全球具身智能行业发展分析：产业阶段判断、技术演进脉络与家庭机器人落地缺口
从定义边界到量产拐点，从技术时间轴到家庭落地缺口——系统梳理喧嚣之下的真实进展与潜在风险。
研究背景
人工智能正从「会思考」走向「能行动」。过去十余年，以大语言模型为代表的通用人工智能在认知、语言与推理层面取得突破，但智能若只停留在屏幕与云端，便无从改变物理世界。与此同时，机器人硬件、多模态传感器、智能算力与端到端具身大模型同步演进，使「让人工智能拥有一个身体、在真实世界中感知并完成任务」从科幻构想走向工程现实——这便是具身智能（Embodied AI）兴起的底层逻辑。
具身智能被视为通向通用人工智能的关键路径之一：它要求智能体在物理世界中感知、决策并行动，既考验大模型的理解与泛化能力，也牵动高端制造、供应链、安全规范与商业落地。当前，科技巨头、初创企业、科研机构与各国政府正密集投入，产业正从演示验证快速迈向量产交付。在此背景下，系统梳理具身智能的定义边界、技术脉络、产业阶段与落地缺口，厘清喧嚣之下的真实进展与潜在风险，正是本报告的研究意义所在。
具身智能的概念界定与主流技术路线分野
1.1 边界与定义
具身智能的核心不在于「是否像人」，而在于「物理载体 + 感知—决策—行动闭环」。一个能通过传感器理解环境、在物理世界中执行动作的智能体，无论其外形是双足人形、四足、机械臂还是轮式平台，都属于这一范畴。人形只是形态子集，其受青睐的真实原因并非技术最优，而是人类既有基础设施（门、楼梯、桌椅、工具）均按人体尺度设计，人形因而具备最强的环境适配性——这一点在「非结构化环境（家庭、救灾）」中尤为突出。
学术界对具身智能的界定相对一致：它被普遍视为通向通用人工智能的关键要素，因其要求智能体在物理世界中控制具身智能体以完成任务。技术上，视觉—语言—动作（VLA）模型已成为当前主流架构，该术语由 Google DeepMind 的 RT-2 于 2023 年首创。
1.2 术语辨析：常被混用的概念
1.3 VLA 架构的确立
VLA 范式的标志性确立来自 RT-2。据论文自评，相比 RT-1，RT-2 在「此前未见过」的场景中任务成功率由约 32% 提升至约 62%，该结论基于超过 6,000 次试验。这一结果验证了「把互联网规模的视觉—语言先验直接接入动作输出」在技术上是可行的，奠定了此后两年端到端路线的主流地位。
1.4 路线分野：纯 VLA 直连 vs 世界动作模型
2026 年，NVIDIA 在 GR00T N2 上采用「世界动作模型（WAM）」架构，先预测环境的潜在未来状态、再生成动作序列，与纯 VLA 的「感知→动作」直连形成路线分野；同期发布的 Cosmos 3 被定位为统一合成世界生成、物理 AI 推理与动作仿真的世界基础模型。
1.5 形态之争：人形是否必要
人形并非无争议的最优解。前 Fetch Robotics CEO Melonee Wise 曾公开质疑：「没有人找到需要每座工厂部署数千台人形机器人的应用」，意指多数工业场景用专用机器人更经济。
从控制论到大模型：技术演进的三次范式跃迁
具身智能并非 2020 年代的大模型产物，其思想根系可追溯至 20 世纪中叶。本章按三条脉络梳理已发生的事实节点，不做优劣评价，为第三章的「阶段判断」提供历史坐标。
2.1 脉络一 · 控制论与行为主义机器人（1940s–1990s）
最早的自主式简单机器人之一，用极少量神经元电路产生趋光、避障等类生命行为，是「简单规则涌现复杂行为」思想原型的物理实现。
用「传感器—电机直连」的思想实验说明，无需内部表征即可产生看似「有意图」的行为，是行为主义机器人的理论先声。
提出以分层行为模块替代集中式规划。
Brooks 系统阐述「无表征」主张，以「无表征」反叛符号主义 AI。Krichmar 的综述回溯了这一思想史。
2.2 脉络二 · 深度强化学习时期（2010s）
大规模深度强化学习用于机器人抓取，在真实机器人上完成数十万次抓取试验。
用强化学习让机械手完成单手解魔方，展示 Sim2Real（仿真到现实）迁移潜力。
仿真对飞行、行走乃至后空翻有效，但对操作任务「出名的不可靠」。这一「现实鸿沟（reality gap）」至今仍是端到端路线的根本约束。
2.3 脉络三 · 大模型端到端（2022–2026）时间轴
