GigaAI

1.1 身份、域名控制与商业模式

最扎实的基础身份画像，在公司名称、所在地和产品叙事上内部一致，但英文域名并不一致。活跃网站 gigaai.cc 指向一个标题为「极佳科技」的极简页面，而 gigaai.com 是挂牌待售的停放域名，并非公司官网。这不削弱运营主体本身，但对自然会先查 .com 的交易对手来说，是一个真实的尽调提示。独立财经和行业报道一致把业务识别为北京极佳视界科技有限公司 / GigaAI，2023 年成立，总部在北京。公司的经营假设不止一个机器人 SKU：公司反复描述的是一套把世界模型、具身基础模型、自有机器人本体和泛化场景合在一起的栈。落到商业化，就是两条仍在公开视野中验证的变现路径：通过软件、API 或授权向合作伙伴交付软件或基础模型服务，以及围绕 Maker 工业线和 SeeLight 家庭线的硬件加部署项目。公开来源支撑战略叙事，但还没有披露稳定收入、ARR 或客户数量等指标，投资人无法据此把叙事动能和经常性商业规模拆开。[CO001, CO002, CO003, CO004, CO011, CO012]

1.2 创始人、领导层与治理可见度

创始人集中度是公开资料里最清楚的特征之一。几乎每篇融资和人物报道都会出现黄冠，身份是创始人兼 CEO，履历横跨清华自动化、Horizon Robotics、PhiGent / 鉴智机器人、Microsoft Research Asia 和 Samsung China Research。对一家做世界模型和机器人的公司来说，这让创始人与市场的匹配度格外可读：他的履历把计算机视觉、自动驾驶、具身 AI 和工业化连在一起。公开可见的第二梯队领导层更窄，但仍有意义。投资人和人物报道提到郑珠为联合创始人兼首席科学家，孙少岩为联合创始人且有 Alibaba Cloud 和 Horizon 经历，毛继明为有 Baidu Apollo 背景的工程负责人。郑珠个人主页独立确认其 GigaAI 头衔，这让领导层画像不只停留在融资宣传文案。仍然不透明的是治理。已审阅来源披露了大型机构投资人联盟，却没有公布董事会构成、投票控制、保护性条款，也没有说明近期融资是否重塑了创始人控制权。因此，尽调里的关键人物风险是真实存在的：公开叙事、融资通道和技术路线图可信度，都显著集中在黄冠和一个小型技术班底身上。[CO005, CO006, CO007, CO008, CO009, CO010]

1.3 融资历史、估值与资本形成

GigaAI 的融资故事，是它在后续章节值得关注的核心原因。公开报道显示，公司从种子轮进入 2024 年天使融资，2025 年完成 Pre-A 和 Pre-A+ 轮，A1 轮由 Huawei Hubble 和 Huakong Fund 支持，并披露了 RMB 200 million 的 A2 轮。2026 年节奏明显加速。已审阅来源在 3 月近 RMB 1 billion 的 Pre-B 轮、4 月近 RMB 1.5 billion 的 B1 轮、6 月 RMB 1 billion 的 B2 轮上基本一致。随后第一财经将三个月融资概括为 RMB 3.5 billion，约 USD 518 million，多家中文媒体称估值已超过 RMB 10 billion；Crunchbase 也将 GigaAI 记录为 2026 年 4 月 Series B 后估值约 USD 1.5 billion 的独角兽。因此，资本底座无疑很大，但仍未完全透明。有些报道列出了每轮的长投资人名单，但一名 B1 参与方仍只被描述为「知名科技巨头」，公开来源也没有披露准确董事会权利、持股结果，或是否存在重大老股转让。实际结论是，估值和融资速度有充分支撑；但股权表机制仍是待追问事项，而非已解决事实。[CO019, CO020, CO021, CO022, CO023, CO024]

1.4 里程碑、公开指标与风险信号

公司的里程碑曲线，在技术和部署叙事上强于经审计经营数据。研究代码库和论文显示，公司从自动驾驶世界模型 DriveDreamer，推进到作为具身数据引擎的 GigaWorld-0，再进入 GigaBrain 和实体机器人产品。到 2026 年初，GigaAI 已宣称 Maker H01 大规模交付、首批发往湖北人形机器人创新中心、与 FAW Tooling 和 Alibaba Cloud 的制造流程，以及与 Longsheng Technology 三年部署 1,000 台 Maker 系列机器人的计划。家庭端野心也更具体：多方来源称 SeeLight S1 约有 100 个订单，并计划在 2026 年第三季度扩大交付或运营。问题在于，公开经营指标仍落后于故事。已审阅材料没有提供经验证的收入、ARR 或员工人数，客户证据也更多来自部署、订单和模型基准，而不是现金生成。本轮检索中最尖锐的外部质疑来自 Tencent News 评论，它提醒世界模型热潮中估值膨胀、真实世界泛化和商业化仍是开放问题。已审阅来源中没有出现具体诉讼或处罚，但没有公开负面案卷并不等于法律尽调已经完成。[CO017, CO018, CO033, CO034, CO035, CO037]

1.5 图表

2.1 市场边界：GigaAI 实际卖向哪里

对 GigaAI 而言，相关市场边界不是泛 AI 软件，也不是所有机器人硬件。可用边界从已经为感知、操作或流程适配付费的物理自动化环境开始，再收窄到帮助机器人在混乱真实任务中感知、规划和泛化的软件与系统层。公开证据支持边界内四个桶：制造业工业机器人升级、物流和仓储机器人、零售或药房等特定服务流程，以及卖给机器人 OEM 和集成商的世界模型或仿真基础设施。边界外的东西同样重要。通用办公室 copilot、纯聊天界面、没有学习闭环的固定功能工厂机械、缺乏预算验证的消费级家庭机器人愿景，都不应计入 GigaAI 近端需求。多份反向来源强调，人形本体本身不是市场；很多工作仍更适合轮式、固定底座或任务专用机器人。这一点很重要，因为 GigaAI 的产品逻辑看起来更接近基础设施和部署层，而不是大众家庭机器人供应商。实际市场由既有自动化支出、集成痛点和运营方为更好泛化付费的意愿决定，而不是银行报告里最大的标题 TAM。[CM001, CM002, CM012, CM044, CM045, CM051]

