机器人为啥还不能干活？还卡在这一关口

作者|深水财经社 乌海

“谁能把机器人用的大模型做出来，谁就是全世界最厉害的AI公司和机器人公司，我觉得完全足够拿诺贝尔奖。”近日，宇树科技创始人王兴兴在《扬声》节目访谈预告中的表态，再次将机器人大模型（业内多称具身大模型）推上舆论风口。

当下，人形机器人从展会热舞到工厂试跑，特斯拉喊出2026年百万台产能目标，国内厂商接连公布亿元订单，电商平台预约量突破百万，看似离“走进生活、真正干活”只有一步之遥。

但高盛最新调研显示，全球头部厂商试产规模尚不足千台，2026年全球实际产能仅1.2万台（中国新闻网，2025年12月6日）。

王兴兴口中的“关键一步”，正是能让机器人实现“感知-理解-推理-执行”闭环的机器人大模型，它相当于机器人的“超级大脑”，能让机器人摆脱预设程序束缚，在真实场景中自主应对变化、完成任务。

这场全球范围内的“造脑竞赛”已全面打响，为何始终难以突破？机器人“干活难”的症结，到底藏在何处？

全球三大梯队竞速

机器人大模型的核心是具身智能，强调通过“身体”与物理世界互动产生智能，而非仅在虚拟数据中“纸上谈兵”。目前全球研发格局分为三大梯队，各有侧重却均未实现“通用全能”。

第一梯队由国际科技巨头领跑，手握算力与数据双重优势。

谷歌是最早发力的玩家，2023年推出RT-2模型，首创视觉-语言-动作（VLA）统一建模，能直接输出机器人控制指令，零样本完成“捡香蕉放抽屉”等任务；2025年升级的RT-3模型，将推理延迟降至50ms内，在OpenEQA评测中拿下综合第一，还获得NeurIPS 2024最佳论文提名。

英伟达则走“仿真+真机”路线，依托Omniverse工业级仿真平台生成千亿级合成数据，结合真机数据训练Project GR00T模型，硬件与软件协同优化让推理效率提升400%，2025年在RoboBenchmark物理交互任务中夺冠，2026年已在比亚迪、宁德时代工厂部署适配模型的工业机器人。

特斯拉则将自动驾驶技术迁移至机器人领域，依托Dojo超算训练Optimus BotNet模型，通过4D世界模型实现动态场景实时规划，2026年CES展上展示了Optimus自主完成工厂装配任务的场景（前文问答整理）。

第二梯队是细分领域的“黑马”，聚焦特定场景突破。

国际端，Figure AI与OpenAI合作，研发的Figure Foundation Model（FFM）专攻人形机器人双手协同；

国内端，智元机器人推出启元大模型，构建“作业/交互/运动”一体三智体系，获图灵奖得主Yann LeCun认可，智平方的GOVLA模型则实现全身控制与移动轨迹统一输出。

第三梯队以宇树科技等企业为代表，走“轻量化+产业化”路线。

作为国内消费级机器人领军企业，宇树2026年1月开源UnifoLM-VLA-0大模型，融合动作预测头与动力学约束。但王兴兴也坦言，宇树的分层架构（LLM+LBM）更侧重实时控制与安全性，在通用泛化能力上仍有差距。

值得注意的是，即便头部玩家进展迅猛，目前全球主流模型仍处于智能L2初级阶段，仅能实现“固定任务+微调”，尚未具备自主泛化与应变能力。这意味着，没有任何一家企业能真正交出“能灵活干活”的机器人“大脑”。

四大难题卡住“造脑”进程

王兴兴将机器人大模型比作“诺贝尔奖级难题”，其实绝不是夸张。

相较于语言大模型，机器人大模型要兼顾虚拟推理与物理交互，每一步突破都需跨越技术、数据、成本的多重鸿沟，这也是机器人迟迟不能“干活”的核心原因。

首当其冲的是实时性与算力的矛盾。机器人在物理世界中操作，需10-100ms内完成“感知-决策-执行”闭环，否则会出现动作卡顿、碰撞等问题。

但目前主流大模型参数多在13B-34B之间，推理延迟难以降低。谷歌RT-3虽将延迟压缩至50ms，却依赖TPU v5e专用算力集群，这种算力成本极高，普通企业难以承担。

