作者|深水財(cái)經(jīng)社 烏海

“誰能把機(jī)器人用的大模型做出來，誰就是全世界最厲害的AI公司和機(jī)器人公司，我覺得完全足夠拿諾貝爾獎(jiǎng)?！苯?，宇樹科技創(chuàng)始人王興興在《揚(yáng)聲》節(jié)目訪談?lì)A(yù)告中的表態(tài)，再次將機(jī)器人大模型（業(yè)內(nèi)多稱具身大模型）推上輿論風(fēng)口。

當(dāng)下，人形機(jī)器人從展會(huì)熱舞到工廠試跑，特斯拉喊出2026年百萬臺(tái)產(chǎn)能目標(biāo)，國(guó)內(nèi)廠商接連公布億元訂單，電商平臺(tái)預(yù)約量突破百萬，看似離“走進(jìn)生活、真正干活”只有一步之遙。

但高盛最新調(diào)研顯示，全球頭部廠商試產(chǎn)規(guī)模尚不足千臺(tái)，2026年全球?qū)嶋H產(chǎn)能僅1.2萬臺(tái)（中國(guó)新聞網(wǎng)，2025年12月6日）。

王興興口中的“關(guān)鍵一步”，正是能讓機(jī)器人實(shí)現(xiàn)“感知-理解-推理-執(zhí)行”閉環(huán)的機(jī)器人大模型，它相當(dāng)于機(jī)器人的“超級(jí)大腦”，能讓機(jī)器人擺脫預(yù)設(shè)程序束縛，在真實(shí)場(chǎng)景中自主應(yīng)對(duì)變化、完成任務(wù)。

這場(chǎng)全球范圍內(nèi)的“造腦競(jìng)賽”已全面打響，為何始終難以突破？機(jī)器人“干活難”的癥結(jié)，到底藏在何處？

全球三大梯隊(duì)競(jìng)速

機(jī)器人大模型的核心是具身智能，強(qiáng)調(diào)通過“身體”與物理世界互動(dòng)產(chǎn)生智能，而非僅在虛擬數(shù)據(jù)中“紙上談兵”。目前全球研發(fā)格局分為三大梯隊(duì)，各有側(cè)重卻均未實(shí)現(xiàn)“通用全能”。

第一梯隊(duì)由國(guó)際科技巨頭領(lǐng)跑，手握算力與數(shù)據(jù)雙重優(yōu)勢(shì)。

谷歌是最早發(fā)力的玩家，2023年推出RT-2模型，首創(chuàng)視覺-語言-動(dòng)作（VLA）統(tǒng)一建模，能直接輸出機(jī)器人控制指令，零樣本完成“撿香蕉放抽屜”等任務(wù)；2025年升級(jí)的RT-3模型，將推理延遲降至50ms內(nèi)，在OpenEQA評(píng)測(cè)中拿下綜合第一，還獲得NeurIPS 2024最佳論文提名。

英偉達(dá)則走“仿真+真機(jī)”路線，依托Omniverse工業(yè)級(jí)仿真平臺(tái)生成千億級(jí)合成數(shù)據(jù)，結(jié)合真機(jī)數(shù)據(jù)訓(xùn)練Project GR00T模型，硬件與軟件協(xié)同優(yōu)化讓推理效率提升400%，2025年在RoboBenchmark物理交互任務(wù)中奪冠，2026年已在比亞迪、寧德時(shí)代工廠部署適配模型的工業(yè)機(jī)器人。

特斯拉則將自動(dòng)駕駛技術(shù)遷移至機(jī)器人領(lǐng)域，依托Dojo超算訓(xùn)練Optimus BotNet模型，通過4D世界模型實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景實(shí)時(shí)規(guī)劃，2026年CES展上展示了Optimus自主完成工廠裝配任務(wù)的場(chǎng)景（前文問答整理）。

第二梯隊(duì)是細(xì)分領(lǐng)域的“黑馬”，聚焦特定場(chǎng)景突破。

國(guó)際端，F(xiàn)igure AI與OpenAI合作，研發(fā)的Figure Foundation Model（FFM）專攻人形機(jī)器人雙手協(xié)同；

國(guó)內(nèi)端，智元機(jī)器人推出啟元大模型，構(gòu)建“作業(yè)/交互/運(yùn)動(dòng)”一體三智體系，獲圖靈獎(jiǎng)得主Yann LeCun認(rèn)可，智平方的GOVLA模型則實(shí)現(xiàn)全身控制與移動(dòng)軌跡統(tǒng)一輸出。

