Lassen Sie sich nicht von den 600 Millionen Yuan Gewinn täuschen. Die profitabelste Hardware ist genau das größte Risiko für Unitree.

Im letzten Artikel haben wir über "Unitree Technology: Das 'seltsamste' IPO-Unternehmen aller Zeiten" geschrieben.

Diesmal betrachten wir Unitree aus einer anderen Perspektive, nämlich aus der Sicht der Branche der humanoiden Roboter.

Unitrees Geldverdungsfähigkeit übertrifft nicht nur die Erwartungen vieler Menschen, sondern auch die aller meisten Embodied AI-Unternehmen weit.

In den meisten Branchen würde dies fast ausreichen, um die Wettbewerbsfähigkeit eines Unternehmens zu beweisen: Es kann Geld verdienen, hat hohe Gewinne und eine starke Marke, was darauf hinweist, dass das Geschäftsmodell funktioniert.

Aber in der gegenwärtigen Embodied AI-Branche muss man dies möglicherweise genau andersherum sehen.

Die Gelder, die Unitree heute verdient, sind eher ein zeitweiliges Preisdiktionsrecht als die Verwirklichung der endgültigen Wettbewerbsfähigkeit in der Branche.

Es hat eine sehr besondere Zeitspanne erwischt:

In einer Zeit, in der die Nachfrage noch nicht reif ist, die technologischen Wege noch nicht festgelegt sind und der Wettbewerb noch nicht richtig losgeht, hat es durch seine Stärken in der Ingenieurwissenschaft und der Lieferkette die Effizienz erhöht und zusätzlich die Erkenntnisgewinne aus der Öffentlichkeitsarbeit genutzt, um vorübergehend ein scheinbar "überdurchschnittliches" Ergebnis zu erzielen.

Aber hier liegt auch genau das Problem.

Erstens: Die Hardwareform wird letztendlich von der Anwendungssituation definiert, nicht umgekehrt.

Wenn Roboter als Produktivkraft in konkrete Anwendungsfälle eingesetzt werden, ist die optimale Lösung wahrscheinlich nicht die heutige Hardwareform.

Das heißt, das, was Unitree heute am besten kann, ist möglicherweise nicht das, was in Zukunft am wertvollsten sein wird.

Zweitens: Der ingenieurswissenschaftlich getriebene Ansatz von Unitree hat offensichtliche Grenzen.

Die Entwicklung der Künstlichen Intelligenz in den letzten 70 Jahren hat wiederholt gezeigt, dass alle ingenieurswissenschaftlichen Wunder schließlich von der "Gewaltästhetik von Rechenleistung + Daten" überwunden werden. Dies wird auch im Bereich der Embodied AI keine Ausnahme sein.

Deshalb verdient Unitree einerseits mit Ingenieurwissenschaften Geld und investiert andererseits 2 Milliarden Yuan aus den 4 Milliarden Yuan, die es bei seinem IPO gesammelt hat, in die Verbesserung seiner "Kreativität".

Hinter diesem Vorgehen steckt eine klare Einschätzung: Die kurzfristigen Vorteile kommen aus der Ingenieurwissenschaft, der langfristige Sieg hängt aber immer noch von den Modellen ab.

01 Hinter der hohen Gewinnspanne eine vorübergehende, ingenieurswissenschaftlich getriebene Siege

Wenn man den Bereich der Embodied AI näher betrachtet, wird man feststellen, dass er sich noch in einem sehr frühen Stadium befindet.

Der am besten sichtbare Indikator dafür ist die Nachfrage-Struktur.

Heute drehen sich 74 % der humanoiden Roboter noch in Forschung und Bildungszwecken. Die oft genannte "Arbeit in der Fabrik" hat in der Realität noch kaum begonnen. Stattdessen machen Anwendungen wie Unternehmensführungen und Ausstellungserklärungen 50 % bis 70 % aus.

Das bedeutet, dass die derzeitige Hauptnachfrage in der Branche im Wesentlichen keine Produktivitätsnachfrage, sondern Präsentationsnachfrage ist.

Die Präsentationsnachfrage hat die Eigenschaft, dass es ausreicht, wenn ein Roboter sich bewegen, gehen und für eine gewisse Zeit stabil funktionieren kann. Die Produktivitätsnachfrage ist dagegen strenger: Sie erfordert langfristige Stabilität, Reproduzierbarkeit, die Fähigkeit, Menschen zu ersetzen und die Möglichkeit, die ROI zu berechnen.

