Reference · Company dossier
MIT 腿足实验室分拆出的美国移动机器人公司，现为现代汽车集团全资子公司，靠 Spot 巡检与 Stretch 卸货的现金流支撑 Atlas 人形机器人的量产赌注。[确认]
1992 年由 MIT Leg Lab 教授 Marc Raibert 创立，Robert Playter 随后加入；总部马萨诸塞州沃尔瑟姆，员工约 1,300 人（PitchBook 口径）。[确认] 2026 年 10 月 6 日宣布前亚马逊 Alexa 与 AGI 负责人 Rohit Prasad 出任 CEO，10 月 7 日生效，Zack Jackowski 任首席产品与技术官。[确认] 原 CTO Aaron Saunders 已于 2025 年 11 月离职，加入 Google DeepMind 任具身系统与机器人 VP。[确认]
2013 年被 Google 收购，2017 年转售 SoftBank，2021 年现代汽车集团以约 8.8 亿美元收购 80% 股权，对应估值约 11 亿美元。[确认] 2026 年 7 月 16 日现代承接 SoftBank 剩余 9.65% 股权，作价约 3.25 亿美元、隐含估值约 33 亿美元，公司成为全资子公司；股份分散于 HMG Global、郑义宣个人（约 22.5%）、现代格罗唯视（11.25%）等现代系主体。[确认] 2025 年亏损 5,284 亿韩元，2021–2025 年累计亏损近 1.7 万亿韩元（现代格罗唯视 filing）。[确认] 2027 年 IPO 已明确不在计划内。[确认]
Spot：四足巡检机器人，负载 14 kg，客户含 Michelin、National Grid、bp、Woodside，公司称交付逾 1,500 台。[确认] Stretch：集装箱与拖车卸货，每小时数百箱（第三方记录约 800 箱）、单箱上限约 50 磅，客户含 DHL、Maersk、Gap、H&M、NFI、Otto；DHL 2025 年 5 月签下 1,000 台以上 MOU。[确认] Atlas：全电人形，高 1.9 m、重 90 kg、56 自由度、臂展 2.3 m、瞬时举升 50 kg、续航 4 小时、IP67，可自主换电；2026 年 1 月 CES 发布量产版并立即投产，2026 年产能全部锁定现代 RMAC 与 Google DeepMind。[确认] Orbit 为车队与数据平台。
Boston Dynamics 的技术栈按三条产品线展开，底层共用同一套运动控制与执行器工程能力。Spot 是四足移动平台，Stretch 是移动底座加伸缩臂的卸货设备，Atlas 是全电人形，三者共用状态估计、轨迹生成、关节伺服与安全监控模块。[确认] 差异出现在上层：Spot 的输出是巡检数据与远程操作接口，Stretch 的输出是纸箱搬运节拍，Atlas 的输出是面向汽车装配的物料搬运动作。
Atlas 的公开参数比较完整：身高 1.9 米、体重 90 公斤、56 个自由度、臂展 2.3 米、瞬时举升 50 公斤、续航 4 小时、防护等级 IP67，支持自主换电。[确认] 这组数字决定了控制问题的规模。56 个自由度意味着全身控制要在冗余空间里求解任务约束，手指关节增加之后，抓取规划从单点吸附变成多指接触力分配。
计算与智能分成两层。车载侧承担平衡、步态、接触力控制与安全限幅，这些环节对延迟的要求在毫秒级；任务理解、物体识别与长程动作生成交给外部基础模型。2026 年 1 月公司与 Google DeepMind 建立合作，把 Gemini Robotics 系列视觉语言动作模型接入 Atlas，联合研究在双方场地同时进行，首个目标行业是汽车制造。[确认] Spot 一侧的 Orbit AIVI 已经接入 Gemini Robotics ER 1.6。[确认]
数据从现场回到训练环境的通路，决定这套栈的迭代速度。Spot 与 Stretch 的部署产生巡检图像、热成像、声学与卸货失败样本，Atlas 在 Metaplant 应用中心积累装配动作的遥操作数据。[确认] 训练侧的算力与模型由 DeepMind 提供，Boston Dynamics 提供本体、动作数据与安全边界。两家公司的分工把运动控制与任务理解分置于两个组织，模型能力与本体能力的改进节奏由此分属不同主体。
Spot 的感知以本体自带的多组立体相机为基础，激光雷达与热成像通过载荷扩展。[确认] 定位走的是视觉惯性里程计加先验地图匹配的路线：客户现场先做一次走查建图，机器人把实时图像与先验地图配准，得到位姿后再叠加惯性测量单元的高频推算。[推测] 这条路线在结构化工业环境里稳定，遇到长走廊、金属墙面与弱纹理地面时会出现特征退化，配准误差在数秒内累积到十几厘米。
