在人形机器人领域，灵巧手的耐用性成为行业最大瓶颈。高自由度灵巧手价格可达5万美元一只，接近整机成本，部分专注灵巧手的公司估值甚至超过整机厂商。
马斯克曾指出：“人形机器人最大的瓶颈不是腿，是手。”何小鹏也表示，机器人进入工厂后不到一个月手即损坏，而单只手的成本足以聘请一名工人多年。
斯坦福大学项目显示，其他企业灵巧手累计用坏4只，而星动纪元XHAND1仅使用1只即完成任务，体现出“能用”与“不能用”的本质差异。全球市值TOP10科技巨头中，有9家已采用星动纪元机器人，唯一未合作的是特斯拉。
2024年11月20日，全栈具身智能企业星动纪元宣布完成近10亿元A+轮融资，由吉利资本领投、北汽产投战略投资，创下汽车产业资本对具身智能企业单笔最大投资纪录。此前，吉利资本仅投资过宇树科技一家机器人公司。
星动纪元选择“软硬一体”全栈自研路径，既开发具身大模型ERA-42，也研制人形机器人本体和灵巧手。其技术突破始于一只“不会坏”的手。
当前主流灵巧手多采用腱绳传动，长期使用下易出现精度损失。在高温、高负载工况下，仅数周即发生控制失准问题，难以满足商业场景需求。
星动纪元采用全直驱方案，12个自由度均由独立电机直接驱动，避免传动磨损。该设计实现100万次开合寿命，相当于每天3000次可连续使用一年不损坏，并已在严苛环境中验证可靠性。
尽管全直驱方案更重、更复杂且成本更高，但头部客户更关注性能与稳定性。星动纪元团队表示：“真正要落地应用的客户，追求的是最高性能。”
目前已有全球顶尖实验室及科技企业采购并复购星动产品。去年底开始合作的客户平均已复购4次。出货量超400台，覆盖MIT、斯坦福、伯克利、CMU、哥伦比亚大学等机构。
硬件方面，星动纪元关节扭矩达400牛米，转速25rad/s，单手负载能力25公斤，握力80牛顿，性能指标超越特斯拉Optimus和Figure机器人。在首届世界人形机器人运动大会上，星动L7创下跳高冠军与跳远世界纪录。
星动纪元硬件自研比例超95%，涵盖电机、减速器、关节模组等核心部件，使其能根据AI算法与客户需求快速迭代。
客户实际测试暴露了大量实验室无法发现的问题，包括边界条件bug、长时间运行隐患及非预期使用方式。这些反馈推动产品持续优化。
XHAND1已支持100多种复杂操作，如拧螺钉、敲钉子、扶正水杯倒水、剪纸、开门等。2025年机器人学习大会上，基于XHAND1的多项研究成果被收录，斯坦福、卡耐基梅隆、哥伦比亚大学论文获最佳论文提名。
创始人陈建宇强调，当前优先级是确保产品好用、耐用，而非立即降本。“先证明能干活，再谈便宜。”
技术路线上，星动纪元于2024年9月全球首提分频VLA架构，坚持端到端视觉-语言-动作一体化路线。其逻辑为从零开始为AI设计机器人，而非在传统硬件上叠加AI。
ERA-42模型通过大规模视频与交互数据预训练，学习物理世界基本规律，具备强泛化能力。机器人无需针对每个任务重新训练，即可自主生成动作。
例如，仅用红黄蓝方块进行抓取训练后，机器人可成功抓取未见过的胡萝卜、茄子等异形物体，表明其理解“抓取”本质而非记忆特定动作。
市场层面，2025年灵巧手市场显著分化：低自由度手（10自由度以下）陷入价格战，单价从2万元降至1万元，沦为演示工具；高自由度手（12自由度以上）走向规模化应用，价格维持1万美元以上，高端型号达5万美元。
星动纪元2024年11月推出“电竞手”，2025年5月发布“精灵手”，迅速成为全球顶尖实验室和具身智能厂商的基础设施。
夹爪类研究空间趋于饱和，PI与谷歌Gemini虽取得进展，但除触觉方向外难产高影响力成果。星动纪元选择高自由度路线，旨在适配人类世界现有工具与操作界面。
融资结构亦反映趋势变化：2023年种子轮由世纪金源领投数千万元；2024年1月天使轮获联想创投领投超亿元；2024年10月Pre-A轮近3亿元，由清流资本、元璟资本、阿里巴巴联合领投；2025年11月A+轮获吉利资本与北汽产投注资近10亿元。
产业资本入场带来真实应用场景与订单。汽车制造对精度与可靠性要求极高，产线不容中断，因此必须采用经验证可靠的解决方案。
目前星动纪元投资者包括阿里巴巴、海尔资本、吉利资本、北汽产投、联想创投等产业方，将加速人形机器人在3C电子、厨电、家电、物业、物流等领域的产业化落地。
截至2025年底，星动纪元海外业务占一半，主要面向科研机构与科技巨头提供开发平台。2026年国内占比将上升，重点推进物流、汽车制造、3C电子等真实场景落地。
公司已发布仓储物流解决方案，全球首次将端到端VLA应用于该领域，并计划逐步拓展至更多子场景。
陈建宇表示：“明年不再是卖科研、卖表演，而是提供可在真实工业环境使用的产品，进入规模化市场阶段。”
技术仍在快速演进，模型scaling效应或带来巨大飞跃。行业正从验证期迈向规模期，窗口期预计持续至少五年。真正的分水岭将在2026年到来——从“能不能用”转向“用多少台”，从实验室走向产线。
免责声明：本文内容由开放的智能模型自动生成，仅供参考。
