Woofun AI 消息，DeepSeek 以 1.408 億元認購宇樹科技科創板 IPO 戰略配售新股，標誌着兩家致力於極致降本的企業在資本與技術層面完成深度綁定。

這一動作不僅是一次財務投資，更揭示了行業底層邏輯的轉向：當智能與身體的成本雙雙跌破臨界點，技術普及的核心驅動力將從‘性能提升’轉變爲‘浪費的容忍度’。DeepSeek 與宇樹的聯手，旨在通過降低‘思考’與‘行動’的雙重門檻，推動具身智能從昂貴的實驗室設備演變爲可被大規模試錯的基礎設施。

在人工智能領域，‘斬殺線’已成爲衡量模型性價比的殘酷標尺。7 月 31 日，DeepSeek V4 Flash 更新後，在 Artificial Analysis 發佈的模型智能水平與使用成本座標圖中，其表現極具顛覆性。縱軸代表智能指數，橫軸代表調用成本，V4 Flash 以 50 分的智能指數緊貼全球第一梯隊，而單輪測試平均成本僅爲 3 美分。

這一數據點被推向座標系左上角，形成了極強的競爭壁壘：比它便宜的模型能力不足，比它聰明的模型價格高昂。自 2024 年 V2 發佈以來，DeepSeek 持續壓低機器‘想一次’的成本，迫使行業重新審視定價邏輯。如今，若模型性能未顯著超越 DeepSeek，其高昂價格便難以自圓其說。彭博在討論中國模型對美國 AI 公司的價格壓力時，甚至直接使用‘Death Zone’（死亡區）一詞，印證了這種成本優勢帶來的市場擠壓效應。

與 DeepSeek 在算法側的降本並行，宇樹科技創始人王興興在硬件側踐行着相似的工程哲學。回顧宇樹的創業歷程，其核心基因源於早期資源匱乏下的極致創新。王興興在讀研究生期間開發 XDog 時，因無力承擔昂貴的液壓系統，轉而研究低成本電機；因買不起成熟方案，便親自繪製驅動板、編寫程序並搭建控制系統。

這種‘先問有沒有更便宜辦法’的樸素工程習慣，奠定了宇樹的技術底色。王興興曾回憶，2010 年在杭州製作雙足機器人時，機械部分總成本僅兩百塊錢。多年後，面對外界關於成本極限的質疑，他堅定表示：‘不要跟我們比降成本，我們可以繼續降低很多。’這種對成本的極致敏感，使宇樹在機器人硬件領域建立起獨特的競爭優勢。

8 月 6 日，宇樹科技公佈科創板 IPO 戰略配售結果，DeepSeek 以 1.408 億元認購新股，雙方合作細節隨之披露。根據協議，宇樹在需要模型訓練服務和技術方案時將優先考慮 DeepSeek，而 DeepSeek 在需要機器人硬件及探索具身智能應用時則優先考慮宇樹。

這一安排並非簡單的供應鏈互補，而是兩家公司在降低‘思考’與‘行動’成本上的殊途同歸。DeepSeek 致力於讓 AI 推理更便宜，宇樹致力於讓機器人本體更廉價，兩者的結合旨在打通具身智能從算法到落地的全鏈路成本瓶頸。這筆投資金額在 AI 行業雖不驚人，但其象徵意義在於：兩家堅持‘白菜價’策略的企業，首次將各自的成本曲線無縫對接，共同探索技術普及的新路徑。

DeepSeek 的降本路徑深植於架構創新，而非單純的補貼策略。以 DeepSeek-V2 爲例，其總參數達 2360 億，但每處理一個 Token 僅激活 210 億參數，通過混合專家（MoE）架構大幅降低計算負載。相較上一代，V2 的訓練成本減少 42.5%，KV Cache 減少 93.3%，最大生成吞吐提高 5.76 倍。到了 V3 模型，這一思路進一步深化，正式訓練消耗 278.8 萬 H800 GPU 小時，同時通過低精度訓練和通信優化提升效率。今年 5 月，DeepSeek 將 V4-Pro 原本 75% 的促銷折扣轉爲永久價格，旗艦檔價格繼續下探。CEO 梁文鋒強調，其定價原則基於真實成本，不長期貼錢也不追求暴利，這種可持續的低價策略構成了其核心競爭力。

