全球机器人行业研究纪要关键要点总结 一、涉及行业与公司 - 行业覆盖全球机器人行业，聚焦人形机器人、机器人大脑（具身AI）、数据采集、灵巧手及核心零部件，报告由野村证券全球市场研究部于2026年10月23日发布[4] - 重点提及公司包括：NVIDIA（未评级）、Tesla（未评级）、OpenAI（未上市）、字节跳动（未上市）、DeepSeek（未上市）、Google（未评级）、Unitree宇树科技（688836 CH，买入）、蚂蚁集团旗下Robbyant（未上市）、Generalist AI（未上市）、Skild AI（未上市）、World Labs、Robotera（未上市）、Jianzhi（未上市）、ATARA（未上市）、Sharpa（未上市）、DJI Livox、RealSense、Orbbec等[1][7][10][11][16][24][31] 二、核心观点与论据 （一）机器人正复刻大语言模型发展路径，"ChatGPT时刻"渐近 - 机器人训练遵循与LLM相同的三阶段：大规模数据广泛预训练、针对特定任务微调、通过强化学习试错改进[1][5] - 行业调研显示机器人情绪转暖有两大原因：一是在足够动作反馈数据训练后精度水平急剧跃升，类似LLM的突变式跃迁；二是机器人两年内达到相当于L2+辅助驾驶水平的可能性上升[1] - 当前机器人大脑尚未达到GPT-2阶段，实验室已现涌现早期迹象但无模型可靠到可实际工作，可比作2012年AlexNet时刻[5] - 2026年12月至2027年1月发布的模型将更接近GPT-2水平——有前景但未准备好量产[5] - 宇树创始人王兴兴2026年10月22日表示物理AI已显现突破早期迹象，突破可能在1至2年或2至3年内到来，并称几乎所有人包括他自己都持续低估AI[5] - OpenAI CEO Sam Altman向《财富》表示预计2027年出现OpenAI机器人的"酷炫演示"，数年后机器人将走上街头[5] - 突破预计来自大型AI实验室和Tesla，而非机器人大脑初创公司[1][10] （二）模型架构演进：VLA、世界模型与强化学习三足鼎立 - 三类模型竞争成为机器人大脑：VLA（视觉-语言-动作）模型看场景、接受指令并输出动作路径；世界模型预测机器人行动后的结果；仿真中的RL通过物理模拟器试错训练动作[8] - 按李飞飞（World Labs联合创始人）框架，世界模型分为三部分：生成图像的渲染器（如Sora等视频生成器）、预测物理变化的模拟器、决定下一步行动的规划器（VLA扮演的角色）[8] - NVIDIA科学家认为早期VLA模型如π0和GR00T大部分容量花在语言上，知道物体是什么但不知道如何运动；其WAM（世界-动作模型）改用视频生成作为物理引擎，逐帧预测可教授重力、浮力和光照，一步预测下一步发生什么及机器人该做什么，无需额外训练即可处理新场景[9] - Dream Dojo（可泛化基础世界模型）工作更进一步，用视频模型替代物理引擎，使机器人可同时在多个模拟世界中练习[9] - 机器人本体上最小模型胜出：板载VLA模型有2-7B参数，需要约人民币3万至4万元的芯片和存储；世界模型重得多，World Labs的Atlas为100-200B参数，Robotera表示生成完整视频的世界模型需3至10倍算力运行，精简版需多30-100%[9] - 预计到2027F世界模型在云端运行用于训练机器人和生成数据，而紧凑的VLA和RL模型在机器人上运行[9] - 模型架构从VLA（下一token动作预测）升级为WAM（联合解码未来视频帧和电机指令，先想象世界如何演变再行动），对应LLM从语言建模到世界建模的升级[6] - 数据扩展从昂贵的遥操作转向可穿戴设备加第一人称人类视频，建立灵巧性的神经缩放定律，对应互联网规模语料库[6] - 仿真/RL环境从经典物理引擎转向神经模拟器，学习的世界模型替代手写物理，加速RL推演，对应合成数据/自我对弈[6] - 后训练/微调从基础模型全量微调转向双层微调，轻量RL策略位于VLA/WAM基础之上，实现实时亚毫米修正而无需全模型微调，对应RLHF/LoRA式轻量后训练[6] （三）GPT-3式少样本学习已现但局限于实验室 - Generalist AI于2026年8月20日表示其GEN-1.5模型可从单次3至12秒演示中学习任务，无额外训练时在十项测试中成功率59%，用五分钟数据短暂补充后升至83%[7] - Skild AI于2026年8月31日发布S1，称机器人可通过观看人类做同样事情的视频学习长达十分钟的任务如煮咖啡，但未给出成功率；其CEO Deepak Pathak表示S1尚未完全准备好进入家庭，机器人尚未迎来ChatGPT时刻[7] - 蚂蚁集团旗下Robbyant在2026年8月论文中称其Zero-WAM（世界动作模型）在仿真中七个从未见过的任务上成功率47.0%，比最佳可比模型高29.5个百分点[7] - 行业调研显示教机器人新任务现在只需一两次演示而非数十或数百次，但三项结果均来自公司自身且均为短任务或模拟任务，GPT-3式学习原则上已到来但尚不可靠，因此仍将机器人定位在GPT-2之前或处于GPT-2水平[7] （四）数据是决定性因素，视频数据成为主流 - 数据是最稀缺投入，行业正转向视频填补缺口；机器人没有互联网可学习，遥操作昂贵缓慢且每种设置只能记录一定量数据[2][15] - "涌现时刻"粗略门槛约100万小时数据（约一个人一生），而目前以一种一致格式收集的可用数据仅约10万小时；领先公司仅有数十万小时优质数据，Tesla的Optimus刚超过50万小时[15] - 行业调研显示训练需要1000万小时起步、长期需超过1亿小时，而行业库存仅低数百万小时；Unitree仅约四分之一录制时间可用，即每四小时录制对应一可用小时[15] - 数据采集四种主要方式：真实机器人遥操作约人民币700元/小时（行业调研500-1000元），但数据仅适用于特定机器人设计；UMI手持夹爪约100-300元/小时但妨碍正常工作、订单小且定制化；Ego第一人称视频约300-350元/小时，因是摄像头素材可跨机器人代际使用；仿真最便宜约120元/小时，但在真实世界感知任务中数据占比不超过20%[16] - 2026F中国数据采集市场约人民币40-50亿元：真实机器人遥操作约24亿元最多，其次Ego视频和UMI约13亿元，仿真约6亿元，失败恢复数据约3亿元；按采集小时数Ego和UMI占约45%、遥操作30%、失败恢复15%、仿真10%[16] - 预计12-24个月内价格下降，因20多个城市级数据工厂和海外众包扩大规模[16] - 行业典型数据组合为60% Ego视频、30% UMI、10%真实机器人数据，采集套件定为两个头部摄像头加腕部摄像头[19] - NVIDIA的EgoScale先在超过21,000小时日常第一人称视频上训练，再用少量遥操作和动作捕捉数据微调；手部操作中更多训练算力带来稳定可预测的提升，即驱动LLM的同一缩放定律[19] - 有公司正构建从真实场景3D和4D扫描（3DGS/4DGS高斯泼溅）创建训练数据的平台，减少对外包采集依赖；中国企业做法不同，Robotera称行业平均为60%仿真、25%真实机器人、15%视频[19] - 若人类视频成为主要来源，驱动LLM的缩放定律将同样适用于视频，拥有最佳数据管道和最多算力者获益最大，支持大型AI实验室的论点，并限制与单一机器人设计绑定的遥操作数据的长期价值[19] （五）训练成本快速下降，SuperMimic实现超1000倍算力节省 - SuperMimic（CoRL 2026论文，Pieter Abbeel和Koushil Sreenath合著）训练一个学习机器人身体在所有动作中如何运动的模型，使用标准物理模拟器记录，同时在该模型内训练控制器，控制器从短预测序列直接学习而非缓慢试错[2][20] - 在单GPU上训练3小时后击败在128个GPU上训练7天的领先方法，算力减少超过1000倍；测试集上129,514个动作中仅失败25次，而旧方法失败179次；在两GPU上9.8小时后达到零失败[2][20] - 控制器在Unitree G1人形机器人上适用于广泛动作包括杂技，学习模型在动作数据从1小时增至264小时过程中保持准确[2][20] - 分动作组看：侧滚22个动作SONIC失败率100%、SuperMimic 