意设计的结果。硬件从黑盒变成了可复制的工程，这正是社区能往上堆积的前提。但硬件再可复制，买不起也没用。入场门槛的价格侧，是怎么被拆掉的？
买得起、改得动：$4,900 的 R1 与开放 SDK 怎么拆掉入场门槛
2026 年 4 月，宇树把人形机器人第一次放上了电商货架：R1 通过阿里巴巴 AliExpress 的 Brand+ 渠道全球首发，首批覆盖北美、欧洲、日本、新加坡。不需要签研究合同、不需要销售对接，加入购物车就能下单。人形机器人从 B2B 研究合同变成了 B2C 电商 SKU，这是渠道跃迁，也是入场门槛的供给侧变动。Gizmochina
先看商品页长什么样：
图注：AliExpress 商品页截图：红金配色的 R1 主图，页面显示 $8,122.86 和"100K+ similar items sold"。注意这个标价是含关税和平台便利溢价的零售档位，R1 AIR 的官方起步价是 $4,900，两条线不能混用。Humanoids Daily
这里有三条价格线，必须分开记：国内首发价 ¥29,900（约合 $4,370，比 2025 年夏天的 ¥39,900 已下调）；宇树官网的国际价是 R1 AIR $4,900、R1 $5,900、EDU 联系销售；AliExpress 标价 $6,801.90 和 $8,122.86 则是含关税与平台便利溢价的零售档位。把历史梯度排出来，入场的降价幅度自己会说话：
| 型号 | 首发时间 | 参考价格 |
|---|---|---|
| Go1 Air | 2021-06 | $2,700 |
| Go2 Air | 2023-07 | $1,600 |
| G1 EDU | 2024 | $13,500 |
| R1 AIR | 2026 | $4,900 |
开发者入门档从 G1 EDU 的 1.35 万美元，一步压到 4900 美元。这不是降价，是把触达人群从"有预算的实验室"扩大到"买得起一台高配电脑的个人开发者"。
R1 这台机器本身也值得看一眼：
图注：宇树官网的 R1 整机示意图，白蓝配色格斗站姿，虚线引出 10 个硬件模块标签：8 核计算模块、10 TOPS 视觉计算、双目相机、可快拆电池、单腿 6 DoF、单臂自由度等。图里没有续航、功率、价格数字。Unitree 官网
R1 的价格从 4900 到 5900 美元档，自由度从 AIR 的 20 DoF 到标准版的 26 DoF，单腿 6 DoF、8 核计算加 10 TOPS 视觉。与官方规格对齐后，关键是"便宜到能买"之外还有另一半杠杆：开放到能改。宇树官方的 GitHub 组织维护着一整套 SDK 矩阵：unitree_rl_gym（基于 Isaac Gym 的 RL 示例，约 3.5k stars）、xr_teleoperate（XR 遥操作，约 1.7k stars）、unitree_ros（提供全系机器人 URDF，约 1.6k stars）、unitree_sdk2（约 1.4k stars）、unitree_rl_lab（基于 Isaac Lab，约 1.3k stars）、unitree_mujoco（约 1.2k stars）。这套矩阵同时覆盖 R1、G1、H1、H2，仿真、URDF、真机 SDK 全部公开。这些 stars 数字是抓取时点的快照，只能当生态规模的量级参考，但它们指向同一个事实：想在这台硬件上开发，官方已经把工具链堆到门口了。Unitree 官网
而且这套低价策略在财务上自洽：据中邮证券测算，EDU 版本单品毛利率 63.5% 到 66.7%，卖低价 EDU 依然赚钱，因为高毛利来自定价杠杆而非物料堆叠。
所以这一章的判断是：宇树用定价与开放度，把入场门槛从"研究合同"压到了"电商下单"，价格侧从 1.35 万美元压到 4900 美元，开放侧把仿真、URDF、SDK 全数公开。人进来了，他们产出的策略、论文、数据集，该记在算法功劳簿上，还是平台功劳簿上？
把功劳簿摊开：单点算法与共享平台，各该记几成？
