作者 | 華衛(wèi)

最近，人形機(jī)器人迎來了從“奢侈品”到“白菜價(jià)”的歷史性轉(zhuǎn)折。一年前需要花近百萬元排隊(duì)預(yù)購的工程樣機(jī)，如今在二手網(wǎng)站和拆機(jī)市場(chǎng)上，以“5 萬元一車”的價(jià)格打包清倉。單價(jià)上，甚至有的比高端旗艦手機(jī)都便宜了。

宇樹 G1 降至 8.5 萬元起，消費(fèi)級(jí)入門款 R1 Air 僅售 2.99 萬元，而松延動(dòng)力的 Bumi 更是跌至 9998 元，比一臺(tái)高配 iPhone 還便宜。與此同時(shí)，中國人形機(jī)器人的供應(yīng)鏈國產(chǎn)化率已突破 90%。根據(jù)摩根士丹利最新發(fā)布的報(bào)告，2025 年全球出貨的 13000 至 16000 臺(tái)人形機(jī)器人中，約有 90% 來自中國制造商。

如果說現(xiàn)在的 AI 已經(jīng)開始充當(dāng)數(shù)字世界的生產(chǎn)力，那么迅猛發(fā)展的機(jī)器人有望成為物理世界的生產(chǎn)力。在產(chǎn)品價(jià)格“一日千里”的狂熱局面下，一個(gè)問題開始浮出：未來是否只需要人形機(jī)器人？

Gartner 的調(diào)研數(shù)據(jù)給出一個(gè)冷靜的事實(shí)：人形機(jī)器人的“現(xiàn)實(shí)比例”僅為 1:60，約 98.36% 的受訪客戶仍處于探索階段，而實(shí)際投入部署的僅占 1.64%。“從實(shí)用或者理性的角度來說，我們認(rèn)為未來的機(jī)器人未必要和人長得一模一樣。”Gartner 研究副總裁高挺表示。

近日，我們采訪了高挺。他在對(duì)話中指出，雖然人類世界是按人的體型設(shè)計(jì)的，但人體結(jié)構(gòu)并不一定是機(jī)器人的最佳形態(tài)。成功的機(jī)器人應(yīng)該改良人類形態(tài)而非簡(jiǎn)單復(fù)制。例如，亞馬遜測(cè)試的 Digit 機(jī)器人膝蓋向后彎曲，能比人更高效地在貨架前下蹲；1X 的 Eve 機(jī)器人則采用輪式、自平衡底盤，在平坦的室內(nèi)環(huán)境中提高移動(dòng)效率。高效的機(jī)器人外形可以是犬類、輪式或完全根據(jù)任務(wù)需求設(shè)計(jì)的全新形態(tài)，這些形態(tài)通常比人形更穩(wěn)定、成本更低且速度更快。

“不要被‘人形’外形限制，應(yīng)優(yōu)先尋找能快速交付價(jià)值、產(chǎn)生收入的特定垂直應(yīng)用場(chǎng)景。”除此之外，高挺從技術(shù)、硬件、應(yīng)用場(chǎng)景和現(xiàn)實(shí)挑戰(zhàn)等多個(gè)維度，梳理了今天機(jī)器人產(chǎn)業(yè)的真實(shí)圖景。

今天的機(jī)器人能做什么？

“短期內(nèi)，應(yīng)該關(guān)注的不是‘機(jī)器人是不是長得像人’，而是‘機(jī)器人能不能在一個(gè)非常明確的場(chǎng)景里面穩(wěn)定完成任務(wù)、降低成本、減少人力依賴和提升運(yùn)營效率’。”

那么，今天的機(jī)器人能夠做些什么呢？

“從現(xiàn)在已經(jīng)跑起來的案例看，機(jī)器人長什么樣其實(shí)不是最重要的。不管是倉庫里的機(jī)械臂，還是汽車工廠里的搬運(yùn)機(jī)器人，真正比較容易落地的場(chǎng)景都有一個(gè)特點(diǎn)：環(huán)境比較固定。企業(yè)最后看的是：這臺(tái)機(jī)器人能不能把活干好，這筆賬能不能算得過來，而不是它長得像不像人。”

