走访十几家机器人公司后，知名华尔街研究机构判断：机器人正在逼近临界点

时间进入 2026 年，机器人似乎已经接连跨过几道过去很难想象的门槛。

北京机器人运动会的赛场上，人形机器人跑出了快于人类百米纪录的成绩；实验室里，模型看过一次示范，就能尝试此前没有专门训练过的操作；美国机器人公司 Figure AI 则把机器人分拣包裹的过程连续直播了九天。另一边，餐厅和汽车工厂也开始用产量、合格率和工时检验机器人。

然而，透过某一段视频或者一场比赛，单纯只看这些零散的进展，我们依然很难明确机器人行业真正的进展。

带着这个问题，一向擅长实地调研的投资研究机构 Citrini Research 的分析师走访了旧金山湾区十几家机器人实验室和企业，观察机器人的实际表现，不断向工程师和投资人追问美国机器人产业的现状。并最终用一份数十页的调研报告回答了一个问题：接连不断的突破，究竟把机器人带到了哪一步？

没有单一的爆发时刻，但信号正在汇聚

机器人行业常说自己在等待“ChatGPT 时刻”。Citrini 认为，这个比喻容易让人误以为，一款产品发布就能划出清晰的分界线。

ChatGPT 发布前，OpenAI 的工程师已经知道手中的技术能做什么；此后发生的，是公众逐渐认识到它的广泛用途。机器人也可能先在少数人看得见的地方取得进展，过一段时间才进入大众视野。

眼下，各种尚不完整的突破正密集出现，却没有哪一项足以独自撑起“颠覆”二字。8 月，Generalist AI 发布 GEN-1.5，展示机器人看过一次示范后学习简单操作的能力，无需再为这项任务专门训练。质疑也随之而来：它真正学会了举一反三，还是预训练时见过足够相似的场景？更直观的问题是，打开一个铅笔盒，离实用的通用机器人还有多远？

随后，Skild AI 用 S1 模型展示了最长持续约 10 分钟的任务，其中包括煎饼翻面。两家公司使用的“一次示范即可学习”或者说 In-context Learning 等说法，很容易让人想起 OpenAI 2020 年关于少样本学习的论文：物理 AI 是否也会沿着语言模型的曲线加速成长？

图丨Skild S1 的任务演示（来源：Skild AI）

如果衡量“ChatGPT 时刻”的标准是公众开始广泛关注，8 月北京的世界人形机器人运动会或许更接近这个节点。视频里，机器人跑出了快于博尔特百米纪录的成绩，跳向接近天花板的高度，也会摔倒，带起火花和浓烟。宇树科技同期的 IPO 又把金融市场的目光吸引过来。再往前，Figure AI 在 5 月进行了一场持续九天的直播，展示人形机器人累计分拣 25 万个包裹。

这些展示各有分量，也各有未呈现的部分：有的体现了初步的自主能力，有的证明硬件能跑能跳，有的让机器人在真实工作中反复执行任务。Citrini 认为，行业更可能通过一连串这样的信号抵达临界点。等技术进入日常生产，价值被更多人亲眼看见，所谓“爆发时刻”也许早已过去。报告留下这样一个设问：如果能回到 ChatGPT 发布之前，你会如何看待当时的 AI？作者认为，今天的机器人也值得这样重新审视。

身体：从人形之争到双手难题

报告首先从机器人本体开始说起，这里长期存在一个有争议的问题是：机器人为什么要长得像人？

反对者经常会拿出整个工业机器人发展史作证。今天工厂里大量工作的机器人都没有完整的人形，它们围绕特定任务设计，在速度和精度上远超人类。支持者则会反问：一台机器每天可以做 1,000 个热狗，可如果顾客要的是汉堡呢？在他们看来，剩下那些难以预先写好程序的工作，需要一台能在为人设计的环境里移动、抓取和应变的通用机器。过去缺少足够的智能与灵巧性，才让这种设想长期停留在科幻作品里。

Citrini 认为，现实中的方案分布在一条宽广的“人形光谱”上。一端是固定在桌面的机械臂，配上夹爪和摄像头。Physical Intelligence、Generalist、Skild、Dyna 等研发机器人模型的团队，常用这种拼装出的半身装置训练和测试，无须先解决完整人形硬件的所有问题。给机械臂加上轮式底座，就有了基本的移动能力：便宜、简单，但上不了楼梯。中国的银河通用采用了这样的路线。Weave Robotics 的折衣机器人 Isaac 0 则已面向加州家庭开放订购，订阅价格为每月 249 美元。

