根据野村的数据，工厂场景中的机器人任务成功率目前约为 60%，而真正进入生产系统需要 98% 以上。差距依然很大。但产业叙事也正在发生改变：新任务所需的示范次数已经从几十次甚至上百次降到一至两次；SuperMimic 用一张 H100 训练三小时，超过了一个用 128 张 GPU 训练七天的基线方法，计算量下降超过 1,000 倍。
所以野村认为，机器人还没有迎来自己的 ChatGPT 时刻。它正在接近一个更早、也更关键的节点——2012 年的 AlexNet 时刻。
实验室中的能力涌现已经出现，但还不足以支撑大规模生产。下一阶段的竞争也不再只是“谁能造出更像人的机器人”，而是谁能同时控制四个变量：前沿模型、可扩展数据、真实部署，以及高度一致的硬件。
市场习惯把具身智能理解为一场硬件竞赛，但其实模型先决定机器人能做什么，数据决定能力能否扩展，最后才由制造决定这种能力能否复制到每一台机器上。
真正的拐点不是 Demo，而是可靠性
机器人已经会做很多事。问题是，它还不能持续把这些事做好。
Generalist AI 的 GEN-1.5 据称只需观看一段 3-12 秒的演示，就能尝试一项新任务，十项测试的零额外训练成功率为 59%；补充五分钟数据后，成功率升至 83%。蚂蚁集团机器人团队 Robbyant 的 Zero-WAM 在七项未见任务的仿真测试中达到 47.0%，较可比模型高出 29.5 个百分点。
这些数字证明了泛化能力的存在。它们没有证明泛化能力已经可用。
当前最好的机器人仍只能在无人干预下工作数小时，而工厂需要接近一周。Gemini Robotics 2 搭配 Apollo 2 机器人和 Sharpa Wave 灵巧手后，扎垃圾袋的成功率为 44%，把垃圾扫进簸箕的成功率只有 32%。跨本体适配同样不够顺滑：Google 的模型适配一款新机器人约需七至八小时，速度较快的中国厂商仍需约两周。
这解释了 60% 与 98% 之间的鸿沟。前者可以产生一段令人印象深刻的视频，后者才能进入企业的运营预算。Demo 衡量的是能力上限，商业化衡量的是失败下限。
所以野村把机器人“大脑”放在 GPT-2 之前，下一轮模型可能把行业推近 GPT-2，但不会直接把机器人送进规模化生产。工厂准确率与工业要求之间的差距仍需三至五年才能弥合。
模型竞争正在重新分层
早期 VLA（Vision-Language-Action，视觉-语言-动作）模型解决的是“看见什么、听懂什么、应该怎么动”。世界模型要解决的是下一层问题：如果机器人这样动，物理世界随后会发生什么。
这不是语义理解的简单延伸。机器人需要学习重力、惯性、接触、摩擦和物体形变。一个只知道“杯子是什么”的模型，不一定知道握得太松会滑落、握得太紧会破裂。语言模型预测下一个词，世界模型预测下一帧，以及动作之后的结果。
体量较小的 VLA 与强化学习控制器运行在机器人本体，负责实时决策；参数更大、计算量更高的世界模型运行在云端，负责训练、仿真和数据生成。前者要求低延迟，后者要求规模。
这套架构会把优势推向两类公司。
第一类是 OpenAI、Google、ByteDance 等前沿 AI 实验室。它们掌握最大的算力池、最密集的模型人才和最成熟的预训练管线。野村的产业调研显示，美国工程师平均可用算力超过中国同行十倍，而 ByteDance 是中国机器人领域算力最充足的公司。OpenAI 可能在 12 月至次年 1 月发布面向 Physical AI 的模型，其他头部实验室也可能在随后数月跟进。
第二类是 Tesla。它未必拥有最通用的基础模型，但拥有实验室最缺少的东西：在役机器人、工厂场景和闭环数据。Tesla 已把仿真、世界模型、数据筛选、工厂测试和自动充电串成一条链路，机器人完成一套无监督工厂流程的成功率约为 97%。这个数字来自产业调研，仍需谨慎看待；但它说明了垂直整合的价值——模型能力可以直接进入真实场景，再由真实场景反向训练模型。
