2026年的人形机器人产业,正在经历一次容易被误读的转折。
表面上看,信号高度一致地偏暖:特斯拉Optimus在弗里蒙特启动生产,Figure 03在宝马工厂跑出了可量化的ROI,1X海沃德工厂年产能已达1万台,摩根大通将宇树评级从“低配”连升两级至“增持”。如果只看这些,结论似乎很简单——量产来了,拐点到了。
但把量产节奏、技术路线和数据瓶颈放在同一张时间轴上审视,会看到一幅更复杂、也更诚实的图景:硬件的量产节点已经基本落定,但决定机器人能否“把活干好”的智能层,仍处在多条路线并行、胜负未分的“前GPT时代” 。两者之间的时间差,才是理解这一阶段产业真实状态的关键。
一、量产是真的,但“量产”本身的含义在分化
2026年被称为“量产元年”,这个判断在出货数据上是有支撑的。工信部数据显示,2026年上半年中国人形机器人产量超过4万台,全年预计突破10万台;全球上半年出货量接近2.5万台,中国厂商占据超97%的份额。
但“量产”在几家头部公司身上指向的是完全不同的东西。
特斯拉的路径最保守,也最诚实。Optimus Gen 3于2026年1月在弗里蒙特工厂启动量产,产线由原本生产Model S和Model X的厂房改造而来。然而在第三季度业绩会上,特斯拉给出的对外销售前产量指引仅为1万至2万台,量产被明确定义为“渐进式”,外部商业付运的目标时间点在2027年底左右。马斯克用“S曲线”来描述制造爬坡——最慢的那个零部件决定整体节奏,而灵巧手仍然是那个最慢的环节。特斯拉的量产,首先服务于自家工厂内部的部署和数据采集,而非外部订单。
Figure的节奏更快,且已经拿出了可验证的ROI证据。Figure 03在宝马美国斯帕坦堡工厂运行了11个月,参与超过3万辆车的产线,任务准确率达到99%,这是业内第一个在真实汽车工厂跑出规模ROI的案例。截至2026年4月底,Figure已交付350台Figure 03,生产速度提升至每小时一台,终端首通良率超过80%。它的“量产”指向的是真实产线中的持续运行,而不只是下线数量。
1X则走了一条产能先行、场景后置的路线。海沃德工厂年产能已达1万台,圣卡洛斯工厂投产后,2027年底前年产能目标提升至10万台以上。但它面向的是家庭场景,技术路线的验证周期更长。
量产数字本身不构成结论。真正有区分度的信息是:谁的量产在产出可复用的数据和可验证的订单,谁的产能在等待一个尚未到来的需求。 特斯拉和Figure的量产在“产出数据”,1X的产能在“等待场景”,这是三种不同的时间结构。
二、瓶颈已经从硬件转向数据,而数据的稀缺是结构性的
硬件方案基本定型之后,产业界一个正在形成的共识是:数据采集正在取代硬件,成为人形机器人规模化部署的核心制约。Figure AI首席执行官的表态被反复引用:“阻碍我们从当前阶段走向大规模部署的最大障碍就是数据,我们需要海量数据。”
这个瓶颈的规模可以用两个数字框定。具身智能要达到真正可用,至少需要1000万小时级别的真实场景交互数据;而当前全行业高质量真实物理交互数据总量仅约50万小时,缺口约20倍。野村在年出货量约10万台的情景下估算,行业年度数据需求约达1000万小时。
更关键的是数据的价格分层。野村将训练数据分为四层:无实体数据(第一视角视频、UMI等)单价约100—300元/小时;真机遥操作数据单价约500—1000元/小时,是单价最高、价值最大的类别;故障恢复数据约400—500元/小时,但多数厂商尚未打通部署反馈闭环,占比仍处低个位数;仿真/合成数据成本最低,约50元/万帧。底部廉价合成、顶部稀缺真机的分层结构,意味着仿真可以解决广度,但解决深度和可靠性的仍然是真机数据。
还有一个容易被忽略的细节:数据采集的“名义时长”和“有效时长”之间存在巨大损耗。天风专家会曾透露,一天佩戴设备采集八小时,筛选后真正可用的数据可能只有一两个小时。这意味着即便采集端的硬件和人力投入到位,有效数据的产出效率仍然是一个独立的约束变量。
三、智能层处在“前GPT时代”,三条路线没有一个已经收敛
数据之所以成为瓶颈,是因为它服务于一个尚未收敛的目标:具身模型到底应该长什么样。
广发证券在2026年10月的报告中给出了一个被广泛引用的判断:当前具身模型处于类似2017年大模型“前GPT时代”的状态——多路线并行、胜负未分、迷雾中前行。三条主要路线各有明确的短板:
大小脑分层成熟度最高,特定任务和特定场景落地最快,但能力上限低、泛化能力弱。VLA(视觉—语言—动作模型) 是当前的主流布局路线,重构了动作表达与动作生成,但长时任务和分布外场景仍然是短板;它跳过环境认知建模,面对训练数据未覆盖的新场景时泛化能力显著下降。世界模型最接近“理解物理世界”的远期形态,但尚处早期,概念本身都尚未统一。
