野村：人形机器人的 “ChatGPT时刻”或将到来，中国能否成为主导者？

泡股

前沿模型在机器人上的测试表现可能更优十二月至一月发布新模型或成首个催化剂。

机器人正在重走大语言模型之路，ChatGPT时刻可能比看起来更近。

野村认为，机器人正沿着大语言模型走过的路径发展，其ChatGPT时刻可能比预期更早到来。一位英伟达科学家预计，机器人训练将经历与大语言模型相同的三个阶段：（1）通过大量数据进行广泛学习；（2）针对具体任务进行调优；（3）通过强化学习不断试错改进。

野村9月的行业调研显示，市场对机器人的情绪更加乐观，原因有二：第一，当机器人获得充分的动作反馈训练后，其精度水平会显著跃升，类似大语言模型曾出现的突然飞跃；第二，我们认为，机器人在两年内达到相当于L2+辅助驾驶水平的可能性正在提高。

此外，野村预计突破将来自大型AI实验室和特斯拉。行业调查显示，OpenAI的内部模型即使不使用实验室此前认为必不可少的触觉传感器数据，也取得了良好表现。

催化剂包括：OpenAI的物理AI模型、字节跳动和DeepSeek的新模型，以及OpenAI人形机器人演示与GPT-7，后两者可能于2027年出现。

第一视角视频主导预训练，训练成本持续下降

除模型外，我们认为数据将决定谁能领先。数据是最稀缺的投入要素，行业正转向视频以弥补缺口。沿用大语言模型的训练步骤，机器人首先从大量记录人类日常任务的第一视角（Ego）视频中学习，再利用少量遥操作和动作捕捉数据微调，最后在仿真中通过试错练习。对于手部操作，增加预训练算力会带来稳定且可预测的收益，遵循过去推动大语言模型发展的同一缩放定律。

与此同时，训练成本正快速下降。机器人学习会议（CoRL）2026年的论文SuperMimic，训练一个能够描述机器人身体运动的模型，并同时在该模型内部训练控制器。仅用一块GPU训练三小时后，该模型便超过了使用128块GPU训练七天的基准方法。论文报告，所需计算量降低超过1,000倍；随着动作数据从1小时增至264小时，学得的模型仍保持准确。

然而，预训练只是其中一半。模型要持续改进，还需要机器人在实际工作中产生的数据，而这对硬件有直接影响。

灵巧手率先受益，机体一致性决定硬件赢家

更强的“大脑”可能首先帮助灵巧手。机器人一直主要使用夹爪，是因为训练手部所需的数据相对有限。更强的基础模型应能将两指或三指夹爪学到的技能迁移至五指手，从而推动出货量提升、单价下降。我们预计，2026年灵巧手出货量同比增长80%至120%，主要由高自由度（DOF）灵巧手带动。

当模型路线确定后，我们预计人形机器人设计将逐步收敛至少数标准形态，迎来硬件的“iPhone时刻”。此后，难点将是把每一台机器人都制造得相同或相近。这既关系质量，也关系数据。一台人形机器人拥有20多个关节，如果不同机器人表现略有差异，在一台机器人上训练的控制策略可能只适用于少量其他机器人。

因此，野村认为，赢家将是迭代迅速且严格控制成本的制造商，例如宇树、汽车制造商及关键零部件供应商。随着宇树出货量增加，我们预计其将更多地从外部采购零部件，以同时保持低成本与保障质量。

机器人“大脑” 突破具备可能性

机器人正重走大语言模型之路，但起点更早

参照大语言模型的发展进程，机器人“大脑”尚未达到GPT-2阶段：实验室中已出现早期涌现迹象，但还没有模型可靠到足以承担真实工作。一位英伟达科学家认为，机器人将经历与大语言模型相同的三个步骤：广泛预训练、遵循指令的调优，以及让模型通过试错改进的强化学习。

野村将当前机器人行业比作2012年的AlexNet时刻，当时深度学习首次证明了自身能力。我们的行业调研显示：（1）十二月至一月发布的模型将更接近GPT-2，即前景可期，但尚未达到生产应用要求；（2）世界模型的成熟度甚至低于2012年的AI；（3）最乐观的观点来自宇树创始人王兴兴，他在10月22日表示，物理AI已出现突破的早期迹象，突破可能在一至两年或两至三年内到来。他补充说，几乎所有人，包括他自己，仍在低估AI。

