1. 项目概述Clawdbot 到底是个什么东西先聊聊我为什么盯上 Clawdbot 这个项目。近半年具身智能赛道的热度肉眼可见地涨但大多产品停留在“能走、能看、能抓”的实验室阶段。Clawdbot 这个名字一出来我第一反应是“Claude bot”后来仔细扒了它的技术路线才发现我理解浅了——它不打算做大而全的人形机器人而是做了一台把“大模型的脑子”和“机械爪的手”直接缝合的具身智能设备。核心思路很直接与其费劲做一双跟人类一样灵活的五指手不如先用工业级夹爪把“抓取”这个动作做到极致再把大模型的语义理解、任务规划能力接进来让机器从“能抓到”变成“知道该抓什么、怎么抓、抓完放哪”。这套定位在目前的行业里其实是个差异化打法。多数具身智能创业公司都在卷自由度、卷关节电机、卷双足平衡Clawdbot 反着来把成本压在感知和决策上。它适合谁来参考如果你是做机器人硬件、做自动化集成方案、或者做 AI 应用落地的人这个项目的思路都值得拆一拆。我自己看完它披露的技术栈和场景 demo 后最大的感受是它解决的不是“机器人能不能动”的问题而是“机器人在真实环境里能不能自己拿主意”的问题。这篇文章我打算按一条相对完整的线来讲从 Clawdbot 的核心功能拆起带出它能跑的实际场景再看它上下游到底牵扯哪些角色最后聊商业模式上它可能怎么收钱、怎么扩张。中间会穿插一些我在智能硬件和 AI 应用落地过程中踩过的坑以及我对这类产品边界的一些判断。2. 功能解析Clawdbot 的五个核心能力2.1 语义理解与任务拆解让机器听懂“人话”Clawdbot 最底层的能力也是它区别于传统机械臂方案的地方是接入了大语言模型做任务理解。传统机械臂你给它一条指令它需要工程师预先写好轨迹、标定点位程序员的命就是调试参数。Clawdbot 的交互方式更像对话你说“把桌面上那个红色水杯放到窗台的垫子上”它会先把这句话拆成语义槽——目标物体是“红色水杯”当前所在区域是“桌面”目标位置是“窗台垫子”搬运动作是“拿起并放过去”。这个拆解过程不是简单的关键词匹配而是基于多模态模型的推理能力。它能理解“那个”“这个”这类指代词也能处理“最高的那个”“压在书下面的”这类带属性限定的描述。这一步做得好的意义在于它把机器人的使用门槛从“会写代码”降到了“会说人话”让非技术背景的工厂班组长、仓库管理员也能直接下达指令。我在实际接触类似的自然语言控制项目时一个很深的体会是语义拆解只是第一步更棘手的是把“意图”映射到“机器人可执行的原子动作”。Clawdbot 的做法是维护了一套中间动作原语库比如“移动到坐标”“张开夹爪”“闭合夹爪”“垂直下压”这些基本操作再由任务规划模块把大模型输出的高层计划翻译成原语序列。这层抽象非常关键——它让系统不至于每次都从零推理怎么动而是基于原语库做组合既快又稳。2.2 视觉感知与抓取规划看得见还要看得懂单有“脑子”不够Clawdbot 的“眼睛”部分用的是 RGB-D 深度相机加上轻量化的实时分割模型。它能做三件事物体检测与分类、位姿估计、抓取点生成。很多做机械臂的朋友应该对最后一项不陌生——抓取点生成是最容易翻车的地方。单独给一个物体生成抓取点OpenCV 加点启发式规则就能做到八成但场景里有一堆物体堆叠、遮挡、反光时传统视觉方案就拉胯了。Clawdbot 的处理方式我记得是端到端的抓取姿态预测网络输入当前帧的深度图和语义分割掩码输出一系列候选夹爪位姿和置信度。然后任务规划模块结合大模型的意图选一个“最合理”的位姿去执行。