回到 Paxton 的框架做归因。先承认算法层有真实、可独立归因的进步。Parkour 在 H1 上验证了零样本 parkour，ASAP 在 G1 上验证了 delta action 方法，两篇论文都经过同行评审（CoRL 2024、RSS 2025），方法差异真实存在，可以复现，这就是"算法层功劳独立存在"的证据。ASAP 论文里的基线对照把四类做法画在同一张图上：无模型 RL、用真机数据做系统辨识、学残差动力学模型，以及它自己学的残差动作模型。学的是动作还是动力学，这个差异是实质性的，不是包装。ASAP
图注：横向四面板，分别是无模型 RL 训练、用真机数据做系统辨识、用真机数据学残差动力学模型、以及 ASAP 的学残差动作模型。图里只有数据流的拓扑差异，没有量化分数，别试图读出任何指标。ASAP
算法层的真实还有一个硬件反面的注脚：ASAP 团队原本想学完整的 23 自由度 delta 模型，但全模型需要至少 400 条真机动作片段，而 G1 在高动态动作下关节电机快速过热，实验期间两台 G1 在数据收集阶段直接烧坏了，于是他们把策略缩到只学 4 自由度踝关节 delta。硬件平台的特性反向约束了算法选择，算法层从来不是凭空生长在真空里的。
但接下来要追问：这些论文是在什么上面跑出来的？各家论文自己的材料写得很清楚。Parkour 的训练跑在 IsaacGym 上，为了让深度图跨过 sim-to-real 的差距，它在仿真侧显式模拟了 Intel RealSense D435i 的噪声模式，真机侧再用 RealSense API 自带的空间与时间滤波做反向处理。ASAP 的预训练同样在 IsaacGym 完成，人类动作要先经 TRAM、SMPL 到 G1 的 retargeting（动作重定向）链路转成参考动作；G1 的 URDF 和关节动力学已经被社区移植到多个仿真后端，论文再分别投到 IsaacSim（Orbit）、Genesis 和真机 G1 三个后端去验证。Asimov 早期用 MuJoCo/mjlab 迭代，后期改用 Isaac Lab 做高保真物理学习，执行器配置也一并公开在 Isaac Lab 的 pull request 里（PR #7071）。这套底座里最成体系、最可指认的公共物，是 Isaac Lab 技术报告实际展示的跨形态公共仿真底座：2025 年 11 月，报告把一套 GPU 原生仿真栈系统化地写成了文档，跨 11 种机器人形态复用（宇树的 A1、G1、H1、Go1/Go2，加上 Anymal-B/C/D、Cassie、Digit、Spot），物理后端现在是 PhysX，未来并入 NVIDIA、Google DeepMind、Disney Research 联合开发的 Newton 引擎。注意这个技术报告的时间锚点是 2025-11，之后 Isaac Lab 仍在演进，本文只引用到这一时点。报告能证明的是这类公共设施存在且成体系；把它说成 Parkour、ASAP 两项成果背后完整的因果地基，超出了这份报告能支撑的范围。这类公共设施真正的作用，是降低了各团队复现与扩展的成本。Isaac Lab
图注：Isaac Lab 总览图：多样机器人资产、传感器模态、控制器与遥操作设备，通过任务定义框架接入不同学习范式（仅覆盖至 2025-11 的技术报告）。图里读不出任何 GPU 性能数字。Isaac Lab
把三层关系画出来，归因就清楚了：
真正的重头戏在上层。2026 年 5 月 31 日的 GTC Taipei 上，NVIDIA 发布 Isaac GR00T Reference 人形机器人：把宇树 H2 Plus 整机、Jetson AGX Thor T5000 板载算力、两只 Sharpa Wave 五指手打包成一个 75 自由度的参考平台，首批采用者包括 Ai2、ETH Zurich、Stanford Robotics Center、UCSD ARClab，late 2026 起由宇树发售。这等于 NVIDIA 在宇树之上又叠了一层自己的"CUDA"：芯片、SDK、仿真、基础模型，全部标准化到一台参考机器人上。GR00T
图注：NVIDIA 官方渲染图：银灰色人形机器人上半身，半透明胸腔里透出一块方形开发板，左臂张开五指手、右臂以二指夹爪持球。画面在髋部以下被裁切、没有品牌标识，不能据此主张机型或自由度。GR00T