（来源：Citrini Research）

光谱的另一端是完整的人形：制造最复杂、成本最高，也试图获得接近人类的移动能力。报告认为，单从硬件看，基础行走已不再是最难的问题。宇树科技 G1 的基础款标价约 1.35 万美元，成为不少研究者和爱好者使用的人形平台；随着设计普及和产量提高，成本还有下降空间。

但从简易机械臂走向通用人形，有一道关口常被忽略：手。开源人形方案 Asimov 的 1,168 个 CAD 组件里没有完整的手，手腕末端只有短桩。报告指出，标价 1.35 万美元的 G1 基础款配备的也并非可完成精细操作的灵巧手。

人手能抓重物，也能完成极细的动作；每平方厘米指尖约有 240 个机械感受器，触觉时时帮助眼睛判断力度和位置。传统工业机器人通常无须复制它：焊接机械臂可以装焊枪，仓库机器人可以用吸盘抓箱子。可如果一台机器人要接手许多原本由人完成的任务，它最终需要足够灵巧、敏感而耐用的手。业界至今没有就它的造法达成共识。

争论最激烈的路线是肌腱驱动和直接驱动。前者借鉴人体结构，把电机放在前臂，用绳索牵动手指，为指尖留出空间；代价是肌腱在反复受力后容易磨损、拉长。后者把执行器放进手指，便于建模，也能做成安装在手腕上的模块，但会增加重量、体积和散热难度。

Figure AI 创始人 Brett Adcock 曾称肌腱手是自己犯过的“最大工程错误”，促使 Figure 后来转向直接驱动；1X 的一名首席设计师则回敬说，那是“技术力不够”，目前没有定论。Figure 的直播展示了长时间工作中的手部操作，采用直驱方案的 Wuji Hand 2 也成为受关注的第三方产品。

另一条更简单的路线是 UMI 夹爪。斯坦福大学、哥伦比亚大学和丰田的研究人员设计了这种带腕部摄像头的双指工具，让人用与机器人相近的装置示范动作，减少学习时的差异。

报告提到，许多自主操作演示使用了 UMI 或类似方案，这到底是不是一条通向死胡同的捷径？如果你只有两根爪子而不是双手，日常能做多少事？可能比想象的多，但天花板也显然比较低。最昂贵的五指灵巧手可能比整台机器人其余部分加起来还贵。触觉则是另一个维度，试过用冻僵的手指拉拉链就明白了。Tacta Systems正在开发超高密度传感器阵列，希望给机器手带来接近人类指尖的感知能力。

不过，即便最好的身体，没有大脑也毫无价值。而造大脑，才是整个故事里最困难也最让人兴奋的部分。

大脑：物理世界比语言难得多

和传统AI不同，物理AI生活在真实世界里。真实世界远比语言难以理解和编码。文字携带语义和意图，桌上的苹果却不会告诉机器自己有多重、表面多滑，或者抓得太紧会不会留下指印。机器人被推了一下，也不能花两分钟思考如何保持平衡。重力不会等待模型生成答案。

报告用学习曲线来解释行业的期待：传统 AI 经历了十多年基础建设，随后在较短时间内接连跨过过去看来很远的能力门槛，似乎从本科生一路跑向博士水平。对于机器人研究者来说，他们如今期待的不只是模型已经达到的能力，还有近年来进步速度的变化。

为了说明机器如何行动，报告将其“神经系统”概括为四个相互配合的层次。视觉语言模型（VLM）负责识别物体和场景，并把所见与语言对应起来：四条腿的棕色物体是桌子，上面的红色圆形是苹果。这类模型已有大量开源和闭源成果，因此，即使研发整套机器人的公司，也未必需要从头训练视觉语言模型。

但看懂场景还不等于能拿起苹果。机器人需要预测动作会造成什么结果：向前一步能否够到桌面？挤压水瓶时，它会变形还是滑走？报告把承担这类预测的世界模型比作物理引擎，并将 Google 的 Veo、OpenAI 的 Sora 和英伟达的 Cosmos 放在相关技术进展中讨论。与识别图像相比，理解物理作用更依赖具体硬件。同一个动作由不同的手和关节执行，结果可能完全不同；模型在仿真中表现出色，到了真实机器上仍可能失败。这就是“仿真到现实”的鸿沟（Sim2Real Gap）。