这个“最合理”不一定是几何上最稳的而是语义上最符合指令的——比如用户说“把书立起来放”抓取点就会偏侧面而非顶面这背后其实是语义信息对视觉抓取的引导。关于动态场景的适应Clawdbot 也有一个让我觉得挺实用的机制它不做全局静态建图而是维护一个局部场景缓存每次抓取前重新感知当前区域。好处是避开了 SLAM 建图在环境频繁变化时的失效问题代价是决策时只看得到局部在大范围任务衔接时依赖路径规划模块去补全局信息。这种取舍在结构化场景里非常务实。2.3 移动底盘与避障导航从固定工位走向自由移动Clawdbot 不是固定基座的机械臂而是带了一台差速驱动或全向轮底盘的移动机器人。这样做最直接的好处是作业半径从机械臂臂展的 1 米出头扩展到整个室内空间几十米的覆盖范围。但移动起来就意味着必须处理导航和避障。导航方案上它走的是比较成熟的 2D 激光雷达 自适应蒙特卡洛定位配合代价地图做全局与局部路径规划。说实话这个技术栈不算新鲜清洁机器人都在用但 Clawdbot 把它和大模型任务结合后出现了一个很有意思的能力语义导航。你告诉它“去工位找昨天放的螺丝刀”它不需要你给精确坐标而是先通过语义地图定位“工位”这个区域再在到达区域后用视觉识别“螺丝刀”这个物体完成“区域级导航 物体级搜索”的二级寻物逻辑。这种能力在实际场景里太实用了。仓库里临时要找一样物料生产线要补料都是这种“知道大概区域但不知道精确位置”的典型场景。传统 AMR 只能做到把你送到指定坐标剩下的人得自己找Clawdbot 这种方案等于把最后一步也包了。2.4 多机协同与任务调度单机聪明不算本事Clawdbot 另一块让我重点关注的能力是多机协同。单台机器人再聪明在工厂、仓库这类场景里也只是个“加强版工位”真正有价值的是让一个机群去配合完成一条流程线。它用的是中心化调度加边缘自治的混合架构调度中心负责任务分配、路径避让、状态同步每台机器人在执行局部任务时有自主决策权。这种架构在落地时有一个非常现实的好处——网络抖动不至于全盘崩溃。调度中心十分钟没响应单机还能根据本地任务缓存继续干等网络恢复了再统一上报状态、重新拉取最新任务。我在不少自动化项目里见过那种“中央挂了全部停摆”的惨状所以对这种设计特别有好感。多机协同真正难的不在技术而在调度策略。比如三台机器人都要去同一个工位取料怎么排队两台机器人在同一个窄通道相遇谁让谁一个订单来了是先取货还是先送检。Clawdbot 的调度系统把这类问题抽象成带约束的优化问题用启发式算法做近似解而不是硬求解。这个思路跟物流仓库的调度引擎很像工程上成熟度高、可控性强。2.5 可扩展的工具接口夹爪只是起点Clawdbot 的最后一个核心设计是它模块化的末端工具接口。标准配置是二指平行夹爪适合大多数规则物料的抓取但这个接口是快换设计可以换成吸盘、铲叉、甚至小型钻头。等于说 Clawdbot 不只是给你一台抓取机器人它是一个“移动底座 机械臂 可换末端工具 大模型决策大脑”的通用平台。这种设计思路对商业模式的延展非常有用——同一个底盘和大脑换一个末端工具就能切入一个新的细分场景。抓螺丝用夹爪抓纸张布料用吸盘托盘搬运就换叉齿成本增量只是末端工具的几百到几千块但场景价值可能是成倍放大。这一点后面聊商业模式的时候还要重点说。3. 应用场景逐个拆哪里先用起来、哪里有坑3.1 智能仓储先从“最后一米”开始替代仓储物流是我认为 Clawdbot 最容易落地、也最容易看到投资回报的场景。