高挺總結(jié)，現(xiàn)階段更容易形成投資回報(bào)的機(jī)器人場(chǎng)景，通常具有三個(gè)特點(diǎn)：任務(wù)邊界清晰、流程可以重復(fù)、異常情況相對(duì)有限。例如，工業(yè)線邊物流、倉儲(chǔ)搬運(yùn)和部分服務(wù)流程，都可以通過現(xiàn)場(chǎng)改造降低機(jī)器人需要處理的復(fù)雜度。家庭場(chǎng)景則不同：任務(wù)組合更加分散，環(huán)境變化更加頻繁，而且任何失誤都可能直接影響人員安全。因此，家庭機(jī)器人不僅需要更強(qiáng)的模型能力，也需要更成熟的工程可靠性和安全機(jī)制。

大規(guī)模產(chǎn)業(yè)化的窗口期，機(jī)會(huì)在哪里？

“機(jī)器人正處于邁向規(guī)模化產(chǎn)業(yè)化的窗口期。”對(duì)于當(dāng)前的機(jī)器人產(chǎn)業(yè)階段，高挺這樣定義。“目前，機(jī)器人已經(jīng)在一些工商業(yè)場(chǎng)景里跑通了。尤其是在工廠和倉庫里，一些重復(fù)頻率高的工作，機(jī)器人已經(jīng)可以替代一部分人工。所以資本對(duì)這個(gè)賽道非常關(guān)注，一些頭部公司的估值也漲得很快。”

但是真正大規(guī)模的產(chǎn)業(yè)落地還沒有發(fā)生。

特斯拉曾提出在 2025 年生產(chǎn)約 5000 臺(tái) Optimus 的目標(biāo)。但在 2025 年第四季度財(cái)報(bào)發(fā)布時(shí)，Elon Musk 也承認(rèn)，Optimus 在工廠里面只做了一些基礎(chǔ)的任務(wù)，還沒有形成真正意義上的生產(chǎn)力。據(jù)悉，特斯拉第三代人形機(jī)器人預(yù)計(jì)年中亮相，要到 2026 年 7-8 月才會(huì)啟動(dòng)正式投產(chǎn)。

“機(jī)器人、尤其是人形機(jī)器人，實(shí)際落地和大眾預(yù)期有挺大差距，這也是現(xiàn)狀。”

在高挺看來，未來 2-3 年，人形機(jī)器人仍難以實(shí)現(xiàn)完全大規(guī)模商業(yè)化。“這些人形機(jī)器人可能會(huì)繼續(xù)出現(xiàn)在工廠、倉儲(chǔ)、汽車制造等相對(duì)固定的環(huán)境里，做一些重復(fù)性、低復(fù)雜性的工作。但更多是試點(diǎn)和小規(guī)模部署，而不是全面替代勞動(dòng)力。相比之下，工業(yè)機(jī)器人、倉儲(chǔ)機(jī)器人、服務(wù)型機(jī)器人以及一些面對(duì)特定任務(wù)的多功能機(jī)器人，這些產(chǎn)品的商業(yè)化路徑反而更清楚。因?yàn)樗鼈兊娜蝿?wù)邊界比較明確，投入產(chǎn)出也更容易算，安全和流程相對(duì)容易控制。”

