野村｜机器人的「ChatGPT 时刻」爆发路径，比市场预想的更近

9 月以来，全球机器人赛道的产业情绪明显拐头向上。

海外AI大模型巨头集体杀入物理AI赛道，OpenAI、特斯拉、字节跳动、DeepSeek相继曝光机器人相关研发进展；国内人形本体、灵巧手、伺服执行器产业链订单逐步释放，一级市场融资回暖，二级市场板块反复异动。

但市场内部分歧巨大：一部分观点认为具身智能即将迎来奇点，复制大模型爆发行情；另一部分观点认为当前仍处在实验室Demo阶段，距离商业化落地遥不可及，更多是主题炒作。

野村证券于发布深度报告，走访产业链上下游做大量一手产业调研，完整复盘机器人复刻LLM发展的完整逻辑，对技术路线、数据供给、硬件迭代、催化时点、风险隐患全部做了量化测算与判断。给出了一个非常明确的判断：机器人正在完整复刻大语言模型（LLM）的发展路径，它的「ChatGPT 时刻」，可能比绝大多数人预想的都要近。

大语言模型从GPT-1走到ChatGPT，走完预训练、指令微调、强化学习完整闭环，实现能力的跨越式涌现。野村通过产业链访谈判断：人形机器人、具身智能，正在复制这套完整成长路径，它的"ChatGPT时刻"，比市场普遍预期来得更早。

1、NVIDIA提出机器人发展三阶段框架

英伟达内部科学家提出，机器人能力演进，将严格复刻LLM三大阶段：

. 广泛预训练阶段：机器人吸收海量多模态动作、视频数据，学习通用世界常识；

. 特定任务微调阶段：针对现实指令，做任务对齐微调；

. 强化学习试错迭代：在仿真和真实环境中不断试错，持续迭代模型性能。

野村2026年9月一轮产业走访，观察到两个非常关键的行业情绪拐点：

第一，只要给机器人足够的动作反馈数据完成训练，作业精度会出现跳跃式提升，和大模型的"涌现现象"高度相似，并不是线性缓慢改良；

第二，产业圈逐步形成共识，未来两年内，机器人有望达到对标L2+辅助驾驶的能力水平：可以处理大量常规任务，不需要人类全程操控，仅少量场景需要人工接管。

2、短期明确的事件催化清单（2026年底-2027年）

报告梳理了接下来12-18个月，会直接扰动行业预期的核心催化剂：

. OpenAI面向物理AI的专用模型，预计2026年12月-2027年1月发布；

. 字节跳动、DeepSeek新一代机器人基础模型对外释放测试/演示；

. OpenAI人形机器人实体Demo对外公开；

. GPT-7预计2027年推出，市场期待其打通物理世界智能的关键瓶颈。

3 、当前行业所处历史定位：类似深度学习AlexNet时代，尚未抵达GPT-2

很多市场宣传会把现在的机器人对标ChatGPT，野村给出冷静判断：目前机器人的大脑能力，还没有达到GPT-2水平，更接近2012年AlexNet问世的时间节点。

实验室中已经看到部分涌现迹象，但没有任何一套模型，可以稳定支撑真实工业、家庭场景连续可靠作业。

来自产业一线的观点可以相互印证：

. 野村判断，2026年12月-2027年1月新一批前沿模型发布之后，机器人能力才会逼近GPT-2级别：效果惊艳，但还达不到量产落地标准；

. 宇树科技创始人王兴兴在10月22日公开表态：物理AI已经显现早期突破信号，大概率会在1-2年或者2-3年迎来关键拐点，整个行业包括自己，都在持续低估AI迭代速度；