此外，OpenAI首席执行官Sam Altman向《财富》表示，他预计2027年会出现一次OpenAI机器人的“精彩演示”，再过几年，机器人就会出现在街头。我们认为，当前机器人“大脑”尚未达到GPT-2水平，而下一轮模型发布可能使其达到这一阶段。

图1 机器人正在复刻大语言模型的规模化发展路径



类似GPT-3的少样本学习信号已经出现 但仍局限于实验室

机器人版本的GPT-3式重大进展，即通过简短示范学习新任务，而无需重新训练，已经开始出现。我们核查了三个案例。

第一，Generalist AI于8月20日表示，其GEN-1.5模型只需一段3至12秒的示范便可学习一项任务。在不进行额外训练的情况下，十项测试中的成功率为59%；再补充五分钟数据进行短时训练后，成功率升至83%。

第二，Skild AI于8月31日发布S1，并表示机器人仅通过观看人类执行同一任务的视频，就能学习最长达十分钟的任务，例如制作咖啡，但公司未披露成功率。

第三，蚂蚁集团的机器人业务Robbyant在8月论文中表示，其Zero-WAM（世界动作模型）在仿真环境中的七项未见过任务上，成功率为47.0%，比最佳可比模型高29.5个百分点。

这与野村的行业调研相符：如今教会机器人一项新任务，需要的示范次数已由数十次甚至数百次降至一至两次。不过，上述三项结果均由公司自行披露，任务时长较短，或只在仿真环境中完成。Skild首席执行官Deepak Pathak表示，S1尚未完全具备进入家庭的条件，机器人行业还没有迎来自己的ChatGPT时刻。因此，类似GPT-3的学习能力在原理上已经出现，但可靠性仍不足，这也是我们仍将机器人定位于GPT-2之前或相当于GPT-2阶段的原因。

三类模型竞争成为机器人“大脑” VLA 世界模型与强化学习

三类模型正竞争成为机器人“大脑”，各自处于不同阶段。视觉语言动作（VLA）模型观察场景、接收指令，并输出目标动作，通常是一条可供底层控制器跟随的路径。世界模型预测机器人采取行动后会发生什么。根据World Labs联合创始人李飞飞的框架，它将任务分成三部分：（1）生成图像的渲染器，Sora等视频生成器属于这一部分；（2）预测物理变化的模拟器；（3）决定下一步行动的规划器，而这正是VLA所扮演的角色。

第三种路径是在仿真中进行强化学习，即在物理模拟器内通过试错训练机器人的动作。宇树的行走机器人是最知名案例，而且仅在仿真中训练的技能，已经能在真实机器上运行。

上述英伟达科学家认为，π0和GR00T等早期VLA模型将大部分模型容量用于语言，因此知道物体是什么，却不知道物体如何运动。相比之下，他的WAM采用视频生成作为物理引擎，因为逐帧预测视频能让模型学习重力、浮力和光学。它在一步中同时预测后续变化及机器人应采取的动作，因此无需额外训练就能处理新场景。

Dream Dojo这一可泛化的基础世界模型研究更进一步，用视频模型替代物理引擎，让机器人同时在多个模拟世界中练习。部署到机器人本体上时，小模型更具优势：端侧VLA模型拥有20亿至70亿参数，需要约人民币3万至4万元的芯片和存储。世界模型则重得多。野村的行业调查显示，World Labs的Atlas拥有1,000亿至2,000亿参数；星动纪元（Robotera）表示，生成完整视频的世界模型运行所需算力为原来的3至10倍，而采用压缩内部表征的精简版本仅增加30%至100%。

因此，我们预计到2027年，世界模型仍将运行在云端，用于训练机器人和生成数据，而紧凑的VLA及强化学习模型则运行在机器人本体上。

大语言模型实验室拥有突破所需的算力与人才

野村预计，突破将来自两个方向：开发基础模型的领先AI实验室，以及特斯拉，而非机器人“大脑”初创企业。最明显的差距是算力。我们的行业调研显示，美国工程师人均拥有的算力超过中国同行的十倍，而字节跳动（未上市）在中国机器人领域拥有最多算力。