路线收敛需要两块基石,而目前一块都还没有到位。第一块是“三大要素”:数据墙(缺乏海量标准化数据)、表征墙(缺乏类似“预测下一个词”的统一任务目标)、闭环墙(物理试错代价高、反馈慢、缺少统一评测标尺)。第二块是类似Scaling Law的收敛法则——大模型是在满足前述条件后才开始收敛的,而具身模型领域迄今尚未出现可验证的类Scaling Law,这意味着“路线正确性无从验证,产业只能多线分散试错”。
这一判断的实践含义是:在模型层,当前的竞争不是“谁更接近终点”,而是“谁在多条路线上的试错效率更高、成本更低” 。优必选、宇树、银河通用都选择了多线并行的策略,Figure聚焦VLA分层路线但在系统架构上做了精细切分,Physical Intelligence则坚持VLA路线迭代π0.7。没有一家有足够的理由押注单一路线并宣称已经找到答案。
四、训练成本在下降,但“降本”和“能干”之间隔着Sim-to-Real
一个容易被过度解读的积极信号是训练成本的骤降。伯克利SuperMimic的研究显示,原本需要128块GPU运行一周的全身运动控制训练,现在单块H100运行3小时即可完成,算力消耗压缩逾1000倍。遥操作数据的采集成本也从2024年的约340美元/小时降至2026年的约118美元/小时。
但这里需要做一个严谨的限定:上述1000倍的压缩,比较的是特定运动控制任务的训练计算量,不直接等同于整台机器人的算力需求下降,更不能外推到复杂操作任务。 该研究主要涉及平地上的身体运动,没有解决物体操作问题。
仿真路线本身也有明确的边界。用NVIDIA Isaac Sim和PhysX 5训练一只16自由度的Allegro机械手,即便经过专门的sim-to-real优化,实机成功率与仿真之间平均仍差8.3%。在更接近真实场景的评测中,机器人操控在仿真环境中的成功率可达89.4%,但在真实家庭场景中骤降至12.4%——77个百分点的“仿真到现实迁移鸿沟”,是仿真数据无法单独替代真机数据的根本原因。
当前最务实的路线是混合:以仿真承担广度和稀有场景的覆盖,以真机遥操作数据攻坚最难、最高价值的部分。2026年的实践表明,40%的合成数据在留出任务上可以匹配100%真机数据训练的策略效果,企业级试点在数据和训练阶段的预算已降至5万至15万美元区间。训练成本在下降,这是事实;但成本下降打开的是更多玩家可以入场的门,而不是现有玩家已经解决了泛化问题的门。
五、摩根大通的上调,本质上是一次“时间窗口”的重定价,而非“收入曲线”的重定价
回到文章开头那个最显眼的信号。摩根大通将宇树评级上调的核心触发因素,是王兴兴将物理AI的突破预期从“最长10年”缩短至“2—3年,甚至1—2年”。分析师据此认为行业销售S曲线可能前移,已部署机器人的数据、测试和开发者价值需要被重新定价。
但仔细看销量预测的调整方式,会发现一个关键细节:2026年销量预测基本没有变化(约1.42万台),2027年从约2.62万台上调至3.17万台,2028年则从约4.16万台大幅上调至11.16万台。上修的绝大部分集中在2028年及之后,而不是当下。
摩根大通自己的风险提示也指向同一方向:企业采用速度低于预期、试点项目无法转化为重复订单,是核心风险;宇树后续需要证明的是“重复订单、灵巧操作可靠性、安全表现和生态变现能力”。
这意味着,评级上调定价的是“如果突破在2—3年内发生,那么2028年的销量曲线会比此前假设陡峭得多”这一情景,而不是“订单已经在加速”这一事实。时间窗口的前移改变了远期折现的假设,但不改变近期收入仍然由试点和小批量部署构成的现实。
结论:需要区分两件事
2026年的人形机器人产业,同时存在两条速度不同的时间线。
硬件和产能的时间线在加速:工厂在建成,产线在爬坡,出货数字在翻倍,供应链的规模化能力在以可见的速度成熟。智能和数据的时间线仍然缓慢且高度不确定:模型路线未收敛,数据的结构性缺口以20倍计,Sim-to-Real的鸿沟在真实场景中仍然巨大,灵巧手的可靠性离“连续数千小时替代人工”还有距离。
两条时间线之间的时间差,决定了当前阶段的产业性质:这是一个“身体已经就位、大脑仍在学步”的阶段。量产的意义在于为大脑的学习提供足够多的身体和足够丰富的真实场景,而不是大脑已经学会了。
因此,对产业信号的解读需要做一次严格的分层:“突破时间窗口提前”和“收入曲线提前”不是同一件事。前者改变的是远期估值的锚,后者需要的是重复订单、灵巧操作可靠性和安全表现的持续验证。把前者当作后者来交易,恰恰是这一阶段最需要警惕的认知错位。真正值得跟踪的,不是哪家公司又上调了目标价,而是真机有效数据的产出效率、灵巧手在真实产线中的连续运行时长,以及试点项目转化为重复订单的比例——这三个指标,才是两条时间线开始收窄的证据。
热门跟贴