. OpenAI CEO山姆·奥特曼接受《财富》采访：2027年会拿出效果很酷的机器人Demo，但机器人真正走上街头，还需要再往后数年时间。

当下行业并没有形成统一的技术标准答案，三类模型路线并行竞争，定位、参数量、算力消耗、部署方式完全不同，未来会形成云端-端侧分工共存格局。

1、三大主流模型技术路线对比

. VLA 视觉-语言-动作模型

逻辑：读取图像画面+人类语言指令，直接输出机器人运动轨迹，交由底层控制器执行。

现状：现阶段端侧落地主力，轻量化版本参数量仅2B-7B，单台机器人芯片+存储硬件成本大约3-4万元。

短板：早期VLA模型例如π0、GR00T，大量算力消耗在语言理解，擅长识别物体，但是对物理运动、重力、碰撞等现实物理规律理解偏弱。

. WAM世界-动作模型（World-Action Model，世界模型）

逻辑：既要预测机器人行动之后世界画面会如何变化，同时输出机器人电机动作；把渲染图像、物理仿真、任务规划三合一。

• 渲染模块：生成视频画面（代表如Sora视频生成模型）；

• 仿真模块：推演物体物理变化；

• 规划模块：完成任务决策（VLA模型承担该角色）。

现状：参数量巨大，代表项目World Labs Atlas参数量100B-200B；完整视频生成版本算力消耗，是轻量VLA模型的3-10倍。

优势：通过逐帧视频预测，模型自主学习重力、浮力、光照等物理规则，面对从未见过的全新环境，泛化能力更强。

. 仿真环境强化学习RL

逻辑：在虚拟物理环境中，让机器人大量试错，迭代运动控制策略。

现状：四足机器人领域已经大规模落地，宇树行走机器人就是典型案例，仿真训练出来的运动能力，可以直接迁移到真实硬件。

短板：对于复杂灵巧手精细操作，纯仿真和现实世界存在仿真-现实鸿沟。

2、未来部署格局：云端跑大世界模型，机器人本体跑轻量化VLA+RL

野村给出明确的到2027年的产业推演：

新旧范式对比（源自野村报告框架）：

类似GPT-3的少样本能力——仅仅看少量演示，不用重新训练，就学会全新任务，已经在多家公司的实验结果中出现。但几乎全部局限在实验室仿真环境。

野村调研三家代表性企业公开实验结果：

1. Generalist AI GEN-1.5：仅靠一段3-12秒的人类演示视频，就学习新任务；10项测试零额外训练成功率59%；补充5分钟少量数据微调，成功率提升至83%。

2. Skild AI S1：机器人观看人类完成咖啡制作的完整视频，即可学习最长10分钟的长流程任务；企业没有对外公布量化成功率。其CEO直言：现阶段S1还达不到家庭落地标准。

3. 蚂蚁集团Robbyant Zero-WAM：在7个从未训练过的仿真任务，取得47%成功率，较当时最优基线高出29.5个百分点。

核心客观现实：

虽然已经从"需要上百次演示"进步到"只需要1-2次演示"，但所有结果来自厂商自测，测试任务短，大多跑在仿真环境。因此野村维持判断：当前机器人大脑整体水平处在GPT-2之前区间，ChatGPT时刻尚未到来。

同时报告引用谷歌Gemini Robotics 2实测任务成功率，可以直观看到精细操作的现实瓶颈：

• 拧下灯泡、插入U盘这类任务成功率可以做到接近90%；

• 但是生活化精细作业：系垃圾袋成功率仅44%，把垃圾扫进簸箕只有32%；拧入灯泡、密封拉链袋成功率不足40%。

很多概念炒作会随意宣称"具身智能奇点到来"，野村提出5条硬考核标准，全部达标，才算是行业真正迎来ChatGPT时刻。其中第1条连续无故障工作时长、第5条工厂落地准确率，是商业化最重要两个标尺，决定客户是拿试点预算玩玩，还是从经营预算真金白银采购。

1. 无人值守连续运行时长
现状：行业最优水平也只能维持数小时，中间需要人类介入排除故障；
产业真实需求：工厂场景要求连续一周无人干预运行。

2. 精细手部作业成功率
现状：系垃圾袋、扫地入簸箕这类生活化操作成功率仅30-45%；
产业需求：大量家务、工厂装配任务，要求高可靠精细操作。

3. 跨机器人本体快速适配能力
现状：谷歌模型适配新机器人本体要7-8小时；国内头部企业也要大约两周；
产业需求：模型可以快速迁移到不同硬件，降低本体迭代带来的重新训练成本。