3小时失败2次、9.8小时0次；翻腾44个动作SONIC失败率100%、3小时失败1次、9.8小时0次；舞蹈routine 8个动作SONIC失败率100%、3小时0次；总计129,514个动作SONIC失败179次（失败率0.1%）、SuperMimic 3小时失败25次、9.8小时0次[22] - 三条经验：一是在学习模型而非原始模拟器内训练机器人；二是用一个控制器在更多动作数据上训练而非多个任务特定控制器；三是全身运动方面算力重要性将下降；这使数据和现场部署的机器人更加重要[20] （六）真实ChatGPT时刻需来自工作机器人的数据形成正反馈循环 - 人类视频可覆盖训练第一阶段，但真正ChatGPT时刻是正反馈循环开始转动之时：工作中的机器人产生数据、数据使模型更好、更好模型被更多部署，该循环只有在足够多机器人部署到现场后才有效[23] - Tesla计划到2026E底从约10,000台在自有设施训练的机器人收集100万可用小时；Optimus数据成本从2Q26到3Q26下降约18.1%[23] - 中国部署规模小得多：七大快递公司2026F可能购买不到500台人形机器人，2027F约1,000台；预计正反馈循环首先在一家公司同时拥有机器人和模型的地方开始[23] - OpenAI可能是最大数据买家，2025年9月至2026年8-9月购买约1000万小时数据，约占美国供应70%，DeepMind约占20%即约为OpenAI量的三分之一；其他估计差异达100倍[24] - 中国字节跳动是唯一稳定批量买家，占三家供应商约80%产量，主要用于其视频AI模型[24] - 供应端Jianzhi已用1,000多台设备收集约100万小时，ATARA为OpenAI和DeepMind收集100-200万小时；独立数据采集商约有三年时间继续采集，之后领先机器人和AI公司开始自行采集；中国数据不能销往海外且AI公司依赖自采数据，预计到2027F底数据供应商数量将下降[24] （七）灵巧手率先受益，硬件一致性决定胜者 - 更好的大脑可能首先帮助灵巧手：机器人一直受限于夹爪主要因为训练手所需数据相对有限；更强基础模型应能将两指或三指夹爪学到的技能迁移到五指手，实现量产提升并降低单价[3][26] - 预计2026F手部出货量同比增长80-120%，由高自由度（DOF）手引领；今年30-50%的工厂夹爪将被替代；向领先AI实验室销售特定任务手部数据的初创公司盈利超预期[26][27] - 一旦模型路线确定，人形设计将逐渐收敛为少数标准形态——硬件的"iPhone时刻"；此后难点在于以相同或相似方式制造每一台，人形机器人有20多个关节，若行为略有差异则在一个机器人上训练的控制策略可能只适用于少数其他机器人[3][30] - 胜者将是快速迭代并严格控制成本的制造商，如Unitree、汽车制造商和关键零部件供应商；随着Unitree产量增长预计将更多外包零部件以保持低成本并确保质量[3][30] - 量产合理成本：1.7米机器人人民币15-20万元，1.3米机器人3-4万元；执行器（驱动每个关节的电机和齿轮箱单元）占零部件成本大部分约50-75%[30] - Unitree人形机器人BOM内部设计覆盖80-90%、内部设计加制造约50%、第三方模块10-15%、美国内容占BOM 2-8%（G1基础版）；G1 EDU版美国内容占BOM 10-20%；四足机器人内部设计覆盖约90%、内部设计加制造55-60%、第三方模块5-10%、美国内容1-5%（Go2 Air/Pro）或5-15%（EDU）[31] - 风险：一）产品一致性差、严重依赖数据采集客户订单的机器人OEM可能需求下降；二）大脑初创公司商业模式可能变化[3] （八）三大情景决定硬件走向"安卓模式"还是"特斯拉模式" - 情景A：大型AI实验室攻克物理AI，机器人走安卓手机路线，大脑成为平台、身体成为标准硬件；预计软件路线确定后机器人设计将收敛；DeepSeek和字节跳动已在要求供应商构建定制硬件；AI模型公司更可能购买第三方机器人而非自建[25] - 情景B：Tesla全能模式胜出，价值流向为Tesla组装部件的主要供应商和难以采购的部件制造商[25] - 