为什么因为仓储里的移动环节——从 A 点到 B 点的搬运——早被 AMR 做透了真正缺的是“到点了货在哪一层、哪一格、长什么样、怎么取出来”这个精细操作的环节。Clawdbot 在仓储场景扮演的角色是在 AMR 把货架搬到拣选台之后由它完成最后的拣选动作。你可以把它理解成一个“长了腿的拣选工”。它不需要像人一样一天拣几千单但只要它能稳定做到每小时一两百单就已经具备跟人力成本打平甚至更低的可能。特别是在冷库、高粉尘车间这类人不愿意待的环境里它的价值就不是省钱的问题而是能不能干的问题。这里有一个容易踩的坑仓储场景SKU迭代非常频繁新产品不断进来形状、材质、包装方式各不相同。Clawdbot 要适应这种变化不能只依赖预先训练好的识别模型必须有一线工人或运营人员随时能用简单的方式给系统“介绍”新SKU的通道。我印象里 Clawdbot 的运营后台有个“录新品”功能拍几张照片、标注几个抓取点就能新增一个可拣选品类。这个细节对仓储场景的长期使用非常重要没有这个能力的产品基本只能在固定几十个SKU的样板间里表演。3.2 工业柔性上料给机床当“不知疲倦的学徒”第二个我比较看好的场景是工业加工里的上下料环节。CNC机床、注塑机这类设备最大的痛点是“断料”——加工完一件需要人工把毛坯放上去、把成品拿下来。这个岗位重复、枯燥、还有安全风险毕竟机床刀头可不长眼。Clawdbot 的移动底盘加夹爪配置天然适合在这种场景里来回巡视给多台机床依次上下料。传统工业机器人也能做上下料但那是固定在一个工位配振动盘、输送线这些外围设备一套做下来投入三五十万很正常。Clawdbot 的优势在于它不需要外围刚性结构直接用视觉定位毛坯位置——不用精密的工装夹具定位只要毛坯大致在料盘范围内它都能识别并抓取。这就把柔性做到了另一个层次产品换型时不用换硬件改一下语言指令就行。当然工业场景对节拍的要求很苛刻。我之前接触过一个汽车零部件工厂要求上下料单次动作在 30 秒内完成否则整条产线都会被拖慢。这对 Clawdbot 的机械臂运动规划和视觉算法的速度是实打实的考验。它目前的响应速度在同级别产品里算中等偏上但能不能在一线昼夜不停地跑还得看耐久性和平均无故障时长的实测数据。3.3 实验室辅助科研场景里的“样品搬运工”实验室可能是被很多人忽视但实际非常适合 Clawdbot 的场景。实验室的特点是环境高度结构化、物品数量有限、安全要求高、人力成本极高——一个研究员的时间单位成本比仓储拣货员高一个量级。让机器人去干那些“把培养皿从 A 架搬到 B 架”“把配好的溶液按顺序放到仪器上”的活省下来的全是高价值时间。我注意到 Clawdbot 在设计上专门考虑了实验室场景的需求夹爪的力度可以做精细控制夹持培养皿、试管这类易碎物品时不会捏碎同时它支持高精度重复定位几个毫米的误差对于实验室操作来说是底线。更关键的是实验流程经常微调用语言告诉机器人“今天先做 A 组、再做 B 组”比重新编写预设流程灵活太多。这里有一个行业细节做生物实验的人都知道污染控制是头等大事。Clawdbot 要真正进实验室外壳材质、表面清洁度、是否容易消毒这些都会成为甲方考察的重点。如果哪天出个杀菌涂层版或者可拆卸灭菌外壳的版本我会认为它在生命科学领域才真正具备放量条件。3.4 零售与即时配送末端下一个让人惊到的场景零售场景目前看更像“锦上添花”而非“雪中送炭”。理论上Clawdbot 可以在无人便利店货架缺货时自动补货也可以在药店深夜高峰期帮忙找药。