在對全球人形機器人2035年的最初預期為60 億美元的一年後，我們將2035 年的預測提高到380 億美元，這是因為對出貨量估計增加了4 倍，達到140 萬台，並且在降本40 ％ 的情況下實現了更快的盈利能力。我們相信我們修訂後的裝運估計將涵蓋10% - 15% 的危險、危險和汽車製造角色。人工智慧加速、技術突破、更高的資本支出投資是我們預測變化的關鍵驅動因素。
技術迭代的可行性它得到了端到端人工智慧和多模式人工智慧演算法的支持， 實現了更快的產品迭代， 引領了玩家比預期更快的進步（ 例如， Tesla Optimus Gen 2 ） ， 以及更好的機器人功能， 儘管通用人工智慧機器人的可能性仍然是一個問題;
到2023 年，BOM 成本可能會下降40% ， 降至每台 15 萬美元。一年前還是25 萬美元的高價格機器人， 主要是由更便宜的組件的可用性和更廣泛的國內供應鏈選擇範圍， 從以前在實驗室中使用的最佳性能組件， 這意味著工廠應用可行性時間表可能會加速一年， 消費者應用時間表可能會加速2 - 4 年。
對勞動市場影響， 國家政策已經提高了對機器人處理危險工作的需求。我們的敏感度分析表明，假設特殊操作和汽車製造的替代率為5 - 15 ％，以支持我們的基本假設，全球人形機器人需求可能達到110 萬至350 萬台。在我們的遠景展望中，我們假設製造業勞動力短缺和家庭/ 老人照護需求得到解決。
高盛提出，當今所有人形機器人LLM的基石其實還是Google的Transformer 模型，該模型自2017年開發以來，嘗試引入了一種自註意力機制（Self-Attention），為此基於Transformer 模型結構，Google仍繼續開發了三種類型的模型路徑：
（1）PaLM，主要用於文本內容分析和生成；
（2）ViT+PaLI，主要能結合文字和圖像進行分析、轉換和推理；
（3）RT，主要使用標記化的輸入和輸出來連接輸入命令和機器人輸出控制。
這三種類型的模型透過其技術路徑分別演變為PaLM - E，PaLI - X和RT - 1，並透過在資料訓練中應用PaLM - E和PaLI - X以及在fi Ne - tig中應用RT - 1 ，2023年7月Google還在這個基礎上還進一步推出了RT - 2。
借助PaLM - E和PaLI - X的多模態分析功能，RT - 2能夠透過視覺處理自然語言命令並分析任務場景，並且借助RT - 1的運動資料庫和標記化資料處理技術，從而控制機器人執行任務。RT - 2的端到端AI 能力是基於機器人運動資料庫，Google為此需要1.5年的時間來收集數據，因此RT模型的研發週期比其他兩種類型都更長。
從長遠來看，如果通用人工智慧機器人在技術上、經濟上可行，它還可以極大地解決社會問題，如製造業勞動力短缺和老年人照護等，從而帶來更廣泛的社會價值。（人形機器人研究院）
建議閱讀英文原文，翻譯存在不準確性，高盛研究報告文章原文：Humanoid Robot- The Al accelerant-高盛人形機器人報告更新240108.pdf