野村研报解读: 机器人行业的“ChatGPT时刻”比想象更近?拆解关键线索
- 2026-10-29 00:25:06
野村研报解读: 机器人行业的“ChatGPT时刻”比想象更近?拆解关键线索
野村发布研究报告 <The ChatGPT moment comes into view>。大语言模型走过的路，机器人正在重走。野村最新发布的全球机器人行业报告提出一个核心判断：机器人的“ChatGPT时刻”可能比市场预期更早到来，而第一个催化剂，可能就出现在12月至次年1月。
报告认为，机器人训练正在复刻LLM的三个阶段：先利用大量数据广泛学习，再针对具体任务微调，最后通过强化学习在试错中提升。与LLM类似，一旦机器人获得足够的动作反馈，其精度水平可能突然跃升。野村产业调研显示，9月以来市场对机器人的情绪已转向更乐观，原因有二：一是足够动作反馈带来的精度跃升；二是机器人有望在两年内达到相当于L2+辅助驾驶的水平。
不过，报告也泼了一盆冷水：以LLM的发展阶段衡量，机器人大脑尚未达到GPT-2水平，实验室里已出现“涌现”的早期迹象，但还没有模型可靠到能投入真实工作。12月至1月发布的新模型可能更接近GPT-2——有希望，但未准备好量产。宇树创始人王兴兴认为，物理AI已显现突破早期迹象，可能在1至2年或2至3年内发生；OpenAI CEO Sam Altman则对《财富》表示，预计2027年看到OpenAI机器人的“酷炫演示”，随后几年机器人走上街头。
01 数据是胜负手：Ego视频成预训练主角
在模型之外，野村认为数据将决定谁领先。数据是最稀缺的输入，行业正转向视频填补缺口。训练路径与LLM相似：先用大量第一人称（Ego）人类日常任务视频预训练，再用少量遥操作和动作捕捉数据微调，最后在仿真中试错。报告特别提到CoRL 2026的SuperMimic论文：在一个GPU上训练3小时，就击败了在128个GPU上训练7天的基线，算力减少超过1000倍，且随着动作数据从1小时增至264小时，模型仍保持准确。
但预训练只是故事的一半。模型要持续进步，需要机器人在现场工作产生的数据。野村调研显示，“涌现时刻”的数据门槛约为100万小时，接近一个人的一生；而目前以一种一致格式收集的可用数据仅约10万小时。领先公司只有数十万小时高质量数据，特斯拉Optimus刚超过50万小时。训练启动需要1000万小时，长期需要超过1亿小时，而行业存量仅数百万小时。宇树 recorded time 中只有约四分之一可用。
数据采集有四种主要方式：真实机器人遥操作约700元/小时，但数据只适用于特定机器人设计；UMI手持夹爪约100至300元/小时，但妨碍正常工作，订单小且定制；Ego第一人称视频约300至350元/小时，可跨机器人代际使用；仿真最便宜，约120元/小时，但在真实世界感知任务中占比不超过20%。野村预计，随着20多个城市级数据工厂和海外众包扩大，价格将在12至24个月内下降。
02 大脑三路线：VLA、世界模型与仿真RL
报告梳理了竞争机器人大脑的三类模型。VLA（视觉-语言-动作）模型看场景、接收指令并输出动作路径；世界模型预测机器人行动后会发生什么；仿真中的强化学习则通过试错训练动作。NVIDIA科学家认为，早期VLA模型大部分容量花在语言上，知道“是什么”但不知道“怎么动”；其WAM用视频生成充当物理引擎，逐帧预测教授重力、浮力和光。机器人本体上， onboard VLA模型为2至7B参数，需要约3万至4万元芯片和存储；世界模型重得多，World Labs的Atlas为100至200B参数，生成完整视频的世界模型需要3至10倍算力。野村预计到2027年，世界模型将在云端运行、训练机器人并生成数据，而紧凑的VLA和RL模型在机器人上运行。
突破更可能来自哪里？野村认为，是构建基础模型的大型AI实验室和特斯拉，而非机器人大脑初创公司。算力是最明显差距：美国工程师人均算力超过中国同行十倍以上，字节跳动在中国机器人算力最多。报告预计OpenAI在12月至1月发布为物理AI构建的模型；谷歌Gemini Robotics 2在2026年7月30日发布，完成长多步任务的成功率最高达91.3%，在全身控制上比中国对手领先约一年。特斯拉则拥有闭环：从仿真、世界模型到数据分拣、数据平台和工厂测试，传感器和数据格式基本确定；其机器人完成无监督工厂 routine 的成功率约97%。
03 五个指标：机器人离ChatGPT时刻还有多远