野村预计OpenAI将于十二月至一月发布面向物理AI的模型，谷歌及其他实验室则将在约三个月内公布成果。谷歌于2026年7月30日发布的Gemini Robotics 2，在长时、多步骤任务上的完成率最高为91.3%；根据我们的行业调查，其全身控制能力领先中国竞争对手约一年。

宇树创始人王兴兴也认为，前沿模型将推动飞跃。据王兴兴所言，明年的GPT-7有望突破具身AI当前瓶颈，宇树已在其机器人上测试GPT-6，效果非常好。

根据我们的行业调查，领先的一体化企业可能是突破的第二个来源。这些企业拥有实验室的部分优势，包括算力和数据闭环，同时还具备实验室缺乏的要素，即自有、正在使用的机器人群体。

行业调查显示，特斯拉已形成从仿真、世界模型，到数据整理、数据平台和工厂测试的完整闭环，其传感器及数据格式已基本确定。此外，据我们的行业调查，特斯拉机器人在无人监督下完成一整套工厂日常流程的成功率约为97%，流程包括检查屏幕、取工具、执行定点任务及自主充电。

特斯拉还使用数百万辆汽车产生的道路视频，以及机器人数据与仿真进行训练，以通用世界模型为核心。我们认为，实验室与特斯拉相互补充：实验室带来通用模型和人才，特斯拉则带来闭环与机器人群体。不论哪条路径，最终赢家都将拥有算力、数据闭环及实际部署的机器人，这可能使中国机器人“大脑”初创企业处于劣势。

判断机器人“大脑”是否达到ChatGPT时刻的五项运行指标

野村提出五项检验标准，以判断机器人行业是否已迎来ChatGPT时刻。根据我们的行业调查，目前机器人在所有指标上都相距甚远。

第一，机器人在需要人工介入之前，能够连续工作多久。目前最好的水平仍只有数小时，而工厂需要连续一周无人值守运行。

第二，精细手部操作。根据我们的行业调查，Gemini Robotics 2搭载于配备SharpaWave手的Apollo 2机器人上，系垃圾袋的成功率为44%，将垃圾扫入簸箕的成功率为32%。

第三，模型适应新机器人身体的速度。谷歌约需七至八小时，而速度较快的中国企业约需两周。

第四，学习新任务需要多少次示范。根据我们的行业调查，在实验室中已降至一至两次。

第五，工厂现场的准确率。我们的行业调研显示，目前约为60%，而工业要求为98%或以上；我们预计弥合差距需要三至五年。

野村认为，第一项与第五项最重要，因为它们决定客户是否会用运营预算，而不是试验预算，来购买机器人。

图2 Gemini Robotics各项任务成功率



数据：机器人从哪里获取训练数据

机器人没有可供学习的互联网，因而数据同样关键

数据是制约机器人“大脑”的因素。语言模型从整个互联网的文本中学习，但机器人没有类似的数据来源。遥操作是由人远程操控机器人、记录训练数据的方式，既昂贵又缓慢，而且每套装置能够采集的数据量有限。

野村的行业调研显示，出现“涌现时刻”的大致门槛是约100万小时数据，约相当于一个人的一生；相比之下，目前以同一种统一格式采集到的可用数据仅约10万小时。根据我们的行业调研，领先企业也只有数十万小时高质量数据，特斯拉Optimus则刚刚超过50万小时。

此外，行业调查显示，训练启动需要1,000万小时数据，长期则需要超过1亿小时，而行业现有数据总量仅为数百万小时。我们认为，这些估计存在差异，是因为统计口径不同，从严格意义上格式一致的可用数据，到所有记录时长，范围各不相同。

大量采集内容被浪费：宇树记录的时间中，只有约四分之一可用，即每记录四小时，才有一小时可用。在这一早期阶段，数据质量很重要。真正的问题是，哪种数据采集方式能够最快扩大可用小时数，以及成本是多少。

四种机器人数据采集方式，每小时成本与跨机器人复用之间的权衡

机器人数据主要有四种采集方式，选择取决于每小时成本，以及数据能否复用于其他机器人。我们8月19日发布的宇树首次覆盖报告《首次覆盖中国具身AI龙头》，将中国2026年数据采集市场规模估计为人民币40亿至50亿元。

其中，真机遥操作占比最大，约为24亿元；其次为第一视角视频与UMI，合计13亿元；仿真为6亿元；失败恢复数据为3亿元。按采集时长计，Ego和UMI约占45%，遥操作占30%，失败恢复占15%，仿真占10%。