接下来，视觉语言动作模型（VLA）把指令转化为行动：为了拿到苹果，先移动到哪里，再怎样伸手、抓取。Skild 和 Generalist 最近发布的模型都着力解决这类问题。与之配合的底层控制系统则负责更快的反应，让机器人在行走、受力和失衡时及时调整。

在 Citrini 看来，视觉识别和基础运动控制已经相对成熟，难点集中在世界模型与动作策略如何协同。世界动作模型（WAM）试图把物理预测和行动规划结合起来。报告列举了英伟达的 Hydra-0、Dyna 的 DYNA-2，以及宇树科技近期开放的 UnifoLM-WLA-1.0。新模型发布之快，让作者打趣说，这一章几乎每天都需要重写。

传统 AI 巨头也开始进入相关领域。报告提到，Anthropic 在 8 月发布了一套“模型硬件标准”，让 AI 智能体可以操作显微镜、液体处理设备和机械臂等实验室仪器。它还关注 OpenAI 的 Astra：部分研究者认为，其空间推理能力已超过普通人的平均水平；据机器人评测机构 Robocurve 的测试，它在桌面任务上的表现约为开源 VLA 模型 Molmo ACT2 的三倍。Citrini 判断，大模型公司未必会直接取代专注物理 AI 的初创企业，但它们取得的突破可能提供新方法，再由硬件公司用于实际部署。

模型能力增长，训练数据却依然稀缺。视频可以生成逼真的画面，要准确模拟摩擦、织物褶皱、材料柔性和机器人自身的结构，难得多。训练 VLA 的数据缺口更大：互联网上没有足够规模的人类第一人称工作视频，机器人亲自完成任务的记录则更少。

报告梳理了三种主要的数据采集方式。第一种是在人的头部或手部安装摄像头，记录日常工作，设备门槛低，容易扩大规模；问题是，人用五指缝衣服的动作，未必适合只有夹爪的机器人。Figure AI 在这条路上投入很大。公司披露，其 Index 平台覆盖 100 多个国家，每周活跃用户超过 4.4 万，每秒收到约 30 分钟视频，折算为每天约 4.9 年的人类活动影像，已向参与者支付 1,500 万美元。

第二种是 UMI 示范：让人使用与机器人相近的夹爪，直接演示机器要学的动作。它缩小了人手与机器手之间的差异，也常出现在出色的 VLA 演示中，但需要专门设备，难像普通视频那样大规模采集。第三种是遥操作，操作者通过 VR 头显、传感手套或其他设备控制机器人。报告观察到，相较前两种方法，遥操作在基础数据采集中的热度有所下降。

数据量之外，更根本的问题是：缩放定律在物理AI中是否成立？初创公司 Dyna 公布的 DYNA-2 测试提供了一个初步信号：用 10 万小时视频训练后，模型看过一次示范，在“未见任务”上的成功率达到 66%；训练数据降到 1 万小时，成功率跌至 20%。这些数字来自公司自己的实验，任务设置和评测范围仍会影响对“泛化”的判断。

图丨Dyna 公布的 DYNA-2 测试（来源：Dyna Robotics）

Figure 则用投入表明自己的判断。公司先承诺在未来一年投入超过 10 亿美元用于数据和算力，随后与 Nscale 宣布合作，计划建设最多使用 10 万块英伟达 Vera Rubin GPU 的集群，初始算力采购承诺至少 35 亿美元。集群计划从 2027 年下半年开始部署。Citrini 推测，如果这些 GPU 真能被集中用于一次同步训练，其规模足以让机器人模型进入前沿大模型训练的量级，甚至在数小时内完成过去 GPT-4 时代量级的训练。

这就引出了一个鸡生蛋还是蛋生鸡的问题：是等它足够聪明再生产，还是先造出大量能力有限的机器，让它们在现场学习？报告倾向于后者。即使只在客户试点或自建场地里工作，机器人也能积累与自身硬件紧密相关的数据，练习平衡和特定任务，由人评估结果。更重要的是，工程师会发现它究竟在哪里出错、哪里会坏，以及哪些故障从前根本没有想到。