野村提出五个运营指标判断机器人是否到达ChatGPT时刻，而目前全部不达标。第一，机器人能工作多久而无需人工介入：目前最好仍只有几小时，但工厂需要一周无人值守运行。第二，精细手工作业：Gemini Robotics 2在Apollo 2机器人上搭配Sharpa Wave手，系垃圾袋成功率为44%，扫入簸箕为32%。第三，模型适应新机器人本体的速度：谷歌约需7至8小时，最快的中国玩家约需两周。第四，新任务需要多少次演示：实验室已降至1至2次。第五，工厂现场准确率：目前约60%，行业要求98%以上，预计需要3至5年缩小差距。报告认为第一和第五最重要，因为它们决定客户是用运营预算还是试验预算买单。
04 硬件：灵巧手先受益，本体一致性决定赢家
三种场景决定机器人硬件是走安卓路线还是特斯拉路线。场景A：大型人工智能实验室攻克实体人工智能技术，机器人走安卓手机的发展路线：大脑成为平台，机身成为标准硬件。我们预计，一旦软件路径确定，机器人的设计将趋同。此外，我们注意到深度求索（DeepSeek）和字节跳动已经在要求供应商生产定制硬件。我们认为人工智能模型公司更有可能采购第三方机器人，而非自行研发生产。场景B：特斯拉的全栈模式胜出，价值流向为特斯拉组装零部件的核心供应商以及稀缺零部件的制造商。场景C：标准化落地，这将惠及适配多种不同机器人的零部件制造商，首先是灵巧手，随后是其他标准核心零部件。 我们预计，随着更先进的人工智能让机器人从使用简单的夹持器转向五指手，灵巧手的出货量将上升，价格将下降。预计2026年手部出货量同比增长80%至120%，由高自由度手引领；今年30%至50%的工厂夹爪将被替代。
一旦模型路线确定，人形机器人设计将逐渐收敛为少数标准形态，迎来硬件的“iPhone时刻”。此后难点在于把每一台都造得一样或相似。人形机器人有20多个关节，如果彼此行为略有差异，在一个机器人上训练的控制策略可能只适用于少数其他机器人。因此赢家将是迭代快、成本紧的制造商，如宇树、车企和核心部件供应商。随着宇树产量增长，报告预计其将更多外包部件，以保持低成本并确保质量。大规模量产合理成本为：1.7米机器人15万至20万元，1.3米机器人3万至4万元；执行器占部件成本约50%至75%。
报告最后强调，真正的ChatGPT时刻需要正反馈循环启动：机器人在工作中产生数据，数据让模型更好，更好的模型被更多部署。这个循环只有在足够多机器人进入现场后才成立。谁拥有算力、数据闭环和现场机器人，谁就更可能赢。
野村发布研究报告 <The ChatGPT moment comes into view>。
报告认为，机器人训练正在复刻LLM的三个阶段：先利用大量数据广泛学习，再针对具体任务微调，最后通过强化学习在试错中提升。与LLM类似，一旦机器人获得足够的动作反馈，其精度水平可能突然跃升。野村产业调研显示，9月以来市场对机器人的情绪已转向更乐观，原因有二：一是足够动作反馈带来的精度跃升；二是机器人有望在两年内达到相当于L2+辅助驾驶的水平。
不过，报告也泼了一盆冷水：以LLM的发展阶段衡量，机器人大脑尚未达到GPT-2水平，实验室里已出现“涌现”的早期迹象，但还没有模型可靠到能投入真实工作。12月至1月发布的新模型可能更接近GPT-2——有希望，但未准备好量产。宇树创始人王兴兴认为，物理AI已显现突破早期迹象，可能在1至2年或2至3年内发生；OpenAI CEO Sam Altman则对《财富》表示，预计2027年看到OpenAI机器人的“酷炫演示”，随后几年机器人走上街头。
01 数据是胜负手：Ego视频成预训练主角
在模型之外，野村认为数据将决定谁领先。数据是最稀缺的输入，行业正转向视频填补缺口。训练路径与LLM相似：先用大量第一人称（Ego）人类日常任务视频预训练，再用少量遥操作和动作捕捉数据微调，最后在仿真中试错。报告特别提到CoRL 2026的SuperMimic论文：在一个GPU上训练3小时，就击败了在128个GPU上训练7天的基线，算力减少超过1000倍，且随着动作数据从1小时增至264小时，模型仍保持准确。
但预训练只是故事的一半。模型要持续进步，需要机器人在现场工作产生的数据。野村调研显示，“涌现时刻”的数据门槛约为100万小时，接近一个人的一生；而目前以一种一致格式收集的可用数据仅约10万小时。领先公司只有数十万小时高质量数据，特斯拉Optimus刚超过50万小时。训练启动需要1000万小时，长期需要超过1亿小时，而行业存量仅数百万小时。宇树 recorded time 中只有约四分之一可用。
