在2026世界机器人大会（WRC）的展馆现场，一台台人形机器人轮番登场，奔跑、舞蹈、灵巧操作，各类炫酷演示不断刷新观众的感官体验。WRC集中展现了国内人形机器人产业的高速扩容态势。当前，行业硬件迭代提速，整机产品突破400款、年产量有望冲击10万台规模，各类行走、作业、展演样机层出不穷，技术可视化成果亮眼。但透过行业热闹表象可见，产业正陷入明显的“软硬失衡”格局：硬件产能快速爬坡、样机性能持续迭代，而适配真实物理场景的机器人大脑尚未形成成熟方案。行业普遍存在这样的痛点：搭载顶尖大语言模型的人形机器人，可实现流畅人机对话，却难以胜任收拾桌面、规整物品等基础生活化、工业化任务。人形机器人想要从“展演”走向规模化产业落地，核心突破口在于打造具备“物理直觉”的具身智能大脑。

“能说”不等于“会做” 物理直觉成关键瓶颈

“现在很多人有一个认识误区，以为把大语言模型接到机器人身上，就能造出通用人形机器人。现实是，语言模型只解决‘会说’，人形机器人核心诉求是‘会做’。”宇树科技创始人、董事长王兴兴表示，通用语言模型并不等同于具身模型，二者训练目标、数据来源、输出范式完全不同。语言模型输出的是文字，人形机器人大模型最终输出的是每一个关节的运动指令，要兼顾力、速度、空间位置、环境动态变化，“整套系统必须跑在毫秒级的实时闭环之内”。

“固定场景充分训练，机器人任务成功率接近100%；一旦物体、环境发生微小变化，性能就会大幅衰减。这是当前所有具身模型共同面对的现实。”王兴兴给出产业判断，人形机器人想要真正走进工厂与家庭，实现接收自然语言指令后，在陌生环境中独立完成80%日常任务，这个节点最快2年到3年，慢则需要5年至10年才会到来。

商汤联合创始人、大晓机器人董事长王晓刚分析，人形机器人行业正在经历一场认知纠偏：机器人大模型不等于在通用大模型上外挂一套控制代码。人类对物理世界的常识，来自千万次现实交互，然后懂得玻璃杯易碎、湿地面容易打滑、搬重物需要调整姿态等“常识”，并能随之做出判断和调整。但互联网有海量文本、图片数据，却几乎没有完整记录人与物理世界交互过程的信息。

两组数据的差距直观揭示了行业困境：过去行业依靠人工遥操采集机器人数据，多年积累仅十万小时量级；部分自动驾驶企业依托仿真与真实数据结合，单日训练数据等效人类400万小时驾驶经验，二者数据量级相差悬殊。

“语言模型学到的是符号逻辑，人形机器人模型必须建立一套内在的物理世界表征。”王晓刚表示。他举例，机器人双手拿满物品，顺势把毛巾搭到肩膀，再用胳膊夹住水桶继续作业，这个看似简单的动作背后是模型对人体姿态、空间约束、物体状态的综合判断，单纯依靠文本大模型很难自主生成这类动作策略。

行业逐步形成共识：人形机器人需要的模型，必须打通感知-理解-规划-执行完整闭环。它要读懂三维空间，识别物体材质、重量、易碎属性，理解力的大小，实时应对环境扰动，输出连续全身协同动作，而不只是回答问题、生成文本。

北京智源人工智能研究院院长王仲远点破目前行业悖论：本体硬件能力不足，真机采集数据少；数据稀缺导致模型能力弱；模型能力弱又进一步限制本体发挥，落地场景变少，进一步缺少真实交互数据。“真机数据昂贵，很难大规模获取，仿真合成数据、互联网视频数据、穿戴设备采集人类行为数据，多条路线正在并行探索。先利用海量公开数据完成预训练，再用少量真机交互数据微调，是目前被广泛采用的思路。”王仲远说道。

技术路线争鸣 尚无统一答案

当下人形机器人大模型赛道多条技术路线并行，业内尚未形成唯一标准答案，争论焦点集中在模型架构如何设计、数据从哪里获取、仿真如何有效迁移到现实世界三大核心命题。

VLA（视觉？语言？动作）是较早兴起的技术范式，实现视觉、语言、动作端到端对齐，输入图像与自然语言指令，直接输出机器人动作。但在产业落地过程中，越来越多企业看到VLA能力的天花板：面对复杂全身协同、动态物理扰动、长链条多步骤任务，模型泛化能力存在明显短板。