4. 新任务学习需要的演示样本数
现状：实验室做到1-2次演示学会任务；
现实痛点：实验室理想条件，真实环境噪声大，会大幅拉高样本需求。

5. 工厂实地作业准确率
现状：当前真实工厂环境大约60%；
产业硬性门槛：工业场景普遍需要≥98%准确率；报告预判补齐差距需要3-5年时间。

大语言模型可以抓取全网海量文本做预训练；机器人没有"互联网现成动作数据集"。所有和物理交互相关的数据，必须人工采集、标注、清洗。数据是当前行业最稀缺的生产要素。

1、行业数据的量级缺口到底多大？

野村汇总产业链多方口径，不同统计口径数值存在差异，但缺口是共识：

. 涌现现象的大致门槛：100万小时统一格式高质量可用动作数据，大致等价于人一辈子积累的实操经验；

. 行业现状：目前全行业统一标准可用数据仅约10万小时；头部企业优质数据存量仅几十万小时；特斯拉Optimus机器人累计数据刚刚跨过50万小时；

. 中长期需求：产业起步阶段需要1000万小时可用数据，成熟阶段需要上亿小时；而当前全行业存量仅几百万小时；

. 数据损耗问题：不是录多少小时就得到多少小时，宇树调研数据显示，原始录制数据里面，只有约25%具备训练价值，录制4小时，仅产出1小时有效数据。

2、四种主流数据采集模式：成本、复用性、市场规模、优缺点对比

2026年国内机器人数据采集整体市场规模约40-50亿元，不同采集方式成本、跨机器人复用能力差异巨大。

1. 真实机器人遥操作 Real-robot teleop

• 市场规模：24亿元，占国内市场最大份额；时长占全部采集量30%

• 成本：500-1000元/小时，中枢700元/小时

• 优点：真实机器人本体采集，数据真实性高；

• 缺点：成本昂贵；数据高度绑定特定机器人硬件结构，换机型基本失效。

2. Ego第一人称视频 + UMI通用操作接口

•  市场规模：合计13亿元；时长占全部采集量45%（占比第一）

• Ego（人第一视角摄像头拍摄日常动作视频）：300-350元/小时；优势：纯视觉，不绑定机器人本体，跨机型跨代都能用；

• UMI手持操作采集设备：100-300元/小时；缺点：采集设备干扰人类正常工作，只能小批量定制。

3. 仿真合成数据 Simulation synthetic

• 市场规模：6亿元；时长占全部采集量10%

• 成本：约120元/小时，四类里面最便宜；

• 短板：存在仿真-现实鸿沟；面向真实世界感知任务，仿真数据占比不宜超过20%。

4. 故障恢复数据 Failure-recovery

• 市场规模：3亿元；时长占全部采集量15%

• 用途：专门采集机器人出错、摔倒、操作失败的样本，提升模型容错性。

野村判断：未来12-24个月，伴随国内二十余个城市级数据工厂、海外众包项目落地，各类采集服务的单位成本会持续下行。

3、Ego第一人称视频成为预训练主流，大模型缩放定律复制到机器人

产业方向逐步收敛：第一人称Ego视频会成为机器人基座模型预训练最核心数据源。

英伟达EgoScale就是典型路线：先用21000小时以上人类第一视角日常视频完成预训练，再用少量遥操作、动作捕捉数据微调。

针对手部灵巧操作任务，出现和LLM完全一致的缩放定律：投入预训练算力越多，模型能力就会可预测稳步提升。

这带来竞争格局推论：拥有最强算力、完善数据流水线的AI实验室会占优；高度绑定单一硬件的遥操作数据，长期价值会被稀释。

同时出现新技术路线：部分企业利用3DGS/4DGS高斯泼溅，对现实场景做三维、四维扫描生成训练数据，降低对外包采集服务依赖。

数据采集烧钱，模型训练同样烧钱。2026 CoRL会议论文SuperMimic，为人形全身运动控制，提供了一套算力大幅降低的新范式，报告用专门章节拆解它带来的变革。