2026 年 GTC（3 月），NVIDIA 同步发布 Isaac GR00T N1.7 与预告 GR00T N2：前者被官方定位为面向人形的开放推理 VLA，官方称其「已具备真实世界部署的商业可行性」；后者基于 DreamZero 研究的「世界动作模型」架构，官方称其在全新环境中完成新任务的成功率是领先 VLA 的两倍以上，在 MolmoSpaces 与 RoboArena 通用机器人策略榜排名第一，计划 2026 年底发布；同期 Cosmos 3 被定位为首个统一合成世界生成、物理 AI 推理与动作仿真的世界基础模型。
2.4 汇流：三条脉络如何合流
本报告认为，三条脉络在 2023 年前后汇流为当前的端到端具身基础模型范式：脉络一提供「行为主义、无集中规划」的思想遗产；脉络二贡献「强化学习 + Sim2Real」的训练方法论；脉络三自身贡献的增量，则是互联网规模的视觉—语言先验与 Transformer 的高容量架构，它补上了前两条脉络共同的缺口——语义理解、开放词汇指令跟随与跨本体迁移。
量产拐点上的全球产业格局
3.1 阶段判断
对「当前处于什么阶段」，主流判断并不一致，但方向趋同：
行业正「从技术小批量验证转向规模化量产与商业化落地」。
正处「小批量试用→大规模落地」关键拐点。
「2026 年是从讲故事时代走向交付时代的分水岭」。
3.2 出货口径：四套数据，冲突本身就是结论
| 口径来源 | 统计范围 | 数值 | 说明 |
|---|---|---|---|
| IDC | 全球具身智能（含多形态），2026H1 | 近 2.5 万台（同比 +432.1%） 中国 1.9 万台占 77.9% | 约七成流向科研教育/表演/数据采集 |
| 中国电子学会 | 中国人形机器人，2026 上半年 | 超 4 万台，占全球约 97% | 按中国出货量反推全球 |
| 弗若斯特沙利文 | 全球人形机器人销量，2026 上半年 | 3.6 万台 / 5.4 亿美元 | 收入口径 |
| IFR | 工业与服务机器人（全口径，2025 全年） | 工业机器人安装 60.3 万台（+11%）、存量约 507.9 万台（+9%）；专业服务机器人约 25 万台（+24%） | 最严格口径，不含人形研发/娱乐机 |
3.3 量产标志性事件
3.4 区域格局与供应链
格局可概括为「美国强大脑、中国强制造与供应链、欧洲强监管、日韩强零部件」。中国核心零部件国产化率整体已突破 75%；但谐波减速器、行星滚柱丝杠、高端力矩/六维力传感器等仍存卡点。四大卡点（高端执行器、灵巧手、传感器、控制器）的国产化进度，决定了中国能否把「制造规模」转化为「成本优势」。
3.5 政策与标准
3.6 资本面
2026 上半年中国具身智能投融资 172 起、1091.74 亿元，其中「大脑」赛道 595.44 亿元。资本高度前置，与「研发演示→量产验证」的阶段判断相互印证——资金涌入早于收入验证。
数据、估值与自主性：三重争议与风险边界
在出货与融资高速扩张的同时，行业至少有三类分歧尚未收敛——数据是否遵循 Scaling Law、估值是否透支、以及「自主」这一核心指标至今没有统一披露口径。
4.1 数据侧：从「十万年鸿沟」到「Scaling Law 是否成立」
数据鸿沟的提出与反方。 加州大学伯克利分校教授 Ken Goldberg 在《Science Robotics》2025 年 8 月 27 日第 10 卷第 105 期社论中提出测算框架：按通行词元与时间换算，当代视觉语言模型所用互联网规模数据约为「十万年」量级；而训练机器人所需的「视频输入＋机器人动作指令」数据在网上并不存在。遥操作是最主要采集方式，但迄今公开报告的最大数据集仅约「一年」数据量级，按此速度攒够类 ChatGPT 规模需「十万年」。
同一天、同一期期刊发表的 ICRA 2025 闭幕辩论纪要呈现相反一端：辩题「数据将解决机器人与自动化：是或否」，正方为 Animesh Garg、Daniela Rus、Russ Tedrake，反方为 Aude Billard、Leslie Kaelbling、Frank Park，现场逾千名听众。纪要记载：多数辩手表达了对混合方法的尊重，而现场举手显示「没有多少听众被说服改变初始立场」——分歧未收敛的直接证据。