而这条路在早期需要相当大的投入。低产量阶段，完整人形机器人的制造成本高，能向客户出售的能力却有限。Figure 和特斯拉看起来仍在沿这条路投入。报告把这个过程比作“上学”：机器人上课学习任务，上体育课练习行走和平衡，课间在场地里自主活动、学习与人互动，再被派到宝马这样的真实工厂“实习”。这些实习通常还带不来多少收入。

商业化：从叠衣服开始，用最普通的任务打开市场

今天的机器人究竟能做什么？报告给出的答案是，已经有机器人在工作，只是它们最先接手的任务并不耀眼。

Citrini 的分析师现场看过机器人连续处理混杂的衣物。吸引他的不只是最终叠好的衣服，还有中间一次次调整：辨认眼前的是不是卫衣，判断衣服有没有翻面；摊平时发现一只袖子卷了进去，便先把它拉出来；随后抓住衣角、折叠、抚平褶皱，再放进对应的衣堆。报告认为，完成质量尚达不到五星级酒店的标准，但日常使用已经可接受。同样是折叠任务，Dyna 称其餐巾机器人一年间的处理速度提高了约 2.7 倍，合格率也随之上升。

折叠看似狭窄，洗衣店、酒店、餐厅和制服服务商却都有大量重复需求。报告列举了 Dyna 在鼎泰丰、Best Western 和 Prudential Overall 等客户处的部署。家庭市场则有另一道价格关：每月 249 美元，今天未必能让大多数消费者愿意为折衣服付费，但可能吸引一批早期用户。他们的使用也会带来更多环境和衣物的数据，让企业积累运营经验，尝试压低单位成本。报告接着追问：如果机器人还能铺床，积累了数百万小时的居家运行记录，价格又降到每月 100 美元甚至 50 美元，答案会不会改变？

类似路径也出现在仓库。工厂可以自动搬运一整托盘同款 Cheerios 麦片，但一家 CVS 门店需要的，是不同形状、不同品类商品拼成的一托盘货物。过去的自动化系统常因规则过于固定，难以完成这样的混合码垛。Maven Robotics 正用带轮式底座的双臂机器人处理这类工作，报告称系统已进入仓库现场。先解决一个仍需人工、又足够常见的任务，再逐步扩展能力，是 Citrini 在多个场景中看到的商业化路线。

Skild AI 披露的数字让这种路线更具体。公司称，首次商业部署十个月后，年化经常性收入已超过 1 亿美元，付费客户超过 60 家，应用覆盖与英伟达、富士康合作的高精度装配，以及线束制造、商业厨房等。Citrini 估算，这一数字只相当于 OpenAI 与 Anthropic 当时合计收入运行速度的约 0.1%，却接近两家公司在 2022 年的合计水平。这里的“1 亿美元”是公司披露的年化经常性收入，并非已经收到的全年营收。

图丨如今机器人已经进入的一些商业化场景（来源：Citrini Resea）

Skild 的部署方式也说明，最早进入岗位的未必是完整人形。报告看到它把同一套“大脑”接入多种设备：近似扫地机器人外形的仓库移动平台、搭载定制装置的宇树四足机器人、固定摄像头配合 Universal Robots 机械臂，以及 Dexmate 的轮式人形。作者还在 Path Robotics 看到一个特别的组合：波士顿动力四足机器人背着焊枪，已进入实际部署。早期产品更像是模型、定制部件和现成硬件的组合，每家公司先为手头的工作选一种能用的身体。

至于最受关注的人形机器人进厂，真实情况和那些外界的报道之间有不小的落差。

Figure AI 与宝马美国斯帕坦堡工厂的合作始于 2024 年。Figure 02 此后在生产线上取放金属零件；到 Figure 03，双方开始展示零件分拣、移动推车等更复杂的流程。宝马负责生产网络的高级副总裁表示，从实验室走向真实生产的速度比他们预期更快。

Citrini 分析师还说，自己在 Figure 总部外的公共人行道上，看到十几台 Figure 03 自主行走，辨认道路和台阶，并与路人保持安全距离。至于玻璃幕墙后的训练，他并未亲见；根据 Figure 公布的产量，报告推测已有数百台 Figure 03，其中多数仍在公司场地收集数据，少数被送往宝马等客户现场。

中国也有类似尝试。智元机器人（Agibot）的 G2 轮式机器人进入龙旗科技的平板电脑产线，6 月一场持续六天的直播展示了它在输送线和测试设备之间取放平板。末端工具明显为这一任务定制，轮式底座也省去了双足行走的难题。报告认为，这样的简化有实际价值：倘若“人形”原本就是一条光谱，渐进部署完全可能成为扩大应用的前奏。

