扫码免费看调研纪要

一、核心判断：GPT-7是“外挂大脑”，不能直接打穿具身智能

市场关注GPT-7若明年推出，是否会在1-2年内推动具身智能大模型实现跃迁、迎来机器人的“ChatGPT时刻”。专家认为，GPT-7确实会把语义推理、多模态常识拉得很高，但不会直接打穿具身智能。它强在“大脑”层面，而机器人还要与现实物理世界接触，物理执行仍是难点。

具体来说，下一代模型在自然语言理解、常理推理、长任务拆解、三维场景语义理解上会有很大提升。以前机器人对指令理解比较模糊，不会拆复杂任务；下一代模型可以把人的语言拆成一套多步骤作业计划，对陌生物体、陌生环境的语义认知会强很多。这是上层大脑的降维赋能，解决的是“想明白做什么”，但解决不了“身体怎么做”。物理交互需要力控、关节轨迹生成、本体动力学，这些是机器人本体自身的问题。GPT-7输出的只是高层任务目标，底层动作解码和实时控制要靠机器人自己的模型本体和真机数据对齐。大模型是非常强的外挂大脑，但不能替代整套具身系统。

至于全开放环境下以70%-80%成功率完成人类无需专门学习的技能，专家判断近一两年做不到，可能要到2030年以后。而且不只是算力问题，数据、算法、本体硬件、工程部署要同时达到条件。很多演示视频能跑到80%-90%，但场景固定、物体固定、提前做过适配；换一种物体、光线稍变，成功率可能掉到40%-50%甚至更低。

二、四大瓶颈：数据、算法、端侧算力、本体硬件

第一，数据是最大瓶颈。 全球高质量真机交互数据目前只有几十万小时量级，要做到通用开放世界至少需要千万小时级高质量交互数据。重点不是随便凑市场，而是多样性——不同物体、不同光照、不同扰动、各种失败案例，以及关节状态、力反馈等。纯仿真数据不行，存在迁移鸿沟。

第二，算法层面需要靠谱的世界模型。  不只是看懂画面，还要预判物体怎么运动、受力后会发生什么。现在世界模型还处在早期阶段。通用动作表征要解决跨本体迁移，换一台机器人结构，数据基本作废，目前跨构型泛化还比较弱。长持续任务记忆、异常自主恢复也很难。人干活会出错会自己调整，现在机器人遇到小意外或小故障，往往判断任务失败就直接停了，这是真实场景成功率掉得比较大的一块。

第三，端侧实时推理是算力真正难点。 训练端算力投入资金可以堆出来，具身模型训练算力规模比顶级LLM小一个量级，不是最大卡点。真正难的是端侧：机械臂、灵巧手控制是几十赫兹高频，推理延时要压到百毫秒以内，还要处理传感器、力控信号。工厂讲究生产节拍，推理慢一拍，模型再对动作也滞后，任务也会失败。所以要做模型轻量化和边缘混合推理，云端做大规划，端侧做高速闭环控制。

第四，本体硬件可靠性和成本。 灵巧手、关节、力传感器可靠性，以及成本是现实约束。算法模型到位，但抓取打滑、感知不准，模型也发挥不出来。还要能到现实场景部署，运维成本可控。如果每台机器人都要配高薪工程师管理调参，成功率上来了成本也划不来。安全机制同样重要，未来开放家庭场景允许一定失败，但必须保证不伤人、不打碎贵重物品，要有兜底安全策略。

三、未来1-2年商业化场景：工业柔性产线和物流仓储最先闭环

优先看重复性、结构化的场景。短期内不会看家庭和通用商业服务上万台、10万台量级。有机会摸到万台级部署的主要集中在工业柔性产线和物流仓储，但最近一两年还看不到，可能要往后推两三年。

工业制造： 3C、新能源零部件产线的柔性辅助作业比较有希望。主要任务是产线上下料、料盘周转、简单插拔、物料转运、简单质检辅助。不是传统成熟固定工位打螺丝——传统工业臂性价比更高——而是混线生产、工位经常换、物料种类多的柔性工位，这是具身大模型的价值。专家所在公司在南昌龙旗、富临精工等项目已有几十台级别常态化在线跑。场景不一定非要双足人形，轮式双臂移动操作平台占大头；双足人形先在需要跨台阶、跨障碍物的少数工位小规模铺开。未来1-2年国内这个方向基本是几千到接近万台真实作业量，到10万台还到不了。成本、产线改造、客户接受度都是约束，客户要接受2-3年回本周期，很多工厂还在试点验证阶段。

