2026世界机器人大会近日收官，相较于去年各家扎堆展示运动能力的热闹，今年的行业风向出现了本质转向：比起 “走得稳、翻得快”，所有人更关心机器人能不能真正干活、能不能逼近人类的生产效率、能不能跑出商业闭环。

毕竟，生产力才是检验机器人价值的核心标准。

摩根士丹利近期发布一份来自世界机器人大会现场的一线调研报告，覆盖了极智嘉、优必选、灵翼思创、千顾科技等十余家头部整机与核心部件企业，完整拆解了当前人形机器人产业的落地进度、技术迭代方向与核心瓶颈。

Part.01

落地现状：广度先于深度

大摩认为，当前人形机器人的渗透正处于 “客户广度扩张先于部署深度” 的阶段。

一方面，玩家的客户池正在快速扩大，集成商的平均客户数量从今年年初的 10 家左右增长到了几十家，并且已经出现复购订单 —— 比如优必选在 2025 年底给富士康做首次部署后，今年已经拿到了复购。但另一方面，单个客户的部署量普遍还在几十台的量级，距离真正的大规模量产落地还有明显差距。

从落地场景来看，半结构化环境是当前最成熟的落地方向。这类场景既有一定的环境变化、SKU 多样性，是传统工业自动化覆盖不到的空白，同时复杂度又相对可控，刚好匹配当前机器人的能力边界。其中物流场景走在最前面，包括分拣、料箱处理、拣选打包等环节，比如 Galaxea 的方案可以覆盖上万种 SKU 和陌生物体，作业速度能达到人类的 70%-80%；优必选今年的工业交付也集中在拆垛、物料搬运场景，拆垛效率已经能达到产线要求的 60%-80%。

除了人形机器人，给传统工业机器人装上 “眼睛和大脑” 的物理 AI 方案，也在快速渗透。比如梅卡曼德的标准化 3D 视觉 + AI 算法 + 末端执行器方案，2025 年出货量已经达到 1 万台，2026 年一季度收入同比增长约 70%，上半年订单也保持同等增速，客户覆盖了全球主流的汽车、电子、电池厂商。这意味着，机器人智能化的红利不只会体现在新的人形平台上，传统自动化的智能化升级同样是广阔的市场。

四足机器人则找到了更清晰的产品定位，正在巡检、安防、消防、钢铁、油气等场景实现规模化部署。这类场景对移动能力和可靠性要求高，对复杂操作要求低，非常契合四足机器人的优势。以宇树科技为例，2026 年上半年收入同比增长超过 100%，全年工业级四足出货目标是 1 万台，而 2025 年这个数字是 3000 台。

至于家用场景，虽然今年展示的洗衣折叠、清洁、日常物品操作等功能比去年丰富很多，但行业普遍认为家用人形机器人的落地还很遥远。家庭环境对数据多样性的价值很大，但商业价值、效率、安全等问题都需要时间解决，短期内更先落地的可能是 AI 宠物、桌面机器人、自动餐饮工作站这类形态。

Part.02

灵巧手：三条技术路线并行

今年大会的另一个明显变化，是行业的关注点从下肢运动转向了上肢操作，灵巧手成为了新的竞争焦点。毕竟机器人要真正替代人力，最终要落到 “用手干活” 上。不过目前灵巧手的应用还集中在特定高灵活性场景，在标准化的工业任务里，传统夹爪依然占据主导地位。

从技术路线来看，不同架构的灵巧手对应着不同的价格带和应用场景，未来大概率会长期共存，而非谁替代谁。第一种是连杆式低自由度灵巧手，代表如灵科，单价只要 3000-6000 元。它的自由度不高，但可靠性好、成本低，非常适合柔性装配、插拔、拧螺丝、多 SKU 搬运等工业场景，也是目前最有希望率先规模化的路线。第二种是直驱式高自由度灵巧手，单价在 2 万 - 5 万元。

它的自由度更高、控制更精细，但成本高、发热量大、集成复杂度高，连续运行的可靠性也有待验证，目前更适合高端人形机器人和研发场景。第三种是腱驱动灵巧手，单价高达 9 万 - 10 万元。它的灵活度最接近人手，能完成最复杂的操作，但寿命短、成本高，是制约其工业规模化应用的核心障碍，目前渗透率还很低。