一部分企业转向世界模型路线。其核心逻辑是让AI在内部构建现实世界虚拟推演，在“脑海”预演动作后果，预判行为带来的变化，再选择最优行动方案。王兴兴判断，对比VLA，世界模型、视频生成类模型能力的天花板更高，更有希望破解物理世界泛化难题。

与此同时，“快思考+慢思考”的大小脑分层架构成为另一大主流方向。高层“大脑”负责理解语言、任务拆解、逻辑推理，承担“慢思考”；底层“小脑”承担高频实时运动控制、全身协同，毫秒级响应外部扰动，完成“快思考”。英伟达IsaacGR00TN1、北京人形机器人创新中心“慧思开物”平台、Figure AI Helix模型，均采用类似分层思路。

但也有科学家对分层架构持不同观点。它石智航首席科学家丁文超提出，分层会造成感知决策与动作执行割裂，理想状态应当由单一模型或统一模型完成从感知到动作生成全链路，只是这对模型算力、训练数据集提出极高要求。

业内人士指出，不少数据采集方案只聚焦上肢抓取，忽略双足机器人全身协同逻辑。人形机器人不是机械臂叠加两条腿，行走、平衡、双臂操作深度耦合，上下半身必须统一建模训练，否则真实场景极易失衡翻车。

数据是绕不开的攻坚战。行业人士普遍认为，人形机器人可用真实交互数据规模，相比大语言模型训练数据量（Token）差上万倍。当前行业数据来源走向多元，有真机闭环采集、动捕与可穿戴设备采集人类行为、大规模仿真生成合成数据、互联网公开视频等方式，但不少企业提出，训练不能只收集任务成功样本，失败案例、故障场景、意外扰动的数据，其训练价值甚至高于成功样本。

好模型不能脱离躯体 “知行合一”是目标

行业常常忽略一个关键事实：人形机器人大模型，不是脱离硬件本体独立存在的软件。再好的算法模型，最终都要映射到电机、关节、传感器、灵巧手这套物理躯体之上。硬件的延迟、摩擦力、传动间隙、传感器噪声，都会直接改变模型输出效果。

星海图人工智能创始人高继扬指出，不同机器人本体零部件存在客观差异。同一套模型部署在两台硬件略有差别的人形机器人上，实际表现会出现明显分化。模型训练必须考虑本体差异性，依靠标定工具弥合硬件个体差异，否则优秀的基座模型也难以落地量产机型。

业内人士表示，通用基座模型只能提供基础能力，不存在一套模型通吃全部硬件。基座模型完成之后，面向具体本体、具体场景的适配微调，是无法跳过的工程环节。人形机器人产业软硬深度耦合，模型定义硬件需求，硬件反过来约束模型上限，二者必须同步迭代，既不能做完硬件再找模型，也不能只做模型无视硬件现实。

现实工况对模型提出严苛工程指标。语言大模型推理可以容忍几百毫秒甚至秒级延迟，但人形机器人处理平衡、躲避碰撞、抓取滑动物体，推理必须压缩到几十毫秒甚至毫秒级。高算力不等于体验优异，还要兼顾嵌入式端部署，要在有限算力条件下完成感知、规划、控制全套运算。

受访专家普遍认为，人形机器人大模型不会一步实现全能通用。产业路径大概率遵循“专用场景打磨—能力沉淀—逐步泛化”，优先在工业搬运、巡检、特定工位作业等高价值场景跑通数据飞轮，再逐步向家庭服务拓展，而非一步实现影视剧中全能的家用机器人。

工业和信息化部公开信息显示，2026年国内人形机器人整机产品已经超过400款，全年整机产量有望冲击10万台规模，硬件样机供给快速增长，但机器人大模型仍处在基座打磨、工程化验证的关键阶段。8月19日，宇树科技登陆科创板，成为A股“人形机器人第一股”，市值超3000亿元。但根据企业全部机器人销售收入数据，科研教育和商业消费应用收入占比超过80%，工业应用占比估计在10%左右，直观反映出人形机器人距离大规模进厂上岗，仍有不小距离。

多位行业人士提醒理性看待行业热度，刷屏的机器人视频大多来自理想环境演示，真正的考验在充满不确定性的真实世界。王晓刚认为，未来一段时间“一脑多机”将成为重要方向，一套基座模型适配多款不同硬件本体，降低单台机器人训练成本，加速规模化落地；可穿戴设备采集人类真实行为，会成为训练数据集重要补充路径。王仲远判断，未来两三年行业会涌现一批更加成熟的人形机器人基座模型，但距离真正的通用具身智能，还需要翻越数据壁垒、仿真到现实鸿沟、软硬协同等多重大山。具身模型实现真正的“知行合一”，这正是物理世界人工智能的下一场大考。

（中国电子报记者 谷月）