快速摘要
2026年初，美国旧金山机器人公司 Foundation 将两台 Phantom MK-1 人形机器人送抵前线执行侦察任务，这是有记录以来人形机器人首次被部署到活跃冲突地带。 Phantom MK-1 身高175厘米、体重约80公斤，搭载专利摆线驱动器、摄像头优先视觉系统和大语言模型驱动的任务规划栈，上半身拥有19个自由度，行走速度可达1.7米/秒。该公司已获得美国陆海空三军约2400万美元的研究合同，升级型号 MK-2 计划于2026年4月亮相。往下看，有关于摆线驱动器原理、AI控制架构、硬件参数、迭代路线图以及行业影响的更详细拆解。
本文由 莫潇羽@无忆研习社（www.wuyi.wiki）原创撰写，转载请注明出处。
当 Foundation 公司联合创始人 Mike LeBlanc 在2026年初将两台黑色钢甲、面罩泛着幽光的 Phantom MK-1 送出实验室大门，交付至前线评估团队手中的那一刻，一个长期停留在科幻荧幕上的场景真正地走进了现实——人形机器人，第一次出现在了活跃冲突地带。
这不是一场PR秀，也不是一段概念演示视频。据《时代》杂志（TIME）2026年3月10日的深度报道，这两台人形机器人已经在前线执行侦察任务，Foundation 团队正在收集它们在真实环境下的性能数据，以迭代后续产品。这一事件的技术意义远远大于它的新闻价值，因为它标志着人形机器人从"工厂试点"正式迈入"极端环境实战测试"的全新阶段。
莫潇羽在撰写本文时反复核实了多家海外权威媒体的一手报道，力求以纯技术视角为无忆研习社（www.wuyi.wiki）的读者拆解这台机器人从硬件到软件的完整技术栈。下面我们一层一层来看。
一、Foundation 公司：从金融科技到人形机器人
要理解 Phantom MK-1 为什么能在不到两年的时间里从概念走到前线，首先需要了解它背后的团队和公司脉络。
Foundation Robotics Labs 于2024年4月在旧金山成立，三位联合创始人分别是 Sankaet Pathak（CEO，电气与计算机工程背景，擅长计算机视觉）、Arjun Sethi（Tribe Capital 创始人，风险投资领域的资深人士）和 Mike LeBlanc（前美国海军陆战队员，曾服役14年并多次参与海外部署；此前创办过机器人安防公司 Cobalt Robotics 并成功退出）。
这个团队的组成很有意思：一个懂AI和视觉算法的工程师、一个懂资本运作的投资人、一个有丰富实战经验并且理解真实场景需求的退伍军人。三人组合形成了"技术+资金+需求"的闭环，这也解释了为什么 Foundation 能在拥挤的人形机器人赛道上快速跑出差异化路线。
Foundation 成立后的第一步关键操作，是在2024年底收购了佛罗里达州的 Boardwalk Robotics。Boardwalk 是佛罗里达人机认知研究所（IHMC）的衍生公司，多年来一直在研发摆线驱动器（Cycloidal Actuator）技术，这项技术后来成为 Phantom 平台最核心的硬件护城河。收购完成后，Boardwalk 原有的人形机器人"Alex"被更名为"Phantom"，Foundation 在此基础上快速推进工程化和产品化。
从时间线来看，Foundation 只用了大约13个月就完成了从概念到首台机器交付的全过程。2025年2月，Phantom MK-1 原型机在旧金山的一家夜店里以预编程动作担当了"DJ"，完成了公开首秀。到2025年12月，已有超过40台 MK-1 被制造并交付给早期客户，工业领域的试点从2025年4月就已经开始。
截至目前，Foundation 的种子轮融资为1200万美元左右（由 Tribe Capital 领投），后续一直在推进更大规模的融资。公司目前约有45名员工，团队成员来自 Tesla、Boston Dynamics、1X 等知名机器人和自动驾驶公司。莫潇羽认为，这种"小团队、快迭代、收购成熟技术"的打法，值得国内机器人创业团队参考。