整体来看，灵巧手的核心瓶颈依然集中在四个方面：

一是可靠性不足，实验室里能做到百万次抓取，但最长连续开机测试还不到 6 个月，长时间使用会出现故障、需要反复校准、精度下降，传动部件还容易过热甚至损坏。

二是数据与控制难度大，精细操作需要视觉、关节、力、触觉数据的精准同步，不同手型、不同架构之间的数据很难通用。

三是成本随自由度指数级上升，在对 ROI 敏感的工业场景里，高自由度方案很难证明自己的性价比。

四是客户现场的部署数据不一定能全部回收用于训练，限制了模型的持续迭代。

Part.03

机器人的“GPT 时刻”：2028年见分晓

大模型给机器人带来的泛化能力，是这波产业浪潮的核心想象力所在。

目前行业内没有哪一种模型架构被公认为终极方案，VLA 视觉语言动作模型、世界模型、强化学习三者融合，是当前的主流技术路径。简单来说，这套体系分为三层：VLA 模型负责理解语言指令、识别物体、理解任务上下文，生成动作规划；世界模型负责映射物理动力学规律、预测动作结果，优化动作方案；强化学习和后训练模型则负责提升特定任务的准确率和效率，把通用能力转化为稳定可靠的执行能力。

预训练技术的成熟，大大降低了学习新任务的边际成本。以前一个新的应用场景，往往需要 6-12 个月的专项训练；现在有了更好的基础模型，相对简单的任务只需要几十小时的增量数据就能适配。优必选就提到，在搭建了端到端架构和数据流水线之后，垂直场景模型的开发和迁移速度明显加快。

也正因为如此，行业里越来越多人认为，“新任务适配时间” 和 “新任务所需数据量”，比单纯的跑分更能衡量一个具身模型的好坏。

对于市场热议的机器人 “GPT 时刻”，多家企业给出的时间点是 18-24 个月后，也就是大约 2028 年。行业对这个里程碑的定义非常明确：陌生任务的零样本成功率达到 70%-80%；只需要少量后训练就能达到接近生产级的性能；支持长流程的连续执行，而不是孤立的单个动作；对动态干扰和随机环境有很强的鲁棒性；每个新任务需要的增量数据和工程工作量大幅下降。

大摩认为这个时间点偏乐观，但核心的观察方向是对的：重点要跟踪 “机器人的缩放定律” 是否成立，也就是数据规模的增长能不能持续转化为泛化能力的提升。

同时也要注意，和大语言模型一样，模型架构本身很难成为持久的护城河，技术还在快速迭代，比如 Dexforce 在做 3D 潜空间世界模型而非视频生成，Al Robotics 在探索 Transformer 之外的架构，比如用脉冲神经网络降低端侧算力和延迟。

Part.04

数据瓶颈：从拼时长到拼质量

数据一直是行业公认的最大瓶颈，但现在这个瓶颈的内涵已经变了：原始数据的时长已经越来越不是衡量能力的核心指标，行业的关注点正在转向数据多样性、数据筛选质量、跨机体迁移能力，以及数据提升任务性能的效率。

首先，不同任务对数据的需求天差地别，形成了一座 “数据金字塔”：运动性能类任务重度依赖仿真数据，移动抓取摆放类任务更多需要实体数据，家用任务则更多依赖遥操作数据。这也意味着，数据的配方和场景覆盖度，比笼统的 “多少万小时” 更有价值。

其次，数据质量的差异非常大。比如 Galbot 内部采集的遥操作数据，可用率能达到 80% 左右；而廉价的外包实体数据，筛选后的可用率可能不到 10%。千顾科技就认为，同一场景的数据在几小时后就会变得高度冗余，任务多样性的价值远高于物体多样性和环境多样性。

这也引出了一个越来越重要的指标：数据产出率，也就是原始数据转化为可用训练数据的比例。优必选今年的目标是 100 万小时可用数据，但估计需要采集 400 万小时的原始数据，产出率大约是 25%。目前百万小时级的数据集已经成为头部公司的标配，大家的下一个目标都是千万小时级。

更长期来看，真实部署产生的数据才是真正的护城河。因为真实场景里会出现各种各样的失败、人工干预、边缘案例，这些都是预训练和仿真阶段很难提前覆盖到的。但也不是铺的机器越多数据优势就越大，数据权属、场景的多样性、数据反馈的速度，才决定了部署数据能给模型带来多大提升。

针对企业担心的数据安全问题，分布式训练也成为了新的探索方向：客户数据留在本地，训练在现场完成，只把优化后的模型回传中心，这样即使原始数据不能出厂，也能实现模型的持续学习。