这些数字反映2026年年中的市场情况。随着20多个城市级数据工厂及海外众包业务扩大，我们预计未来12至24个月价格将下降。真机遥操作成本约为每小时人民币700元，我们的行业调查给出的区间为500至1,000元。但这类数据只适用于某一种机器人设计，因此从双足改为轮式会使其失效。UMI（通用操作接口）是供人手持并记录任务的夹爪，成本为每小时人民币100至300元，但会妨碍人们的正常工作，因此订单仍以小规模定制为主。记录人类活动的Ego第一视角视频，成本约为每小时人民币300至350元，与UMI处于相近区间；由于是摄像头影像，这些视频可以跨机器人代际持续使用。仿真最便宜，成本约为每小时人民币120元，但在现实世界感知任务的数据中，占比不超过20%。

图3 数据采集市场规模

图4 不同数据采集类型的占比与平均售价



缩放定律延伸至视频 有利于算力最强的实验室

行业正逐步将从人自身视角拍摄的活动视频，确定为主要训练数据。这使数据问题重新与谁能赢得机器人“大脑”竞赛相联系。我们的行业调研显示，一种典型数据组合为60%的Ego视频、30%的UMI及10%的真机数据，采集套件正收敛为两个头部摄像头加腕部摄像头。

英伟达EgoScale遵循相同原则：首先利用超过21,000小时的日常人类第一视角视频训练，再用少量遥操作与动作捕捉数据微调。对于手部操作，增加训练算力会带来稳定且可预测的改进，符合过去推动大语言模型发展的同一缩放定律。

野村的调研及分析显示，一家公司正开发一个平台，根据真实场景的三维及四维扫描生成训练数据，即3DGS／4DGS（三维／四维高斯泼溅），从而减少对外包采集的依赖。中国企业的实践各不相同：星动纪元称，行业平均数据构成为60%仿真、25%真机及15%视频。

如果人类活动视频成为主要来源，推动大语言模型发展的缩放定律也将适用于这类视频；拥有最佳数据流程和最多算力的企业将获益最大。这支持大型AI实验室的竞争优势，也限制了绑定于某一机器人设计的遥操作数据的长期价值。

一个学得的机器人身体模型，可将训练计算量降低超过千倍

机器人的训练方式与它们看到什么数据同样重要。新论文《SuperMimic：利用单个可微世界模型扩展人形机器人全身控制》表明，学得的世界模型不仅可以成为数据来源，也可以成为机器人的训练场。

SuperMimic是CoRL 2026论文，由Pieter Abbeel和Koushil Sreenath等共同署名。论文指出，目前训练人形机器人全身控制，使其模仿大规模人类动作库，主要有两种方式：一是为每种动作训练一个专用模型，再将其合并，但会损失准确性；二是用海量算力训练单一策略。

SuperMimic则利用标准物理模拟器的记录，训练一个学习机器人身体在各种动作中如何运动的统一模型。它同时在该模型内部训练控制器，让控制器直接从短时预测序列中学习，而非进行缓慢的试错。

作者报告，使用一块GPU训练三小时后，该方法超过了使用128块GPU训练七天的领先方法，将计算量降低超过1,000倍。在测试集中，129,514个动作仅失败25次，而旧方法失败179次；使用两块GPU训练9.8小时后，失败次数降至零。

该控制器在宇树G1人形机器人上完成了包括杂技在内的广泛动作；随着动作数据从1小时增至264小时，学得的模型仍保持准确。我们从中得到三点启示：（1）应在学得的模型内部训练机器人，而非直接在原始模拟器中训练；（2）应使用更多动作数据训练一个控制器，而非多个任务专用控制器；（3）全身运动对算力的依赖有望降低。这符合我们将世界模型视作机器人训练场的观点，也进一步凸显数据及实际部署机器人的重要性。

图5 按动作类别划分的失败次数



真正的ChatGPT时刻需要工作中的机器人产生数据

人类活动视频可以覆盖训练的第一阶段。但我们认为，真正的ChatGPT时刻，是正反馈闭环开始运转之时：工作中的机器人产生数据，数据让模型更好，更好的模型又推动更多部署。只有足够多机器人进入真实场景，这个闭环才能运转。特斯拉的计划体现了所需规模。根据我们的行业调研，特斯拉目标是到2026年底，通过约10,000台在自有设施中训练的机器人，采集100万小时可用数据。此外，Optimus的数据成本从2026年第二季度到第三季度下降约18.1%。中国的部署规模则小得多。根据我们的调研及分析，七家最大的快递企业在2026年可能购买不足500台人形机器人，2027年约为1,000台。我们预计，正反馈闭环将率先在同时拥有机器人和模型的企业中启动。