二、Phantom MK-1 硬件参数全拆解
Phantom MK-1 的外观设计非常具有辨识度——通体漆黑的钢制外骨骼、宽厚的肩部轮廓、面部没有任何仿人特征，只有一块嵌入多枚摄像头的深色面板。整体给人的视觉感受更接近科幻电影中的机械战士，而非日本式的拟人化机器人。
以下是目前公开可查的关键硬件参数：
┌─────────────────────────────────────────────────────────┐
│ Phantom MK-1 核心硬件参数一览 │
├──────────────────────┬──────────────────────────────────┤
│ 身高 │ 175 cm（约5英尺9英寸） │
│ 体重 │ 约 79–82 kg（约175–180磅） │
│ 持续负载能力 │ 20 kg │
│ 最大负载能力 │ 36 kg │
│ 行走速度 │ 1.7 m/s（约6.1 km/h） │
│ 上半身自由度 │ 19 DOF │
│ 手部设计 │ 五指仿人手，可抓握非改装人类工具 │
│ 驱动器类型 │ 专利摆线驱动器（Cycloidal） │
│ 峰值扭矩 │ 160 Nm │
│ 反向驱动阻力 │ <1 Nm │
│ 视觉传感器 │ 8枚摄像头（Camera-first 架构） │
│ 主体材料 │ 钢 + 工程塑料 │
│ 续航时间（估算） │ 约2–3小时/单次充电 │
│ 运动控制 │ 强化学习（RL）步态策略 │
└──────────────────────┴──────────────────────────────────┘上面这张参数表值得细看。175厘米的身高和约80公斤的体重，与成年男性的身材非常接近。这不是巧合——Foundation 的设计理念是让机器人能无缝融入"为人类建造的环境"，包括门框、楼梯、走廊、车辆座舱等。如果一个机器人太高太宽，它就无法穿过标准门洞；如果太矮太轻，它的负载能力和稳定性都会打折扣。
另一个值得注意的细节是：据多家媒体报道，Phantom MK-1 能产生与人体相似的热信号特征。这意味着在热成像仪的观测下，它的轮廓和温度分布与真人非常接近。这一特性可以在侦察场景中迷惑对方的红外探测系统，具有一定的战术价值。
三、核心技术深度解析：摆线驱动器为什么这么重要
如果说 Phantom MK-1 的"灵魂"是AI软件栈，那么它的"肌肉"就是那套专利摆线驱动器（Cycloidal Actuator）。这是 Foundation 技术护城河中最核心的一环，也是整台机器人区别于竞品的关键硬件。
3.1 什么是摆线驱动器
莫潇羽这里先给小白读者做一个通俗解释。
机器人的每一个关节（肩膀、肘部、髋关节、膝盖等）都需要一个"驱动器"来产生运动。驱动器的核心任务是把电机的高速旋转转换成关节需要的低速大扭矩运动。这个转换过程需要一个减速器（Gear Reducer），减速器的选型直接决定了机器人的力量、精度、安全性和使用寿命。
目前机器人行业主流的减速器方案有三种：谐波减速器（Harmonic Drive）、行星减速器（Planetary Gear）和摆线减速器（Cycloidal Drive）。三者的工作原理各不相同，各有优劣。
摆线减速器的基本工作原理是这样的：
输入轴连接一个偏心轴承，偏心轴承驱动一个带有特殊摆线曲面的圆盘做偏心摆动。圆盘的外缘齿形与一圈固定的滚针啮合。当偏心圆盘摆动时，齿形逐步越过滚针，将运动传递到输出轴，同时实现大幅减速和扭矩放大。
用一个更直观的比喻来理解：想象你把一个略小的圆形盘子放进一个略大的圆形碗里，盘子在碗里做偏心旋转。由于盘子比碗少一个"齿"，每转一圈，盘子相对于碗只移动了一个齿的位置。这就实现了很高的减速比。
减速比的计算公式为：
[
i = \frac{1}{z_{\text{ring}} - z_{\text{disc}}}