Part.05

算力与硬件：考核标准彻底重构

算力层面，训练算力正在跟随数据规模同步增长，而非独立的技术竞赛。目前头部玩家基本都已经运行在千卡级的算力规模上，未来 3-5 年的目标普遍是万卡级。比如优必选已经拿下了千卡级的云端训练资源，未来 3-5 年目标是万卡级；Galbot 同样处于千卡级，预计算力会和数据、模型参数规模同比增长，2028 年可能达到 10 万卡规模。

国产算力也正在实现从 0 到 1 的突破。虽然目前几乎所有集成商的主力算力还是来自海外芯片，性能差距也依然明显，有业内人士称 1 颗英伟达芯片的能力大概抵 4 颗国产芯片，但国产替代的进展已经在实质性推进。

端侧算力则成为了新的垂直整合方向。目前人形机器人普遍用 Orin、Thor 这类车规芯片，但这类芯片并不是专门为人形机器人设计的，存在很多冗余功能。随着模型越来越大、上下文越来越长、多模态传感器输入越来越多，对内存带宽、数据搬运、延迟、功耗的要求也越来越高，头部玩家开始布局人形专用的端侧芯片，希望降低功耗、内存需求和推理延迟，摆脱对通用车规 GPU 的依赖。比如优必选就和沐曦合作开发人形专用芯片，预计 2-3 年后落地；Galbot 也在探索存算一体和国产端侧芯片方案。

硬件层面的变化更加深刻：基础运动能力已经足够支撑演示，真正的挑战变成了整套系统能不能在生产强度下稳定可靠地运行。可靠性、电池续航、关节散热，是当前最突出的问题 —— 模型知道该做什么，但物理系统没法高效、重复地执行。

工业部署更是把硬件的门槛拉得更高。优必选提到，一些大型制造客户要求，如果机器人导致产线停机，需要进行赔偿。这意味着，一旦机器人嵌入生产体系，一次故障造成的损失，可能远大于机器人本身的价值。

因此，硬件的考核指标已经彻底重构，核心变成了：连续运行可靠性，包括开机率、故障率、校准漂移、恢复时间；散热与能效，关节输出和端侧计算带来的发热增加，电池续航依然有限；重量与系统集成，不能靠不断堆料来提升性能；感知与末端执行器的耐用性。

降本和提效的方向也很清晰：新材料方面，越来越多公司用镁合金、金属粉末注射成型、碳纤维替代传统材料，优化重量性能比；灵科就用 PEEK 材料替代传统塑料，做易磨损、高温的传动部件，提升耐用性和耐热性。制造与设计方面，硬件设计越来越集成化、模块化、标准化，比如灵翼思创推动电池、关节等关键模块的标准化，预计能减少 10%-20% 的重复研发成本，简化结构设计还能再降 10%-15% 的制造成本。

Part.06

投资主线：量产能力是核心护城河

大摩认为，随着机器人产业从演示验证走向小规模部署，产业链的受益逻辑也在发生变化。对于零部件供应商来说，竞争门槛已经从最初的 “能不能通过产品认证”，升级为 “可靠性够不够、一致性好不好、良率高不高、能不能规模化生产、有没有成本优势”。在这个阶段，已经具备成熟大规模制造能力的零部件龙头，会率先受益。

基于这一逻辑，大摩看好具备量产能力的核心零部件厂商，包括谐波减速器龙头绿的谐波、液压龙头恒立液压、齿轮传动龙头双环传动。

整机端虽然还处于早期阶段，但头部公司的增长目标已经非常激进：极智嘉未来三年具身产品累计出货目标 1 万台，其中三分之二是轮式人形 Gino，三分之一是机械臂工作站；优必选 2026 年目标出货约 1 万台，2027 年目标 2 万 - 4 万台；灵科灵巧手今年目标约 2 万只，相比 2025 年的 1 万只翻倍；

AP 机器人 2026 年目标收入约 5 亿元，出货数千台，2027 年规划产能 3 万台；Dexforce2026 年目标收入 2.5 亿 - 3 亿元，而 2025 年是 6000 万元；千顾科技 2026-2028 年收入复合增速目标约 50%；宇树科技 2026 年工业级四足目标出货 1 万台。

整体来看，2026 年的人形机器人产业，已经跨过了概念验证的阶段，正式进入了生产力验证的关键期。接下来的 1-2 年，会是行业洗牌和格局定型的重要窗口：谁能先解决可靠性问题、把成本降到合理区间、跑出可复制的商业 ROI，谁就能在接下来的规模化浪潮中占据先机。

本文源自：智通财经APP