来源：价值目录
文章链接：https://mp.weixin.qq.com/s/raJZijvHpgbUorEGtRavxg
机器人正在复制大模型当年的进化路径，ChatGPT时刻可能比市场想得更近。
但报告也没有把话说满。
现在机器人“大脑”还没真正达到大模型GPT-2阶段，世界模型甚至还不如2012年的AI成熟。行业里有能力飞跃，也有硬伤：
数据不够、精细操作不稳、机器人之间不一致、真实产线成功率不达标。
所以这份报告的核心不是“机器人马上无所不能”，而是：模型迭代、数据积累、算力投入和硬件量产，正在开始形成同一个飞轮。
谁先让这个飞轮转起来，谁就更接近机器人的ChatGPT时刻。
野村全球机器人行业报告封面
1）野村的基本判断：机器人会沿LLM路径演进
英伟达一位科学家把机器人训练分成三步：先用大量数据广泛预训练，再针对具体任务微调，最后通过强化学习在试错中改进。
这个路径和LLM很像。差别在于，语言模型可以直接吃互联网文本，机器人却没有同等级别、可直接使用的数据源。
也正因为如此，谁能低成本拿到高质量动作数据，谁就有机会复刻大模型的Scaling Law。
野村9月行业调研显示，市场态度明显转暖，有两个原因：一是机器人在获得足够动作反馈后，精度会出现类似LLM的跳跃式提升；二是行业在两年内达到“L2+辅助驾驶”水平的可能性正在上升。
催化剂也排得较清楚：OpenAI物理AI模型、字节和DeepSeek新模型，以及OpenAI人形机器人和GPT-7。
报告预计，12月至1月的新模型发布，可能成为第一阶段催化。
机器人正在复制大模型的模型、数据、仿真和后训练路径
2）别急着开香槟：现在还没到GPT-2
野村把当前机器人行业比作2012年的AlexNet时刻：深度学习的潜力刚刚被证明，但距离成熟应用还有很长一段路。
报告的判断很直接：
现在机器人“大脑”还没有达到GPT-2水平，下一批12月至1月发布的新模型，可能更接近GPT-2，但仍不适合直接上产线。
更冷的一点是世界模型。野村认为，世界模型目前还不如2012年的AI成熟。换句话说，机器人已经会做一些让人眼前一亮的动作，但离“稳定理解世界并持续干活”，还差得远。
不过产业人士明显更乐观。
宇树创始人王兴兴称，物理AI已经显现早期突破迹象，时间可能是一到两年，也可能是两到三年；他还认为几乎所有人，包括他自己，都在低估AI。OpenAI CEO Sam Altman则预计，2027年能看到很酷的OpenAI机器人演示，几年后再进入街头场景。
3）少样本学习已经出现，但大多还停在实验室
报告列举了几个“GPT-3式少样本学习”案例。Generalist AI称，GEN-1.5只要一段3—12秒演示，就能在不额外训练的情况下完成新任务，10次测试成功率为59%；补充5分钟数据后，成功率升至83%。
Skild AI的S1模型号称能通过观察人类视频，学习任务时长最高10分钟的操作，例如做咖啡，但公司没有给出成功率。其CEO也承认，S1还没到能进家庭的阶段，机器人行业还没有迎来ChatGPT时刻。
蚂蚁机器人团队的Zero-WAM更有意思。它在7个从未见过的仿真任务上成功率达到47%，比最佳可比模型高29.5个百分点。
这些进展说明，过去要几十上百条示教才能学会的新任务，现在在实验室里已经能压缩到一到两条演示。
方向是真的，可靠性还不够。而且这些结果大多来自公司自测、短时间任务或仿真环境，和真实工厂不是一回事。
4）三条模型路线并行，短期算力决定打法
目前机器人“大脑”主要有三类模型：VLA、世界模型和强化学习。VLA负责看图、听懂指令并输出动作；世界模型负责预测行动后世界如何变化；强化学习则在仿真里反复试错。
报告引用英伟达科学家观点称，早期VLA模型如π0和GR00T，很多能力仍来自语言模型，所以它们知道“东西是什么”，却未必知道“东西会怎么动”。
新一代WAM把视频生成当成物理引擎，通过逐帧预测学习重力、浮力和光照，同时预测下一步会发生什么、机器人该怎么动。Dream Dojo更进一步，直接用视频模型替代传统物理引擎，让机器人在多个仿真世界里同时练习。
路线不同，算力需求也不同。野村行业调研显示，端侧VLA模型通常只有20亿—70亿参数，配套芯片和存储成本约3万—4万元；世界模型重得多，World Labs的Atlas据说有1000亿—2000亿参数。全视频世界模型运行算力需求，比压缩表示版本高出3—10倍。
因此，报告预计2027年前更可能形成这样的分工：重世界模型跑在云端，负责训练和生成数据；轻量化VLA、RL模型跑在机器人本体上。