Atlas 的感知面向操作任务。头部相机与深度传感器给出工作区点云，手腕相机补足抓取前的近距离视角，机身惯性测量单元提供接触瞬间的姿态变化。[推测] 人形机器人在货架前作业时，遮挡来自自身手臂与料箱边缘，视觉系统需要把本体从点云里剔除，否则规划器会把自身连杆当成障碍物。
失效模式集中在三类环境。反光地面让结构光与飞行时间深度相机产生空洞，黑色橡胶与深色地毯吸收红外光，扬尘与蒸汽散射激光。[推测] 替代方案包括在关键工位布置二维码或反光标记做绝对位姿校正，或改用超宽带基站做辅助定位，代价是现场改造与长期维护。
语义理解这一层目前由外部模型承担。Gemini Robotics 一类模型把图像与语言指令映射为动作序列 [确认]，Boston Dynamics 保留几何层与动力学层的判断 [推测]。语义层外包带来的验证边界很具体：模型在训练分布内的物体与容器上表现稳定，换一种包装、换一种光照，成功率需要重新测量，而这类测量目前只能由部署方完成。
Spot 的规划分两层。全局层按巡检路线生成路径点，局部层用模型预测控制在几十毫秒周期内修正速度与落脚点，遇到楼梯时切换到专门的步态序列。[推测] 四足的优势在越障与爬楼，短板在负载与续航，14 公斤的负载能力限制了可挂载传感器的数量与种类。[确认]
Stretch 的控制问题围绕卸货节拍展开。移动底座对准集装箱门口，伸缩臂带吸盘阵列伸入箱内，视觉系统识别纸箱边界与堆叠层次，吸盘逐个吸取并放到传送带或托盘上，每小时处理数百箱，单箱上限约 50 磅。[确认] 难点在纸箱状态：受潮变形的箱子、缠膜反光的表面、箱与箱之间没有缝隙的紧密堆叠，都会让吸盘失去密封。工程上的替代方案是增加夹爪式末端，或在吸盘阵列上加侧向推板，代价是重量与节拍。
Atlas 的控制栈是全电人形里比较特殊的一支。液压时期积累的全身控制方法被移植到电驱动关节，控制频率、力矩带宽与散热条件都要重新标定。[推测] 56 个自由度的逆运动学采用分层任务优先级：平衡与接触约束的权重最高，手部位姿次之，肘部与躯干的姿态偏好排在末位。瞬时 50 公斤的举升能力来自关节峰值扭矩与结构刚度，连续工作的额定负载没有公开。[未获取]
操作能力的验证边界在节拍与成功率。汽车工厂的物料搬运要求稳定循环时间与极低掉落率，人形机器人在同一工位上的表现需要用连续运行数据说明。RMAC 把现代汽车的装配工位复制到应用中心，让机器人在真实节拍下训练与测试。[确认] 这类场地能缩短调试周期，也把 Atlas 的早期改进锁定在单一客户的工艺上。
Boston Dynamics 的模型资产分两块。运动控制侧以基于物理的优化与强化学习为主，训练在仿真里完成，再迁移到实机做参数辨识与补偿。[推测] 这条路线在四足与人形平衡上已经验证多年，样本效率高，对真实数据的依赖相对低。
任务侧的能力在 2024 年之后转向基础模型。公司公开表述是与 DeepMind 共同开发面向复杂人形的视觉语言动作模型，DeepMind 提供 Gemini 的多模态预训练与机器人微调能力，Boston Dynamics 提供本体接口、动作数据与安全评估。[确认] 联合研究在双方场地同时进行，模型训练与实机验证分处两地，迭代周期受数据搬运与现场排期影响。
自有数据的规模需要谨慎判断。Spot 交付超过 1,500 台，Stretch 有 DHL 的千台意向订单，Atlas 2026 年的产能由现代 RMAC 与 DeepMind 消化。[确认] 这些部署能产生真实工况数据，数据量与纯软件公司相比仍然有限，且分散在不同客户的保密协议之下。可用于训练的统一标注数据集规模，公开资料没有披露。[未获取]
评估环节是这套体系最薄的一环。人形机器人的泛化能力要在未见过的物体、容器与工位上测试，行业缺少统一基准，各家公司公布的演示视频都经过挑选。第三方判断 Atlas 的真实水平，只能依赖现代工厂的连续运行记录与集团外客户的部署数量。[推测] 公司把 2026 年的产能集中投向内部场景，原因在于内部数据比外部订单更容易获得。
Boston Dynamics 的硬件能力集中在执行器与结构。四足与人形的关节模组由公司自行设计，采用高扭矩密度电机配合谐波减速器与力矩传感器，控制环里用力矩反馈做柔顺。[推测] 这类模组的难点在批量一致性：同样的设计，绕组公差、磁钢批次与装配间隙会让摩擦力矩出现离散，控制器需要逐台辨识，产线也要为每台机器保留标定工位。
Atlas 的量产版本在 2026 年 1 月 CES 发布并立即投产，2026 年产能全部由现代 RMAC 与 Google DeepMind 锁定。[确认] 产线选址与设计产能没有公开。[未获取] 现代汽车集团在乔治亚州的 Metaplant 提供应用场景与潜在订单，Atlas 的制造与部署因此能在同一集团内部完成，物流与保密成本都低于外部采购。