宇树通过轻量化设计将模型压缩至7B参数，实现延迟<100ms，但代价是牺牲了部分泛化能力，零样本适配率约75-80%，低于谷歌RT-3的90%以上。

其次是数据稀缺与“仿真-现实鸿沟”。数据是大模型的“燃料”，但机器人大模型需要的“视觉-语言-动作”多模态数据，采集难度远超文本数据。

纯真机数据采集成本极高，宇树仅340小时真机数据就耗费大量人力物力；纯仿真数据虽能通过英伟达Isaac Gym等平台批量生成，却存在“仿真与现实脱节”的问题。实验室中训练的动作，在真实场景中可能因路面不平、物体偏移而失效。

即便采用“仿真+真机”混合模式，也难以完全消除这种鸿沟，目前行业普遍面临“模型在实验室满分，在真实场景翻车”的尴尬（前文问答整理）。

更棘手的是物理直觉与泛化能力不足。人类能凭本能判断“杯子倾斜会漏水”“重物落地会砸坏东西”，但机器人需要通过海量数据学习物理规律，才能形成这种直觉。

2026年ShareRobot评测显示，具备物理直觉的模型在“突发障碍”任务中成功率，比传统模型高35%，但目前多数模型仍缺乏这种能力。

此外，跨场景、跨本体泛化也是难题。能在工厂装配的机器人，未必能适应家庭清洁；适配四足机器人的模型，很难直接迁移到人形机器人上。

最后是核心部件与成本瓶颈。机器人大模型的落地，离不开硬件支撑，但目前高精度触觉传感器量产良率不足60%，六维力传感器等核心部件国产化率低，依赖进口且面临断供风险。

有机构测算显示，当前单台人形机器人物料成本约40万元，而行业共识是成本需降至5万元以内才能盈利。成本高企导致企业难以大规模部署真机采集数据，进而制约模型迭代。

从“能干活”到“干好活”

尽管挑战重重，但机器人大模型的研发已进入加速期，政策、资本与技术的合力正在破解困局。

工信部已将人形机器人列为“未来产业十大重点方向”，计划建立创新体系，2026年专项补贴超50亿元；国内长三角、大湾区形成“100公里供应链圈”，绿的谐波、汇川技术等企业在减速器、驱动模块领域实现突破，推动核心部件国产化率提升至70%，成本下降60%。

技术路线上，“端到端VLA+世界模型”成为主流方向，谷歌、英伟达等企业正推动模型融入4D时空建模，让机器人具备“主动预测”能力，比如提前预判物体滑落轨迹，主动调整动作。

国内企业则侧重差异化突破，宇树通过开源UnifoLM-VLA-0，推动“硬件+模型”生态协同，降低行业研发成本，银河通用构建百亿级“机器人干活数据集”，提升物流分拣场景适配率至98.7%（前文问答整理）。

王兴兴曾在五年前就预判到AI对机器人行业的颠覆性，他始终坚持“实打实的需求在哪里，我们就解决什么问题”（36氪，2025年8月7日）。这种务实主义，或许正是破解“造脑难题”的关键——不必追求一步到位的通用模型，而是先在特定场景实现突破，通过“数据飞轮”持续迭代，逐步向通用能力演进。

业内普遍预测，2026-2028年，工业场景将率先实现机器人大模型规模化落地，2028年后逐步渗透至家庭服务领域。麦肯锡更是预测，2029年工业具身机器人密度将达60-200台/万平方米厂房。

从波士顿动力的Atlas跳街舞，到宇树H1奔跑跳跃，机器人的“身手”越来越灵活；从谷歌RT-3到宇树UnifoLM，机器人的“大脑”越来越聪明。

王兴兴口中的“诺贝尔奖级突破”，或许不会一蹴而就，但这场“造脑竞赛”的每一步进展，都在推动机器人从“实验室明星”走向“生产生活主力”。

阅读提示：

本文部分内容来源：东吴证券《机器人大模型行业深度报告》、IT之家、中新网报道

本文涉及均来源网络公开资料，可能与实际存在差异，请谨慎引用

作品声明：仅在头条发布，观点不代表平台立场