情景C：标准化利好适配多种机器人的部件制造商，从灵巧手开始随后是其他标准核心部件；预计手部出货量上升、价格下降，因更好AI使机器人从简单夹爪转向五指手[25] （九）算力与人才集中于LLM实验室，中国大脑初创处劣势 - 突破预计来自构建基础模型的大型AI实验室和Tesla，而非机器人大脑初创公司；算力是最明显差距，行业调研显示美国工程师人均算力是中国同行的十倍以上，字节跳动在中国机器人领域算力最多[10] - 预计OpenAI在2026年12月至2027年1月发布为物理AI构建的模型，Google和其他实验室约三个月内发布结果；Google的Gemini Robotics 2于2026年7月30日发布，完成长多步任务成功率高达91.3%，行业调研显示在全身控制方面比中国竞争对手领先约一年[10] - 王兴兴认同前沿模型将驱动跃升，称明年GPT-7可能突破具身AI当前瓶颈，Unitree已在其机器人上测试GPT-6结果非常好[10] - 领先集成玩家可能是突破第二来源：共享实验室的算力和闭环数据优势，并增加其缺乏的自有在用机器人队伍；Tesla运行完整闭环从仿真和世界模型到数据分拣、数据平台和工厂测试，传感器和数据格式基本确定；Tesla机器人在工厂完成无监督例行任务（检查屏幕、取工具、定点任务和自行充电）约97%时间；Tesla在数百万辆汽车的道路视频以及机器人数据和仿真上训练，以通用世界模型为中心[11] - 实验室和Tesla互补：实验室带来通用模型和人才，Tesla带来闭环和车队；胜者将是拥有算力、数据循环和现场机器人者，这使中国机器人大脑初创公司处于劣势[11] （十）五大运营指标定义ChatGPT时刻，当前全面不达标 - 指标一：机器人工作多久需人工介入——最好仍仅几小时，工厂需一周无人值守运行[12] - 指标二：精细手工作业——Gemini Robotics 2在Apollo 2机器人配Sharpa Wave手上系垃圾袋成功率44%、扫入簸箕成功率32%[12] - 指标三：模型适应新机器人本体的速度——Google约需7至8小时，较快的中国玩家约需两周[12] - 指标四：新任务所需演示次数——实验室已降至一两次[12] - 指标五：工厂车间准确率——目前约60%，行业要求98%以上，预计需三至五年缩小差距[12] - 第一和第五项指标最重要，因其决定客户是否从运营预算而非试验预算中支付机器人费用[12] 三、其他重要但可能被忽略的内容 - 报告作者为野村国际（香港）先进制造研究分析师Frank Fan和Donnie Teng，生产完成时间2026年10月23日12:11 UTC[4] - 2026F中国数据采集市场约人民币40-50亿元，其中真实机器人遥操作约24亿元、Ego视频和UMI约13亿元、仿真约6亿元、失败恢复数据约3亿元[16] - Unitree数据可用率仅约四分之一，即每四小时录制对应一可用小时[15] - Tesla Optimus数据成本从2Q26到3Q26下降约18.1%[23] - 中国七大快递公司2026F人形机器人采购量可能不到500台、2027F约1,000台[23] - OpenAI在2025年9月至2026年8-9月购买约1000万小时数据约占美国供应70%，DeepMind约占20%[24] - 独立数据采集商约有三年窗口期，预计到2027F底数据供应商数量将下降[24] - 1.7米机器人量产合理成本人民币15-20万元，1.3米机器人3-4万元，执行器占零部件成本50-75%[30] - Unitree人形机器人G1基础版美国内容占BOM 2-8%，G1 EDU版占10-20%[31] - 板载VLA模型2-7B参数需约人民币3-4万元芯片和存储；World Labs的Atlas为100-200B参数[9] - Gemini Robotics 2于2026年7月30日发布，完成长多步任务成功率高达91.3%，全身控制比中国竞争对手领先约一年[10] - Tesla机器人在工厂无监督例行任务完成率约97%[11] - SuperMimic论文在129,514个动作测试中旧方法SONIC失败179次