采集路径的三角约束。 真机遥操作精度最高但成本最高；UMI 代表第二条路径——用搭载 GoPro 的手持夹爪采集「野外」人类演示，实现免标定、跨本体低成本采集，但须专门解决视觉上下文不足、动作精度不足、延迟失配、策略表达不足四类问题；第三条路径仿真合成边际成本趋零，但受 Sim2Real 鸿沟制约；Gartner 在 2026 年《Physical AI 技术成熟度曲线》同样提醒须计入「仿真到现实」差距。
中国侧规模化实践。 国家数据局 2025 年 10 月发布的典型案例显示，智元创新 AgiBot World 项目累计采集超百万条原子动作轨迹、数据规模达 850TB——该数字为申报单位智元自述，非第三方核验。据上海市科学技术协会报道，国家地方共建人形机器人创新中心的训练场实际采集量 260 万余条、训练数据量 600 万条（两者口径须分开）。国家发展改革委亦明确表示要「构建高质量真机数据采集系统……破解具身智能训练『数据饥渴』问题」。
Scaling Law 的正反证据。 正向：清华大学团队发现泛化性能与环境数、物体数大致呈幂律，但多样性远比演示绝对数量重要——一旦每环境/物体演示数达阈值，再增演示几乎无效。反向更直接：Shi 等发现跨本体预训练数据对跨本体迁移是「可选的」，且「专家多样性」可能干扰策略学习；EgoMimic 发现增加 1 小时人类手部数据的价值显著高于 1 小时机器人数据。
4.2 估值侧：官方定调、资本定价与算力周期
官方泡沫警示明确。 国家发改委新闻发言人李超在 2026 年 8 月例行发布会表示，机器人产业「必须坚持因地制宜、健康有序发展……防止盲目跟风、一哄而上」。
资本定价与产业自述的张力。 2026 年 8 月 19 日宇树科技登陆科创板，发行价 150.80 元、盘中市值一度突破 4400 亿元，发行市盈率 219.23 倍（行业参考市盈率 38.56 倍），上市首日股价大涨后回落，约两周内较高点回撤约 55%；宇树董事长王兴兴在世界机器人大会主论坛直言，人形机器人尚未大规模推广的核心原因是「效率仍低于人工」且「泛化能力不足」。王兴兴表述为厂商人士自评
投行口径对比须显式标注。
| 机构 | 口径 | 数值 | 性质 |
|---|---|---|---|
| 高盛研究部 | 2035 年全球人形机器人市场规模（TAM） | 380 亿美元 | 年度市场规模口径 |
| Figure AI | 私募估值 | 390 亿美元 | 企业股权估值口径 |
| 摩根士丹利 | 2050 年相关市场 | 超 5 万亿美元 / 在用量超 10 亿台 | 含无人车、无人机、eVTOL 等非人形，远期预测 |
算力周期的同频映射。 TrendForce 集邦咨询预计 2026 年全球前九大 CSP 资本支出逾 9570 亿美元、年增 106%；而该机构一年前曾预估 2026 年 AI 服务器出货「年增 20% 以上」。同一口径一年内被大幅上修 说明这类前瞻数字波动区间远大于其精度。具身智能资本热度与 AI 算力投资周期同频，其可持续性受制于上游资本开支节奏——此为判断，非可证因果。
Gartner 的定位。 Gartner 在 2026 年 9 月 30 日发布的《Physical AI 技术成熟度曲线》中写明「currently its hype and risk outweigh business outcomes（当前其炒作与风险超过业务成果）」。
路线未收敛。 工业和信息化部 2026 年 7 月数据显示，上半年我国人形机器人整机产品达 400 余款、超全球半数，四足机器人占全球销量份额接近 70%——机型数量扩张与路线收敛并不等同。
4.3 自主性口径缺失：一项制度性缺口
正在制定中的 ISO/CD 25785-1（ISO/TC 299，状态：在研，Stage 30.60，已退回工作组修订）把适用范围限定为「公众被排除或限制进入的工作场所」的工业环境，明文排除「在非工业环境中使用的机器人」（含消费或家用移动机器人、医疗/手术/康复移动机器人），同时排除「行进速度和方向完全由驾驶员或操作员控制的机器人」。换言之，家庭场景与纯遥控形态恰好同时落在这部安全标准的覆盖范围之外。
标准正在补课，但补的是数据侧。工业和信息化部 2026 年第 18 号公告批准发布、2026 年 11 月 1 日实施的 YD/T 6771-2026《人工智能 关键基础技术 具身智能数据集质量要求及评估方法》，由中国信息通信研究院联合 40 余家单位起草，提出完整性、一致性、多样性、真实性、易用性、实用性、可扩展性、安全性八维质量指标；该标准管的是数据集质量，并不涉及自主性等级的披露要求，缺口仍敞开。