物流仓储： 拆垛、料箱搬运、混合分拣是相对较大的闭环场景。仓库环境结构相对简单，任务就是搬箱子、周转箱、简单分拣。传统AGV只能移动不能抓取，传统机械轴只能固定点位；具身机器人可以在不同库位之间移动，处理不同规格箱子，适配仓库经常调整布局，客户付费意愿不错。头部物流企业已做试点，未来1-2年也会走到几千台甚至接近万台量级，同样是轮式双臂先跑量，人形双足作为补充。

高校科研实验室： 经费采购，追求平台能力，不追求生产ROI，也可以做到几千台，但不算产业作业需求，更多是数据采集或研发用途，很难成长到十万台级别。

商业服务： 接待、导购等形象展示项目，一次性采购，复购不高，失败容忍度低，人多环境复杂，ROI算不过来。未来1-2年可能几百台到小几千台，属于市场热度方向。

家庭服务： 一两年内基本谈不上商业闭环。安全、成本、通用任务成功率都没到位，距离万台级商务还有很长距离。

特种场景： 化工、电力巡检、高危作业等，场景本身市场小，但单台价值高，客户付费意愿有，属于高度定制化、场景固定或碎片化，单场景很难冲到上万台，属于小批量市场。

四、全球具身智能大模型格局：软硬件闭环是关键

评判维度包括模型泛化能力、真机交互数据规模与多样性（不光看时长，还要看失败样本、力反馈、状态反馈）、本体适配能力（同一套模型能否适配多款机器人构型、跨本体迁移成本）、落地和生态开放度（真实产线作业案例、开源基线、开发者生态），而不是只停留在实验室论文。

全球排得靠前的包括Figure、波士顿动力、银河通用、特斯拉等。Figure人形本体和真机数据闭环做得可以，真实场景盲测比较靠前，但工业落地案例还不够多。波士顿动力和谷歌运动控制底子很强，但成本高、商业化落地节奏偏慢。银河通用真机原生大模型架构、真机数据积累比较厚，跨本体适配和工业场景落地是优势，同时有开源基线，兼顾实验室能力和产业落地。特斯拉硬件量产能力强，但具身基础模型对外公开实测结果不多，更多依托FSD视觉底座。部分国内厂商运动模型也还可以，但真机真实交互数据相对少，真实产线落地还在推进。

是否需要与世界模型耦合？ 短期不需要强绑定硬耦合，但中长期考虑落地要做融合。不能直接拿通用视频生成世界模型当机器人大脑用。短期工业化落地主流架构还是分层架构：上层VLA具身大模型做感知、语言理解、任务规划，下层运动控制保证执行。这个阶段没有完整世界模型已经可以做出商业闭环。但要做到开放场景70%-80%成功率，世界模型就变成必备——机器人不能每一步做完才看见结果，需要在大脑里先预演、预判失败、提前调整。但不能直接拿通用世界模型硬塞给机器人，很多通用世界模型是互联网视频训出来的，视频好看但缺少机器人本体力反馈、动力学，物理规律是错的。

世界模型难点： 一是训练数据缺口大，尤其缺现实场景交互因果数据和失败样本；二是空间规划、物理保真、实时推理三者很难同时兼顾，场景小物理准、场景大物理失真，机器人端还要几十赫兹实时输出；三是预测推演算力开销大，云端有网络延迟，端侧轻量化难度大；四是多模态融合不容易，不只有视觉，还要融合力控、触觉、本体状态，目前没有成熟方案；五是评测标准不统一，很多评测比画面渲染清晰度，而不是比物理预测准不准、能否帮机器人提升任务成功率，各家宣传效果很难横向对比。

五、软硬件结合是头部玩家核心壁垒

产业里会出现只做大脑或只做硬件的公司，各有生存空间。但要做通用能力、跑通大规模商业闭环的头部玩家，软硬件深度结合是必须路线。

纯软件模型公司优势清晰：团队轻、专注算法创新、可做跨本体通用模型、对外输出API、服务多家硬件厂商，商业模式毛利可能高。但整体是别人的，始终拿不到带高质量真实物理交互的数据。没有机器人本体，只能靠合作方给数据，合作方往往给筛选过的成功样本，大量失败、打滑、抓取失误的负样本拿不到，而负样本恰恰是提升模型迭代的关键。软硬件适配也是问题，大脑再强本体跟不上也发挥不出来。商业化落地上，工业客户更倾向采购整机交付，而不是单独采购大模型自己集成，大部分工厂没有AI算法团队，买回去调不好，纯大脑卖起来阻力很大。

只做硬件的公司作为供应链，把关节、灵巧手量产做好稳定出货，但没有自研大模型就只能依赖第三方。模型迭代节奏控制不了；硬件设计阶段没有跟算法需求对齐，传感器选型、力控采样频率往往是硬件供应链导向，不是具身模型训练需求导向，结果硬件做出来模型发挥不出来，只能做传统固定流程机器人，做不了通用泛化。