2.2 规模测算视角：真实自动化底座 vs 推测性人形上行空间

公开市场规模口径分歧很大，因为它们衡量的不是同一件事。IFR 数据显示，自动化底座已经庞大且具体：2023 年全球机器人密度创纪录，中国已掌控大部分新增工业装机，中国制造业装机基数以百万台计。这是 GigaAI 这类能力可以卖入的基础层。相比之下，TBRC 等宽口径具身 AI 报告把 2025-2026 年市场描述为几十亿美元级，MarketsandMarkets 等更窄的人形机器人报告则从更小基数出发预测更快增长。银行研究把时间线拉得更长：Goldman 的保守情景在未来十年仍只有个位数十亿美元级，而 Morgan Stanley 和 BofA 则在品类走向大规模采用的前提下，建模出巨大的长期出货或收入结果。这些数字不该被平均成一个整洁 TAM。它们更像一架梯子：当前的自动化装机基数，更近的具身 AI 软件和系统层，再往上才是更具推测性的通用人形机会。尽调时，对 GigaAI 最重要的市场数字，是机器人 OEM、集成商和运营方已经愿意付费以降低设置时间、改善感知或提高任务泛化的可服务切片。公开来源尚未清晰隔离这一层，因此 SAM 和 SOM 仍受证据约束，而不是模型可精确测算。[CM003, CM004, CM006, CM011, CM013, CM016]

2.3 买方、用户与付款方分层

最清楚的买方不是家庭，而是有可衡量人工、正常运行时间和换线问题的企业与机器人公司。在制造业，用户可能是产线、维护团队或工厂工程师，但付款方通常是工厂自动化、资本开支或运营预算。物流场景里，用户是分拣、拣选和仓库运营人员，付款方则是 3PL、包裹或零售运营负责人，他们会把机器人支出同人员流失、吞吐量和工伤成本对比。零售或药房等服务场景中，用户体验可能面向消费者，但采用仍取决于运营方能否用人工节约或服务一致性为机器人编预算。还有一个分层对 GigaAI 更重要：机器人 OEM 和集成商，它们把仿真、感知或世界模型基础设施作为许多部署的赋能层来购买。这些买方掌握数据流水线、模型再训练闭环和部署工具，因此比购买单台机器人的终端用户更像自然的基础设施客户。中国专项报道显示，物流和便利零售属于最早的商业化路径之一，因为这些场景流程密集、任务高频，且数据尾气好。家用人形机器人仍远没那么可承销，因为付费意愿、安全容忍度和真实用户偏好都更不确定。[CM035, CM042, CM045, CM046, CM049]

2.4 增长驱动、采用约束与中国特有节奏

最强需求驱动来自劳动力稀缺、政策支持和集成摩擦下降。IFR、WEF 和 BofA 都指出，结构性劳动力短缺、劳动力老龄化和制造业回流压力，是企业持续自动化的原因。中国还多了一种加速器：国家政策、深厚零部件基础、高机器人装机量和本土供应商份额提升。技术侧，近端最可信的价值不是神奇自治，而是降低设置成本、改善感知、让操作更灵活，并通过仿真和数据闭环加快迭代。BCG 的框架在这里有用：Level 2 和 Level 3 现在就创造价值，Level 5 推理和宽口径世界模型仍偏愿景。这一区分对 GigaAI 的市场时机很关键。最佳近端采用场景，是既有车队、仓库或工厂先吸收更好软件，再购买数千台通用人形机器人。约束同样实质。反向来源反复点出灵巧度、仿真到现实的数据鸿沟、可靠性、电池寿命、安全标准，以及大型场站人形需求证据不足。多方还认为，平面工厂往往更适合轮式或任务专用系统，而不是腿式人形。因此，采用路径大概率分阶段：先工业和物流部署，再更广泛服务场景，最后才是家用人形。对 GigaAI 来说，今天可投资的市场是已在自动化环境里的升级周期，尤其在中国和亚太，而不是一个普适机器人劳动力替代故事。[CM007, CM008, CM022, CM023, CM024, CM029]

2.5 图表

3.1 格局：直接同业、既有巨头与替代路径

GigaAI 处在具身 AI 市场，但竞争对手不只是其他中国人形机器人创业公司。其公开产品线横跨轮式工业机器人 Maker H01 和轮式家用机器人 SeeLight S1，因此买方不仅会把它同 EngineAI、AgiBot、Unitree 等中国直接同业比较，也会同 Figure、Physical Intelligence 等西方通用项目，以及 FANUC、KUKA、ABB 等传统工业自动化厂商比较。这一区分很重要，因为在行业尚未收敛到家庭、工厂或模型层软件哪一块会创造最大近端价值池之前，GigaAI 就在要求买方采用新的机器人形态。直接同业最强之处，恰是 GigaAI 在公开材料中最弱之处：Unitree 已经有公开商城和全球研究分发信号，EngineAI 的制造规模主张和 Luxshare 支持的供应链故事更响，AgiBot 则公开了更多数据集和开发者界面证据。替代集合也异常强。FANUC、KUKA 和 ABB 已经用广泛产品目录和成熟支持模式服务物料搬运、焊接、装配、码垛和检测。对许多工业任务来说，GigaAI 的实际替代品根本不是另一台人形机器人，而是采购团队已经知道如何部署和维护的低风险固定式或协作式自动化。[CP101, CP103, CP107, CP111, CP113, CP122]