从工厂到家庭：通用家庭机器人的落地缺口、补齐路径与时间表
5.1 标尺：1X NEO 的真实状态
衡量「距离家庭还有多远」，最可信的标尺是已公开预售、明确面向家庭的全尺寸人形机器人 1X NEO。
官方写明「US Deliveries start 2026」，并说明「NEO arrives with basic autonomy for early owners and grows in capability over time」，复杂任务「an Expert from 1X can remotely supervise……to help it learn new abilities」。即：默认自主 + 复杂情况由 1X 专家远程协助——其自主能力建立在「持续可用远程接管」之上，而非完全离线自治。
5.2 六大落地缺口
泛化能力
王兴兴判断「80% 陌生场景完成 80% 任务」快则 2–3 年、慢则 5–10 年；当前仅相当于 GPT-2 阶段。实测更冷峻：LongAct 顶尖模型目标完成率约 59%、完整成功率仅约 16%；LIVIN 中 GPT-6 Astra 导航 41.48%、长时序 12.5%，零样本人形模型四项均 0.0%。
成本
商务部研究院俞华认为单机需降至 5 万–10 万元才具入户基础；高盛预测均价从 2025 年 4.18 万美元降至 2035 年 2.13 万美元。当前 NEO 买断 20,000 美元仍显著高于家庭可承受区间。
安全与标准
ISO 13482:2014 适用范围仅列 mobile servant / physical assistant / person carrier，对家庭具身机器人过于笼统。中国 GB/T 36530-2018 等同采用，2025 年复审「继续有效」。亟待建立家用专项标准。
数据隐私
家庭被称为「数据荒漠」——最需要数据的场景，恰恰是同意要求最严的场景。《拟人化互动服务管理暂行办法》第十六条明确交互数据使用边界。1X FAQ 设数据条目但答复未公开具引。
可靠性与批次一致性
99% 成功率意味着 100 次中 1 次「掉链子」；万台级批次一致性是制造级难题。宇树 R1 保修仅 6–12 个月，NEO 买断档 3 年质保。银河通用药房机器人累计拣药超 100 万盒无故障，但距家庭全天候仍远。
商业模式
工业客户回本周期期望 18–24 个月，家庭回本周期远长于此，租赁先行（而非买断）更可能成为早期入户形态。
5.3 分阶段时间表与可验证指标
| 阶段 | 时点 | 可验证观察指标 |
|---|---|---|
| 近期 | 2026–2028 | 工业/仓储场景真机部署规模、单台 BOM 降幅、非遥操作运行时长占比 |
| 中期 | 2030 前后 | 商业服务（零售、餐饮、酒店）落地案例、监管专项标准发布、家庭场景长时序任务成功率 |
| 远期 | 2035 前后 | 家庭通用机器人单台年服务成本、真实家庭任务成功率、自主率（无远程接管占比） |
各机构预测的前提假设与分歧区间极大（见 4.2），本报告不做单一数字背书。
5.4 收束：还缺什么，按优先级
- 数据 / 泛化（最高优先级）：补齐真实家庭长尾场景数据，跨越 Scaling Law 的「多样性」门槛；
- 成本：单机降至家庭可承受区间（5 万–10 万元级）；
- 安全标准：建立家用具身机器人专项安全标准；
- 隐私治理：明确家庭数据的采集同意与训练使用边界；
- 商业模式：以租赁验证家庭回本路径。
参考文献（APA 格式）
- Amato, C., Hutchinson, S., Goldberg, K., et al. (2025). "Data will solve robotics and automation: True or false?": A debate. Science Robotics, 10(105). doi:10.1126/scirobotics.aea7897
- Brooks, R. A. (1986). A robust layered control system for a mobile robot. IEEE Journal of Robotics and Automation, 2(1), 14–23.