1、过去人形全身控制两种老方案的弊病

. 为每一类动作单独训练一个专家模型，后期合并，但是合并之后精度损失严重；

. 训练单一统一大策略，但是需要投入极其庞大GPU算力，成本高企。

2、SuperMimic核心创新

不再直接在原始物理仿真器反复试错训练机器人；

训练一套可微分世界模型，让模型先学会机器人本体全身运动特性，控制器直接在习得的世界模型内部完成训练，依靠预测的短动作序列学习，避免海量低效试错。

3、实测惊人结果

测试数据集合计129514组运动动作（包含翻滚、后空翻、舞蹈、跳跃等高难度动作）：

• 旧基线SONIC方案：失败179次；

• SuperMimic 3小时训练版本：失败25次；

• SuperMimic 双GPU训练9.8小时：实现全部动作零失败。

同时，当训练运动数据规模，从1小时扩张到264小时，模型性能可以保持稳定。这套方案已经在宇树G1人形机器人完成验证，支持杂技等高难度全身动作。

4、三条重要产业推论

. 人形机器人训练主战场，会迁移到学习出来的神经世界模型内部，而不是传统手工编写物理仿真引擎；

. 训练一个大一统控制器，优于一堆任务专用小模型；

. 人形全身运动训练对算力的依赖显著下降；真实物理世界采集的机器人现场数据，权重进一步抬升。

Ego视频、仿真、动捕数据，只能完成预训练阶段。真正驱动行业走到ChatGPT时刻，需要跑通正向数据飞轮闭环：

1、特斯拉的闭环规划

野村产业调研信息：特斯拉计划，截止2026年底，在自有工厂内部署约1万台Optimus机器人做训练，目标累计收集100万小时可用数据。

成本改善已经显现：2026 Q2到Q3，Optimus单小时训练数据成本环比下降18.1%。

2、国内落地规模仍处在早期

国内商用采购体量还很小：国内七大头部快递公司，2026全年人形机器人采购预计不足500台；2027年预期约1000台。

由此野村得出判断：最先跑通完整正向数据飞轮的，大概率是模型、机器人本体全部自研的一体化厂商。

3、全球机器人训练数据供需格局

• 海外需求高度集中头部AI实验室：OpenAI在2025.9-2026.9约一年时间采购约1000万小时训练数据，占据美国市场70%供给；DeepMind占约20%；

• 国内：字节跳动是国内唯一稳定大额采购方，吃掉国内三家头部供应商约80%产出，主要用于视频AI模型；

• 供给端：鉴智机器人累计采集约100万小时；ATARA给OpenAI、DeepMind输出100-200万小时；

• 独立第三方数据服务商窗口期有限：留给外部采集商大约三年时间。等到头部厂商自有机器人群体规模起量，就会转向内部自采；叠加跨境合规限制，预计2027年末，第三方数据供应商数量会明显萎缩。

模型能力提升，会自上而下带动硬件需求释放。硬件环节里面，灵巧手是第一波受益环节；中长期看本体设计收敛，制造一致性、成本控制成为胜负手。报告给出三种未来硬件生态情景，情景之间可以重叠，不是非此即彼。

1、三种硬件产业终局情景推演

情景A：AI大模型实验室实现物理AI突破，人形机器人复刻安卓手机生态

机器人大脑（基础模型）成为平台核心，硬件本体走向标准化。AI模型企业更倾向外购第三方机器人硬件，而不是自己造本体。目前DeepSeek、字节跳动已经向硬件供应商提出定制化机器人硬件需求。

