硬件差异：滚动接触齿轮箱能否打破效率瓶颈？
在人形机器人领域，执行器是决定运动性能和能耗的核心。大多数玩家采用谐波或摆线减速器，但 Foundation 选择了滚动接触齿轮箱。据 CEO Pathak 称，这种设计将能量效率从50-60%提升至90-95%，同时减少了发热和磨损，并具备固有柔顺性，理论上更适合与人协作。不过，这些数据目前仅来自公司内部测试，尚未有第三方机构验证。
混合AI：30分钟学会一个任务？
在AI策略上，Foundation 没有盲目追随主流。不同于 Figure AI 和特斯拉 Optimus 主要依赖模仿学习（通过人类演示学习），Phantom 采用混合方法：将模仿学习与状态模型结合。状态模型显式编码物理、运动学和任务动力学知识，Pathak 认为这能实现更鲁棒的自主性，且所需训练数据大幅减少——他声称简单任务只需约30分钟即可学会。
如果这一说法成立，意味着 Foundation 在部署时无需大规模遥操作舰队来收集数据，从而降低初期成本。但业界普遍认为，人形机器人的泛化能力仍是巨大挑战，30分钟学会的任务能否在真实产线上稳定运行，需要更严格的验证。此外，Foundation 在运动控制上使用强化学习，Pathak 认为该技术正快速成熟，未来可能让双足机器人比传统轮式AMR更便宜。
量产野心与竞争格局：2026年万台目标能否实现？
Foundation 的路线图相当激进：2025年交付40-50台，2026年目标超过1万台。公司已获得约1200万美元种子轮融资，目标售价约10万美元/台（采用订阅模式），初期成本可能接近15万美元。Pathak 强调执行速度是唯一护城河，并直言早期创业公司不适合追求工作生活平衡。但对比 Figure AI 和特斯拉的量产计划，Foundation 的资金和产能储备明显薄弱。
在竞争激烈的市场中，Foundation 的差异化在于硬件效率和AI训练效率。然而，从概念到量产存在巨大鸿沟：执行器的耐久性、纯视觉方案的可靠性、以及大规模生产的良率都是未知数。Pathak 的长期愿景包括通过自然语言指令控制机器人，以及利用 Apple Vision Pro 等AR设备进行人机协作。但眼下，Phantom 能否在2025年中期如期交付首批客户，才是检验这家初创公司成色的第一道关卡。
发表于 