- Brooks, R. A. (1991). Intelligence without representation. Artificial Intelligence, 47(1–3), 139–159. doi:10.1016/0004-3702(91)90053-M
- Braitenberg, V. (1986). Vehicles: Experiments in synthetic psychology. MIT Press. (初版 1984)
- Chi, C., Xu, Z., Pan, C., et al. (2024). Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots. arXiv:2402.10329.
- Goldberg, K. (2025). Good old-fashioned engineering can close the 100,000-year "data gap" in robotics. Science Robotics, 10(105). doi:10.1126/scirobotics.aea7390
- International Federation of Robotics. (2026). President's Report 2026. https://ifr.org/ifr-press-releases/news/presidents-report-by-jane-heffner-3-2026
- International Organization for Standardization. (2014). ISO 13482:2014 Robots and robotic devices — Safety requirements for personal care robots.
- International Organization for Standardization. (2025). ISO 10218-1:2025 / ISO 10218-2:2025 Robots and robotic devices — Safety requirements.
- International Organization for Standardization. (2026). ISO/CD 25785-1 Robotics — Safety requirements for dynamically stable industrial mobile robots (Under development, Stage 30.60). https://www.iso.org/standard/91469.html
- Kareer, S., et al. (2024). EgoMimic: Scaling Imitation Learning via Egocentric Video. arXiv:2410.24221.
- Krichmar, J. L. (2018). Neurorobotics—A thriving community and a promising pathway toward intelligent cognitive robots. Frontiers in Neurorobotics, 12, Article 42. doi:10.3389/fnbot.2018.00042
- Lin, J., et al. (2024). Data Scaling Laws in Imitation Learning for Robotic Manipulation. arXiv:2410.18647.
- Ma, Y., Song, Z., Zhuang, Y., Hao, J., & King, I. (2024). A Survey on Vision-Language-Action Models for Embodied AI. arXiv:2405.14093.
- NVIDIA. (2026, March). NVIDIA Expands Open Model Families to Power the Next Wave of Agentic Physical and Healthcare AI [Investor news release]. https://investor.nvidia.com/news/press-release-details/2026/
- OpenAI. (2018). Dactyl: Learning to manipulate objects with dexterity. arXiv:1808.00177.
- Physical Intelligence. (2024). π0: A Vision-Language-Action Flow Model for General Robot Control. arXiv:2410.24164.
- Physical Intelligence. (2025). π0.5: A Vision-Language-Action Model with Open-World Generalization. arXiv:2504.16054.
- Shi, L., et al. (2025). Is Diversity All You Need for Scalable Robotic Manipulation? arXiv:2507.06219.
- Zhao, T., et al. (2020). Sim-to-Real Transfer in Deep Reinforcement Learning. IEEE Symposium Series on Computational Intelligence. arXiv:2009.13303.
- Zitkovich, B., et al. (2023). RT-1 / RT-2 / Open X-Embodiment. arXiv:2212.06817 / 2307.15818 / 2310.08864.
- 国家数据局. (2025). 高质量数据集典型案例｜具身智能领域百万真机高质量数据集. https://www.nda.gov.cn/
- 工业和信息化部. (2023). 人形机器人创新发展指导意见（工信部科〔2023〕193 号）.
- 工业和信息化部. (2026). 人形机器人与具身智能标准体系（2026 版）；2026 年第 18 号公告 YD/T 6771-2026.
- 国家发展改革委. (2026). 2026 年 8 月例行新闻发布会实录. https://www.ndrc.gov.cn/
- Gartner. (2026, September 30). The 2026 Hype Cycle for Physical AI. https://www.gartner.com/en/articles/hype-cycle-for-physical-ai
- TrendForce. (2026, October 14). 2026 年全球 CSP 资本支出与 AI 服务器出货预测. https://www.trendforce.cn/presscenter/news/20261014-13270.html
- 高盛研究部. (2024, February). 全球人形机器人市场规模（TAM）预测至 2035 年.
- 摩根士丹利. (2025, April). 具身智能市场至 2050 年预测（含非人形形态）.
- Figure AI. (2025, September 16). 私募估值公告.
- LIVIN Benchmark. (2026). Long-horizon manipulation benchmark across 30 lived-in homes. arXiv:2610.12069.
- LongAct Benchmark. (2026). Long-horizon action benchmark. arXiv:2605.14504.