但从商业角度讲这类场景的劳动成本本身已经压得很低机器人的投入回收周期会被拉得很长不适合作为第一波主攻方向。不过有一个细分方向我认为值得持续观察即时配送的“最后一百米”。外卖送到楼栋骑手不上楼谁来把餐从门口送到用户手里或者园区里从快递驿站到办公桌这一段。这种短距、轻载、室内环境的配送正好在 Clawdbot 的射程范围内。真正阻碍它普及的不是技术而是楼宇的门禁协议、电梯控制这些非标准化基础设施目前还没有一个产品能通吃所有物业。3.5 家庭场景方向对但时间没到Clawdbot 的产品演示里出现过家庭场景——帮你从沙发上捡起遥控器、把茶几上的杯子收到厨房。但说实话我个人判断家庭场景在现阶段更多是品牌宣传的“梦想片”真正走量还需要两到三代的迭代。家庭环境的非结构化程度是工业环境的几十倍——满地玩具、宠物乱窜、光线忽明忽暗、家具布局天天变。这种复杂性对当前的感知决策堆栈是巨大的挑战一台机器的成本也要压到两三万以内才可能进家庭。家庭场景更适合它的是半结构化的“局部任务”比如厨房台面整理、阳台衣物收取。当成一个“会移动的桌面级机械臂”来定位对标那些桌面级产品反而更有想象空间。4. 上下游产业链拆解Clawdbot 坐在牌桌的哪个位置4.1 上游核心零部件是谁在提供Clawdbot 这类产品的上游供应链可以切成四大块硬件、算力、模型和数据。硬件里的关节电机和减速器占了整机 BOM 成本的大头。目前国内能稳定出货的谐波减速器和无框力矩电机厂商已经不少关键就看能不能把精度和长期可靠性做上去。视觉传感器用的是 RGB-D 相机供应链也很成熟真正的差异点不在这块而在机械臂的末端快换机构和夹爪的力控传感器这两个部件决定了它能抓什么、抓得稳不稳。算力部分Clawdbot 的移动底盘带了工控机级别的计算单元跑视觉模型和导航算法大模型推理部分则是云端调用。这种“端侧推理 云端大脑”的组合成本上比较健康但对网络实时性有要求。一旦到工业现场要做毫秒级响应的任务端侧算力还得往上加。下一代产品如果能塞进去一块大算力边缘盒子跑微调过的 7B 级别模型在线推理的体验会好很多。模型方面Clawdbot 基于开源的大语言模型底座做指令微调加上自研的视觉模型。这部分的核心壁垒其实不在模型本身的结构有多新而在它积累的任务轨迹数据——每一台设备在实际场景运行的数据都在反哺其抓取模型的迭代。这也就是为什么我判断这个赛道的终局竞争优势会越来越偏向“谁有更多真实场景数据”而不是谁发了一篇更好看的论文。4.2 中游Clawdbot 自己做什么不做什么Clawdbot 作为整机厂商核心能力集中在软件算法、整机设计、场景集成三块。硬件它大概率不是什么都自己造而是做系统集成和可靠性验证。它不碰电机电控的底层制造也不碰大模型的底层预训练而是把“大模型能力 机器人硬件执行”这层中间件和产品化做透。这个定位有一个非常大的好处跟产业链上下游都不构成直接竞争。它不会跟电机厂抢生意也不会跟通用大模型公司抢赛道反而两边都会乐于跟它合作——上游卖它硬件下游大模型公司需要它这种具身智能载体来做真实世界的数据回传。这种“左右逢源”的生态位在如今的资本市场是很吃香的。4.3 下游谁在为一台 Clawdbot 买单下游按优先级分三类。第一类是专业的自动化集成商和机器人租赁公司。他们最关心的是产品的 API 是否友好、二次开发效率高不高因为他们买了之后往往要做应用定制甚至把自己客户的特殊工艺要求写进系统。第二类是终端制造业和仓储物流企业。他们关心的是投资回收期、可靠性、故障率和售后响应时间。