]
其中 (z_{\text{ring}}) 是固定环上的滚针数量，(z_{\text{disc}}) 是摆线圆盘上的齿数。例如，如果环上有11个滚针，圆盘上有10个齿，减速比就是10:1——输出扭矩放大10倍，转速降低到1/10。
3.2 Foundation 摆线驱动器的独特优势
Foundation 的摆线驱动器技术继承自 Boardwalk Robotics / IHMC 的多年积累，但在此基础上做了面向产品化的大量优化。根据公开资料，它们的关键性能指标包括：
高扭矩密度。 峰值扭矩可达160 Nm，在紧凑的体积内实现了接近液压系统的力量输出，但运行时远比液压系统安静。
高能效。 官方宣称能效达到90%–95%，远高于传统谐波减速器的50%–60%。这对机器人的续航能力极为关键——每个关节的驱动器每节省一点电能，整机的续航就能延长一点。
抗冲击能力。 与谐波减速器使用的薄壁柔性齿轮不同，摆线减速器使用的是滚动接触元件，对突然的冲击载荷有很强的抵抗力。在机器人跌倒或碰撞障碍物时，摆线驱动器不容易被一次性损坏。
反向可驱动性（Backdrivability）。 这是一个非常关键的特性。反向驱动阻力低于1 Nm，意味着外部力量可以轻松地推动关节运动，而不需要克服巨大的内部摩擦。这带来两个好处：第一，安全性——如果机器人意外碰到人，人可以轻松推开它的手臂；第二，力控制精度——机器人可以"感知"外部施加的力，从而实现更精细的操作。
莫潇羽在这里给无忆研习社的读者做一个横向对比，帮助大家更直观地理解不同减速器方案之间的差异：
┌────────────────┬──────────┬──────────┬──────────────┐
│ 对比维度 │ 谐波减速器│ 行星减速器│ 摆线减速器 │
├────────────────┼──────────┼──────────┼──────────────┤
│ 减速比范围 │ 50–320:1 │ 3–100:1 │ 单级可达119:1 │
│ 回差（背隙） │ 极低 │ 中等 │ 非常低 │
│ 扭矩密度 │ 中等 │ 中等 │ 高 │
│ 抗冲击能力 │ 弱 │ 中等 │ 强 │
│ 反向可驱动性 │ 差 │ 一般 │ 好（低减速比）│
│ 效率 │ 约65–80% │ 约90–95% │ 约90–95% │
│ 噪音 │ 低 │ 中 │ 低 │
│ 成本 │ 高 │ 低 │ 中–高 │
│ 寿命/耐久性 │ 中等 │ 中等 │ 高 │
│ 典型应用 │ 协作机器人│ 工业机器人│ 人形/足式机器人│
└────────────────┴──────────┴──────────┴──────────────┘从这张对比表可以清楚看出，摆线减速器在扭矩密度、抗冲击和反向可驱动性方面有明显优势，这正好匹配了人形机器人在非结构化环境中工作的核心需求——需要足够的力量来搬运物品、需要承受跌倒和碰撞的冲击、需要柔顺的力控制来安全地与人协作。
当然，摆线减速器也不是没有弱点。它的制造精度要求很高，对加工公差非常敏感，成本也比普通行星减速器更贵。但 Foundation 通过收购 Boardwalk 获得了成熟的生产工艺，并且在持续优化制造流程以降低成本。
3.3 仿生腱驱动手部设计
Phantom MK-1 目前配备的是五指仿人手，可以抓握未经改装的人类工具（扳手、手枪握把、门把手等）。但根据 Foundation 在2026年2月公开的工厂内部视频，他们的手部工程师正在开发下一代"Mach 2"手部——一种基于仿生腱驱动（Tendon-Driven）的全新设计。
这种设计的灵感直接来自人体解剖学。人类的手指之所以灵活，是因为驱动手指运动的肌肉并不在手指本身，而在前臂。肌肉通过肌腱穿过手腕连接到手指骨骼，拉动手指弯曲和伸展。Mach 2 手部采用了相同的原理：把驱动电机放在前臂部分，通过一套人工腱系统连接到手指的各个关节。