3.2 直接同业画像：能力、包装与定价姿态

GigaAI 的公开证据支撑一条双线策略：SeeLight S1 面向家庭服务，Maker H01 面向工业搬运，两款产品都更依赖轮式移动，而不是完全腿式行走。这让公司比纯研究玩家更具体，但也意味着比较集合很杂。EngineAI 围绕 T800 批量交付、79 个检测点和 10,000 台能力主张推进工业化叙事；AgiBot 把商业化量产信息同 AGIBOT World 和活跃公开代码库捆在一起；Unitree 是最清楚的价格颠覆者，因为其官方 G1 页面公开列出 US$13.5K 价格和硬件配置；Figure 用 Helix、家庭使用和 BotQ 制造规模来包装 Figure 03；Physical Intelligence 则并不主要卖机器人单机，而是卖一个意图控制任意机器人的模型层。因此，定价只能部分比较。Unitree 是本来源集合中唯一有清晰公开标价的直接同业。GigaAI、EngineAI、AgiBot、Figure 和 Physical Intelligence 的产品或平台叙事，都强于已实现商业定价披露。这很关键，因为在不成熟市场里，公开价格透明度本身就是竞争武器：它降低购买摩擦，扩大开发者触达，也给供应商更清楚的降本故事。[CP102, CP103, CP109, CP110, CP111, CP112]

3.3 分发、供应能力与切换成本

具身 AI 近端最耐久的竞争优势，不是原始灵巧度参数，而是渠道触达、零部件杠杆和装机基数学习。GigaAI 确实有早期分发证据：第一财经报道约 100 个 SeeLight S1 订单、与 FAW Tooling Die Technology 的工厂部署，以及与 Longsheng Technology 的三年 1,000 台 Maker 协议。但这看起来仍是集中式，而非广覆盖。Unitree 把面向零售的公开定价同 Nvidia 研究者系统选择带来的全球研究分发信号结合起来。EngineAI 借 Luxshare 和专属深圳基地，拿出了更强的制造和供应链深度公开证据。AgiBot 的 GitHub 和数据集足迹让开发者与研究者看得懂其工具，形成另一种分发。Figure 则通过垂直整合、BMW 证明点和 BotQ 产线以不同方式构建渠道力。在这个背景下，GigaAI 的切换成本可能真实存在，但仍在形成。一旦机器人接入安全规则、流程软件、任务特定数据采集和员工培训，替换就会痛苦。但市场仍足够早，多栈并用仍可行：许多客户可能还在比较试点，而不是押注一个长期机器人栈。这让首批部署具有战略重要性，但也意味着包括 GigaAI 在内的任何玩家，都不能仅凭试点假设自己已有耐久锁定。[CP106, CP114, CP128, CP129, CP130, CP131]

3.4 护城河耐久性与反向证据

GigaAI 确实具备可信护城河的材料：新鲜资本、具名工业客户、家用试点叙事，以及 GigaWorld、GigaBrain 等内部品牌模型。但每一条护城河向量都有可见的反重力。品类里资本很充裕，因此融资本身并不耐久。公开试点胜利重要，但 EngineAI 和 Figure 也在放大制造故事，AgiBot 与 Physical Intelligence 则投资模型和数据飞轮，这些飞轮可能比 GigaAI 的产品特定优势更快穿越硬件代际。最强反向证据来自整个行业。Berkeley 研究者认为灵巧操作数据缺口巨大，未来两年、五年甚至十年都不应期待实用的人类水平操作。MIT Technology Review 报道人形机器人仍缺常识，采用大概率缓慢且行业特定，同时也提出 Figure 与 BMW 关系到底代表多少真实生产证明的问题。KrASIA 补上融资警告：投资人自己也越来越把具身 AI 描述为模糊，商业化处于低挡位，估值容易受泡沫动态影响。对 GigaAI 的含义很直接。公司也许很适合继续推进试点，但竞争耐久性仍取决于它能否比价格更优、更开放或分发更强的对手更快把资本和演示转成可重复的现场表现。[CP104, CP105, CP131, CP132, CP135, CP136]

4.1 收入模式与定价姿态

公开记录中的 GigaAI 不是单线硬件供应商。最清楚的备案式和公司关联证据显示，其业务范围在法律上可以覆盖软件开发、行业应用系统、机器人制造与销售、设备租赁、安装维护、数据服务和进出口。2026 年 6 月独立报道进一步把变现架构说清：一条线是通过软件、API 和授权向合作伙伴出售基础模型能力；另一条线是用 SeeLight 和 Maker 系列把模型栈带入家庭和工业环境的自有产品。这意味着公司原则上可以同时变现经常性软件层和资本设备层，并围绕两者提供部署服务。缺失的是实际组合。已审阅官方或独立来源都没有披露当前收入（如有）中模型服务与机器人硬件分别占多少。定价透明度同样很薄。GigaAI 未在官方界面发布标价、公开结账流程或标准化套餐层级；媒体报道描述的是订单、试点和合同，而不是已发布商业条款。实际读法是报价制模式：工业端协商式企业销售，消费端早期项目式家庭推出，模型或仿真基础设施则很可能采用定制商业条款。这种姿态对工业机器人很正常，但它显著限制了外部人士今天推断实际 ASP、折扣或贡献毛利的能力。[CI001, CI006, CI012, CI028, CI031, CI032]

