作者 | 華衛(wèi)

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

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

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

Gartner 的調(diào)研數(shù)據(jù)給出一個冷靜的事實：人形機器人的“現(xiàn)實比例”僅為 1:60，約 98.36% 的受訪客戶仍處于探索階段，而實際投入部署的僅占 1.64%。“從實用或者理性的角度來說，我們認為未來的機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。他在對話中指出，雖然人類世界是按人的體型設計的，但人體結(jié)構并不一定是機器人的最佳形態(tài)。成功的機器人應該改良人類形態(tài)而非簡單復制。例如，亞馬遜測試的 Digit 機器人膝蓋向后彎曲，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)境中提高移動效率。高效的機器人外形可以是犬類、輪式或完全根據(jù)任務需求設計的全新形態(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，應優(yōu)先尋找能快速交付價值、產(chǎn)生收入的特定垂直應用場景。”除此之外，高挺從技術、硬件、應用場景和現(xiàn)實挑戰(zhàn)等多個維度，梳理了今天機器人產(chǎn)業(yè)的真實圖景。

1 今天的機器人能做什么？

“短期內(nèi)，應該關注的不是‘機器人是不是長得像人’，而是‘機器人能不能在一個非常明確的場景里面穩(wěn)定完成任務、降低成本、減少人力依賴和提升運營效率’。”

那么，今天的機器人能夠做些什么呢？

“從現(xiàn)在已經(jīng)跑起來的案例看，機器人長什么樣其實不是最重要的。不管是倉庫里的機械臂，還是汽車工廠里的搬運機器人，真正比較容易落地的場景都有一個特點：環(huán)境比較固定。企業(yè)最后看的是：這臺機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的機器人場景，通常具有三個特點：任務邊界清晰、流程可以重復、異常情況相對有限。例如，工業(yè)線邊物流、倉儲搬運和部分服務流程，都可以通過現(xiàn)場改造降低機器人需要處理的復雜度。家庭場景則不同：任務組合更加分散，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，家庭機器人不僅需要更強的模型能力，也需要更成熟的工程可靠性和安全機制。

2 大規(guī)模產(chǎn)業(yè)化的窗口期，機會在哪里？

“機器人正處于邁向規(guī)模化產(chǎn)業(yè)化的窗口期。”對于當前的機器人產(chǎn)業(yè)階段，高挺這樣定義。“目前，機器人已經(jīng)在一些工商業(yè)場景里跑通了。尤其是在工廠和倉庫里，一些重復頻率高的工作，機器人已經(jīng)可以替代一部分人工。所以資本對這個賽道非常關注，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 Optimus 的目標。但在 2025 年第四季度財報發(fā)布時，Elon Musk 也承認，Optimus 在工廠里面只做了一些基礎的任務，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器人預計年中亮相，要到 2026 年 7-8 月才會啟動正式投產(chǎn)。

“機器人、尤其是人形機器人，實際落地和大眾預期有挺大差距，這也是現(xiàn)狀。”

在高挺看來，未來 2-3 年，人形機器人仍難以實現(xiàn)完全大規(guī)模商業(yè)化。“這些人形機器人可能會繼續(xù)出現(xiàn)在工廠、倉儲、汽車制造等相對固定的環(huán)境里，做一些重復性、低復雜性的工作。但更多是試點和小規(guī)模部署，而不是全面替代勞動力。相比之下，工業(yè)機器人、倉儲機器人、服務型機器人以及一些面對特定任務的多功能機器人，這些產(chǎn)品的商業(yè)化路徑反而更清楚。因為它們的任務邊界比較明確，投入產(chǎn)出也更容易算，安全和流程相對容易控制。”

對于想購買機器人的企業(yè)，他的建議是：“第一，起點不是‘買一個人形機器人’，而是要從找高價值、低復雜度的任務開始。第二，要把機器人當作一個運營改造項目，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)場流程、空間布局、IT/OT 集成、員工協(xié)作等等。第三，先試點、再擴展，從一兩個小封閉場景開始，拿到真實的生產(chǎn)力結(jié)果后再復制。第四，先考慮成熟的品類，比如 AMR、機械臂、協(xié)作機器人，然后長期追蹤人形機器人的成熟度。”

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

3 “VLA 仍是重要路線，世界模型正在加速融入機器人系統(tǒng)”

機器人能做什么、不能做什么，根本上取決于它的“大腦”，也就是機器人模型。

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

“語言模型的作用是為機器人提供語義理解、常識和任務規(guī)劃能力。例如，當用戶說‘房間太暗了’，機器人需要理解這句話背后的任務目標，判斷是否應該開燈。”