對(duì)于想購買機(jī)器人的企業(yè)，他的建議是：“第一，起點(diǎn)不是‘買一個(gè)人形機(jī)器人’，而是要從找高價(jià)值、低復(fù)雜度的任務(wù)開始。第二，要把機(jī)器人當(dāng)作一個(gè)運(yùn)營改造項(xiàng)目，而不是單純的硬件采購。買來本體不能直接落地，還要考慮現(xiàn)場(chǎng)流程、空間布局、IT/OT 集成、員工協(xié)作等等。第三，先試點(diǎn)、再擴(kuò)展，從一兩個(gè)小封閉場(chǎng)景開始，拿到真實(shí)的生產(chǎn)力結(jié)果后再復(fù)制。第四，先考慮成熟的品類，比如 AMR、機(jī)械臂、協(xié)作機(jī)器人，然后長期追蹤人形機(jī)器人的成熟度。”

“行業(yè)內(nèi)常有人將當(dāng)前具身智能的發(fā)展階段類比為大模型早期：技術(shù)方向已經(jīng)逐漸清晰，但規(guī)模化能力尚未形成。”高挺解釋，這個(gè)類比有一定道理，但機(jī)器人的產(chǎn)業(yè)化難度更高。“因?yàn)樗粌H受到數(shù)據(jù)和算力約束，還涉及傳感器、驅(qū)動(dòng)系統(tǒng)、電源管理和系統(tǒng)可靠性。”

“VLA 仍是重要路線，

世界模型正在加速融入機(jī)器人系統(tǒng)”

機(jī)器人能做什么、不能做什么，根本上取決于它的“大腦”，也就是機(jī)器人模型。

高挺表示：“VLA 是通用機(jī)器人模型目前比較成熟的技術(shù)路線。” VLA 即 Vision-Language-Action，指視覺、語言和動(dòng)作。其中的“Language”部分，就是來自于大語言模型。它讓機(jī)器人能夠結(jié)合環(huán)境信息和任務(wù)指令，生成相應(yīng)的動(dòng)作。

“語言模型的作用是為機(jī)器人提供語義理解、常識(shí)和任務(wù)規(guī)劃能力。例如，當(dāng)用戶說‘房間太暗了’，機(jī)器人需要理解這句話背后的任務(wù)目標(biāo)，判斷是否應(yīng)該開燈。”

區(qū)別于以前的范式，VLA 模型是先有泛化能力，再一個(gè)一個(gè)場(chǎng)景去突破可靠性。邏輯正好反過來。“以前是先解決特定場(chǎng)景的高可靠性問題，然后再試圖泛化。比如先讓一個(gè)機(jī)器人把某個(gè)動(dòng)作的可靠性做到非常高，然后試圖讓它學(xué)別的任務(wù)。但你會(huì)發(fā)現(xiàn)，這種方式很難真正實(shí)現(xiàn)泛化，你只能得到一個(gè)非常專業(yè)的機(jī)器人，換個(gè)任務(wù)就做不好。”

對(duì)于世界模型這類新的技術(shù)路線，高挺表示，“它提供了另一種思路：讓系統(tǒng)學(xué)習(xí)物理世界中的狀態(tài)變化和因果關(guān)系，并對(duì)動(dòng)作可能產(chǎn)生的結(jié)果進(jìn)行預(yù)測(cè)。它不一定依賴語言作為中間層，更強(qiáng)調(diào)對(duì)物理規(guī)律的建模。就像一個(gè)熟練的司機(jī)在開車時(shí)，看到前方有水坑，不需要在大腦里用語言翻譯‘這里有水，可能會(huì)打滑，我要減速’，而是視覺直接觸發(fā)了對(duì)車輛軌跡的物理預(yù)測(cè)，本能地踩下剎車。世界模型想解決的，就是這種不需要先翻譯成語言、直接作出判斷的能力。

不過，他認(rèn)為，“今天，通用機(jī)器人和人形機(jī)器人的前沿路線仍然以 VLA 為主。世界模型雖然發(fā)展很快，但目前更多用于合成數(shù)據(jù)生成、仿真、評(píng)估和輔助規(guī)劃，真正直接用于實(shí)體機(jī)器人控制的案例仍然比較早期。未來一兩年，VLA 大概率仍然會(huì)是機(jī)器人動(dòng)作模型的主體，但世界模型會(huì)逐步融入 VLA 系統(tǒng)，為機(jī)器人提供更強(qiáng)的物理理解、規(guī)劃和預(yù)演能力。長期來看，更有可能出現(xiàn)的是 VLA 與世界模型的融合，而不是世界模型簡(jiǎn)單取代 VLA。”

