在2026世界機器人大會（WRC）的展館現場，一台台人形機器人輪番登場，奔跑、舞蹈、靈巧操作，各類炫酷演示不斷刷新觀眾的感官體驗。WRC集中展現了中國人形機器人產業的高速擴容態勢。當前行業硬體迭代提速，整機產品突破400款、年產量有望衝擊10萬台規模，各類行走、作業、展演樣機層出不窮，技術可視化成果亮眼。但透過行業熱鬧表象可見，產業正陷入明顯的“軟硬失衡”格局：硬體產能快速爬坡、樣機性能持續迭代，而適配真實物理場景的機器人大腦尚未形成成熟方案。行業普遍存在，搭載頂尖大語言模型的人形機器人，可實現流暢人機對話，卻難以勝任收拾桌面、規整物品等基礎生活化、工業化任務的痛點。人形機器人想要從“展演”走向規模化產業落地，核心突破口在於打造具備“物理直覺”的具身智能大腦。
“能說”不等於“會做”，物理直覺成關鍵瓶頸
“現在很多人有一個認識誤區，以為把大語言模型接到機器人身上，就能造出通用人形機器人。現實是，語言模型只解決‘會說’，人形機器人核心訴求是‘會做’。”宇樹科技創始人、董事長王興興表示，通用語言模型並不等同於具身模型，二者訓練目標、資料來源、輸出範式完全不同。語言模型輸出是文字，人形機器人大模型最終輸出的是每一個關節的運動指令，要兼顧力、速度、空間位置、環境動態變化，“整套系統必須跑在毫秒級的即時閉環之內”。
“固定場景充分訓練，機器人任務成功率接近100%；一旦物體、環境發生微小變化，性能就會大幅衰減。這是當前所有具身模型共同面對的現實。”王興興給出產業判斷，人形機器人想要真正走進工廠與家庭，實現接收自然語言指令後，在陌生環境中獨立完成80%日常任務，這個節點最快2到3年，慢則需要5至10年才會到來。
商湯聯合創始人、大曉機器人董事長王曉剛分析，人形機器人行業正在經歷一場認知糾偏：機器人大模型不等於在通用大模型上外掛一套控制程式碼。人類對物理世界的常識，來自千萬次現實互動，然後懂得玻璃杯易碎、濕地面容易打滑、搬重物需要調整姿態等“常識”，並能隨之做出判斷和調整。但網際網路有海量文字、圖片資料，卻幾乎沒有完整記錄人與物理世界互動過程的資訊。
兩組資料的差距直觀揭示行業困境：過去行業依靠人工遙操採集機器人資料，多年積累僅十萬小時量級；部分自動駕駛企業依託模擬與真實資料結合，單日訓練資料等效人類400萬小時駕駛經驗，二者資料量級相差懸殊。
“語言模型學到的是符號邏輯；人形機器人模型必須建立一套內在的物理世界表徵。”王曉剛表示。他舉例，機器人雙手拿滿物品，順勢把毛巾搭到肩膀，再用胳膊夾住水桶繼續作業，這個看似簡單的小動作背後是模型對人體姿態、空間約束、物體狀態的綜合判斷，單純依靠文字大模型很難自主生成這類動作策略。
行業逐步形成共識：人形機器人需要的模型，必須打通感知‑理解‑規劃‑執行完整閉環。它要讀懂三維空間，識別物體材質、重量、易碎屬性，理解力的大小，即時應對環境擾動，輸出連續全身協同動作，而不只是回答問題、生成文字。
北京智源人工智慧研究院院長王仲遠點破目前行業悖論：本體硬體能力不足，真機採集資料少；資料稀缺導致模型能力弱；模型能力弱又進一步限制本體發揮，落地場景變少，進一步缺少真實互動資料。“真機資料昂貴，很難大規模獲取，模擬合成資料、網際網路視訊資料、穿戴裝置採集人類行為資料，多條路線正在平行探索。先利用海量公開資料完成預訓練，再用少量真機互動資料微調，是目前被廣泛採用的思路。”王仲遠說。
技術路線爭鳴，尚無統一答案
當下人形機器人大模型賽道多條技術路線平行，業內尚未形成唯一標準答案，爭論焦點集中在模型架構如何設計、資料從那裡獲取、模擬如何有效遷移到現實世界三大核心命題。
VLA（視覺‑語言‑動作）是較早興起的技術範式，實現視覺、語言、動作端到端對齊，輸入圖像與自然語言指令，直接輸出機器人動作。但產業落地過程中，越來越多企業看到VLA的能力天花板：面對複雜全身協同、動態物理擾動、長鏈條多步驟任務，模型泛化能力存在明顯短板。
一部分企業轉向世界模型路線。其核心邏輯是讓AI在內部建構現實世界虛擬推演，在“腦海”預演動作後果，預判行為帶來的變化，再選擇最優行動方案。王興興判斷，對比VLA，世界模型、視訊生成類模型的能力天花板更高，更有希望破解物理世界泛化難題。