到这里，CUDA 类比要分成两层记账。宇树在硬件层：把共享硬件做到四五千美元、可拆解可复制，这是第一层"平台"；NVIDIA 在芯片加 SDK 加基础模型层，把仿真、推理、基础模型标准化到一台参考机器人上，这是第二层。Paxton 说的是第一层，但 2026 年的现实是两层叠加。
所以归因不是二选一，而是分层。单个团队仍能做出可独立归因的贡献，ASAP 和 Parkour 就是证据；但这些贡献都跑在仿真栈、URDF、retargeting 链路构成的公共设施上，这类公共设施降低了复现与扩展的成本。这一章给读者带走的是：算法层的进步真实且可独立归因，但它们跑在平台层之上，NVIDIA 又在上面加了一层。飞轮转起来了，那么，这面飞轮有没有反面？
飞轮的反面与收束：封闭路线、耐用性短板、禁令，把边界划在哪里
先看反方主证据。RCSV（Robotics Center of Silicon Valley）2026 年 4 月做了一张 G1 与特斯拉 Optimus Gen 2 的对照表。这里要先声明一件事：RCSV 自己也经营 G1 租赁业务，是"卖硬件的一方"，而且表中 Optimus 的所有数字都是二手综述、没有特斯拉一手出处，下文凡 Optimus 数字都按"据 RCSV 综述"来读。RCSV
| 维度 | Unitree G1（开放路线） | Tesla Optimus Gen 2（封闭路线） |
|---|---|---|
| 价格 | 约 $16,000（含 Dex3-1 三指手配置，据 RCSV） | 不外销，Musk 公开目标 $20K-$30K |
| 供应 | 全球发货 | 仅特斯拉内部工厂使用 |
| SDK | Python SDK + ROS2 Humble | 零外部 SDK |
| 仿真模型 | Isaac Sim / MuJoCo / Gazebo 官方模型 | 零仿真模型、内部专有 |
| 外销状态 | 可购买 | 不可购买 |
同样走封闭或半封闭路线的还有 Figure（聚焦企业内部物流）、Agility Digit（约 $250K 的物流专用款）、Apptronik Apollo（与车企捆绑），它们各自的共同点是把软件栈留在自己手里，不给外部开发者复利的机会。宇树的开放路线是场内的少数派，不是默认项。
开放性之外，这台硬件本身还有四条工业级短板（据中邮证券测算）：散热保守，以被动散热为主，高负载下电机易过热需要停机冷却，难以支持工业级连续作业；末端负载有限，整机 35kg、单臂最大负载约 2kg；关节模块占整机质量约 49%，轻量化空间收窄；纯旋转关节缺少线性关节，不适合高负载精细作业。Munro 拆解团队对踝关节那个暴露的万向 Cardan 关节的点评更直白：还没到能上产线的程度（"not ready for prime time in production"）。也就是说，这面飞轮目前转在"开发者实验室"这一层，离"工厂产线"还有距离。Munro G1 拆解
监管也在划边界。据 Reuters、AP、PBS 等外部报道，2026 年 7 月 28 日美国 FCC 把外产先进机器人等设备加入受限名单；宇树 2026 年 8 月回应称 G1、H2、R1、Go2、B2、A2 六款机型在此前已获认证、存量产品仍可在美销售。这些细节来自外部报道的交叉引用，不在本文一手资料范围内，只能作为提醒：地缘合规是这面飞轮上的一条真实裂缝，出海选型时绕不开。
最后把判断收束。回到 Paxton 那条推文，和本文的三件事叠在一起看：Asimov 的零样本迁移是飞轮的下游印证，它初期用 MuJoCo 迭代、后期改用 Isaac Lab 做高保真物理学习，并把执行器配置公开在 Isaac Lab 的 PR #7071 里；G1 拆解是硬件可复制性的工程证据；R1 低价发售是入场门槛的供给侧杠杆。再叠一个量级数据：报道称 2025 年宇树出货约 5,500 台人形机器人，而 Tesla、Figure、Agility 各约 150 台。注意这是报道数字，未获官方独立验证。规模差一个数量级，而规模正是复利的前提。Gizmochina
把飞轮和它的反面画在同一张图里：
那么，宇树是否正在变成人形机器人圈的 CUDA？答案是带条件的：平台效应真实，但不无限。它不是单点算法胜利，ASAP、Parkour、Asimov 都是独立团队的独立贡献；它也不是纯生态胜利，共享社区没替任何人写代码，拆解报告还白纸黑字列着四条工业级短板。真正称得上结构性来源的，是"共享硬件 + 公开仿真栈 + 低价开发机 + 开放 SDK"这四件套组成的飞轮，而它的边界由耐用性、地缘合规与封闭路线共同划定。