数据采集有四种主要方式：真实机器人遥操作约700元/小时，但数据只适用于特定机器人设计；UMI手持夹爪约100至300元/小时，但妨碍正常工作，订单小且定制；Ego第一人称视频约300至350元/小时，可跨机器人代际使用；仿真最便宜，约120元/小时，但在真实世界感知任务中占比不超过20%。野村预计，随着20多个城市级数据工厂和海外众包扩大，价格将在12至24个月内下降。
02 大脑三路线：VLA、世界模型与仿真RL
报告梳理了竞争机器人大脑的三类模型。VLA（视觉-语言-动作）模型看场景、接收指令并输出动作路径；世界模型预测机器人行动后会发生什么；仿真中的强化学习则通过试错训练动作。NVIDIA科学家认为，早期VLA模型大部分容量花在语言上，知道“是什么”但不知道“怎么动”；其WAM用视频生成充当物理引擎，逐帧预测教授重力、浮力和光。机器人本体上， onboard VLA模型为2至7B参数，需要约3万至4万元芯片和存储；世界模型重得多，World Labs的Atlas为100至200B参数，生成完整视频的世界模型需要3至10倍算力。野村预计到2027年，世界模型将在云端运行、训练机器人并生成数据，而紧凑的VLA和RL模型在机器人上运行。
突破更可能来自哪里？野村认为，是构建基础模型的大型AI实验室和特斯拉，而非机器人大脑初创公司。算力是最明显差距：美国工程师人均算力超过中国同行十倍以上，字节跳动在中国机器人算力最多。报告预计OpenAI在12月至1月发布为物理AI构建的模型；谷歌Gemini Robotics 2在2026年7月30日发布，完成长多步任务的成功率最高达91.3%，在全身控制上比中国对手领先约一年。特斯拉则拥有闭环：从仿真、世界模型到数据分拣、数据平台和工厂测试，传感器和数据格式基本确定；其机器人完成无监督工厂 routine 的成功率约97%。
03 五个指标：机器人离ChatGPT时刻还有多远
野村提出五个运营指标判断机器人是否到达ChatGPT时刻，而目前全部不达标。第一，机器人能工作多久而无需人工介入：目前最好仍只有几小时，但工厂需要一周无人值守运行。第二，精细手工作业：Gemini Robotics 2在Apollo 2机器人上搭配Sharpa Wave手，系垃圾袋成功率为44%，扫入簸箕为32%。第三，模型适应新机器人本体的速度：谷歌约需7至8小时，最快的中国玩家约需两周。第四，新任务需要多少次演示：实验室已降至1至2次。第五，工厂现场准确率：目前约60%，行业要求98%以上，预计需要3至5年缩小差距。报告认为第一和第五最重要，因为它们决定客户是用运营预算还是试验预算买单。
04 硬件：灵巧手先受益，本体一致性决定赢家
三种场景决定机器人硬件是走安卓路线还是特斯拉路线。场景A：大型人工智能实验室攻克实体人工智能技术，机器人走安卓手机的发展路线：大脑成为平台，机身成为标准硬件。我们预计，一旦软件路径确定，机器人的设计将趋同。此外，我们注意到深度求索（DeepSeek）和字节跳动已经在要求供应商生产定制硬件。我们认为人工智能模型公司更有可能采购第三方机器人，而非自行研发生产。场景B：特斯拉的全栈模式胜出，价值流向为特斯拉组装零部件的核心供应商以及稀缺零部件的制造商。场景C：标准化落地，这将惠及适配多种不同机器人的零部件制造商，首先是灵巧手，随后是其他标准核心零部件。
一旦模型路线确定，人形机器人设计将逐渐收敛为少数标准形态，迎来硬件的“iPhone时刻”。此后难点在于把每一台都造得一样或相似。人形机器人有20多个关节，如果彼此行为略有差异，在一个机器人上训练的控制策略可能只适用于少数其他机器人。因此赢家将是迭代快、成本紧的制造商，如宇树、车企和核心部件供应商。随着宇树产量增长，报告预计其将更多外包部件，以保持低成本并确保质量。大规模量产合理成本为：1.7米机器人15万至20万元，1.3米机器人3万至4万元；执行器占部件成本约50%至75%。
报告最后强调，真正的ChatGPT时刻需要正反馈循环启动：机器人在工作中产生数据，数据让模型更好，更好的模型被更多部署。这个循环只有在足够多机器人进入现场后才成立。谁拥有算力、数据闭环和现场机器人，谁就更可能赢。
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