Und die Embodied AI hat noch nicht diesen Punkt erreicht.

Der Durchbruch der großen Modelle war im Wesentlichen ein "Daten-Emergenz-Phänomen" - zum ersten Mal wurden Internetdaten in großem Maßstab genutzt.

Aber die Embodied AI hat diese Bedingungen noch nicht. Methoden wie Fernsteuerung, Bewegungsaufzeichnung und Simulation werden zwar eingesetzt, aber die Branche hat bisher noch kein allgemeingültiges Robotermodell trainiert, das sowohl in Bezug auf die Parametergröße als auch auf die Leistung wirklich funktioniert.

Deshalb stimmen viele Branchenexperten in ihrer Einschätzung überein: Die heutige Embodied AI ist eher wie die Fahrerassistenzsysteme vor ein paar Jahren - man sieht zwar die Richtung, aber es wird noch lange dauern, bis es wirklich in großem Maßstab eingesetzt wird.

Wie hat Unitree in dieser Phase hervorgetreten?

Seine Strategie ist sehr klar: Anstatt sich auf die "Kreativität" zu konzentrieren, hat es die "Körperintelligenz", bei der es mehr Sicherheit gibt, auf das Optimum gebracht und mit seiner Ingenieurleistung und den Stärken in der Lieferkette schnell Marktanteile in der frühen Phase gewonnen.

Der entscheidende Schritt dabei war der Vierbeiner-Roboterhund.

Bis zum dritten Quartal 2025 hatte Unitree 17.946 Vierbeiner-Roboter verkauft.

Dies hat nicht nur Einnahmen gebracht, sondern vor allem zwei Fähigkeiten entwickelt: Erstens hat es die Lieferkette fest in der Hand, und zweitens hat es die wichtigen Komponenten zu hochgradig universellen Modulen gemacht. Später wurden diese beiden Punkte direkt auf die humanoiden Roboter übertragen.

Am Ende zeigt sich dies in der Differenz der Gewinnspanne. Die Branche liegt im Durchschnitt zwischen 35 % und 47 %, während Unitree 63 % erreichen kann. Dieser fast 20-Prozent-Punkte-Unterschied ist im Wesentlichen nicht der Vorteil eines einzelnen Produkts, sondern das Ergebnis eines ganzen Fertigungs- und Lieferungssystems.

Zusätzlich hat Unitree durch seine Auftritte beim Frühlingsfest eine nahezu kostenlose Markenpromotion bekommen.

So ist ein interessantes Phänomen entstanden: Ein fast allbekanntes Robotunternehmen hat im ersten drei Quartalen 2025 nur 22,57 Millionen Yuan für Werbung ausgegeben.

Wenn man also zurückschaut, ist Unitrees hohe Gewinnspanne nicht schwer zu verstehen. Es ist keine langfristig bewiesene Geldverdungsfähigkeit, sondern ein vorübergehendes Preisdiktionsrecht, das in der frühen Phase entstanden ist:

In einer Zeit, in der die Nachfrage noch nicht reif ist, die technologischen Wege noch nicht festgelegt sind und der Wettbewerb noch nicht richtig losgeht, hat es durch seine Stärken in der Ingenieurwissenschaft und der Lieferkette die Effizienz erhöht und zusätzlich die Erkenntnisgewinne aus der Öffentlichkeitsarbeit genutzt, um ein "überdurchschnittliches Ergebnis" zu erzielen.

Aber hier liegt auch genau das Problem von Unitree.

Alle Vorteile von Unitree basieren auf einer Voraussetzung: Die Branche befindet sich noch in der Phase der "Präsentationsnachfrage". Wenn sich die Nachfrage in Richtung "Produktivität" verschiebt, wird diese Vorteile noch funktionieren?

02 Die "Hardware-Strategie" wird vom Kapital nicht am meisten bevorzugt

Obwohl Unitree das erfolgreichste Unternehmen in der Kommerzialisierung der Embodied AI ist, ist sein technologischer Ansatz nicht "mainstream".

Wenn man die Embodied AI-Unternehmen nach ihrem technologischen Investitionsansatz einteilt, kann man sie grob in drei Kategorien aufteilen: die "Hardware-Strategie", die "Kreativität-Strategie" und die "Gesamtpaket-Strategie".

Unitree gehört zu den typischen Vertretern der Hardware-Strategie.