4.2 公开牵引力 vs 收入可见度

公开牵引力存在，但主要是运营层面，而非财务层面。第一财经、QQ 和相关中文报道在三项头部商业化信号上收敛：大规模家庭交付前约 100 个 SeeLight S1 订单、与 Longsheng Technology 三年部署 1,000 台 Maker 系列机器人的框架，以及在 FAW Tooling Die 使用 GigaWorld-GigaBrain-Maker 栈执行拆垛、跨区域运输等任务的工业部署。更早的 Gasgoo 报道也显示，首批 Maker H01 发往湖北人形机器人创新中心，并把 2026 年描述为从模型叙事走向场景落地和交付的一年。软件侧，QQ 和 NCSTI 把 DriveDreamer 描述为已签约的基础设施业务，服务 30 多家国内外车企或自动驾驶客户；这一点重要，因为它暗示自动驾驶仿真分支不只是纸面资产。但这些牵引信号都没有闭合会计环路。公开来源没有披露已确认收入、递延收入、毛利、客户集中度，也没有说明 1,000 台框架中多少是有约束力的采购订单、多少是分阶段意向。它们也没有解释家庭订单是全额付款、部分预订、有补贴，还是免费试点投放。因此，公司比纯演示型创业公司有更多商业化证明，但距离财务上可承销的成长公司仍差得很远。[CI007, CI008, CI009, CI010, CI011, CI029]

4.3 单位经济性与资本强度

最有用的财务视角是比较式，而不是公司专属式，因为 GigaAI 几乎没有披露投资人通常用来判断机器人单位经济性的项目。外部锚点显示，这套栈资本强度很高。2026 年工业机器人指南把仅机械臂价格大致放在 USD25,000 到 USD180,000 区间；若把工装、集成和安全纳入，完整部署单元往往达到 USD80,000 到 USD400,000，多年总拥有成本远高于标价。Standard Bots 的 ABB 定价指南也指向同一方向：经销商报价因型号和地区而异，一套装备齐全的重载系统可能超过 USD120,000。对 GigaAI 本身，Humanoid.guide 的 USD160,000 Maker H01 锚点只能作为低置信度外部对照，不能当作经验证的公司定价。家庭端经济性更不确定。RoboActu 报道称 SeeLight S1 试点家庭免费拿到设备，硬件价格目标是在 2027 年中降至 RMB100,000 以下，这意味着家庭业务可能仍处在有补贴的数据采集和产品学习阶段，而非成熟毛利阶段。可比公开机器人公司财报也强化了谨慎结论。UBTECH 2025 年业绩显示人形业务强劲增长、毛利率 37.7%，但公司在扩产中仍录得显著亏损。iRobot 申报文件则显示，当需求、价格和成本结构无法匹配时，消费机器人业务会遭遇库存压力、促销压力和持续经营风险。对 GigaAI 来说，正确结论不是单位经济性很差，而是它仍未被证明，并且很可能按产品线高度异质。[CI016, CI017, CI018, CI019, CI020, CI021]

4.4 资本充足性与融资依赖

近期融资给了 GigaAI 空间，但披露不足以判断公司已经能自我供血。支撑最强的公开事实，是 2026 年 3 月至 6 月横跨 Pre-B、B1 和 B2 的融资潮，合计约 RMB3.5 billion，投后估值超过 RMB10 billion。第一财经和 NCSTI 关于资金用途的表述高度一致：管理层计划继续投入数据与算法「双金字塔」，迭代物理 AGI 基础模型，并扩大家庭和工业部署。换句话说，新资金投向进一步模型开发和商业化建设，而不是一台已经清晰盈利、正在吐现金的机器。这并不天然负面；前沿机器人业务常常需要这样。但资本充足性无法完整评估，因为已审阅公开来源没有披露账上现金、月度烧钱、跑道月数、债务负担、客户融资义务或项目融资结构。可比上市公司说明了这个遗漏为何重要。ABB 2025 年综合报告即便在成熟规模下，也记录了数十亿美元级年度资本开支和研发预算；UBTECH 则显示，人形机器人收入快速增长仍可能与扩产期的大额经营亏损并存。含义是，GigaAI 近期资本是战略缓冲，而不是证明公司无需下一轮融资就能支撑家庭推出、工业安装、支持义务和模型研发。下一轮融资讨论应从标题估值转向付费部署转化、重复软件收入和毛利耐久性的证据。[CI003, CI004, CI005, CI022, CI023, CI024]

4.5 财务结论

可投资的正面在于广度。GigaAI 似乎不止一种变现选项，而且这些选项与真实公开牵引力对齐：工业机器人部署、早期家庭需求、基础模型服务叙事，以及看起来已有外部客户的自动驾驶仿真基础设施分支。可投资的负面在于不透明。公司仍不公布已确认收入、毛利率、烧钱或现金跑道，公开定价也缺席、以报价制为主，或只是第三方松散估算。这让故事更像「融资加现场证明」，而不是「可审计的财务扩张」。因此，我的财务结论是谨慎正面但尚不可承销：2026 年融资后，近端偿付风险看起来降低，但在 GigaAI 披露多少部署转化为收入、收入中硬件与软件各占多少、家庭推出附带哪些服务义务，以及放量后毛利率改善还是压缩之前，财务质量仍无法干净打分。投资人只有在公司能证明当前订单的付费转化、重复工业或仿真合同，并至少部分披露毛利、现金消耗和支持经济性时，才应认为下一轮融资有依据。[CI028, CI029, CI030, CI033, CI035, CI036]