區(qū)別于以前的范式，VLA 模型是先有泛化能力，再一個一個場景去突破可靠性。邏輯正好反過來。“以前是先解決特定場景的高可靠性問題，然后再試圖泛化。比如先讓一個機器人把某個動作的可靠性做到非常高，然后試圖讓它學別的任務。但你會發(fā)現(xiàn)，這種方式很難真正實現(xiàn)泛化，你只能得到一個非常專業(yè)的機器人，換個任務就做不好。”

對于世界模型這類新的技術路線，高挺表示，“它提供了另一種思路：讓系統(tǒng)學習物理世界中的狀態(tài)變化和因果關系，并對動作可能產(chǎn)生的結(jié)果進行預測。它不一定依賴語言作為中間層，更強調(diào)對物理規(guī)律的建模。就像一個熟練的司機在開車時，看到前方有水坑，不需要在大腦里用語言翻譯‘這里有水，可能會打滑，我要減速’，而是視覺直接觸發(fā)了對車輛軌跡的物理預測，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，他認為，“今天，通用機器人和人形機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、評估和輔助規(guī)劃，真正直接用于實體機器人控制的案例仍然比較早期。未來一兩年，VLA 大概率仍然會是機器人動作模型的主體，但世界模型會逐步融入 VLA 系統(tǒng)，為機器人提供更強的物理理解、規(guī)劃和預演能力。長期來看，更有可能出現(xiàn)的是 VLA 與世界模型的融合，而不是世界模型簡單取代 VLA。”

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

4 離不開的“靈巧手”：機器人量產(chǎn)中的多重工程權衡

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

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

過去幾年，靈巧手有了明顯進步：自由度越來越高，價格越來越便宜。但高挺指出，“靈巧手的難點不只是增加自由度。對于工業(yè)應用而言，更重要的是在有限空間內(nèi)兼顧抓取精度、力量輸出、耐久性和維護成本。自由度最高的產(chǎn)品未必最適合量產(chǎn)，不同任務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雜的腱繩驅(qū)動，在自由度和自適應抓取能力上接近人手，但價格通常較高，動輒幾萬甚至幾十萬元，較難大規(guī)模部署。部分千元級或開源入門產(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一步驗證，現(xiàn)階段尚難直接替代人工。”

5 數(shù)據(jù)鴻溝：仿真與現(xiàn)實、機器與人之間的差距

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

高挺表示，大語言模型訓練用的是互聯(lián)網(wǎng)數(shù)據(jù)，相對容易獲得。但訓練機器人的真實操作數(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？這就觸及了第二個挑戰(zhàn)：模擬與真實的鴻溝。高挺指出，NVIDIA 正在重點布局仿真和合成數(shù)據(jù)工具鏈，通過在虛擬環(huán)境中訓練、測試和驗證機器人，擴大訓練數(shù)據(jù)規(guī)模并降低真實世界試錯成本。優(yōu)點是成本低、易規(guī)模化。但有一個重要問題：模擬場景和真實世界總有差別。“仿真做得再好，和真實世界還是有差別。即便機器人在虛擬引擎中完成了無數(shù)次完美的動作映射，一旦面對現(xiàn)實中微小的摩擦力、材質(zhì)或光影變化，在虛擬環(huán)境中學到的控制策略就可能失效。所以，仿真數(shù)據(jù)很有用，但暫時還不能完全替代真實數(shù)據(jù)。”

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

“未來更現(xiàn)實的路線不是‘只靠仿真’。”高挺說，“而是建立混合數(shù)據(jù)策略：以真實機器人交互數(shù)據(jù)為核心，包括遙操作、人工示教和現(xiàn)場運行反饋；再結(jié)合動作捕捉、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)，來提升機器人模型的泛化能力和可靠性。”

除數(shù)據(jù)外，成本也是機器人產(chǎn)業(yè)仍面臨的挑戰(zhàn)之一。“要讓機器人進入到千行百業(yè)，它肯定是要足夠便宜。”不過高挺也指出，中國的供應鏈是巨大的優(yōu)勢。“宇樹科技最便宜的人形機器人 R1 Air，價格已經(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，但中國機器人供應鏈的優(yōu)勢已經(jīng)非常明顯了。

價格在跳水，供應鏈在成熟，VLA 范式被驗證可行，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。

對于這個產(chǎn)業(yè)，最理性的態(tài)度或許不是追逐“人形”的噱頭，而是回歸一個樸素的問題：這臺機器，到底能幫人解決什么實際問題？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”。而比價格更重要的，是價值。這場關于生產(chǎn)力而非形態(tài)的產(chǎn)業(yè)競速，才剛剛開始。

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