根据公开资料，Mach 2 手部原型拥有24个电机（模拟肌肉），通过一套复杂的屈肌和伸肌腱网络驱动手指的DIP关节（远端指间关节）、PIP关节（近端指间关节）和MCP关节（掌指关节），并能实现手指的外展和内收（也就是把手指张开和并拢的能力）。这种设计可以让手指部分保持纤细和轻巧，同时拥有接近人手的灵活性。
不过需要指出的是，目前部署到前线的 MK-1 使用的仍然是较为简单的手部方案——每根手指只有两个耦合关节，Foundation 的手部工程师坦言现阶段的手部更像是一个"伪装成手的夹持器"。真正的仿生手部要等到后续迭代才能集成。
四、感知系统详解：为什么选择 Camera-First 而非 LiDAR
在聊 AI 控制架构之前，莫潇羽认为有必要先深入讲讲 Phantom MK-1 的感知系统设计，因为"机器人看到了什么"直接决定了"它能做什么"。
Phantom MK-1 全身配备了8枚摄像头，构成了一套全方位的视觉感知系统。Foundation 将这种设计理念称为"Camera-First"——以摄像头为主要传感器，而不是像很多自动驾驶公司那样大量依赖激光雷达（LiDAR）。
这个设计选择看似简单，背后其实是一系列深思熟虑的工程权衡。
LiDAR 的优势在于能直接输出精确的三维点云数据，不受光照条件影响，测距精度高。但它的问题也很明显：第一，成本高。一台多线激光雷达的价格可能占到整机成本的很大比例。第二，体积和重量。高性能LiDAR 通常需要旋转机构或大面积固态阵列，在紧凑的人形机器人头部集成难度大。第三，机械脆弱。旋转式LiDAR 有精密的光学和机械部件，在跌倒或碰撞时容易损坏。第四，在灰尘、烟雾等环境中，激光散射会严重影响LiDAR的性能。
相比之下，摄像头的成本只有LiDAR的零头，体积小重量轻，没有精密机械部件，而且在有烟尘的环境中（虽然也会受影响）总体上比LiDAR更容易通过算法补偿。在真实的复杂环境中，这些优势会被放大——一个经常摔跤、需要在烟尘环境中工作的机器人，装8个便宜的摄像头显然比装一个昂贵的LiDAR更合理。
当然，Camera-First 方案的代价是需要更强大的计算机视觉算法来从二维图像中重建三维场景理解。这正是大语言模型和视觉基础模型（Vision Foundation Model）发挥作用的地方。Foundation 的技术栈利用预训练的视觉模型来处理摄像头输入，提取语义信息（这是什么物体、它在哪里、它可以被如何操作），然后将这些信息传递给上层的任务规划模块。
8枚摄像头的具体分布方式尚未被完全公开，但从公开的机器人外观图片来看，头部面板集成了多枚前向摄像头（可能包括深度摄像头），身体两侧和背部也有摄像头，以实现接近360度的环境感知。这种多摄像头方案与 Tesla 在自动驾驶上采用的"纯视觉"路线有异曲同工之处——通过多个不同角度的摄像头进行立体视觉和环境重建。
另一个值得注意的技术细节是，Foundation 的感知系统还融合了遥操作模式下的人类视觉判断。在自主模式和遥操作模式之间可以随时切换，当机器人的自主感知系统对某些场景"拿不准"时，人类操作员可以通过远程画面直接介入判断。这种人机混合的感知方案在当前AI视觉技术还不够完美的阶段，是一个非常务实的工程选择。
五、AI 控制架构：从大语言模型到强化学习步态
硬件只是基础，真正让 Phantom MK-1 "活"起来的是它的软件和AI系统。Foundation 构建了一套分层的智能控制架构，核心可以概括为三层：
5.1 高层：大语言模型（LLM）做任务理解和推理
在最顶层，Phantom MK-1 接受的是自然语言形式的任务指令。例如操作员可以说"去那边把那个箱子搬过来"或者"侦察前方建筑的内部结构"。这些模糊的、高层级的指令由大语言模型负责理解和分解。
LLM 在这里扮演的角色类似于"大脑的前额叶皮层"——它负责理解意图、制定计划、分解步骤。比如"把箱子搬过来"会被分解成：定位箱子→规划路径→走到箱子旁边→弯腰→抓握→站起→搬运→到达目标位置→放下。
