高盛發佈最新全球物理 AI 行業報告，將人形機器人長期市場預測大幅上調：全球出貨量將從 2026 年的 7.5 萬台增至 2030 年的 89 萬台，2035 年達到約 650 萬台，對應市場規模約 1383 億美元。
對比此前預測，2030 年和 2035 年出貨量預期分別從 25.6 萬台、140 萬台上調了 3 倍、4.6 倍。這不是微調，是對整個行業商業化節奏的重估。
當市場還在爭論人形機器人是不是 “PPT 產品”，高盛用一整份報告給出了明確判斷：技術、成本、場景三重拐點正在同時到來，機器人正在從 “會走路的 Demo” 轉向 “會幹活的生產力”，物流倉儲將成為第一個跑通規模化的賽道。
一、先看核心資料：為什麼高盛敢把預期翻 4 倍？
先把最核心的預測資料擺清楚，所有結論均來自高盛 2026 年 8 月全球物理 AI 與人形機器人研究報告。
出貨量與市場規模預測
對比上一版預測，2030 年出貨量預期從 25.6 萬台上調至 89 萬台，2035 年從 140 萬台上調至 650 萬台，上調幅度分別達到 247% 和 364%。
高盛上調的核心依據，來自三個維度的超預期進展：
- AI 模型能力躍遷
2023 年主流 AI 模型綜合能力 ECI 得分約 120 分，2026 年領先模型已升至 150 分以上；前沿模型可完成任務的持續時間大約每 7 個月翻一番，機器人從 “能走” 快速進化到 “能做任務”。 - BOM 成本下降快於預期
核心零部件國產化、供應鏈成熟度提升，整機成本下降速度超過此前預判。 - 企業端需求提前啟動
全球 80 多家受訪企業中，約 35% 已有局部部署，約 34% 正在認真評估或試點，落地節奏早於行業普遍預期。
二、為什麼物流倉儲最先跑通？三個條件已經成熟
高盛明確判斷，物流倉儲和汽車製造將率先實現規模化落地，其中物流倉儲節奏更快。
很多人不理解，為什麼不是工廠、不是家庭，而是倉庫？答案很簡單：物流倉儲同時滿足了 “環境可控、任務標準、勞動力壓力大” 三個核心條件。
1. 環境封閉可控，技術門檻最低
相比開放街道、複雜家庭場景，倉庫環境相對固定、天氣與隱私風險低、人機協作規則清晰。傳統 AGV、AMR 已經在倉庫驗證了幾十年自動化路徑，人形機器人相當於在成熟自動化體繫上，補充柔性操作能力。
2. 任務標準化程度高，容易複製
搬運、分揀、碼垛、盤點，倉儲場景的任務高度重複、規則清晰，非常適合當前階段機器人的能力邊界。不需要複雜的臨場決策，只需要穩定完成標準化動作。
3. 勞動力成本壓力是最強驅動力
美國約有 98.7 萬倉儲從業者，相關工資總額約 2400 億美元。訂單碎片化、當日達普及，讓倉庫用工需求持續上漲，人力成本逐年攀升。而傳統固定自動化裝置只能覆蓋標準 SKU，海量非標商品、零散訂單依然依賴人工。
亞馬遜和沃爾瑪的實踐已經驗證了經濟性：
- 亞馬遜截至 2025 年 6 月已在 300 多個設施部署超 100 萬台機器人，正從 “單點自動化” 轉向 AI 統一調度的 “系統級自動化”。第十二代履約中心履約速度提升 25%，可當日達商品數量增加 25%；DeepFleet 基礎模型可將機器人車隊行駛效率再提高 10%。
- 沃爾瑪新一代履約中心把 12 步人工流程壓縮為 5 步，相同面積下吞吐量翻倍。截至 2026 年 8 月，約 3100 家美國門店已獲得自動化貨運支援，超過 50% 的電商履約量由自動化設施處理。
高盛測算，如果 2026-2030 年亞馬遜總履約成本改善 5.6%，單位履約成本可從 6.40 美元降至 5.57 美元，累計節約約 720 億美元，可為零售業務 EBIT 利潤率貢獻約 400 個基點。
三、汽車製造：潛力巨大，但真實落地仍需時間
汽車行業是公認的人形機器人第二大場景，但高盛對當前技術邊界保持了非常謹慎的判斷。
現狀：98% 的工序還無法直接替代
汽車工廠的銲接、沖壓、車身製造早已高度自動化，傳統工業機器人約四分之一用於汽車行業。但總裝、線束連接、複雜零件裝配、質量檢測依然大量依賴人工。
高盛估算，在目前尚未機器人化的汽車工序中，現階段人形機器人真正能夠直接處理的任務只有約 2%，主要集中在零件分類和簡單物流運輸；剩餘 98% 的工序仍需要 AI 大腦、機器視覺和靈巧手取得進一步突破。
落地節奏：分三階段滲透
- 第一階段（2026-2028）率先進入汽車工廠、大型物流中心等封閉環境，從事簡單搬運、物料配送。
- 第二階段（2029-2032）進入一般製造、中小工廠，逐步承擔簡單裝配、質量巡檢任務。
- 第三階段（2033 以後）向服務業、護理、基礎設施和家庭場景延伸。
特斯拉、現代等車企同時在佈局自有機器人產能。特斯拉計畫 2026 年啟動 Optimus 生產，首先內部使用，2027 年開始外部銷售，長期目標 2030 年前後年產 10 萬台。但高盛也指出，最初的產量爬坡可能較為緩慢。
四、商業化的核心：價格正在逼近 “替代人工” 的盈虧平衡點
