6月初，在Gartner大中華區高管交流大會結束后，大講堂對Gartner研究副總裁高挺進行了專訪。這位長期追蹤全球機器人產業的分析師，在臺上發表完《2026全球機器人產業前瞻》主題演講后，神情依然平靜。他不是那種會在臺上揮舞拳頭喊“取代”的人。

他說的第一句話，把記者的預期拉回到地面：“機器人產業，目前處于尚未實現大規模商業化的前夜?！?/p>

前夜，不是黎明。

01.

一個被反復高估的時間表

從高處來看，對機器人的集體興奮，有其合理的情感評價，也有相當程度的情緒泡沫。

《2026全球機器人產業前瞻》報告中援引了世界經濟論壇的數據，到2030年，全球制造業將出現約1000萬工人的缺口。中國自身的老齡化和少子化趨勢加劇，勞動力缺乏已不是遙遠的警告，而是逐漸逼近的現實壓力。“如果說AI是數字世界的生產力，那機器人就是物理世界的生產力?！彼眠@句話定義了機器人的戰略位置。

這個邏輯，讓資本快速涌入。高挺舉了一個典型案例：美國某知名機器人公司的估值在一年內暴漲15倍。行業熱度可見一斑。

但在熱度之外，他指出了一個更值得關注的現實案例——特斯拉。2025年，馬斯克高調宣布要生產5000臺人形機器人Optimus。然而，到了同年第四季度財報發布時，馬斯克自己承認，工廠里的機器人只完成了“一些比較基礎的任務”，還遠未形成真正意義上的產能。據悉，特斯拉第三代人形機器人預計年中亮相，要到2026年7-8月才會啟動正式投產。

“大眾預期與實際落地之間，存在著相當大的落差?！备咄榻B道。

02.

人形，真的是最優解嗎

在《2026全球機器人產業前瞻》報告的演講中，高挺提出了一個讓現場安靜了的問題：為什么干活的一定要變成人形機器人的樣子？

這個問題，反映出整個中國機器人產業正在醞釀的一個認知盲區。

他解釋說，人形機器人背后的邏輯解釋得通，因為人類世界是按照人體設計的，工廠的工具、生產線的高度、門框的位置，全部都是為人體定制的。機器人長得像人，自然能更好地融入各類場景系統。

但他接著說了一句讓人印象深刻的話：“人在結構上，其實并不完美。”他提到，人類是從爬行動物進化過來的，脊柱和膝蓋并非在所有場景下都是最佳的形態。他在演講PPT上展示了一種膝蓋向后轉彎的機器人，這種結構讓機器人蹲得更對位、負重更穩定、重心更好控制；而用輪子替代雙腳，在一些情況下移動速度更快，成本也較低。

“我們將來不要糾結是不是長得像人，而是這個機器人能不能好用?！彼谟浾咦穯枙r補充道，“如果人形好用，我們就用人形；如果人形不好用，我們就換其他形狀。就是這個邏輯。”

他的判斷是，未來主流的機器人形態會是“類人形”，有兩只手、有本體，但不一定有頭，眼睛可以長在胸口，腳可以換輪子。不是純粹的人形，也不是完全的異形，而是跟隨場景走的最優解。

03.

機器人的“GPT-2時刻”

那么今天的機器人產業處于哪個階段？高挺給出了一個新框架。他認為，當前機器人產業的成熟度，大約相當于大語言模型發展達到的GPT-2水平，并預計在未來一到兩年內有望達到GPT-3的水平。

“GPT-2最重要的意義，并不是多厲害，而是它跑通了基于Transformer架構的范式，也就是從0到1的突破。之后GPT-3、GPT-4，本質上就是堆數據、堆算力，規模化就生效了。”他說，機器人產業現在也走到了類似的節點，基于VLA的架構目前已經相對成熟，產業界普遍認為，只要持續投入更多數據，機器人的泛化能力就會不斷增強。

但他立即指出了一個關鍵的結構性差異。機器人走向scaling law，比大型語言模型難得多。因為語言模型的數據，是互聯網上現成的海量文本，相對容易獲取。機器人需要的是高質量的物理交互數據，例如抓取、搬運、行走、避障、失敗恢復等操作數據。這類數據采集很慢、成本高。更棘手的是，機器人對數據質量的要求遠高于語言模型?！罢Z言模型數據質量稍差，可能只是說話不準確。機器人數據出錯，它獲取的物理特性就會出錯，真實操作就會出問題。”

04.