这种"Camera-first + LLM"的组合是 Foundation 的一个标志性设计选择。他们有意不使用复杂的 LiDAR 传感器阵列，而是以摄像头作为主要感知手段，用 LLM 来补偿传感器简化带来的语义理解损失。用 Foundation 的话说，这是为了"简化数据融合、提高在恶劣环境中的可靠性"。
5.2 中层：专有物理动作模型做运动规划
LLM 分解出来的任务步骤，需要被转化为具体的全身运动轨迹。这部分工作由 Foundation 自研的物理动作模型（Physics-Action Model）完成。这套模型融合了物理仿真和模仿学习两种方法——先在物理引擎中让机器人学习基本的运动物理规律，再用真实世界的遥操作数据进行微调。
物理动作模型解决的核心问题是：如何把一个抽象的语义动作（比如"抓住那个杯子"）翻译成19个上身关节和两条腿的数十个电机需要执行的精确力矩和角度序列。这是一个涉及逆运动学、力矩规划和碰撞避免的复杂优化问题。
5.3 底层：强化学习（RL）步态策略做行走控制
在最底层，Phantom MK-1 的双足行走控制采用了强化学习方法。Foundation 的 CEO Sankaet Pathak 在2025年9月曾发文表示，公司已经从传统的模型控制器切换到了基于强化学习的步态策略，并认为"腿比轮子更简单，因为用了RL之后软件复杂度大幅下降"。
强化学习步态控制的基本思路是这样的：在仿真环境中创建机器人的数字孪生体，让它在虚拟世界中反复尝试行走——走得好（比如走得稳、不跌倒、能量消耗低）就给正向奖励，走得差（跌倒、偏移方向、过度振动）就给负向惩罚。经过数百万次迭代训练后，RL策略会收敛出一套高效且鲁棒的步态。
这种方法相比传统的基于模型的控制器（如零力矩点ZMP控制）有几个关键优势：
第一，适应性更强。RL策略在训练过程中经历了各种扰动（被推、踩到不平地面、负载突变等），因此在真实世界中遇到类似情况时有更强的自适应能力。
第二，工程量更小。传统模型控制器需要精确建模机器人的动力学参数，每改一次硬件就要重新调参。RL策略只需要重新训练，不依赖精确的物理模型。
第三，能发现人类工程师想不到的步态策略。RL 有时会找到一些非直觉但非常高效的行走方式，超出了人类基于经验设计的运动模式。
当然，RL步态也有挑战——仿真到真实的迁移（Sim-to-Real Transfer）是一个核心难题。摆线减速器的非线性摩擦和扭矩脉动使得仿真模型和真实硬件之间总会存在差异。为了解决这个问题，Foundation 采用了一种基于门控循环单元（GRU）的扭矩估计网络，通过学习驱动器历史数据来建模摆线减速器的复杂动力学，从而减小 Sim-to-Real 的差距。
用一段伪代码来示意这套分层控制架构的工作流程：
# Phantom MK-1 分层控制架构示意（伪代码）
class PhantomController:
def __init__(self):
self.llm = LargeLanguageModel() # 高层：自然语言理解与任务分解
self.action_model = PhysicsActionModel() # 中层：运动规划与轨迹生成
self.rl_locomotion = RLGaitPolicy() # 底层：强化学习步态控制
self.cameras = CameraArray(num=8) # 8枚摄像头，Camera-first 感知
self.world_graph = SharedWorldGraph() # 机队共享的世界知识图谱
def execute_mission(self, natural_language_command):
# 第一步：LLM 理解指令并分解为子任务序列
subtasks = self.llm.parse_and_decompose(natural_language_command)