4.6 图表

5.1 已交付产品、品牌与用户任务

GigaAI 已不再只是围绕单个机器人演示包装的研究品牌。其官网公开产品界面覆盖四条锚定路线——Maker H01、GigaBrain、GigaWorld 和 DriveDreamer——而 2026 年 6 月发布报道又加入家庭品牌 SeeLight，S1 和 S2 是同一栈面向家庭的一支。这意味着公司至少同时在卖三类东西：具身基础模型、自有机器人本体，以及面向自动驾驶等相邻垂直领域的世界模型工具。按工作流拆，Maker H01 是执行界面，GigaBrain 是决策层，GigaWorld 是具身数据与仿真层，DriveDreamer 是驾驶世界模型分支。[CE001] [CE003] [CE004] [CE006] [CE028] [CE033] [CE034] 用户任务也同样分裂。工业用户侧，已披露任务包括箱体拆垛、跨区运输、动态避障，以及真实工厂里的精细操作。家庭用户侧，SeeLight 系列围绕家务和更长期的家庭辅助展开。AV 客户侧，DriveDreamer 被销售为数据生成、长尾场景处理和闭环仿真的基础设施。最宽的解读是，GigaAI 想拥有从数据捕获到策略学习再到物理执行的整条栈，而不是只变现一个机器人 SKU 或一个模型 API。[CE010] [CE031] [CE033] [CE036] [CE041]

5.2 双金字塔架构与世界模型栈

核心产品技术论点是 Dual Pyramid 系统：一个金字塔负责数据获取，一个负责算法学习。数据金字塔从广泛但弱监督的互联网视频，向上经过人类演示、世界模型仿真器、合成仿真，最终到高保真实体机器人数据。算法金字塔则从世界仿真推进到动作对齐，最终到经验强化。这个框架很关键，因为 GigaAI 主张具身扩展不会来自单一模型技巧，而会来自同时控制数据阶梯和学习阶梯。[CE008] [CE009] [CE010] [CE011] 在这套架构里，GigaWorld 是数据引擎，GigaBrain 是动作策略。官方材料和开放代码库把 GigaWorld-0 描述为一个开放框架，用来生成高泛化具身交互数据，并提供闭环仿真和 RL 训练支持。GigaBrain 则消费多模态输入——包括图像、点云、文本和具身状态——并输出结构化任务和运动规划。更高级的 GigaBrain-0.5M* 层加入 RAMP，用世界模型对未来状态和价值的预测来约束策略。因此，这套栈不只是「机器人加模型」；它是一套反馈架构，世界模型输出既成为训练数据，也成为动作上下文。[CE005] [CE006] [CE007] [CE013] [CE014] [CE016] [CE022]

5.3 部署、集成与可靠性证据

最强公开部署证明不是消费者应用指标，而是一串现场 rollout。Gasgoo 报道 Maker H01 首批交付湖北人形机器人创新中心；2026 年 6 月报道则称 GigaWorld + GigaBrain + Maker H01 三件套进入 FAW Tooling Die 执行真实工业流程，并计划与 Longsheng Technology 推进三年 1,000 台 rollout。家庭侧，SeeLight S1 绑定约 100 户订单簿，并计划 2026 年第三季度规模化运营。这些披露表明，GigaAI 把部署当成模型闭环输入，而不只是收入终点。[CE029] [CE030] [CE031] [CE032] [CE033] [CE034] 集成证明也强于许多硬件优先的机器人创业公司，因为公开代码库展示了明确接口。GigaBrain 包含推理服务器和客户端路径；GigaTrain 处理分布式训练和 checkpoint；GigaDatasets 打包并评估多模态机器人数据；GigaModels 覆盖训练、推理、部署和压缩。开源界面让这套栈更可读，但可靠性证据仍更多来自试点和基准，而不是运营：公开材料尚未披露正常运行时间、MTBF、现场故障率或客户支持 SLA。[CE017] [CE018] [CE019] [CE020] [CE021] [CE037] [CE039]

5.4 差异化、开放工具与相邻驾驶栈

GigaAI 的差异化不在单个基准奖杯，而在栈的广度。它已经开源了具身 VLA 代码库、世界模型代码库、训练框架、数据框架和共享模型库，公开 GitHub 组织在这些界面上也已有可观 star 牵引力。这给了公司强于典型封闭机器人 OEM 的开发者信号，也让产品故事更容易审计：这套栈可检查、可复现，并以基准为导向。[CE018] [CE023] [CE024] [CE037] [CE038] 驾驶分支同样重要，因为它拓宽了变现和数据飞轮论点。DriveDreamer、DriveDreamer4D 和 UniDriveDreamer 显示，GigaAI 并没有把世界模型当成机器人专用小众方向；它把同一套「数据机器」逻辑用于 AV 仿真、4D 重建和多模态 camera-LiDAR 生成。如果这些分支继续共享基础设施和人才，它们会强化公司关于护城河来自世界模型运营、而非单一本体形态的主张。风险在于，客户数量和基准规模主张在官方和媒体界面之间仍记录不均。[CE025] [CE026] [CE027] [CE028] [CE040] [CE041] [CE042]

5.5 信任、质量、合规与路线图姿态

当前公开质量信号来自开放代码、基准参与和具名部署引用，而不是传统企业信任栈。代码库采用 Apache 2.0 许可，GigaBrain challenge 围绕 GigaWorld 和 RoboChallenge 正式化社区评测赛道，技术页面也展示训练、推理和评估路径，而不只是精修发布视频。这些都是公司希望外部使用和审视的有用证据。同时，公开官网仍未披露定价、正式安全认证、支持 SLA 或专门信任门户，这限制了买方仅凭公开材料判断生产就绪度的能力。[CE017] [CE023] [CE037] [CE038] [CE039] 路线图很激进。2026 年 6 月公开材料指向 Q3 里程碑：SeeLight S1 规模化运营、SeeLight S2 发布和 GigaBrain-1，随后在 12 个月物理 AGI 路线图中推出 GigaBrain-2 和 GigaBrain-3。该路线图与 Dual Pyramid 叙事在战略上自洽：更多家庭和工厂部署产生更多数据，更多数据喂给世界模型和动作模型闭环，下一代机器人理应变得更好用，而不只是舞台上更惊艳。但在 GigaAI 发布更清楚的安全、可靠性和基准链接证据之前，这一路线图应被理解为雄心很大，但尚未完全去风险。[CE011] [CE032] [CE033] [CE034] [CE035] [CE040]