所以想跑通万台甚至10万台规模，软硬件深度结合是相对必须的路线。

六、车企与互联网巨头：自动驾驶迁移有边界，数据闭环仍是核心

英伟达： 定位清晰，不做机器人本体，做具身行业基础设施。具身基础模型以Cosmos世界模型加上仿真、端侧算力，整套工具链对外开放授权，很多同行包括专家所在公司也用其仿真环境做预训练。优势在仿真生态、端侧算力、合成数据能力；但没有自有真机硬件，没有大规模真实物理交互数据集，模型落地仍要各家硬件厂商拿真机数据对齐微调。更像具身领域的安卓，提供工具底座，不直接产出可商用干活的机器人产品。

OpenAI： GPT系列常识推理、语言理解上限高，强项是通用认知和高层任务规划，但几乎没有自己的机器人硬件本体，缺少大量抓取、物理交互真机数据。很多演示是GPT接入机械臂做任务，上层规划效果很好，但精细物理操作和力控闭环是短板。未来大概率输出大脑认知层，不会下场做本体；真要做好机器人，必须深度绑定硬件方补齐物体交互数据。

World Labs： 主打世界模型方向，偏研究属性，擅长环境预测、动态仿真推演，但实体机器人落地案例很少，更多输出算法研究成果，商业化还在早期。

车企小鹏、比亚迪、华为： 最大积累是自动驾驶世界模型在空间感知、端侧低延迟推理能力，能否迁移到机器人身上。小鹏全栈投入力度较大，主张物理AI一套底座打通车和机器人，自动驾驶视觉编码器、端侧推理技术可复用给机器人，硬件本体、芯片、模型全部自研，计划年底小批量，优先在门店、园区试点。小鹏车辆硬件量产能力有，端侧世界模型和空间感知也可以，但短板在于自动驾驶是看懂环境做移动决策，机器人是接触物体抓取操作，物理交互和灵巧操作数据积累相比专注机器人的创业公司还需要时间追赶，短期内更多是内部场景试点，大规模对外工业落地没那么快。华为类似，世界模型在自动驾驶已大规模用于动态环境感知、安全决策、端侧低延迟，体系非常强，但目前没有对外发布完整人形机器人整机，更多输出模型、算力、零部件，偏向赋能生态；移动感知很强，抓取和物理交互真机数据还要持续补。比亚迪制造供应链、硬件量产、成本控制能力强，但机器人大模型和世界模型公开成果不多，优势集中在硬件制造，算法模型还在追赶。

车企共性问题是：不能直接把自动驾驶模型倒搬过来解决机器人操作问题。自动驾驶世界模型解决移动和避障、预判人和车运动；人形机器人要解决手接触物体、抓取、插拔、处理摩擦力、形变、精细物理交互。空间感知可以复用，但物理交互、力控、灵巧操作是另外一套数据和算法。车的世界模型只能做感知底座，必须补齐大量真机交互数据做对齐。

阿里、腾讯： 依托混元等大模型输出VLA具身模型，不自己做本体，定位给机器人厂商输出大模型SDK，与宇树等硬件公司结合做展厅、文旅类试点。优势是大模型基座、云平台；缺点同样是没有自己机器人硬件，缺少大量工厂真实物理交互数据，更多做生态赋能，不会往通用人形整机头部去冲。阿里偏向战略投资多家机器人硬件公司，同时有菜鸟仓储配送场景资源，有大量物流场景数据，但也是生态加投资为主，没有自研人形整机，云端大模型和物流场景之外的灵巧操作、人形真机交互数据相对有限。

结论： 不管英伟达、车企还是腾讯阿里，都离不开硬件闭环逻辑。没有持续真机物理交互数据飞轮转起来，上层大模型再强，通用具身能力也很难跑起来。

七、行业格局：头部全栈平台+大量垂直创业公司

短期内软硬件全栈的整机厂占据主导，中长期会出现分工：工具层、整机层、垂直场景层分开。纯做模型、没有真机闭环的公司未来生存压力很大。

具身智能是资本、算力、数据高投入方向，并购会成为常见方式。但光靠投资或收购硬件小公司，并不能带来完整数据飞轮。未来不会是一家通吃，而是少数全栈平台型头部加大量细分赛道创业公司。

创业公司突破关键不是单纯对算法，而是先跑通真实场景闭环，把真机数据转起来。算力虽然比顶级LLM小一档，但成本不完全在训练卡，主要在于真机集群、仿真集群、数据采集标注、整机运维。几十上百台机器人连续跑采集数据，硬件损耗、人力标注成本开销非常大，比算力还贵的是高质量真机交互数据。千万小时级高质量交互数据不是有钱就能马上买到，需要时间迭代，机器人在真实环境不断产生成功样本和失败样本。