高挺指出，目前 VLA 是最接近工程化落地的通用機(jī)器人技術(shù)路線之一。它距離像人一樣靈活、通用的智能仍有較大差距，但在倉儲(chǔ)、制造等邊界相對(duì)明確的場(chǎng)景中，已經(jīng)展現(xiàn)出較好的實(shí)用價(jià)值。未來一段時(shí)間，VLA 很可能仍然是機(jī)器人產(chǎn)業(yè)化的主要路線。

離不開的“靈巧手”：

機(jī)器人量產(chǎn)中的多重工程權(quán)衡

如果說模型是機(jī)器人的“大腦”，那么靈巧手就是它最重要的“工具”。“對(duì)于需要操作物體的機(jī)器人而言，末端執(zhí)行器至關(guān)重要；在通用操作場(chǎng)景中，靈巧手尤其關(guān)鍵。”

高挺表示，不是任何機(jī)械手都能叫“靈巧手”，必須要有足夠的自由度、能夠進(jìn)行精細(xì)操作，并且可以適應(yīng)不同物體的抓取。

過去幾年，靈巧手有了明顯進(jìn)步：自由度越來越高，價(jià)格越來越便宜。但高挺指出，“靈巧手的難點(diǎn)不只是增加自由度。對(duì)于工業(yè)應(yīng)用而言，更重要的是在有限空間內(nèi)兼顧抓取精度、力量輸出、耐久性和維護(hù)成本。自由度最高的產(chǎn)品未必最適合量產(chǎn)，不同任務(wù)需要在性能和可靠性之間做出不同取舍。”

他舉例說明：“一些海外高端靈巧手，雖然可以通過高密度的傳感器堆疊和復(fù)雜的腱繩驅(qū)動(dòng)，在自由度和自適應(yīng)抓取能力上接近人手，但價(jià)格通常較高，動(dòng)輒幾萬甚至幾十萬元，較難大規(guī)模部署。部分千元級(jí)或開源入門產(chǎn)品降低了使用門檻，但在端部力量輸出、耐久性和感知精度等方面仍需進(jìn)一步驗(yàn)證，現(xiàn)階段尚難直接替代人工。”

數(shù)據(jù)鴻溝：仿真與現(xiàn)實(shí)、機(jī)器與人之間的差距

今天，機(jī)器人行業(yè)還面臨多項(xiàng)挑戰(zhàn)，核心瓶頸之一是高質(zhì)量數(shù)據(jù)不足。“數(shù)據(jù)仍然是機(jī)器人走向規(guī)模化的第一道門檻。”

高挺表示，大語言模型訓(xùn)練用的是互聯(lián)網(wǎng)數(shù)據(jù)，相對(duì)容易獲得。但訓(xùn)練機(jī)器人的真實(shí)操作數(shù)據(jù)，比如遙操數(shù)據(jù)，需要付出不菲的成本。

既然真實(shí)數(shù)據(jù)難拿，能不能用仿真數(shù)據(jù)替代？這就觸及了第二個(gè)挑戰(zhàn)：模擬與真實(shí)的鴻溝。高挺指出，NVIDIA 正在重點(diǎn)布局仿真和合成數(shù)據(jù)工具鏈，通過在虛擬環(huán)境中訓(xùn)練、測(cè)試和驗(yàn)證機(jī)器人，擴(kuò)大訓(xùn)練數(shù)據(jù)規(guī)模并降低真實(shí)世界試錯(cuò)成本。優(yōu)點(diǎn)是成本低、易規(guī)模化。但有一個(gè)重要問題：模擬場(chǎng)景和真實(shí)世界總有差別。“仿真做得再好，和真實(shí)世界還是有差別。即便機(jī)器人在虛擬引擎中完成了無數(shù)次完美的動(dòng)作映射，一旦面對(duì)現(xiàn)實(shí)中微小的摩擦力、材質(zhì)或光影變化，在虛擬環(huán)境中學(xué)到的控制策略就可能失效。所以，仿真數(shù)據(jù)很有用，但暫時(shí)還不能完全替代真實(shí)數(shù)據(jù)。”