5.6 图表

6.1 客户分层、买方结构与证据真正最强的地方

GigaAI 的公开客户故事比单个类人机器人 SKU 更宽，但证据在各分层之间并不均匀。今天最能支撑的分层是工业制造、家庭或养老试点，以及汽车仿真。工业证明由 FAW Tooling Die 的具名工厂部署、与湖北人形机器人创新中心的首批交付关系，以及无锡 Longsheng 项目锚定。汽车证据更窄但真实：ECARX 已正式把 DriveDreamer 集成进 AutoGPT，这给了 GigaAI 至少一个直接 Tier-1 风格的世界模型采用证明点。家庭和养老证据仍早，但可见度异常高，100 台家庭发布叙事在中英文媒体中反复出现。相比之下，3C 电子、仓储或物流更适合理解为公司宣称覆盖的分层，而不是具名、独立逐项列出的客户证据。这一区分很重要，因为它既让 GigaAI 的客户地图保持可信，又不会夸大公开证据。买方、用户、付款方在各分层中也不同：工厂和公共机构似乎赞助部署，运营团队是用户，国资背景试点或企业预算很可能是付款方；家庭则仍更接近试用参与者，而不是经常性订阅者。[CU001, CU002, CU013, CU017, CU022, CU023]

6.2 具名客户证明与从首批交付到规模主张的采用轨迹

采用轨迹最好不要只看单个标题，而要按阶梯读。第一，盖世汽车称，GigaAI 已开始交付 Maker H01，首台交给了湖北人形机器人创新中心。第二，2026 年 4 月，GigaAI 的工业验证进入具名汽车制造场景：一汽模具被披露为实际工厂点位，用于卸箱、跨区域转运、动态避障和精细作业。第三，2026 年 6 月又新增龙盛关系，公司与无锡伙伴宣布三年部署 1,000 台 Maker 系列机器人，并称首批已通过工业搬运验证且完成交付。第四，家庭路径从演示走到 100 台首发叙事。但采用线索在这里开始变得不够干净：有的媒体说订单，有的说员工住房或人才公寓测试，中国日报则称这是面向普通家庭的免费试用。最后，DriveDreamer 侧至少有 ECARX 这一直接公开客户证明，但更宽泛的 30 多个客户数仍是未逐项列明的说法。结果是：公司确实在从概念走向现场使用，但公开扩张语言仍更多由计划支撑，而不是由收入支撑。[CU003, CU004, CU006, CU007, CU008, CU009]

6.3 留存、满意度和服务可见性仍是公开记录中最弱的部分

相比许多只展示实体 AI 的初创公司，GigaAI 现在有更多可见部署证明，但公开记录在耐久性指标上仍严重滞后。已审阅来源没有披露 NRR、GRR、流失率、续约率、合同期限，也没有给出工业账户或家庭用户的 cohort 视图。因此，本章可以核验启动动作和具名点位，却无法判断客户是否续约、扩张，或安装后是否产生经常性利润。家庭试点来源在这一点上尤其说明问题。中国日报把首批 100 台家庭设备描述为免费试用，并把数据采集和故障识别纳入流程。eWeek 的现场报道补上了具体质量缺口：有些家务仍然慢、别扭或不整洁；这反而有价值，因为它说明机器人是在真实环境里测试，而不只是停留在精修演示中。中国日报提到 2,000 多条 WeChat 留言，说明有兴趣，但兴趣不等于转化。最诚实的读法是：当前满意度证明更多是轶事和运营层面的，而不是合同层面的。在 GigaAI 公布续约、服务和维护指标之前，留存应被视为尽调问题，而不是可推断的优势。[CU020, CU025, CU027, CU028, CU030, CU031]

6.4 扩张已经出现，但集中度和生态依赖仍是真实风险

公开材料里已经能看到最合理的扩张闭环：试点或首次部署产生数据，数据改进 GigaWorld 或 GigaBrain，升级后的技术栈覆盖更多场景，更丰富的证明再帮助公司拿下下一个点位或伙伴。湖北和武汉处在这个闭环中心，因为它们同时提供数据工厂、智能制造推广、政策资金和经过筛选的住宅测试床。龙盛则增加了第二条规模化路径：在无锡把制造支持与多年部署计划结合起来。这些都是优势，但也暴露了集中度风险。目前大部分具名证明落在少数政府关联或伙伴主导的生态里，公开来源没有披露收入或装机基数有多大比例依赖这些生态。龙盛 1,000 台计划也是管线承诺，不是已经落地的装机量。同样，家庭牵引在接触广泛中等收入需求之前，仍看起来集中在高端或政策支持的住房环境。因此，商业上行空间可信，但仅凭公开证据，市场还没有多元化到足以让投资人承销低集中度风险。[CU026, CU037, CU038, CU039, CU040, CU042]

6.5 图表

7.1 按严重性排序的风险姿态

GigaAI 在野心和资金获取上异常强，但公开记录仍指向较高剩余风险，而不是已经降险的规模化故事。公司现在把自己定位为全栈实体 AGI 平台，覆盖世界模型、动作模型、数据引擎和原生机器人本体；公开融资报道称其三个月内融资 CNY3.5 billion，并同时瞄准工业和家庭部署。这些确实是优势，却会加重而不是降低执行压力。同一批来源显示，新资金正投向数据系统、模型打磨和机器人扩产，也就是说，在可持续单位经济性可见之前，业务仍依赖昂贵的迭代循环。外部怀疑者的方向也一致：人形机器人需求大体仍是假设，AI 稳健性还没达到市场级可靠性，安全和电池约束仍是门槛。实际来看，头部风险集中在五类：出口管制和算力风险、中国监管和备案风险、产品安全和缺陷责任、商业化和资本依赖，以及集中伙伴或关键人执行风险。因此，本章只在尽调能把公司声称的规模信号转化为合规、可靠性、客户广度和资本效率证据时，才把 GigaAI 视为可投资对象。[CR001, CR002, CR003, CR004, CR009, CR010]