5）真正的突破者，可能是大模型实验室和特斯拉
野村认为，机器人突破不一定来自机器人初创公司，更可能来自两类玩家：一类是OpenAI、Google这样的大模型实验室，另一类是特斯拉。
原因很现实。大模型实验室有算力、人才和通用模型能力。野村行业调研称，美国工程师人均可用算力是中国同行的10倍以上；在中国公司里，字节的机器人相关算力最强。
报告预计，OpenAI可能在12月至1月发布专为物理AI打造的模型，Google等大厂可能在随后约三个月公布进展。Google Gemini Robotics 2在长链条、多步骤任务上最高成功率达到91.3%，野村调研认为其全身控制约领先中国对手一年。
特斯拉的优势则是闭环。它同时握有仿真、世界模型、数据分拣、数据平台和工厂测试，传感器与数据格式也基本定型。行业调研显示，特斯拉机器人完成检查屏幕、取工具、定点任务和自动充电等无人化工厂流程的成功率约为97%。
这不是简单“谁模型更好”的问题。大模型实验室强于通用能力和人才，特斯拉强于自有机器人、真实场景和车队数据。
最终赢家要同时有算力、数据闭环和机器人在现场。
6）野村提出五个硬指标，用来判断ChatGPT时刻是否到来
第一个指标是连续无人工作时间。目前最好水平仍只能撑几个小时，而工厂需要的是连续一周无人干预。
第二个指标是精细手部操作。行业调研显示，Gemini Robotics 2搭配Apollo 2机器人和灵巧手，扎垃圾袋成功率为44%，扫入簸箕成功率只有32%。演示视频可以很帅，工厂只看结果。
第三个指标是适配新机器人本体。Google模型约需7—8小时，中国较快玩家也需要约两周。也就是说，换一个机器人，模型还不能立刻无缝迁移。
第四个指标是学习新任务所需演示数量。实验室里已经能降到一到两条，这是明显进步。
第五个指标是产线准确率。当前行业调研结果约为60%，而工业应用通常要求98%以上。野村预计，这个差距可能还需要3—5年才能补上。
五个指标里，报告最看重第一和第五。
原因很简单：只有无人运行时间和产线成功率达标，客户才会从运营预算里掏钱，而不是拿一笔“试试看”的预算。
Gemini Robotics不同任务的成功率：复杂精细操作仍明显偏低
7）数据是最稀缺资源，有效数据比记录数据少得多
语言模型可以直接从互联网文本学习，机器人没有这种天然语料库。遥操作虽然质量高，但慢、贵，而且每个采集设置能记录的数据量有限。
野村行业调研认为，机器人“涌现时刻”的门槛大约是100万小时数据。目前行业统一格式下的可用数据只有约10万小时；头部公司也不过几十万小时，特斯拉Optimus刚超过50万小时。
更夸张的是长期需求。
野村调研称，训练起步可能需要1000万小时，长期需求会超过1亿小时。不同口径差别很大，但共同结论是：现有数据远远不够。
而且，数据不是录了就有效。宇树此前大约只有四分之一的记录时间能变成可用数据，相当于录4小时才能留下1小时。听上去有点浪费，但这正是机器人行业现在的真实状态。
8）四条数据路线，各有价格和复用性限制
野村估算，中国2026年数据采集市场规模约40亿—50亿元。其中，真机遥操作约24亿元，第一人称视频和UMI约13亿元，仿真数据约6亿元，失败恢复数据约3亿元。
按采集时长算，第一人称视频和UMI合计占约45%，真机遥操作占30%，失败恢复占15%，仿真占10%。随着20多个城市级数据工厂和海外众包扩产，报告预计相关价格将在12—24个月内下降。
真机遥操作每小时约700元，调研区间500—1000元。质量高，但数据通常绑定特定机器人本体，换个形态就可能失效。
UMI手持夹爪每小时约100—300元，成本更低，但会干扰人的正常工作，订单规模仍偏小、偏定制。第一人称视频每小时约300—350元，可以跨机器人代际复用，因此性价比很突出。仿真最便宜，每小时约120元，但很难完全替代真实世界感知数据。
报告判断，行业正在形成以人类第一视角视频为主的数据路线。典型配比约为60% Ego视频、30% UMI和10%真机数据，采集设备也在向双头摄像头加腕部摄像头收敛。
中国2026年机器人数据采集市场规模及结构估算
9）训练成本正在快速下降，但数据重要性反而上升
CoRL 2026论文SuperMimic给了一个很醒目的结果：模型只需在单张GPU上训练3小时，就超过了用128张GPU训练7天的传统方案，计算量降低超过1000倍。
这套方法不是为每个动作单独训练控制器，而是先学习一个“机器人身体模型”，再在其中训练统一控制器。测试集包含129,514个动作，新方法在3小时后失败25次，旧方法失败179次；训练9.8小时后，失败次数降到0。