# 例如: ["navigate_to(target_building)", "enter_door", "scan_interior"]
for subtask in subtasks:
# 第二步：视觉系统感知环境
scene = self.cameras.capture_and_process()
# 第三步：动作模型将子任务转化为全身运动轨迹
trajectory = self.action_model.plan(subtask, scene)
# 第四步：RL 步态策略执行行走/移动
if subtask.requires_locomotion():
self.rl_locomotion.walk(trajectory.path)
# 第五步：上身执行精细操作（如开门、抓取等）
if subtask.requires_manipulation():
self.execute_manipulation(trajectory.arm_commands)
# 第六步：更新世界图谱，供机队其他成员使用
self.world_graph.update(scene, subtask.result)上面的代码只是示意性的，实际系统要复杂得多，但它能帮助读者理解整个控制链路的逻辑：自然语言输入 → LLM理解分解 → 视觉感知 → 运动规划 → RL步态执行 → 世界模型更新。
5.4 机队协同：共享世界图谱
一个容易被忽略的技术亮点是 Foundation 的"共享世界图谱"（Shared World Graph）机制。当多台 Phantom 在同一区域工作时，每台机器人感知到的环境信息（地图、障碍物、目标位置等）都会上传到一个共享的知识图谱中。其他机器人可以直接利用这些信息，而不需要自己重新探索。
这种机制的好处在于——第一台进入未知建筑的机器人完成探索后，后续所有机器人都已经"知道"了建筑的内部布局。这在多机协同侦察或物流补给场景中可以大幅提升效率。
同时，真实世界部署中收集的数据还会被用来持续改进AI模型。每一次真实操作都是一次训练样本，通过"Human-in-the-Loop"（人在回路中）的方式进行数据标注和模型微调，让整个机队的能力随着部署时间的增长而持续提升。这就是业界所说的"数据飞轮"效应。
5.5 数据飞轮的深层逻辑
"数据飞轮"这个概念在AI行业被频繁提及，但很多人对它的理解停留在表面。莫潇羽在这里为无忆研习社的读者做一个更深入的解释。
对于人形机器人来说，数据飞轮的运转逻辑如下：更多的机器人部署 → 产生更多的真实世界数据 → 数据用来训练更好的AI模型 → 更好的模型让机器人表现更出色 → 更好的表现吸引更多客户 → 部署更多的机器人 → 循环继续。
这个循环中最关键的环节是"数据的质量和多样性"。工厂里搬运保险杠的数据、船坞里巡检的数据、前线进行侦察的数据——这三类数据的环境特征完全不同，但它们都在训练同一个底层的运动控制模型。不同环境的数据越多样，模型的泛化能力就越强。
这也解释了为什么 Foundation 如此积极地将机器人部署到各种不同的环境中——不仅仅是为了验证技术，更是为了获取多样化的训练数据。在这个意义上，每一个客户、每一个部署场景，都是 Foundation 数据飞轮上的一个节点。
Foundation 的 CEO Pathak 在一次访谈中这样描述数据对于人形机器人的重要性：Tesla 拥有自动驾驶领域最全面的真实世界数据集，但那些数据都是"道路上的"。他们没有室内自主导航的数据。所以即使是 Tesla，在室内环境的机器人AI方面也处于和 Foundation 相同的起跑线上。数据需要在实际部署过程中逐步积累，随着时间推移，机器人会变得越来越聪明，直到最终（Pathak 估计大约需要十年）积累出足够的数据来构建一个真正通用的"机器人基础模型"。