7.2 地缘政治和监管风险

最结构性的外部风险在于，GigaAI 正好在监管密度上升的地方扩张。美国侧，BIS 指引现在表明，即便接收方位于中国境外，面向中国总部实体的先进计算出口也可能需要许可证；2025–2026 年的管制姿态扩大了对中国市场设计芯片以及经第三国转运的审查。这一点很重要，因为 GigaAI 公开技术栈明确围绕可扩展训练、多 GPU 执行、FP8 效率、世界模型数据引擎，以及甚至提到 NVIDIA Jetson 的部署路径。中国侧，负担也不再只是笼统的 AI 口号。中国已发布人形机器人与具身智能国家标准体系，CAC 规则也已经对训练数据合法处理、尊重知识产权、内容标识、透明度，以及具有舆论属性或社会动员能力的算法服务备案或安全评估义务提出要求。对 GigaAI 来说，实际问题不是每条规则今天都必然适用；而是家庭机器人、多模态数据采集和模型介导输出，会让公司在产品离开受控演示、进入更像消费者或更宽泛工业环境时，可能碰到其中多项规则。[CR001, CR002, CR003, CR004, CR005, CR006]

7.3 安全、责任和技术泛化风险

GigaAI 最难的产品风险在于，公司试图把三件难事压进同一个商业化周期：安全的具身硬件、由世界模型驱动的泛化，以及经济上可支撑的现场运营。公司自己的论文和代码库坦率承认，真实世界机器人数据采集既贵又耗时，世界模型生成数据本意是缓解这个瓶颈，而技术栈依赖多个内部框架和大量算力。这是一套连贯的技术策略，但不等于已经证明长周期 sim-to-real 迁移被解决。外部来源更谨慎：MIT Technology Review 强调，人形机器人仍缺少常识，采用节奏慢且高度行业化；IEEE Spectrum 则认为市场大多仍是假设，AI 还不够稳健，达不到市场要求，工业买家关心的是电池寿命、安全和可靠性，更接近 99.99% 的水准，而不是炫目的演示质量。如果 GigaAI 的 SeeLight 和 Maker 项目在故障率、服务和事故控制成熟之前进入家庭和工厂，中国产品质量法会带来真实敞口：可能危及人身或财产安全的产品必须符合安全标准、附带警示；缺陷造成伤害或损失时，生产者可能承担责任。[CR017, CR018, CR019, CR020, CR021, CR022]

7.4 采用、资本和依赖风险

商业风险较少来自叙事不足，更多来自叙事跑在可重复采用之前。公开来源确实显示真实部署标志：Maker H01 交付给湖北人形机器人创新中心、一汽模具工厂用例、三年 1,000 台机器人龙盛计划，以及约 100 台 SeeLight S1 订单，目标是在 2026 年 Q3 扩量。但同一批披露留下了关键空白。它们没有公布现场可用率、MTBF、事故率、保修经济性、服务人员配置，也没有披露试点转化为经常性生产账户的收入情况。这使伙伴依赖变得重要：少数具名工业关系承担了过大的信号价值，因此任何锚定客户或部署伙伴的滑坡，都可能同时打击市场认知和学习闭环。融资风险同样不低。公司的融资速度令人印象深刻，但披露的募资用途显示，资本仍在为模型、数据和铺开扩张供血。换句话说，从公开经营经济性看，公司还不能自我证明；它更像一个融资充足、正在赛跑以证明经济性的竞争者。在更谨慎的人形机器人市场里，这一区分会变得关键。[CR011, CR012, CR013, CR014, CR015, CR016]

7.5 缓释、监控和否决标准

风险图景中较积极的一面是，大多数头部风险都可以监控。出口管制压力可以通过披露的硬件选择、采购灵活性，以及公司是否展示小型设备部署进展——而不仅是前沿规模训练——来跟踪。监管风险可以通过公开备案编号、安全评估、隐私文件，以及家庭产品是否附带清晰警示、条款和事故处理路径来监控。产品风险应由硬现场证据判断：复购客户、场景适配时间下降且未以安全事件为代价、披露可靠性目标，以及家庭机器人能经受真实使用而不是精心管理的展示。资本风险应通过客户广度、服务毛利率，以及新融资是否仍主要用于补贴数据采集和算力来监控。最后，人员风险应通过梯队深度和可见运营成熟度来观察：更强的合规、QA、现场服务和企业支持领导力，会降低外界对信任过度集中在创始人和小型研究核心上的担忧。如果这些信号在下一个产品周期内没有改善，投资论题应从“跟踪”转向明确否决，而不是继续由世界模型热度托着。[CR008, CR010, CR016, CR025, CR033, CR035]

8.1 投资论题与反论题

GigaAI 的正向逻辑不难看到。一个季度内，公司完成中国规模的资金储备：CNY1 billion Pre-B、近 CNY1.5 billion B1，以及 CNY1 billion B2 / 战略轮，同时把自己定位为全栈实体 AGI 玩家，覆盖世界模型、具身模型、工业机器人和家庭机器人。这个组合很重要，因为在具身 AI 里，资金获取本身就是护城河：它能支持硬件迭代、数据采集、仿真和制造学习曲线，而较弱同行负担不起。反论题在于，当前价格主要由品类动能和选择权支撑，而不是由已披露经济性支撑。已审阅公开来源仍没有公布 GigaAI 的收入、毛利率、客户集中度、积压订单转化或轮次条款。在这个行业里，这种缺失很关键。支撑最充分的高溢价同行，要么有官方软件平台叙事和全球投资人背书，例如 Figure 和 Physical Intelligence；要么正走向更强的财务披露，如 Unitree 的 IPO 路径。GigaAI 可能成为这些赢家之一，但今天的公开证据还不能证明它已经值得同等承销待遇。[CV001, CV002, CV003, CV004, CV005, CV006]