对中文读者，这套判断落到三个具体的行动面上。选型：如果目标是在仿真和真机上快速产出算法成果，G1/G1 EDU 依然是生态最厚的档位，R1 是 2026 年的低价入场档，H2 是高端档，价格、自由度、算力梯度完整，按预算和任务选，不必迷信某一款。出海与合规：凡涉及面向美国市场的部署或销售，FCC 受限名单是硬约束，选型时要确认型号的认证状态。论文选题：CMU LeCAR（ASAP）、清华与上海期智（Parkour）已经示范了"在共享硬件上做独立算法贡献"这条路，这正是这个生态给研究者的开放机会，也是它继续转下去的动力来源。
一句话收尾：这面飞轮转多快，取决于上面站了多少人，也取决于它还能承受多少重量。
参考文献
本专题引用的核心资料如下，建议深入学习时阅读原文：
- Chris Paxton on X: "Zero-shot sim to real for Asimov..." — https://x.com/chris_j_paxton/status/2099131870373958091
- How we achieved zero-shot sim2real for Asimov（Menlo Research）— https://menlo.ai/research/zero-shot-sim2real-asimov
- Unitree G1 teardown reveals actuator and cooling tradeoffs（Munro Live via Humanoid.guide）— https://humanoid.guide/unitree-g1-teardown-reveals-actuator-and-cooling-tradeoffs/
- 《宇树 G1 人形机器人拆解报告》（中邮证券，经 Longbridge 转载）— https://longbridge.com/news/281283080
- China's Unitree Sells Cheapest Humanoid Robots Online with R1 Global Launch（Gizmochina）— https://www.gizmochina.com/2026/04/10/unitree-r1-global-launch-online-humanoid-robot/
- Unitree Official R1 / G1 / H2 Product Pages & GitHub SDK Matrix（宇树官网）— https://www.unitree.com/R1
- ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills（RSS 2025）— arXiv:2502.01143
- Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning — arXiv:2511.04831
- Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World（IROS 2017）— arXiv:1703.06907
- Humanoid Parkour Learning（CoRL 2024）— arXiv:2406.10759
- Unitree G1 vs Tesla Optimus Gen 2: Full Comparison (2026)（RCSV）— https://www.roboticscenter.ai/blog/unitree-g1-vs-tesla-optimus-2026
- NVIDIA Announces NVIDIA Isaac GR00T Reference Humanoid Robot for Academic Research — https://nvidianews.nvidia.com/news/nvidia-open-humanoid-robot-reference-design