情景B：特斯拉全栈一体化模式胜出

特斯拉模型、传感器、本体、数据全部自研闭环。产业红利向特斯拉组装代工厂、稀缺核心零部件供应商倾斜。

情景C：零部件标准化浪潮

行业形成跨厂商通用零部件标准；零部件厂商受益。释放顺序：灵巧手先行，后续延伸到关节、执行器等其他核心部件。

2、灵巧手：AI模型解锁最大瓶颈，出货量迎来高速增长

过去行业大量使用简单两指夹爪，不是灵巧手硬件造不出来，而是缺少足够训练数据，AI无法驱动五指灵巧手完成复杂操作。

基座模型带来能力跃迁：夹爪上面学习到的操作技能，可以迁移到五指灵巧手上，直接打破数据桎梏。

野村调研关键数据：

. 2026年高自由度灵巧手出货量同比增速80%-120%；增长主力是高DOF多自由度灵巧手；

. 2026年，工厂场景30%-50%传统夹爪会被灵巧手替换；

. 市场甚至出现一类新创业公司，专门向AI实验室输出手部操作任务数据集，商业收入超预期。

不同技术路线灵巧手（连杆、腱驱动、直驱）价格呈现逐年下行趋势，规模效应显现。

3、人形本体的"iPhone时刻"：设计收敛之后，拼的是制造一致性

当软件模型路线尘埃落定，人形机器人整机设计会快速收敛，市场只会留存少数几套主流硬件方案，这就是人形的iPhone时刻。

人形机器人整机拥有20个以上关节。如果不同个体关节特性存在细微差异：在A台机器人训练好的控制策略，放到B台机器人直接失效。硬件一致性，同时决定产品质量，也决定训练数据是否有效。

由此推导竞争赢家画像：可以快速迭代产品、严控成本的本体厂商（如宇树）、汽车制造背景企业、核心零部件供应商。

成本预判（大规模量产后BOM成本）：

• 1.7米身高人形：15万-20万元；

• 1.3米小型人形：3万-4万元；

• 其中执行器（电机+减速器组件）占整机物料成本50%-75%，是成本占比最高部件。

4、案例拆解：宇树科技自研与外包的BOM结构

以宇树作为国内人形代表企业，报告拆解BOM结构：

. 人形机器人80-90%BOM属于自研设计；但自研设计+自研生产的部分只有约50%；

. 第三方外购模块占BOM 10-15%：主要是激光雷达、深度相机（Livox、奥比中光、RealSense等）；

. 美国元器件占比：G1基础版人形BOM中美系元器件占2%-8%；G1教育版本搭载英伟达硬件，占比提升到10%-20%。

野村观点：伴随出货量提升，宇树会持续提高外部零部件外包比例，目的是控制成本、同时稳定量产一致性；现阶段核心优先级，是不牺牲质量前提下进一步压缩整机成本。

即便产业大方向向上，报告也明确列出行业不能忽视的风险点：

1. OEM本体厂风险：硬件一致性做不好，业务高度依赖科研试点客户，当行业从试点走向商业化，需求存在下滑风险；

2. 算法初创公司风险：专门做机器人大脑的初创企业，商业模式会随大模型巨头下场而发生巨大改变；

3. 宇树重点提示风险：海外业务面临海外监管政策风险；超过70%人形相关收入来自科研采购客户，面向真实产业客户的新增长曲线尚未完全跑通；行业竞争加剧，存在持续价格战压力。

核心结论复盘

1. 具身智能完整复刻LLM三阶段演进路线；2026年底-2027年初一批新模型发布是第一轮重要催化；当前整体能力处于GPT-2之前，距离真正ChatGPT时刻仍有1-3年时间窗口；

2. VLA、世界模型WAM、仿真RL短期并存；未来形成"云端大世界模型做训练、端侧轻量化VLA/RL做实时控制"的分工；

3. 实验室已经验证少样本学习能力，但真实工厂环境准确率、连续无故障工作时长仍是最大短板，5大量化指标可以用来跟踪奇点进度；

4. 训练数据是行业最大瓶颈。Ego第一人称视频预训练价值凸显；SuperMimic新训练范式，把全身控制算力降低千倍，改变训练逻辑；最终的产业突破必须依赖大量真实部署机器人跑出正向数据飞轮；

5. 硬件红利释放顺序：灵巧手最先迎来高增长；中长期人形本体走向标准化，硬件一致性、成本控制成为竞争胜负手；存在安卓生态、特斯拉全栈、零部件标准化三种情景并行可能。

未来重点跟踪事件清单

• OpenAI物理AI专用模型、人形机器人Demo；

• 字节跳动、DeepSeek机器人基础模型输出；

• GPT-7在2027年的能力表现；

• 灵巧手出货量、工厂夹爪替换比例数据；

•  人形机器人真实工厂场景作业准确率、无故障连续运行时长；

• 头部厂商自有部署机器人群体规模，可用训练数据小时数增长；

• 人形整机量产BOM成本下行进度。

如果觉得这篇深度拆解对你有帮助，欢迎点赞、在看、转发，你的支持是我持续扒研报、挖干货的最大动力。