相比之下，Citrini 对 Agility 的 Digit 则评价比较一般。这家拟通过与 SPAC（特殊目的收购公司）Churchill Capital Corp XI 合并上市的公司称，机器人已在九处客户设施累计运行超过 6.5 万小时；公开展示得最充分的工作仍主要是搬运周转箱。其向美国证券交易委员会提交的 S-4 文件披露，2025 年销售额约 180 万美元，运营费用约 1.11 亿美元，运营亏损约 1.4 亿美元。

公司所称超过 3 亿美元的多年订单，还取决于合同里程碑；报告指出，相关交易也涉及向购买方提供认股权证。Citrini 据此判断，合并交易对公司的资金安排十分重要，并推测选择 SPAC 路线可能与私募融资难度有关。后一个判断是报告作者的推测，不能单凭上市方式得出结论。

中美之间：硬件差距和制造焦虑

报告还用了不少篇幅讨论中美竞争。作者去年到中国走访宇树科技等企业时，形成的印象是：中国公司积极推进硬件和产量，同时让全球研究团队投入资金与时间攻克自主智能。暂时落后于最先进的模型，未必妨碍它们先把产品造出来；如果未来的智能突破能较快被吸收，造得快、造得便宜又会成为竞争优势。他把这与电动车行业的发展作了类比，其中不少参与者本就是同一批公司。

今年从旧金山回来，他对美国的硬件处境更加在意。在一场参加者众多的机器人会议上，他看到了第一人称数据采集装置和数据库基础设施，实物机器人却很少：几条用于遥操作演示的机械臂，几台参加遥控拳击展示的宇树 G1，几乎就是现场能看到的完整人形硬件。这是一次会议上的观察，无法概括整个美国机器人产业，却让他追问：研究“物理 AI”，能否长期主要依靠别处制造的身体？

在 Citrini 看来，美国在小批量、快速迭代制造方面的能力需要重新积累，依赖中国现成硬件也变得更不确定。美国联邦通信委员会已将部分外国生产的先进机器人设备列入受限清单，同时设有有条件批准等例外。宇树 G1 曾是许多研究者容易获得的现成平台；规则变化可能促使美国企业重新规划供应链。报告认为，重建制造能力既是挑战，也会给为机器人研发提供零部件和加工服务的企业带来需求。

不过报告也提到，在美国领先的人形机器人项目中，一个属于制造经验丰富的特斯拉，另一个是正在推进垂直整合和产能爬坡的 Figure。美国缺少大量廉价现成硬件，并不意味着这些公司没有补上生产能力的可能。

站在 Figure 03 面前

看过眼下的机器人之后，报告归纳出四个关于未来的判断：人形机器人的基础运动能力已相对成熟，硬件会继续降价；复杂灵巧操作更难，但多条技术路线正在并行尝试；简单、重复的任务已经可以训练和收费；更复杂任务的进步速度，可能快于许多人的预期。Citrini 用一条不断移动的曲线形容自主能力：机器人每学会可靠地完成一类工作，能进入的岗位范围就扩大一点。

（来源：Citrini Research）

至于这条曲线能否持续向前，还取决于资金。完整人形机器人研发和制造都需要大量投入，当前收入又有限。能力提高会吸引更多资金，资金再支持制造、部署和数据采集；如果融资环境或投资者预期发生变化，这个循环也可能中断，商业化时间表随之拉长。

报告的最后，这名分析师用一次很私人的经历作结。在 Figure 总部外的人行道上，他曾与一台 Figure 03 面对面站着。按他的观察，附近没有人拿着遥控器。机器人走路的姿态像人，注视着他，还微微歪了歪头。他形容那一刻既令人不安，又让人着迷。即便它目前做不了太多实用工作，成本可能还高达 20 万美元，但他还是觉得，有一些不一样的东西已经出现了。

也许，机器人爆发的临界点未必伴随一声巨响。对这位分析师来说，它先是发生在人行道上：一台机器转过头来看他，而他开始意识到，自己熟悉的世界正在变得不一样。

参考资料：

1.https://www.citriniresearch.com/p/robotics-tipping-point-a-citrini

注：封面/首图由 AI 辅助生成