我见过不少智能硬件厂在这一层翻车——产品本身还行但售后体系跟不上出了问题没人上门最后整批退单。Clawdbot 如果要做这一层必须搭建本地化的售后团队。第三类是科研院校和设备经销商。科研院所要的是一个可编程、可扩展的研究平台经销商看重的是产品毛利和品类稀缺度。这层虽然单量没那么大但品牌背书效应很强能反哺前两类客群的信任感。5. 商业模式的推演卖硬件只是开始5.1 设备销售最直接的现金流Clawdbot 最基础的商业模式还是卖整机。定价区间我推测会在十几万到几十万之间取决于配置——带不带高精度力控夹爪、配不配大电池热插拔仓、算力板卡用哪个档次。这个价格段在工业移动操作机器人里不算贵比进口同类便宜不少比国产固定式协作臂贵一截。纯卖硬件的问题是“一辈子只做一次生意”这种模式很难支撑高估值。所以任何做硬件的公司都必须在销售之外想清楚服务收入怎么来。5.2 软件订阅从“卖设备”到“卖能力”我认为 Clawdbot 真正估值逻辑的重心在“场景技能包”的软件订阅上。基础款整机只带通用的抓取、导航、避障能力开放一些高阶技能包再收费比如“精密装配技能包”“半导体晶圆搬运技能包”“实验室移液技能包”。这些技能包里包含的是一整套针对特定场景微调过的感知模型、运动策略和风险兜底机制。对企业客户来说订阅模式的吸引力在于它降低了前期试错的负担——不用一次性花一大笔钱买一套“可能用不好”的高级功能而是按月或按年付费用得好就续用不好就退订。这本质上是在用企业软件的逻辑做机器人硬件的生意如果执行得到位毛利和客户黏性都会非常可观。5.3 RaaS 租赁与代运营让客户从“买风险”变“买结果”比软件订阅更狠的一招是“机器人即服务”RaaS。思路很简单客户不用买机器按工时、按件数付费用就行。比如某仓库愿意为每完成一次拣选支付五毛钱那 Clawdbot 自己承担设备、调度平台、运维的全套成本并从每单的费用里赚钱。这个模式在美国的仓库机器人公司已经验证过被称为“产能承包”。好处是对客户零风险——不用采购设备、不用养运维团队按效果付费对 Clawdbot 则意味着长期锁定、现金流稳定、设备利用率最大化。坏处是前期资金压力巨大场地、设备折旧、现场团队每一项都是烧钱的无底洞。这个模式要跑得通前提是产品可靠性足够高、服务成本足够低否则每接一单就亏一单。5.4 数据闭环最被低估的“隐藏资产”我没有把数据价值单独归类因为它是渗透在所有商业模式里的“暗线”。每一台在客户现场运行的 Clawdbot都在持续产生真实环境下的抓取数据、失败案例数据、任务轨迹数据。这些数据对训练下一代具身智能模型的价值怎么强调都不为过。在自动驾驶领域激进的“影子模式”思路Clawdbot 也有类同当机器在做决策时云端跑一个更强的“教师模型”做对比一旦发现实际执行的决策和教师模型的建议不一致自动标注这条数据用于后续模型迭代优化。这等于客户在使用的过程中实际也在帮助 Clawdbot 训练下一代大脑——而且是在真实、多样、不可复现的物理环境中训练。这种壁垒一旦滚起来后来者靠堆人堆钱很难追平。5.5 平台生态终极的想象空间更远一步如果 Clawdbot 的市场存量达到几千台甚至几万台它就有资格把自己变成一个“机器人应用平台”第三方开发者可以基于它的 SDK 开发适用的行业应用放到它的应用商店里售卖平台抽取分成。这个想象空间对标的就是苹果的 App Store——硬件生态一旦形成规模软件的边际利润就是平台利润。