第三梯隊(duì)以宇樹科技等企業(yè)為代表，走“輕量化+產(chǎn)業(yè)化”路線。

作為國(guó)內(nèi)消費(fèi)級(jí)機(jī)器人領(lǐng)軍企業(yè)，宇樹2026年1月開源UnifoLM-VLA-0大模型，融合動(dòng)作預(yù)測(cè)頭與動(dòng)力學(xué)約束。但王興興也坦言，宇樹的分層架構(gòu)（LLM+LBM）更側(cè)重實(shí)時(shí)控制與安全性，在通用泛化能力上仍有差距。

值得注意的是，即便頭部玩家進(jìn)展迅猛，目前全球主流模型仍處于智能L2初級(jí)階段，僅能實(shí)現(xiàn)“固定任務(wù)+微調(diào)”，尚未具備自主泛化與應(yīng)變能力。這意味著，沒有任何一家企業(yè)能真正交出“能靈活干活”的機(jī)器人“大腦”。

四大難題卡住“造腦”進(jìn)程

王興興將機(jī)器人大模型比作“諾貝爾獎(jiǎng)級(jí)難題”，其實(shí)絕不是夸張。

相較于語言大模型，機(jī)器人大模型要兼顧虛擬推理與物理交互，每一步突破都需跨越技術(shù)、數(shù)據(jù)、成本的多重鴻溝，這也是機(jī)器人遲遲不能“干活”的核心原因。

首當(dāng)其沖的是實(shí)時(shí)性與算力的矛盾。機(jī)器人在物理世界中操作，需10-100ms內(nèi)完成“感知-決策-執(zhí)行”閉環(huán)，否則會(huì)出現(xiàn)動(dòng)作卡頓、碰撞等問題。

但目前主流大模型參數(shù)多在13B-34B之間，推理延遲難以降低。谷歌RT-3雖將延遲壓縮至50ms，卻依賴TPU v5e專用算力集群，這種算力成本極高，普通企業(yè)難以承擔(dān)。

宇樹通過輕量化設(shè)計(jì)將模型壓縮至7B參數(shù)，實(shí)現(xiàn)延遲<100ms，但代價(jià)是犧牲了部分泛化能力，零樣本適配率約75-80%，低于谷歌RT-3的90%以上。

其次是數(shù)據(jù)稀缺與“仿真-現(xiàn)實(shí)鴻溝”。數(shù)據(jù)是大模型的“燃料”，但機(jī)器人大模型需要的“視覺-語言-動(dòng)作”多模態(tài)數(shù)據(jù)，采集難度遠(yuǎn)超文本數(shù)據(jù)。

純真機(jī)數(shù)據(jù)采集成本極高，宇樹僅340小時(shí)真機(jī)數(shù)據(jù)就耗費(fèi)大量人力物力；純仿真數(shù)據(jù)雖能通過英偉達(dá)Isaac Gym等平臺(tái)批量生成，卻存在“仿真與現(xiàn)實(shí)脫節(jié)”的問題。實(shí)驗(yàn)室中訓(xùn)練的動(dòng)作，在真實(shí)場(chǎng)景中可能因路面不平、物體偏移而失效。

即便采用“仿真+真機(jī)”混合模式，也難以完全消除這種鴻溝，目前行業(yè)普遍面臨“模型在實(shí)驗(yàn)室滿分，在真實(shí)場(chǎng)景翻車”的尷尬（前文問答整理）。

更棘手的是物理直覺與泛化能力不足。人類能憑本能判斷“杯子傾斜會(huì)漏水”“重物落地會(huì)砸壞東西”，但機(jī)器人需要通過海量數(shù)據(jù)學(xué)習(xí)物理規(guī)律，才能形成這種直覺。

2026年ShareRobot評(píng)測(cè)顯示，具備物理直覺的模型在“突發(fā)障礙”任務(wù)中成功率，比傳統(tǒng)模型高35%，但目前多數(shù)模型仍缺乏這種能力。

此外，跨場(chǎng)景、跨本體泛化也是難題。能在工廠裝配的機(jī)器人，未必能適應(yīng)家庭清潔；適配四足機(jī)器人的模型，很難直接遷移到人形機(jī)器人上。