Woofun AI 整理數據顯示，宇樹科技的硬件降本邏輯同樣體現爲對工業細節的極致把控。2025 年接受《晚點》採訪時，王興興解釋了 H1 從 9 萬美元降至 G1 低配版 9.9 萬元人民幣的盈利邏輯。他指出，成本是核心 KPI，商業行爲必須保證合理利潤，而利潤來源於對電機、減速器、電路板、關節及線束等部件的精細化優化。一塊電路板少幾釐米、一個關節少兩個零件、線束走法的改變，這些看似微小的調整疊加後，直接導致售價斷崖式下跌。王興興強調，真正決定機器人價格下限的，不是規模效應帶來的供應商降價，而是內部工程設計的極致壓縮。

這種‘一分錢掰成兩半花’的工業時代質感，使宇樹能夠在保持盈利的同時，不斷刷新人形機器人的價格底線。

宇樹的銷售數據直觀反映了人形機器人從實驗室高價設備向大衆化採購的轉變。2023 年，第一代全尺寸人形機器人 H1 上市，全年僅售出 5 臺，平均售價高達 59.34 萬元，主要客戶爲需要專項預算的科研機構。2024 年，更小型的 G1 進入市場，銷量激增至 410 臺，平均售價降至 26.07 萬元，開始進入高校和開發團隊。至 2025 年前九個月，人形機器人銷量達到 3551 臺，平均售價進一步降至 16.76 萬元。價格每下降一個臺階，便吸引新一批買家，從專項預算審批轉變爲部門預算，最終成爲普通採購。

這種價格演變過程，標誌着技術正跨過普及的臨界點，進入無需爲每次使用精打細算的階段。

具身智能的訓練困境在於‘真機’與‘算力’的雙重高成本，而廉價化正是破局關鍵。當前訓練循環包括現實世界中的真機操作（如伸手、走路、拿東西）和計算世界中的數據清洗、標註、推理與驗證。真機昂貴導致團隊無法讓大量機器人全天候試錯，算力昂貴使得低價值數據難以反覆訓練。因此，研究人員傾向於選擇高成功概率的任務，迴避瑣碎問題。

然而，現實世界充滿不確定性：杯子放在桌邊 3 釐米與 5 釐米的區別、毛巾溼了一半的抓取點、抽屜卡住時的應對策略、塑料袋中蘋果數量變化對手臂動作的影響。這些瑣碎問題單看無足輕重，卻是機器人進入家庭、倉庫等場景必須面對的常態。DeepSeek 與宇樹的合作，通過降低真機和算力成本，使機器人擁有更多‘無產出’的試錯時間，從而積累應對複雜場景的經驗。

經濟學中的‘傑文斯悖論’爲 AI 普及提供了理論註腳。1865 年，英國經濟學家 William Stanley Jevons 研究發現，蒸汽機效率提升導致煤炭消耗增加而非減少，因爲廉價動力激發了新需求。

這一現象在 AI 領域同樣顯現：當模型昂貴時，用戶精打細算 Token 價格表，砍掉高成本功能；當智能變得廉價，人們開始將其用於不重要的小事，如整理會議記錄、挑錯文章。 1911 年，懷特海在《數學入門》中指出，文明進步在於擴大無需思考的重要操作。目前 AI 尚未完全達到此階段，開發者仍因每百萬 Token 差價更換供應商，機器人公司仍在尋找易算賬的場景。但隨着成本下降，智能將像電力和網絡一樣，成爲無需爲每次使用做決策的基礎設施，人們在使用時將變得‘大手大腳’且毫無愧疚。

1.408 億元的投資鏈接的是一張關於‘機器犯錯成本’的賬單。當前，因成本高昂，每條真實數據需認真採集，每輪訓練需精挑細選，每臺機器人需儘快產出價值。未來，當智能普及，機器人在倉庫角落練一下午抓箱子失敗三百次、Agent 試幾十條路徑、實驗室多放幾臺機器人無需寫採購理由，這些場景將變得平常。AI 未來的關鍵指標不再是單價，而是社會對機器‘浪費’的容忍度。DeepSeek 讓思考接近廉價，宇樹讓身體接近廉價，最終目標是爲機器提供足夠便宜的一生，使其能在反覆嘗試和不斷犯錯中，將無數看似無意義的失敗轉化爲真正的智能。這是繼電力普及之後，技術從‘稀缺資源’向‘公共基礎設施’演進的又一里程碑。