數據依然是行業最大的瓶頸

在整場采訪中，高挺談及數據問題的篇幅，遠超其他任何話題。這不是偶然。他告訴記者，中國和西方在解決數據問題上采取了不同的道路。中國由于人力成本相對較低，部分廠商選擇建立“數據工廠”，人工一條條采集數據。西方則更傾向于讓工人在頭部佩戴攝像頭，采集第一人稱視角的作業數據。

“無論使用哪種方法，數據對于機器人行業來說都是一個非常大的挑戰。”他說。仿真數據是另一條被寄予厚望的路徑。英偉達走的正是這條路，即用算力生成合成數據，在虛擬環境中訓練機器人。優點是成本低、易于規?；?。但這條路有一個難以回避的核心問題：“Sim-to-real Gap”，即仿真到現實的鴻溝。

他打了一個比方：“在游戲機上把賽車玩得飛起來，不代表真的能參加F1。”虛擬場景里的摩擦力、光線變化、物體的柔軟度，和真實世界之間始終存在差距，而消除這個差距，還需要時間。

“未來更現實的路線不是‘只靠仿真’?！备咄φf，“而是建立混合數據閉環：以真實機器人交互數據為核心，包括遙操作、人工示教和現場運行反饋；再結合動作捕捉、第一人稱視頻等人類行為數據，以及仿真/合成數據，來提升機器人模型的泛化能力和可靠性?！?/p>

還有一種思路是利用互聯網上的海量視頻，甚至結合動作捕捉技術來訓練機器人。這條路成本相對較低，數據也相對容易獲取。但高挺指出，這里存在另一個問題。因為人的身體和機器人的身體結構不同，人類的動作數據直接用于訓練機器人，存在天然的缺失和偏差。“眼睛學會了，手沒學會。”他引用了一個網上流行的比喻，形象地說明了這種數據遷移的困境。

“數據仍然是機器人走向規?；牡谝坏篱T檻。”高挺表示。

05.

VLA：現階段工程化落地的主流技術范式

關于VLA技術的未來，業界有聲音認為VLA的泛化能力存在上限，“世界模型”才是下一代范式。高挺在答記者問時，也遇到了這個尖銳的問題，他沒有否定世界模型的方向，卻拋出了新的問題。“今天所有的世界模型，基本上還停留在研究階段，業界對于世界模型的定義也并不清晰。大多數的世界模型還停留在視頻生成階段，沒有真正用到工業化機器人上，或者說用得特別好。”他說，世界模型的工業化應用能力還很早期，產業界是要能夠工程化建設的東西，不是概念。

因此，他的判斷是，在當前節點，以及未來相當一段時期，機器人的主流范式還是以VLA為主，“除非世界模型有重大突破，否則情況不會改變”。VLA的核心邏輯，是把大語言模型的理解能力轉化到機器人上，再加上視覺模塊和動作模塊，形成“看得懂環境、聽得懂指令、做一套動作”的完整能力閉環。它和傳統感知規劃路徑最大的不同在于：以往的機器人是先把某個特定任務實現得特別好，最后試圖向外泛化，結果往往越做越專、越來越難遷移；VLA反過來，先有泛化能力，再針對具體場景做深度優化。

06.

靈巧手是被嚴重低估的硬件問題？

說完軟件，高挺話鋒一轉，談到了一個不太經常被媒體關注、卻被他認為是機器人硬件中“最重要、沒有之一”的部件：靈巧手。

“無論讓機器人做什么，都需要考慮這件事。”他說。人類的手有27個自由度，能彈鋼琴，也能攀巖，既可以做精細工作，又有力量，每天用，幾十年不壞。這件事看起來理所當然，對機器人工程師來說卻是噩夢級別的挑戰。高挺的原話是：“讓機器人去跑馬拉松，比讓靈巧手達到這樣（人手）的高度要容易?！?/p>

他描述了當前靈巧手市場的結構性困境，海外產品如Shadow Robot的產品能力出色，公開數據顯示價格高達10萬美元一只，兩只手裝上去，成本已經讓大部分商業場景望而卻步；部分開源項目靈巧手能降到幾百美元，但只能用于科研，真實場景完全不夠；便宜又相對可靠的產品，往往在功能上打了折扣，可能只有4根手指，甚至只有一個夾爪，自由度縮水。

“直至今日，既便宜、又好用、可信度還高，三者在今天很難同時擁有?！备咄φf這句話時，語氣平靜，但結論很重。因此，他特別強調靈巧手的耐用性問題：“機器人每次抓取，本質上都是一次碰撞。如果手不夠精巧，很難真正實現商業化落地?！彼赋?，幾年來靈巧手已經有了明顯進步，自由度越來越大，價格也在下降，但真正滿足商業落地要求的產品，仍然稀缺。

07.