Der Kern dieser Strategie liegt in der Hardware und der Bewegungssteuerung, was in der Branche als "locomotion control" bezeichnet wird. Vereinfacht gesagt, geht es darum, dass Roboter in der realen Welt stabil gehen, sich im Gleichgewicht halten und sogar komplexe Bewegungen wie Rollen, Springen und Tanzen ausführen können.

Natürlich forscht es auch an der "Kreativität", aber die Priorität ist klar: Bewegungssteuerung zuerst. Ähnliche Ansätze verfolgen auch Unternehmen wie Zhuji Dynamics und Zhongqing.

Andererseits gibt es die Kreativität-Strategie, vertreten durch Unternehmen wie Galaxy Universal, Independent Variable, Xinghai Map, Qianxun Intelligence und Zhifang. Diese Unternehmen stimmen darin überein, dass sie sich vorrangig auf die Entwicklung von Modellen konzentrieren.

Diese Entscheidung spiegelt sich direkt in der Verteilung der Forschungsressourcen wider. Beispielsweise investiert Xinghai Map 80 % seiner Forschungsressourcen in die "Kreativität", davon 30 % in Daten, 40 % bis 50 % in Rechenleistung und nur 20 % in Hardware. Galaxy Universal hat sogar nur ein Radfahrgestell entwickelt und hat fast alle anderen Ressourcen in die Modellentwicklung investiert.

Außerdem wählen diese Unternehmen in der Regel Radfahrzeuge anstatt zweibeinige Roboter.

Der Grund dafür ist nicht kompliziert. In einer Phase, in der die Nachfrage noch nicht klar ist, ist die wichtigste Fähigkeit eines Roboters nicht, wie ein Mensch zu gehen, sondern, ob er die Aufgabe erfüllen kann. Im Vergleich zur Bewegungsfähigkeit sind die Manipulations- und Entscheidungsfähigkeiten des Oberkörpers wichtiger.

Die dritte Kategorie ist die Gesamtpaket-Strategie, bei der sowohl die "Kreativität" als auch die Hardware entwickelt werden. Typische Vertreter sind Unternehmen wie Zhipu Robot sowie die ausländischen Unternehmen Tesla und Figure.

Aus der Präferenz des Primärmarktes geht hervor, dass die Investition in die "Kreativität" fast zur Branchenkonvention geworden ist. Dies wird an zwei sichtbaren Punkten bestätigt.

Erstens: Unitrees Eigenwert.

Unitrees Post-Money-Wert nach der letzten Finanzierungsrunde beträgt etwa 12,7 Milliarden Yuan. Angesichts seiner gezeigten Geldverdungsfähigkeit und der Popularität des Sektors ist dieser Wert nicht besonders hoch.

Noch früher, bevor es durch das Frühlingsfest bekannt wurde, war sein Wert lange Zeit niedrig und lag möglicherweise nur bei der Hälfte von Zhipu.

Zweitens: Die gemeinsame Wahl der Unicorns.

Es gibt bereits 8 Embodied AI-Unternehmen in China, deren Wert über 10 Milliarden Yuan liegt, darunter Galaxy Universal, Zhipu Robot, Unitree Technology, Xinghai Map, Zhifang, Qianxun Intelligence, Independent Variable und Xingdong Era. Die meisten von ihnen betonen eindeutig die Strategie, die Modelle zuerst zu entwickeln.

Warum investiert das Kapital lieber in die "Kreativität"?

Weil die größte Schwierigkeit in der gegenwärtigen Embodied AI nicht in der Hardware, sondern in der Software liegt.

Das Ziel der humanoiden Roboter ist nicht, ein automatisches Gerät in einem bestimmten Szenario zu sein, sondern eine universelle Fähigkeit zu haben und wie ein Mensch in verschiedenen Umgebungen verschiedene Aufgaben zu erfüllen.

Ohne ein Basis-Modell kann man die physikalischen Gesetze der realen Welt nicht verstehen und kann daher keine wirklich komplexen Aufgaben bearbeiten.

Nehmen wir ein einfaches Beispiel: Wenn ein Roboter ein Ei aufnimmt, ist die Hardware für die Ausführung der Bewegung verantwortlich, aber die Stärke, mit der er das Ei greift, damit es nicht zerbricht, wird vom Modell bestimmt.

Deshalb setzen auch Google, Nvidia, Physical Intelligence und Galaxy Universal ihren Schwerpunkt auf die Entwicklung von Weltmodellen - um der KI zu beibringen, die physikalische Welt zu verstehen.

Das Wichtigste ist, dass sich die Entwicklungspfade von Software und Hardware völlig unterscheiden, was direkt die Unterschiede in ihrem Wert auf dem Kapitalmarkt bestimmt.