技術能不能用是一回事，企業願不願意買是另一回事。高盛報告裡最有價值的判斷，是對人形機器人經濟性的量化測算。
成本與售價下降曲線
高盛預計，2025-2035 年人形機器人 BOM 成本平均每年下降約 7%，整機平均售價每年下降約 6%：
- 全球平均售價：從 2025 年約 4.18 萬美元 → 2030 年 3.08 萬美元 → 2035 年 2.13 萬美元
- 平均 BOM 成本：從 2025 年約 2.77 萬美元 → 2030 年 1.64 萬美元 → 2035 年 1.35 萬美元
投資回收期測算
以工廠場景為例：一台售價 3 萬美元的機器人，加上 50% 的系統整合成本，初始投資約 4.5 萬美元；若能夠替代約 0.8 名全職員工，每年淨節省約 2.83 萬美元，投資回收期約 1.6 年。
高盛估算，2026 年工廠人形機器人成本約相當於 2.8 年的人工成本，2027 年將下降至約 1.9 年。隨著工資上漲和機器人價格繼續下降，越來越多場景將跨過經濟上的 “盈虧平衡點”。
以汽車及零部件行業為例，假設人工成本佔成本約 15%，機器人售價 2 萬 - 6 萬美元、採用率 10%-50%，對應毛口徑營業利益率提升幅度可達 1-6 個百分點。
五、產業鏈紅利：誰在吃人形機器人的增量蛋糕？
人形機器人放量，受益的不只是本體廠商，整個產業鏈都會迎來新增量。高盛報告重點提到了三大增量賽道。
1. 半導體：第二波 AI 裝置擴散
每台人形機器人的半導體價值量約 3000-6000 美元以上：
- 計算模組（GPU、CPU）：約 1500-4000 美元
- 模擬與混合訊號晶片：約 750-1050 美元
- 記憶體（DRAM、HBM、NAND）：約 600-800 美元
這就是高盛所說的 “第二波 AI 裝置擴散”：第一波 AI 投資集中在資料中心、GPU 和網路基礎設施；第二波人形機器人、自動駕駛等邊緣 AI 裝置，把算力需求進一步延伸到現實世界。
值得注意的是，人形機器人需要同時處理視覺、聽覺、觸覺、運動控制，模擬晶片可能佔晶片元件數量的 95% 以上。GaN/SiC 功率器件、圖像感測器、通訊晶片、精密時鐘都將獲得新的需求增量。
2. 精密機械與運動部件
一台人形機器人使用的軸承數量甚至可能超過豪華汽車的兩倍，單只靈巧手最多可使用約 85 個軸承。減速器、伺服電機、靈巧手關節，都將隨著出貨量放量迎來需求增長。
其中高盛特別指出，靈巧手是當前最重要的硬體瓶頸之一，目前仍沒有統一技術路線，也是各家廠商差異化競爭的核心。
3. 工業軟體與世界模型
傳統 PLC 市場 2025 年約 130 億美元，年增長約 4%；而 vPLC（軟體化 PLC）市場目前約 5 億美元，預計年增長 20%-30%，2030 年可能達到約 13 億美元，佔新增 PLC 銷售的約 25%。
西門子、羅克韋爾等傳統廠商將由一次性硬體銷售，轉向訂閱制、按使用量收費的工業軟體服務。
同時，機器人帶來的真實世界資料需求，可能成為新的資料中心算力增量。高盛此前預計 Agent 經濟將推動未來 5 年 token 需求增長 24 倍，而機器人需要處理視訊、空間、動作等海量物理資料，世界模型帶來的計算需求還會在此基礎上進一步疊加。
六、理性看待：不是一夜替代，是漸進式滲透
關於人形機器人，市場總在兩個極端搖擺：要麼覺得明天就能全面替代人工，要麼覺得永遠都是玩具。高盛這份報告給出了非常務實的判斷。
就業影響比想像的更溫和
美國約有 640 萬名手工搬運和物料運輸從業者，但美國勞工統計局預計，2024-2034 年此類崗位平均每年仍會出現約 100 萬個空缺，主要來自退休和轉崗。
這意味著，中短期內人形機器人未必造成就業總量突然下降，更可能減少新增招聘需求，並改變人的工作內容：員工更多轉向裝置維護、異常處理、質量控制和客戶服務，高體力、重複性崗位逐漸減少。
企業採用的最大障礙不是員工阻力
超過 35% 的受訪企業認為，通用機器人需要三年以上才能顯著增厚利潤。技術可靠性、系統整合複雜度和投資回報不確定，是比員工阻力更重要的採用障礙。
約 70% 的企業最看重機器人能否完成廣泛任務，只有約一成明確要求雙足形態。企業關心的是可靠性和經濟性，而不是機器人 “像不像人”。
七、行業的競爭焦點已經變了
高盛這份大幅上調的預測，本質上是對行業發展階段的重新定義。
過去人形機器人的競爭焦點是：能不能走、能不能跑、能不能做後空翻，拼的是 Demo 的酷炫程度。
而現在，競爭的核心已經轉向：真實世界資料積累、機器人基礎模型能力、靈巧操作精度、系統長期可靠性、投資回報周期。
從 “會走路” 到 “會工作”，一字之差，卻是整個行業從概念走向商業化的跨越。
當然，650 萬台是 2035 年的長期預期，當下依然處在小批次驗證階段。技術迭代、成本下降、場景打磨，每一步都不會輕鬆。
但可以確定的是：物理 AI 的浪潮已經不再是概念，正在一步步走進真實的工廠和倉庫。 (未來機器人網)