Foundation 采用的具体训练方法融合了两种主流技术路线：一是物理仿真中的强化学习（在虚拟世界里用奖励函数引导机器人学习），二是模仿学习（通过人类遥操作来演示正确的操作方式，让机器人从人类示范中学习）。这种混合方法的好处在于：RL 负责学习底层的运动控制策略（如何保持平衡、如何高效行走），模仿学习负责学习高层的任务执行策略（如何抓取特定形状的物体、如何打开不同类型的门）。两者结合可以显著减少对训练数据量的需求，同时提高模型在新场景中的泛化能力。
六、前线部署：发生了什么，目前做到了什么
2026年初，两台 Phantom MK-1 被送抵前线。根据《时代》杂志的报道以及多家国际科技媒体的交叉印证，目前可以确认的事实包括以下几点。
这两台机器人目前执行的是侦察任务。它们被用于探测和评估特定区域的环境状况，尤其是无人机难以到达的封闭空间——地下设施、建筑内部、狭窄通道等。人形机器人相比轮式或履带式机器人的优势，恰恰体现在这类"为人类设计的空间"中：它们可以上下楼梯、穿过标准门洞、在废墟中保持机动性。
这两台机器人没有携带任何武器。Foundation 明确表示此次部署的机器人不会执行任何涉及武器的任务，纯粹是技术验证性质的。
收集的数据将直接反馈给 MK-2 的设计。Foundation 已经公开表示，前线部署的核心目的是收集真实环境数据——灰尘、泥泞、温度变化、通信干扰等因素对机器人硬件和软件的影响，这些数据将全部用于优化下一代产品。
热信号模拟效果正在接受实际检验。如前所述，Phantom 能产生与人体相似的热信号。在真实环境中，这个特性是否真的能有效迷惑热成像侦察，是此次部署需要验证的关键问题之一。
"人在回路"原则被严格执行。Foundation 反复强调，所有涉及关键决策的操作都需要人类操作员的授权。机器人负责执行移动和导航，但最终的行动决策权始终保留在人类手中。这符合目前通行的自动化系统操作规范。
七、Phantom MK-2：即将到来的重大升级
据多家媒体报道，Foundation 正在开发 Phantom MK-2，预计2026年4月发布。相比 MK-1，MK-2 的升级点主要集中在以下几个方面。
首先是防水能力。MK-1 并非防水设计，在雨雪泥泞环境中的可靠性存疑。MK-2 将加入全面的防水处理，使机器人能够在恶劣天气条件下正常工作。
其次是电池容量升级。MK-1 的续航时间估计为2–3小时，这在实际应用中是一个明显的短板。MK-2 将配备更大容量的电池包，显著延长单次充电的工作时间。
第三是负载能力大幅提升。MK-1 的持续负载为20公斤，最大负载为36公斤。MK-2 的目标是将负载能力提升到80公斤，这将极大地扩展机器人的应用场景——80公斤意味着它可以搬运大多数标准物资箱、弹药箱或伤员担架。
第四是电子系统整合。MK-2 将采用更集成化的电子架构，减少内部布线数量，降低短路风险，提高整体系统可靠性。
第五是驱动器升级。MK-2 计划搭载重新设计的摆线驱动器，预计实现30%的负载提升。这可能涉及驱动器尺寸的优化、内部材料的升级或减速比的调整。
用一张时间线图来梳理 Phantom 平台的发展历程：
时间线：Phantom 平台关键里程碑
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
2024.04 Foundation 成立
│
2024.12 收购 Boardwalk Robotics，获得摆线驱动器核心技术
│
2025.02 Phantom MK-1 原型机公开首秀
│
2025.04 首批工业客户试点启动（汽车制造、消费品等）
│
2025.10 Phantom MK-1 正式发布，定位军民两用
│
2025.12 超过 40 台 MK-1 完成制造和交付
│
2026.02 两台 MK-1 被部署到前线执行侦察任务（历史首次）
│
2026.04 Phantom MK-2 计划发布（防水/大电池/80kg负载）
│
2026年底 计划生产 10,000 台
│
2027年底 