Die Hardware hat zwar Grenzen, aber sie sind eher linear. Man kann sie durch ingenieurswissenschaftliche Erfahrungen und kontinuierliche Verbesserungen langsam billiger und reifer machen. Beispielsweise kostete ein industrieller Greifarm in der Vergangenheit möglicherweise Hunderttausende von Yuan, während Tesla heute die Kosten für eine Hand auf etwa 6.000 US-Dollar gedrückt hat.

Aber die Grenzen der Software sind nicht linear. Niemand weiß, wann ein Durchbruch wie der von ChatGPT erfolgen wird. Aber wenn es passiert, wird die Verbesserung der Generalisierungsfähigkeit der Roboter möglicherweise viele Anwendungsfälle eröffnen.

Das Problem ist also klar: Bevor das Niveau der Intelligenz deutlich steigt, ist es schwierig, die ROI zu erzielen und einen stabilen Geschäftszyklus zu bilden, wenn man einfach die Anwendungsfälle erweitert.

03 Die Hardware wird von der Anwendungssituation bestimmt - dies ist die echte Gefahr für Unitree

An dieser Stelle mag jemand fragen: Wenn das Modell noch nicht fertig ist, warum kann man nicht zuerst die Hardware verbessern?

Natürlich kann man das, und langfristig wird die Embodied AI sicherlich vertikal integriert sein - sowohl das Modell als auch die Hardware werden entwickelt.

Aber das Problem ist, dass die Entscheidung, zuerst die Hardware zu verbessern, bedeutet, dass man in einer Phase, in der die Variablen noch nicht festgelegt sind, eine Lösung vorzeitig festlegt.

Dabei gibt es zwei wichtige Einschränkungen.

Erstens: Die Hardwareform wird letztendlich von der Anwendungssituation definiert, nicht umgekehrt.

In der Phase der Präsentationsnachfrage haben die menschliche Gestalt, das Laufen, Springen und die dynamischen Fähigkeiten von Robotern Bedeutung, weil sie direkter und leichter sichtbar sind.

Aber sobald man in die Produktivitätsphase eintritt, ändert sich das Bewertungskriterium völlig. Ein Roboter wird nicht mehr danach beurteilt, was er zeigen kann, sondern ob er in den Arbeitsablauf integriert werden kann, ob er Menschen ersetzen kann und ob die ROI berechnet werden kann.

In diesem Fall ist die optimale Lösung wahrscheinlich nicht die heutige Hardwareform.

Unternehmen brauchen möglicherweise nicht unbedingt einen humanoiden Roboter, der laufen und springen kann, sondern wählen eher eine kostengünstigere und stabilere Radfahrzeuglösung. Im Vergleich zu komplexen Bewegungsfähigkeiten sind möglicherweise eher Fähigkeiten wie Greifen, Montieren und Sortieren, die nicht so aufsehenerregend erscheinen, aber öfter benötigt werden.

Das bedeutet, dass sobald die Anwendungssituationen festgelegt sind, die Hardware neu definiert wird.

Zweitens: Der Fortschritt der Modelle wird möglicherweise einige heute ingenieurswissenschaftlich optimierte Fähigkeiten neu definieren.

Dies kann man mit der Theorie der "Bitter Lesson" verstehen. Die Entwicklung der Künstlichen Intelligenz in den letzten 70 Jahren hat wiederholt gezeigt, dass viele Pfade, die auf manueller Gestaltung und ingenieurswissenschaftlichen Tricks beruhen, schließlich von allgemeingültigeren Methoden, die auf Rechenleistung und Daten basieren, ersetzt werden.

Beispielsweise hat die AI-Ingenieurwissenschaft in den letzten zwei Jahren drei Entwicklungsschritte durchgemacht: Prompt engineering (Anweisungsingenieurwesen), Context engineering (Kontextingenieurwesen) und Harness engineering (Domestizierungsingenieurwesen).

Das Gleiche gilt auch für die Embodied AI.

Viele heute scheinbar starke Steuerungsfähigkeiten sind im Wesentlichen das Ergebnis ingenieurswissenschaftlicher Optimierungen. Aber sobald die Modellfähigkeiten steigen, können diese Fähigkeiten möglicherweise von einem End-to-End-Lernverfahren neu überschrieben werden.

Mit anderen Worten, einige heutige Vorteile sind möglicherweise nur Lösungen für eine Übergangsphase.

Wenn man diese beiden Punkte zusammen betrachtet,