大模型巨头并购硬件本体公司一定会发生，可以快速拿到样机、团队、初始数据，但买不到已经跑通的持续数据飞轮。软硬件深度结合不是收购就能自动打通，收购来的硬件本体，模型怎么适配固件、传感器噪声、动力学偏差，怎么把真实业务场景数据源源不断回流给模型，这套工程体系要重新磨合。很多收购案例容易出现硬件拿到手、数据闭环跑不起来。并购只是加速方法，不是捷径。

创业公司机会在于：优先做垂直场景，先拿商业闭环，用业务产生的真实数据反向迭代模型，不用一上来就追全世界通用人形机器人；先把某一特定场景做通吃透，形成复购和收入，机器人现场持续跑，源源不断产生真实物理交互数据，数据飞轮起来后不断拓展任务边界。专家所在公司也是先落地工业物流拿到真实业务数据，再反哺基础模型迭代。还可以做差异化技术路线、工程化本体适配、混合数据体系长板，比如仿真到真机对齐、跨本体迁移、端侧轻量化推理，把底座模型做深度二次优化。国内工厂、物流场景体量和多样性海外很难比，本土创业公司离产业客户近，理解产线真实问题，联合调试配合更快，这是海外巨头拿不到的一手现场数据优势。但没有真实业务落地、没有持续真机数据来源的小创业公司，未来两三年会很难。

八、真机数据价格与归属

目前真机数据价格跨度较大，基本在500到1000元/小时 ；如果带触觉及其他高精度信息，价格还会更高。本体厂商卖给数据训练中心可以作为短期营收模式，但单纯靠卖设备或卖数据采集很难成为长期核心主业。很多地方数据训练中心是地方国资出钱采购机器人本体，本体厂商能拿到一年订单，但很多中心是模拟仿真场景，不是真实工厂，产出数据和真实产线有差距，质量参差不齐。行业也出现过内循环模式：数据训练中心买机器人，再花钱向中心买数据，账做得好看，但企业付出数据采购成本，不代表外部市场真实需求。数据训练中心本身重资产投入，靠卖数据回本很难，独立第三方买家不多，政策变化订单也会收缩。真正高质量数据始终来自实际工厂、物流真实作业现场，机器人干活同时回流数据，成本最低、场景最真实；数据训练中心更多做补充采集。

数据归属方面，原始传感器素材、机器人跑在客户工厂现场的原始图像、关节轨迹等，法律上很大程度属于场景方（工厂、物流客户），硬件只是载体，商业合同会明确约定。经过清洗、标注、对齐、脱敏后的训练数据是加工出来的资产，加工能力掌握在模型和本体厂商手里；原始素材不经整套加工直接训练模型也没用。模型迭代后沉淀的知识、权重、表征能力不会还给场景方，沉淀在模型厂商。短期很多模型公司、本体厂商自建数据采集，数据资产掌握在自己手里。中长期大量高价值数据来自真实业务现场，场景方掌握原始数据，但原始数据没经过清洗标注脱敏很难训练大模型，会演化出合作方式：客户允许机器人在作业过程中回传脱敏后原始数据，模型厂商加工迭代模型，迭代后的模型能力再赋能客户机器人，形成双向互惠。不会出现场景方把原始数据全部拿走、模型厂商什么都没有，也不会本体厂商无限制拿走客户业务数据。原始素材源头慢慢向场景方迁移，但高质量加工数据集和模型知识沉淀，依然是本体和模型厂商的核心壁垒。只做纯软件模型公司，拿不到真实业务场景源源不断的原始素材，光靠采购第三方数据，数据飞轮也很难跑起来。

九、总结

GPT-7会显著提升具身智能上层大脑能力，但不会直接带来机器人“ChatGPT时刻”。具身智能的真正突破需要数据、算法、端侧算力、本体硬件、工程部署多条件同时成熟。未来1-2年商业化最先在工业柔性产线和物流仓储闭环，量级从几千台向万台靠近，家庭服务尚早。全球格局看，软硬件深度结合、拥有真机数据飞轮的头部全栈平台将占据主导，纯软件或纯硬件公司各有生存空间但难成头部。车企自动驾驶迁移有边界，物理交互和灵巧操作数据仍需补齐。创业公司机会在垂直场景先闭环、用真实数据反哺模型，数据归属和加工能力是核心壁垒。

免责声明：本文由音频通过AI自动生成，内容仅供参考，不构成任何投资建议。市场有风险，投资需谨慎。

加入星球，您能够第一时间获取

市场动态 、政策解读、机构调研

助您做出更明智的投资决策

10W+机构调研资料等您获取