供应链的风险点在稀土磁材、精密减速器与功率半导体。人形机器人单台用量远高于四足，任何一类物料的价格波动都会直接进入整机成本。[推测] 公司在马萨诸塞州沃尔瑟姆扩建了 32.3 万平方英尺的园区，用于研发与部分制造。[确认] 关键零部件是否自制，公开资料只提到执行器与整机装配，减速器与传感器的外购比例没有披露。[未获取]
成本结构决定商业模式。Spot 与 Stretch 均为报价制，Atlas 采用早期客户共创，2027 年才向现代集团外交付首台试点。[确认] 这个节奏说明单台成本仍在工程样机区间，距离可复制的标准产品还有距离。第三方估算公司收入在 1.3 亿至 3 亿美元之间，对照 1,300 人的团队与累计亏损，规模效应尚未出现。[推测]
Spot 的软件出口是 Orbit 与 Spot SDK。Orbit 承担车队管理、任务编排、巡检数据归档与权限控制，Spot SDK 开放运动、导航、载荷与相机接口，第三方可以在上面开发检测应用。[确认] 这套接口让 Spot 从整机变成平台，代价是客户要学会用一套专有 SDK，迁移到其他四足平台需要重写应用层。
Stretch 的接口向仓储系统靠拢。卸货设备需要与仓库管理系统、执行系统对接，接收任务、回传箱数与异常。[推测] 这类集成的深度决定了替换成本：一旦客户的作业流程按 Stretch 的节拍与异常处理方式做过调整，换用其他卸货方案就要重新设计工位与人员排班。
Atlas 的软件形态还在形成期。2026 年的部署集中在现代工厂与 DeepMind 的联合研究，车队管理、任务下发与安全审计的工具链没有对外发布。[未获取] 公司提出的方向是让 Atlas 接入客户的制造执行系统，由上层系统派发搬运任务，机器人回传完成状态与异常事件。[推测]
平台角色的关键变量在模型接口的归属。Orbit AIVI 接入 Gemini Robotics ER 1.6，说明感知模型的升级路径依赖 Google 的版本节奏。[确认] 客户购买的是 Boston Dynamics 的机器与 Google 的模型组合，两家公司任何一方调整授权或定价，整套方案的商业条件都会变化。
Boston Dynamics 的壁垒压在工程经验与集团资源两侧，市场侧的三种力量都弱。
第一条可证伪条件在部署数据。若现代 Metaplant 在 2027 至 2028 年公布的 Atlas 连续运行时间、循环节拍与人工干预频次没有达到产线要求，或集团外交付的首台试点推迟到 2028 年之后，那么流程能力可迁移到人形量产品这一判断需要撤回。观察指标是岗位占用数、单班次搬运次数与故障停机时长。
第二条在模型授权的排他性。若到 2028 年底，Gemini Robotics 以同等条件授权给 Figure、Tesla 或中国厂商，DeepMind 合作带来的能力差会收窄，Atlas 的竞争优势回落到本体与制造。[推测] 观察指标是 DeepMind 公布的合作名单与模型商用条款。
第三条在成本。若到 2028 年底，中国供应链把同规格关节模组的价格压到 Boston Dynamics 自制成本之下，且第三方整机厂能用外购模组做出接近的运动性能，Atlas 的定价空间会被压缩。届时公司的可持续优势只剩现场服务网络与安全认证记录，这两项的复制周期远短于控制算法。[推测]
企业直销加系统集成商；Spot 与 Stretch 均为报价制，无公开价目；Atlas 采用早期客户共创模式，2027 年才向现代集团外交付首台试点。[确认] 收入未披露，第三方估算区间为 1.3 亿–3 亿美元。[推测]
Atlas 对标 Figure、Tesla Optimus、Apptronik、1X、Agility；Spot 面对 ANYbotics、Ghost Robotics；Stretch 的对手是传统卸货自动化与人力成本。[确认] Boston Dynamics 优势在可靠性、负载与工业客户信任，劣势是成本、AI 迭代速度和持续亏损。[推测]
累计亏损、Atlas 尚无规模营收、2026 年产能仅由内部与 DeepMind 消化、IPO 推迟，说明商业化仍在验证期；现代工会对自动化的抵触、3 万台/年美国工厂的落地节奏也是变量。[确认] 结论：Boston Dynamics 是"最强硬件＋最弱资产负债表"的组合，2027–2028 年 Atlas 在 Metaplant 的实际上岗率，决定它能否从项目公司变成平台公司。[推测]
Philosophy sword
融合主轴尚未定义。这里将放：一句话定性、三线状态、三项判定与反证条件。
预留位 · 不参与当前分析