信用风险决策参考 2026-06-17
信用风险决策参考 2026-06-17
分析结论：
总体来看，价格在跳水，意味着供应链在成熟，VLA范式被验证可行，资本在涌入。但数据鸿沟、硬件瓶颈、成本难题，仍然像三道高墙挡在全面普及的路上。对于这个产业，最理性的态度或许不是追逐“人形”的噱头，而是回归一个朴素的问题：这台机器，到底能帮人解决什么实际问题？正如Gartner 研究副总裁高挺所说：“不要纠结长得是不是像人。”比这更重要的，是“有用”。而比价格更重要的，是价值。这场关于生产力而非形态的产业竞速，才刚刚开始。(LEQ)
分析过程：
最近，人形机器人迎来从“奢侈品”到“白菜价”的历史性转折。一年前需要花近百万元排队预购的工程样机，如今在二手网站和拆机市场上，以“5万元一车”的价格打包清仓。单价上，甚至有的比高端旗舰手机都便宜。宇树G1降至8.5万元起，消费级入门款R1 Air仅售2.99万元，而松延动力的Bumi更是跌至9998元，比一台高配iPhone还便宜。与此同时，中国人形机器人的供应链国产化率已突破90%。根据摩根士丹利最新发布的报告，2025年全球出货的13000至16000台人形机器人中，约有90%来自中国制造商。
如果说现在的AI已经开始充当数字世界的生产力，那么迅猛发展的机器人有望成为物理世界的生产力。在产品价格“一日千里”的狂热局面下，一个问题开始浮出：未来是否只需要人形机器人？Gartner的调研数据给出一个冷静的事实：人形机器人的“现实比例”仅为1:60，约98.36%的受访客户仍处于探索阶段，而实际投入部署的仅占1.64%。Gartner研究副总裁高挺表示：“从实用或者理性的角度来说，我们认为未来的机器人未必要和人长得一模一样。”虽然人类世界是按人的体型设计的，但人体结构并不一定是机器人的最佳形态。成功的机器人应该改良人类形态而非简单复制。例如，亚马逊测试的Digit机器人膝盖向后弯曲，能比人更高效地在货架前下蹲；1X的Eve机器人则采用轮式、自平衡底盘，在平坦的室内环境中提高移动效率。高效的机器人外形可以是犬类、轮式或完全根据任务需求设计的全新形态，这些形态通常比人形更稳定、成本更低且速度更快。
从现在已经跑起来的案例看，机器人长什么样其实不是最重要的。不管是仓库里的机械臂，还是汽车工厂里的搬运机器人，真正比较容易落地的场景都有一个特点：环境比较固定。企业最后看的是：这台机器人能不能把活干好，这笔账能不能算得过来，而不是它长得像不像人。高挺总结，现阶段更容易形成投资回报的机器人场景，通常具有三个特点：任务边界清晰、流程可以重复、异常情况相对有限。例如，工业线边物流、仓储搬运和部分服务流程，都可以通过现场改造降低机器人需要处理的复杂度。家庭场景则不同：任务组合更加分散，环境变化更加频繁，而且任何失误都可能直接影响人员安全。因此，家庭机器人不仅需要更强的模型能力，也需要更成熟的工程可靠性和安全机制。
机器人正处于迈向规模化产业化的窗口期，但是真正大规模的产业落地还没有发生。特斯拉曾提出在2025年生产约5000台Optimus的目标。但在2025年第四季度财报发布时，Elon Musk也承认，Optimus在工厂里面只做了一些基础的任务，还没有形成真正意义上的生产力。据悉，特斯拉第三代人形机器人预计年中亮相，要到2026年7-8月才会启动正式投产。在高挺看来，未来2-3年，人形机器人仍难以实现完全大规模商业化。“这些人形机器人可能会继续出现在工厂、仓储、汽车制造等相对固定的环境里，做一些重复性、低复杂性的工作。但更多是试点和小规模部署，而不是全面替代劳动力。相比之下，工业机器人、仓储机器人、服务型机器人以及一些面对特定任务的多功能机器人，这些产品的商业化路径反而更清楚。因为它们的任务边界比较明确，投入产出也更容易计算，安全和流程相对容易控制。”对于想购买机器人的企业，他的建议是：“第一，起点不是‘买一个人形机器人’，而是要从找高价值、低复杂度的任务开始。第二，要把机器人当作一个运营改造项目，而不是单纯的硬件采购。买来本体不能直接落地，还要考虑现场流程、空间布局、IT/OT集成、员工协作等等。第三，先试点、再扩展，从一两个小封闭场景开始，拿到真实的生产力结果后再复制。第四，先考虑成熟的品类，比如AMR、机械臂、协作机器人，然后长期追踪人形机器人的成熟度。”
行业内常有人将当前具身智能的发展阶段类比为大模型早期：技术方向已经逐渐清晰，但规模化能力尚未形成。因为它不仅受到数据和算力约束，还涉及传感器、驱动系统、电源管理和系统可靠性。VLA是通用机器人模型目前比较成熟的技术路线。VLA即Vision-Language-Action，指视觉、语言和动作。其中的“Language”部分，就是来自于大语言模型。它让机器人能够结合环境信息和任务指令，生成相应的动作。目前VLA是最接近工程化落地的通用机器人技术路线之一。它距离像人一样灵活、通用的智能仍有较大差距，但在仓储、制造等边界相对明确的场景中，已经展现出较好的实用价值。未来一段时间，VLA很可能仍然是机器人产业化的主要路线。
如果说模型是机器人的“大脑”，那么灵巧手就是它最重要的“工具”。对于需要操作物体的机器人而言，末端执行器至关重要；在通用操作场景中，灵巧手尤其关键。一些海外高端灵巧手，虽然可以通过高密度的传感器堆叠和复杂的腱绳驱动，在自由度和自适应抓取能力上接近人手，但价格通常较高，动辄几万甚至几十万元，较难大规模部署。部分千元级或开源入门产品降低了使用门槛，但在端部力量输出、耐久性和感知精度等方面仍需进一步验证，现阶段尚难直接替代人工。
今天，机器人行业还面临多项挑战，核心瓶颈之一是高质量数据不足。数据仍然是机器人走向规模化的第一道门槛。大语言模型训练用的是互联网数据，相对容易获得。但训练机器人的真实操作数据，比如遥操数据，需要付出不菲的成本。既然真实数据难拿，能不能用仿真数据替代？这就触及了第二个挑战：模拟与真实的鸿沟。目前NVIDIA正在重点布局仿真和合成数据工具链，通过在虚拟环境中训练、测试和验证机器人，扩大训练数据规模并降低真实世界试错成本。优点是成本低、易规模化。但有一个重要问题：模拟场景和真实世界总有差别。仿真做得再好，和真实世界还是有差别。即便机器人在虚拟引擎中完成了无数次完美的动作映射，一旦面对现实中微小的摩擦力、材质或光影变化，在虚拟环境中学到的控制策略就可能失效。所以，仿真数据很有用，但暂时还不能完全替代真实数据。