還有人提出：能不能直接用互聯(lián)網(wǎng)上的海量視頻訓(xùn)練機(jī)器人？成本低，數(shù)據(jù)也容易獲得，但這就又有一個(gè)新挑戰(zhàn)：Embodiment Gap（具身鴻溝）。簡(jiǎn)單說，人的身體和機(jī)器人的身體長得不一樣，就像“眼睛學(xué)會(huì)了，手卻未必學(xué)會(huì)”。因此，將人類行為視頻或動(dòng)作數(shù)據(jù)直接遷移到機(jī)器人上，效率會(huì)受到很大影響。

“未來更現(xiàn)實(shí)的路線不是‘只靠仿真’。”高挺說，“而是建立混合數(shù)據(jù)策略：以真實(shí)機(jī)器人交互數(shù)據(jù)為核心，包括遙操作、人工示教和現(xiàn)場(chǎng)運(yùn)行反饋；再結(jié)合動(dòng)作捕捉、第一人稱視頻等人類行為數(shù)據(jù)，以及仿真 / 合成數(shù)據(jù)，來提升機(jī)器人模型的泛化能力和可靠性。”

除數(shù)據(jù)外，成本也是機(jī)器人產(chǎn)業(yè)仍面臨的挑戰(zhàn)之一。“要讓機(jī)器人進(jìn)入到千行百業(yè)，它肯定是要足夠便宜。”不過高挺也指出，中國的供應(yīng)鏈?zhǔn)蔷薮蟮膬?yōu)勢(shì)。“宇樹科技最便宜的人形機(jī)器人 R1 Air，價(jià)格已經(jīng)做到 3 萬元人民幣以下。雖然它還不能真正去工廠干活，主要還是用于科研用途，但中國機(jī)器人供應(yīng)鏈的優(yōu)勢(shì)已經(jīng)非常明顯了。

價(jià)格在跳水，供應(yīng)鏈在成熟，VLA 范式被驗(yàn)證可行，資本在涌入。但數(shù)據(jù)鴻溝、硬件瓶頸、成本難題，仍然像三道高墻擋在全面普及的路上。

對(duì)于這個(gè)產(chǎn)業(yè)，最理性的態(tài)度或許不是追逐“人形”的噱頭，而是回歸一個(gè)樸素的問題：這臺(tái)機(jī)器，到底能幫人解決什么實(shí)際問題？正如高挺所說：“不要糾結(jié)長得是不是像人。”比這更重要的，是“有用”。而比價(jià)格更重要的，是價(jià)值。這場(chǎng)關(guān)于生產(chǎn)力而非形態(tài)的產(chǎn)業(yè)競(jìng)速，才剛剛開始。

聲明：本文為 AI 前線原創(chuàng)，不代表平臺(tái)觀點(diǎn)，未經(jīng)許可禁止轉(zhuǎn)載。

會(huì)議推薦

企業(yè)級(jí) Agent 落地，繞不開 4 個(gè)真實(shí)的工程問題！如何在 Agent 安全性和可用性之間找到平衡點(diǎn)？Agent 需要什么樣的記憶系統(tǒng)才能真正理解上下文？如何通過算法壓榨實(shí)現(xiàn)智力增量與成本控制的極致平衡？多 Agent 協(xié)作，如何做到可觀測(cè)、可治理、可控制？6.26-27 AICon 上海站，國內(nèi)頭部公司的 Agent 實(shí)踐，一次說透。

今日薦文

你也「在看」嗎？