機器人今天到底能做什么？

采訪中，記者直接問了一個最實際的問題：機器人現在到底能不能干活？高挺給出了一個清晰的判斷框架：能做的場景，有一個共同的特征：結構化、重復性、短任務鏈。他列舉了幾個已經落地的場景：倉儲搬運（亞馬遜全球已部署超過100萬臺專用機器人）、酒店前臺導引、商場導覽、工業線邊物流、餐廳上菜。這些環境相對固定，流程相對標準，機器人導入具有真實的商業價值。

不能做的場景，同樣有一個共同特征：開放環境、長任務鏈、高安全要求?！白寵C器人在家里做全屋大掃除，現在根本做不到。”他說，這類任務需要機器人持續規劃多個步驟，而每個家庭的環境、人員構成、光線條件都不一樣，是高度非結構化的開放場景，目前機器人能力恐怕還不夠。

但他談得最深的，是安全問題?！皺C器人進家庭，不是技術的問題，是安全的問題。”他舉了一個例子：在工廠里打碎一個零件，造成事故責任；機器人在家里炒菜出事，可能直接傷人。他提到一個端雞湯上桌的場景——“100次里有1次沒拿穩，湯碗碎在桌子上，旁邊坐著老人和小孩，那就是事故?！边@個問題，短期內比任何技術都難以跨越。

對于正在考慮引入機器人的企業，高挺也給出了三條非常務實的建議。

第一，起點不是“買一個機器人”，而是“找到一個高價值、低復雜度的任務”。先問清楚：我的業務里，有哪些事情是重復的、環境固定的、錯誤代價可控的？從這里入手，比先糾結買人形還是協作還是手臂更有意義。

第二，把機器人當運營改造項目，而不是硬件采購項目。CIO的思維要從“買機器人”轉向“設計機器人可運行的企業架構”。不是購買一個機器人，就能直接落地。現場流程再造、工廠布局調整、IT系統集成、協作方式變化，這些軟性“能力集”也需要跟上。“不是簡單地把機器人插進舊流程，就指望它發揮最大價值?！?/p>

第三，先論證，再擴展。從一兩個真實封閉的小場景開始，跑出ROI數據。當能從經濟上確認機器人帶來了可量化的回報，再系統性復制。他的另一個建議是，企業現階段更適合從成熟品類入手。例如協作機器人、機械臂、工業機器人，然后長期跟蹤人形機器人的成熟度曲線，而不是現在就押注。

快采訪結束時，記者問高挺怎么看中國機器人產業的真正優勢。他幾乎沒有停頓：供應鏈。“宇樹科技已經把一款人形機器人的價格壓到了3萬塊人民幣以下了?！彼f，這款產品目前主要用于科研，還進不了工廠，但這件事本身釋放了一個強烈的信號。中國供應鏈的成本壓縮能力，是這個行業里無可替代的結構性優勢。一旦機器人的軟件和數據等問題解決到足夠程度，中國的規?；俣葧浅？臁Ｋ倪@個判斷或許更接近市場最真實的答案。

08.

工程師的速度，啟動的速度

高挺在《2026全球機器人產業前瞻》的報告解讀中，有一個貫穿始終的基調：理性，克制，不煽情。

高挺既沒有唱衰機器人，也沒有打擊市場熱情。他反復強調的，是范式的成熟、數據的稀缺、硬件的限制、安全的因素，這些聽上去不夠性感，但似乎是決定這個行業能走多遠、走多快的真正因素。

他對機器人產業給出了一個判斷性的、有用的或重要的語言模型類比：“機器人的GPT-4時刻還沒到。但GPT-2時刻，已經在眼前?！?/p>

現在是埋頭做事的時候。