8.2 建议、信心和进入纪律

我们给予 GigaAI “继续研究”评级，信心为中，风险评级为高，估值姿态为偏紧。这不是看空公司的技术野心，而是基于今天公开可知信息的价格敏感判断。当前估值锚点超过 CNY10 billion，约 $1.5 billion；只有当 GigaAI 能把当前融资动能转化为已披露收入规模、可接受的硬件经济性，以及可获得溢价倍数的软件附着时，这一估值才站得住。支撑这一步跨越的证据仍然缺失。公开报道显示出有希望的商业化标志，包括据称约 100 台家庭机器人订单和 1,000 台年交付目标，但这些锚点仍弱于已报告收入、经常性软件支出或经审计的利润率披露。因此，进入纪律应明确：不要只为叙事支付当前价格；要求有日期的收入、毛利率、积压订单质量和优先权结构披露，或者以明显低于当前标记的价格进入。[CV005, CV006, CV007, CV008, CV033, CV034]

8.3 融资背景、稀释悬顶和公开文件无法支持的内容

融资背景清楚，经济性却不清楚。第一财经和其他已审阅媒体基本一致认为，GigaAI 在 2026 年约三个月内融资 CNY3.5 billion，包括 3 月 Pre-B、4 月 B1 和 6 月 B2 / 战略轮，投后估值超过 CNY10 billion。这种资本形成规模是真实的，并显著提高了 GigaAI 在昂贵的训练加硬件竞赛中存活的概率。它也带来不同的尽调负担。到了这一阶段，正确的承销问题不再是公司能否融资，而是这些钱换来了多少所有权、清算优先权顺位、老股转让泄漏和 runway 延长。已审阅公开文件没有呈现任何这些条款。收入、积压订单和毛利率未披露，意味着投资人还无法测试最新一轮反映的是牵引、稀缺战略选择权，还是具身 AI 热钱市场。实际操作中，场景估值会占主导，因为常规轮次收入倍数还无法用已披露经营数据扎根。[CV001, CV002, CV003, CV004, CV005, CV006]

8.4 牛、基准和熊市情景

今天给 GigaAI 估值，正确方法是反问：未来需要出现什么披露，当前标记才会显得便宜、合理或明显过高。牛市情景中，GigaAI 把今天的融资爆发转化为真实部署规模：工业订单朝 1,000 台雄心扩张，家庭试点越过当前据称 100 台订单信号，软件或模型层附着在硬件部署上，并产生有意义的毛利率。沿着这条路径，公司可以证明明显高于当前标记的价值。基准情景更克制：商业化发生，但主要以硬件为重的试点和早期生产收入为主，因此已披露规模来得更慢，公司围绕今天轮次交易，或略低于今天轮次。熊市情景是，品类比投资人预期更长时间地保持高热度、低收入；在这种世界里，披露缺失叠加倍数压缩和下一轮偏重优先权，会造成真实 down-round 风险。由于收入未披露，场景框架比虚假的单点目标更诚实。[CV006, CV025, CV028, CV029, CV030, CV033]

8.5 可比集合：溢价上限、披露锚点和警示性上市可比

可比集合更支持谦逊，而不是确信。溢价侧，Figure 的官方融资路径从 2024 年 $2.6 billion 到 2025 年 $39 billion；Physical Intelligence 则从 $5.6 billion 走向下一轮超过 $11 billion 的报道。这些结果显示，市场有时愿意为具身 AI 平台选择权支付高价。但这两个可比本身都无法拯救 GigaAI 的价格：两者都是全球叙事领导者，且 Physical Intelligence 至少披露了软件订阅逻辑。更有用的锚点是 Unitree，因为它同时提供估值和经营披露。财新报道其 2025 年 6 月估值为 127 亿元、2026 年 IPO 目标为 420 亿元、2025 年收入为 17 亿元、利润为 2.8 亿元。上市机器人可比用另一种方式说明同一点。Symbotic 的市值和申报收入隐含高个位数年化销售倍数；Serve 则说明，收入极小的机器人公司也能在很小基数上打出吸睛倍数。放在这组可比中，GigaAI 当前标记在品类里并不荒谬，但相较已披露同行，证据不足。[CV009, CV010, CV011, CV012, CV013, CV014]

8.6 退出准备度、论题破裂触发点和最终尽调问题

公开证据不支持今天把 GigaAI 视为已具备退出准备。公司显然拥有融资动能和品类位置，未来可能成为 IPO 或战略收购候选，但披露文件仍太薄，无法让这条路径被有信心地承销。最重要的论题破裂点很简单：如果带日期的收入、积压订单或毛利率披露出现，并显示业务规模远低于支撑 $1.5 billion 以上标记所需水平，估值逻辑会迅速塌陷。紧密相关的触发点包括：带有重度 senior preferences 的 down-round、订单信号主要是试点而非合同需求的证据，或硬件利用率提升慢于投资人假设的证明。因此，最终尽调应聚焦 2026 年确切已签收入、硬件与软件或服务分项毛利率、客户集中度、已签积压订单与取消权、2026 年融资后的 burn 和 runway，以及优先权结构。在这些问题得到回答之前，审慎的 IC 姿态是把 GigaAI 留在积极覆盖中，而不是把叙事兴奋转化为对价格不敏感的承诺。[CV006, CV038, CV039, CV040, CV041, CV042]