但这条路走起来极其漫长需要面对的现实问题是目前整个行业的机器人保有量远没有达到支撑一个繁荣应用市场的体量。没有几万台存量设备第三方开发者没有动力做适配没有丰富应用新客户购买设备的意愿就上不去。这是一个先有鸡还是先有蛋的问题最终能不能做起来很大程度取决于前几轮硬件销售能不能迅速铺出足够大的装机底座。6. 一些个人判断与避坑提示6.1 三条容易误判的地方第一不要在通用性上做无底洞式的投入。客户需要的是“在特定场景里足够稳定”不是“什么都能干但什么都干不精”。市面上太多具身智能公司在通用性上用力过猛结果每个场景的 demo 都惊艳现场一跑就露馅。Clawdbot 目前的策略是通过机能包去匹配场景说实话方向对但产品团队得顶住诱惑别盲目扩张技能包数量与其一百个场景只能做到 60 分不如五个场景做到 99 分。第二别低估售后的成本。具身智能产品的故障率和维护复杂度比纯软件高一个量级。每年要把多少个点的收入重新投到服务的落实中这笔账一开始就要算清楚。很多机器人创业公司死于出货之后——设备在客户现场出问题派不出人或者修不好口碑崩掉资本市场也会立刻转向。第三别把数据闭环当成理所当然的赠品。客户不关心你的数据飞轮他们只关心机器能不能稳定完成工作。在销售话术里可以把数据价值放进长期合作的框架里谈但别指着客户为你“免费贡献数据”而高兴。合同里关于数据所有权的条款很可能成为大客户谈判时最麻烦的一项。6.2 我给想入局的人三个建议如果你今天是做自动化集成的我建议你密切留意 Clawdbot 这类产品的能力边界把它当成一个“可以提高你方案竞争力”的组件角色来评估而不是当成竞争对手。集成商的核心价值在行业Know-how和服务网络它取代不了你但你如果能驾驭它方案会非常能打。如果你是做机器人创业的技术团队我更想说的是别一上来就追求全栈自研。底盘、机械臂、夹爪、大模型都是成熟的供应链真正的稀缺能力是“在目标场景里把系统调稳定”的工程能力。省下来的精力全部砸到场景理解、现场问题和数据积累上去。如果你只是想买台机器人改善自己的仓储或实验室流程我的建议是别买第一代等第二批——第一批产品通常承担了太多“验证性”的任务设计缺陷会在实际运行中逐渐暴露。第二批产品意味着更成熟的软件、更完善的售后和更合理的价格。6.3 后续最值得观察的信号最后分享几个我会持续跟踪的信号判断 Clawdbot 这个项目能不能跑出来。第一个信号是它的单客户复购率。如果客户第一次买完之后在一年内追加订单说明这台设备在真实场景里创造的价值超出了预期如果只有首单没有复购多半是产品有问题但客户碍于合同不想撕破脸。第二个信号是技能包更新的频率和线上的运行数据。如果一个技能包发布会带来了一大批对应场景客户签约说明它的场景判断是真的准而不是自己臆想出来的需求。第三个信号是团队的人员结构变化。如果硬件团队在扩张说明它在强化供应链和交付体系的建设如果算法团队在扩张说明它还在打磨通用能力但如果市场、渠道、交付团队同时对半扩张那基本可以断定它已经跨过了从“技术验证”到“商业放量”的分水岭。拿这个框架再去回看 Clawdbot 的公开信息你会发现它的打法其实已经相当清晰用大模型降低机器人的使用门槛用移动操作机器人开拓工业与商业场景的精细化作业空白再用软件订阅和数据服务去建立长期壁垒。这个方向我整体是很认可的剩下的问题——可靠性能不能打、渠道能不能铺开、数据壁垒能不能建立——都不是逻辑问题而是执行问题。等它什么时候能够披露单场景稳定运行时间和复购订单数据我会再写一篇实弹复盘。