最后是核心部件與成本瓶頸。機(jī)器人大模型的落地，離不開硬件支撐，但目前高精度觸覺傳感器量產(chǎn)良率不足60%，六維力傳感器等核心部件國(guó)產(chǎn)化率低，依賴進(jìn)口且面臨斷供風(fēng)險(xiǎn)。

有機(jī)構(gòu)測(cè)算顯示，當(dāng)前單臺(tái)人形機(jī)器人物料成本約40萬元，而行業(yè)共識(shí)是成本需降至5萬元以內(nèi)才能盈利。成本高企導(dǎo)致企業(yè)難以大規(guī)模部署真機(jī)采集數(shù)據(jù)，進(jìn)而制約模型迭代。

從“能干活”到“干好活”

盡管挑戰(zhàn)重重，但機(jī)器人大模型的研發(fā)已進(jìn)入加速期，政策、資本與技術(shù)的合力正在破解困局。

工信部已將人形機(jī)器人列為“未來產(chǎn)業(yè)十大重點(diǎn)方向”，計(jì)劃建立創(chuàng)新體系，2026年專項(xiàng)補(bǔ)貼超50億元；國(guó)內(nèi)長(zhǎng)三角、大灣區(qū)形成“100公里供應(yīng)鏈圈”，綠的諧波、匯川技術(shù)等企業(yè)在減速器、驅(qū)動(dòng)模塊領(lǐng)域?qū)崿F(xiàn)突破，推動(dòng)核心部件國(guó)產(chǎn)化率提升至70%，成本下降60%。

技術(shù)路線上，“端到端VLA+世界模型”成為主流方向，谷歌、英偉達(dá)等企業(yè)正推動(dòng)模型融入4D時(shí)空建模，讓機(jī)器人具備“主動(dòng)預(yù)測(cè)”能力，比如提前預(yù)判物體滑落軌跡，主動(dòng)調(diào)整動(dòng)作。

國(guó)內(nèi)企業(yè)則側(cè)重差異化突破，宇樹通過開源UnifoLM-VLA-0，推動(dòng)“硬件+模型”生態(tài)協(xié)同，降低行業(yè)研發(fā)成本，銀河通用構(gòu)建百億級(jí)“機(jī)器人干活數(shù)據(jù)集”，提升物流分揀場(chǎng)景適配率至98.7%（前文問答整理）。

王興興曾在五年前就預(yù)判到AI對(duì)機(jī)器人行業(yè)的顛覆性，他始終堅(jiān)持“實(shí)打?qū)嵉男枨笤谀睦铮覀兙徒鉀Q什么問題”（36氪，2025年8月7日）。這種務(wù)實(shí)主義，或許正是破解“造腦難題”的關(guān)鍵——不必追求一步到位的通用模型，而是先在特定場(chǎng)景實(shí)現(xiàn)突破，通過“數(shù)據(jù)飛輪”持續(xù)迭代，逐步向通用能力演進(jìn)。

業(yè)內(nèi)普遍預(yù)測(cè)，2026-2028年，工業(yè)場(chǎng)景將率先實(shí)現(xiàn)機(jī)器人大模型規(guī)?；涞兀?028年后逐步滲透至家庭服務(wù)領(lǐng)域。麥肯錫更是預(yù)測(cè)，2029年工業(yè)具身機(jī)器人密度將達(dá)60-200臺(tái)/萬平方米廠房。

從波士頓動(dòng)力的Atlas跳街舞，到宇樹H1奔跑跳躍，機(jī)器人的“身手”越來越靈活；從谷歌RT-3到宇樹UnifoLM，機(jī)器人的“大腦”越來越聰明。

王興興口中的“諾貝爾獎(jiǎng)級(jí)突破”，或許不會(huì)一蹴而就，但這場(chǎng)“造腦競(jìng)賽”的每一步進(jìn)展，都在推動(dòng)機(jī)器人從“實(shí)驗(yàn)室明星”走向“生產(chǎn)生活主力”。

閱讀提示：

本文部分內(nèi)容來源：東吳證券《機(jī)器人大模型行業(yè)深度報(bào)告》、IT之家、中新網(wǎng)報(bào)道

本文涉及均來源網(wǎng)絡(luò)公開資料，可能與實(shí)際存在差異，請(qǐng)謹(jǐn)慎引用

作品聲明：僅在頭條發(fā)布，觀點(diǎn)不代表平臺(tái)立場(chǎng)