更重要的是，当运动数据从1小时增加到264小时，模型精度仍然保持稳定，说明它不是靠小聪明过拟合几个动作。
这带来一个关键判断：身体控制的训练算力门槛可能在下降，但数据和真实机器人部署不会变不重要，反而更关键。因为更高效的训练方法，会让谁能持续拿到动作数据，成为新的竞争焦点。
10）真正的ChatGPT时刻，不靠看视频，要靠机器人在岗回流数据
人类第一人称视频可以帮机器人完成预训练，但真正的正向飞轮，必须来自机器人在真实工作中产生数据，再反哺模型，最后推动更多部署。
特斯拉计划很激进：到2026年底，通过约1万台在自有设施中训练的机器人，积累100万小时可用数据。报告还提到，Optimus数据成本在2026年二季度至三季度下降约18.1%。
中国侧部署规模仍小。野村预计，中国七大快递公司在2026年采购的人形机器人可能不足500台，2027年约1000台。和宏大叙事相比，这个数量不算多。
这也解释了为什么数据公司还有窗口期。野村行业调研显示，OpenAI在2025年9月至2026年8—9月购买了约1000万小时数据，占美国市场供给约70%；DeepMind约拿20%。Jianzhi已用1000多台设备采集约100万小时，ATARA则为OpenAI和DeepMind采集了100万—200万小时。
不过窗口不是无限的。报告预计，独立数据商大约还有三年时间；等到头部机器人和AI公司开始自采数据，外包需求会收缩。再加上中国数据无法直接向海外出售，未来数据供应商数量可能减少。
11）更好的模型先利好灵巧手，硬件会走向“iPhone时刻”
过去很多机器人不用五指灵巧手，不是因为不想用，而是训练数据不够。模型变强后，可以把两三指夹爪学到的技能迁移到五指手上，灵巧手出货量和降本空间都会被打开。
野村预计，2026年灵巧手出货量同比增长80%—120%，主要由高自由度产品带动；今年约30%—50%的工厂夹爪可能被替代。
下一步是整机和零部件标准化。报告预计，机器人软件路线逐步确定后，硬件设计会收敛为少数标准形态，出现所谓“iPhone时刻”。到那时，竞争重点不是造型多花哨，而是能否低成本、稳定地造出同一台机器。
这件事对数据也很关键。人形机器人有20多个关节，如果每台机器动作细节略有不同，一个机器人上训练出的控制策略，可能只能迁移到少数其他机器人。硬件一致性会直接决定数据能不能规模化复用。
按野村估算，1.7米人形机器人量产合理成本约15万—20万元，1.3米版本约3万—4万元。执行器占零部件成本约50%—75%，仍是最值得关注的硬件环节。
不同灵巧手技术路线的平均价格：腱驱和直驱仍处高位
12）宇树的胜负手：迭代快、成本低，还要解决一致性
报告继续看好宇树，核心理由不是“概念新”，而是它具备快速产品迭代、成本控制和较大出货基础。野村认为，随着规模扩大，宇树会提高外部采购比例，既压成本，也保证质量。
图表显示，宇树人形机器人约80%—90%的BOM由内部设计覆盖，四足机器人约90%；但人形机器人真正内部设计并制造的BOM约50%，四足约55%—60%。这意味着宇树仍会把部分环节交给外部供应链。
从供应商角度看，这不是简单“去宇树化”，而是行业走向规模化后的正常分工。机器人真正起量后，赢家大概率不是全靠自己拧螺丝的公司，而是能整合供应链、控制成本、保证一致性的公司。
宇树人形机器人与四足机器人的自制、外采结构
估值方面，野村维持宇树“买入”评级，目标价370元，基于2027年预期25倍市销率，高于中国机器人公司约9倍平均水平。支撑逻辑是2026—2028年预计122%销售复合增速、人形机器人渗透率提升，以及产能扩张。
风险也要说清楚：海外政策风险可能拖累增长；宇树人形机器人收入中超过70%仍来自科研客户；行业竞争和价格战也可能压缩利润。
概念可以跑得快，商业闭环还是得一笔一笔订单来证明。
野村这份报告最值得关注的一句话，其实不是“ChatGPT时刻近了”，而是：
机器人会沿大模型路径进化，但决定胜负的不是单次演示，而是算力、数据闭环和机器人在真实场景中的一致性。
模型进步正在变快，数据采集成本正在下降，灵巧手可能率先爆发，可真正产业拐点仍要等机器人长时间无人运行、产线成功率接近98%、商业订单开始复购。
文本参考研报：
《野村-全球机器人行业：ChatGPT时刻显现-Global Robotics：The ChatGPT moment comes into view-20261023【12页】》
正在生成分享图...
郑佳美