OpenAI可能是最大的数据买家，但采购量估计差异很大

机器人数据需求集中于少数美国实验室，而中国供应商较为分散，并受到合规规则限制。我们的行业调研显示，从2025年9月到2026年8月至9月，OpenAI采购了约1,000万小时数据，约占美国供应量的70%；DeepMind约占20%，采购量大致为OpenAI的三分之一。其他估计之间相差可达100倍。在中国，字节跳动是唯一持续进行大规模采购的买家，购买了三家供应商约80%的产出，主要用于其视频AI模型。供给方面，Jianzhi使用超过1,000台设备，已采集约100万小时数据；ATARA为OpenAI和DeepMind采集了100万至200万小时。

野村的行业调研显示，在领先机器人及AI企业开始自行采集数据之前，独立数据采集企业大约还有三年的持续采集窗口。由于中国数据无法销往海外，且AI企业依赖自行采集的数据，我们预计到2027年底，数据供应商数量将减少。

硬件：对零部件的影响

三种情景决定机器人硬件走安卓路线还是特斯拉路线；为评估硬件影响，我们考察三个可能相互重叠的情景。

情景A：大型AI实验室攻克物理AI，机器人走向安卓手机式路径，“大脑”成为平台，身体成为标准硬件。我们预计，一旦软件路线确定，机器人设计就会收敛。此外，我们注意到，DeepSeek和字节跳动已在要求供应商制造定制硬件。我们认为，相较于自行制造，AI模型企业更可能购买第三方机器人。

情景B：特斯拉包办全流程的模式胜出，价值流向为特斯拉组装零部件的主要供应商，以及难以采购零部件的制造商。

情景C：标准化使能够适配多种机器人的零部件制造商受益，首先是灵巧手，随后是其他标准核心零部件。随着更强AI让机器人从简单夹爪转向五指手，我们预计灵巧手出货量提升、价格下降。

更强AI替代夹爪，灵巧手率先受益

野村认为，灵巧手将最先受益于情景A和C，因为更强AI消除了妨碍机器人使用复杂夹持装置的数据短缺。许多机器人采用夹爪，只是因为训练手部的数据太少。更强的基础模型能够将两指或三指夹爪学到的技能迁移至五指手，从而推动出货量提高、价格下降。

野村的行业调研显示，2026年灵巧手出货量预计同比增长80%至120%，主要来自拥有更多活动关节的高自由度灵巧手；今年有30%至50%的工厂夹爪可能被替换。此外，向领先AI实验室销售特定任务手部数据的初创企业，收入表现已超出预期。

图6 不同技术路线的平均售价

图7 灵巧手与夹爪在人形机器人中的渗透情况



机器人身体，将每一台都制造得相同或相近

手部正在发生的变化，很可能在整个机器人上重演。我们预计会出现一个“iPhone时刻”，即机器人设计收敛至少数标准形态。此后，难点在于把每一台机器人制造得相同，并保持不同机器人采集的数据一致。根据我们的估计，一旦AI模型路线确定，机器人硬件设计的种类就会显著减少。届时主要困难将变成生产良率，以及确保每台机器人20多个关节的行为一致。价格方面，我们认为量产后的合理成本为：1.7米机器人每台人民币15万至20万元，1.3米机器人每台人民币3万至4万元。

对于一台机器人，执行器，即带动各关节的电机与减速器单元，占零部件成本的大部分，约为50%至75%。我们认为，赢家将是产品改进迅速、成本控制严格的制造商，例如宇树、汽车制造商及关键零部件供应商。对宇树而言，我们认为首要任务是在不影响质量的前提下进一步降本。随着出货量增长，我们预计宇树将提高外包比例，以同时降低成本、保障质量。

图8 宇树：自研自产与第三方采购对比



人形机器人100 摩根士丹利全球人形机器人赋能企业名单



中国人形机器人价值链名单 共45只股票 包括3家大脑企业 32家身体企业及10家整机集成商