與此同時，“快思考+慢思考”的大小腦分層架構成為另一大主流方向。高層“大腦”負責理解語言、任務拆解、邏輯推理，承擔“慢思考”；底層“小腦”承擔高頻即時運動控制、全身協同，毫秒級響應外部擾動，完成“快思考”。輝達IsaacGR00TN1、北京人形機器人創新中心“慧思開物”平台、FigureAI Helix模型，均採用類似分層思路。
但也有科學家對分層架構持不同觀點。它石智航首席科學家丁文超提出，分層會造成感知決策與動作執行割裂，理想狀態應當由單一模型或統一模型完成從感知到動作生成全鏈路，只是這對模型算力、訓練資料集提出極高要求。
業內人士指出，不少資料採集方案只聚焦上肢抓取，忽略雙足機器人全身協同邏輯。人形機器人不是機械臂疊加兩條腿，行走、平衡、雙臂操作深度耦合，上下半身必須統一建模訓練，否則真實場景極易失衡翻車。
資料是繞不開的攻堅戰。行業普遍認為，人形機器人可用真實互動資料規模，相比大語言模型訓練資料量（Token）差上萬倍。當前行業資料來源走向多元，有真機閉環採集、動捕與可穿戴裝置採集人類行為、大規模模擬生成合成資料、網際網路公開視訊等等方式，但不少企業提出，訓練不能只收集任務成功樣本，失敗案例、故障場景、意外擾動的資料，其訓練價值甚至高於成功樣本。
好模型不能脫離軀體，“知行合一”是目標
行業常常忽略一個關鍵事實：人形機器人大模型，不是脫離硬體本體獨立存在的軟體。再好的演算法模型，最終都要對應到電機、關節、感測器、靈巧手這套物理軀體之上。硬體的延遲、摩擦力、傳動間隙、感測器噪聲，都會直接改變模型輸出效果。
星海圖人工智慧創始人高繼揚指出，不同機器人本體零部件存在客觀差異。同一套模型部署在兩台硬體略有差別的人形機器人上，實際表現會出現明顯分化。模型訓練必須考慮本體差異性，依靠標定工具彌合硬體個體差異，否則優秀的基座模型也難以落地量產機型。
業內人士表示，通用基座模型只能提供基礎能力，不存在一套模型通吃全部硬體。基座模型完成之後，面向具體本體、具體場景的適配微調，是無法跳過的工程環節。人形機器人產業軟硬深度耦合，模型定義硬體需求，硬體反過來約束模型上限，二者必須同步迭代，既不能做完硬體再找模型，也不能只做模型無視硬體現實。
現實工況對模型提出嚴苛工程指標。語言大模型推理可以容忍幾百毫秒甚至秒級延遲，但人形機器人處理平衡、躲避碰撞、抓取滑動物體，推理必須壓縮到幾十毫秒甚至毫秒級。高算力不等於體驗優異，還要兼顧嵌入式端部署，要在有限算力條件下完成感知、規劃、控制全套運算。
受訪專家普遍認為，人形機器人大模型不會一步實現全能通用。產業路徑大機率遵循“專用場景打磨‑能力沉澱‑逐步泛化”，優先在工業搬運、巡檢、特定工位作業等高價值場景跑通資料飛輪，再逐步向家庭服務拓展，而非一步實現影視劇中全能家用機器人。
工業和資訊化部公開資訊顯示，2026年中國人形機器人整機產品已經超過400款，全年整機產量有望衝擊10萬台規模，硬體樣機供給快速增長，但機器人大模型仍處在基座打磨、工程化驗證的關鍵階段。8月19日，宇樹科技登陸科創板，成為A股“人形機器人第一股”，市值超3000億元。但根據企業全部機器人銷售收入資料，科研教育和商業消費應用收入佔比超過80%，工業應用佔比估計在10%左右，直觀反映出人形機器人距離大規模進廠上崗，仍有不小距離。
多位行業人士提醒理性看待行業熱度，刷屏的機器人視訊大多來自理想環境演示，真正的考驗永遠在充滿不確定性的真實世界。王曉剛認為，未來一段時間“一腦多機”將成為重要方向，一套基座模型適配多款不同硬體本體，降低單台機器人訓練成本，加速規模化落地；可穿戴裝置採集人類真實行為，會成為訓練資料集重要補充路徑。王仲遠判斷，未來兩三年行業會湧現一批更加成熟的人形機器人基座模型，但距離真正的通用具身智能，還需要翻越資料壁壘、模擬到現實鴻溝、軟硬協同等多重大山。具身模型實現真正的“知行合一”，這正是物理世界人工智慧的下一場大考。(中國電子報)