机器人“大脑”创业公司的位置因此变得尴尬，它们既要与前沿实验室争夺算力和人才，又要与整机厂争夺真实数据。如果基础模型能力继续向通用平台集中，独立“机器人脑”的商业模式可能先于技术路线发生变化。
数据才是最窄的瓶颈
大语言模型拥有互联网，机器人没有。
机器人能力出现涌现，可能需要约 100 万小时一致格式的可用数据；行业真正起步可能需要 1,000 万小时；长期训练需求可能超过 1 亿小时。当前行业库存只有数百万小时，严格按照统一格式计算的高质量数据可能仅约 10 万小时。
差异来自统计口径，也暴露了同一个问题：录制时间不等于可用数据。宇树每录制四小时，最终大约只有一小时能够进入训练。数据质量不是清洗环节的问题，而是机器人训练的第一性约束。
传统真机遥操作每小时成本约为人民币 500-1,000 元，典型值约 700 元，而且数据往往绑定特定本体。为双足机器人采集的动作，换到轮式平台后可能无法直接复用。仿真数据每小时约 120 元，成本最低，但对真实感知任务的覆盖有限。UMI 手持设备约为每小时人民币 100-300 元，第一视角人类视频约为 300-350 元。
成本曲线已经给出了方向。第一视角视频正在成为机器人时代最接近互联网文本的数据形态。
野村调研到的典型数据组合是 60% 第一视角视频、30% UMI、10% 真机数据。NVIDIA 的 EgoScale 采用相似路线：先用超过 21,000 小时的人类第一视角日常视频预训练，再用少量遥操作和动作捕捉数据微调。视频可以跨机器人代际复用；真机遥操作不行。
如果第一视角视频被证明存在稳定的 Scaling Law，竞争会再次向前沿实验室倾斜。它们不只拥有更多算力，也更擅长把非结构化视频转化为可训练的数据管线。遥操作数据工厂仍会增长，但其长期议价能力可能弱于市场当前预期。
数据飞轮启动后，硬件价值会重新分配
预训练让机器人学会一般能力，真实部署决定它能否继续进化。
机器人进入工厂后，每一次成功和失败都会产生数据；更多数据提高模型能力；更好的模型推动更多部署。这是具身智能真正的数据飞轮。Tesla 计划在 2026 年底前通过约 10,000 台内部训练机器人积累 100 万小时可用数据。中国七家头部快递企业 2026 年预计采购的人形机器人合计不足 500 台，2027 年约为 1,000 台。部署规模的差异最终会转化为数据差异。
模型进步首先重估的硬件，可能不是整机，而是灵巧手。
机器人长期使用二指或三指夹爪，不是因为夹爪足够好，而是五指灵巧手需要的数据太多。基础模型一旦能够把简单夹爪学到的能力迁移到五指手，硬件复杂度将不再完全等同于训练难度。野村预计，2026 年灵巧手出货量同比增长 80%-120%，30%-50% 的工厂夹爪可能在年内被替换，高自由度产品将成为主要增量。
随后发生的会是整机收敛。模型路线尚未确定时，硬件可以百花齐放；软件范式稳定后，机器人形态会逐步集中到少数标准方案。野村把它称为硬件的“iPhone 时刻”。
这里的核心不是外观，而是一致性。一台人形机器人拥有 20 个以上关节。不同批次之间只要存在轻微的摩擦、刚度或响应差异，在一台机器上训练出的策略就可能无法稳定迁移到另一台。制造一致性因此同时决定产品良率和数据复用率。
大规模生产后，1.7 米人形机器人的合理成本约为人民币 15 万-20 万元，1.3 米机器人约为 3 万-4 万元；执行器占零部件成本的 50%-75%。在这个阶段，价值会向两端集中：一端是拥有模型与数据闭环的平台，另一端是能以稳定良率交付标准化硬件的整机厂和核心零部件供应商。
野村认为，随着出货规模提升，宇树能提高外部采购比例，以降低成本并稳定质量。自研能力仍然重要，但“所有零部件都自己做”未必是规模化阶段的最优解。
知识星球
AI产业交流
