WAIC 2026显示中国Physical AI进入更重视落地部署的早期阶段
AI 摘要卡
WAIC 2026显示中国Physical AI进入更重视落地部署的早期阶段
摩根士丹利认为，工业AI代理、人形机器人和AI硬件正在从概念走向可部署应用，并可能带动数据连接、设备升级和订阅式服务收入，但数据质量、泛化能力和高工程化部署仍是瓶颈。
- WAIC 2026在上海举行，参会公司超过1,000家，机器人/智能硬件占比24%，计算、芯片与基础设施占比20%，行业AI应用占比13%。
- 工业AI代理已从概念走向运营监控、决策支持和工程自动化，报告预计可衡量的生产率提升会推动订阅式经常性收入和设备升级。
- 人形机器人今年的行业共识转向真实场景部署，优先场景集中在搬运、分拣、巡检、线束和插装等任务，但市场仍碎片化且依赖工程师密集部署。
- 数据被反复强调为机器人基础模型的核心瓶颈，行业开始通过第一视角视频、UMI等方式在不直接使用人形机器人的情况下采集训练数据。
研报解读
概览
本报告总结摩根士丹利对WAIC 2026的观察，核心主题是中国Physical AI继续快速迭代。报告覆盖工业AI解决方案、人形机器人与机器人、新AI硬件等方向，认为AI正从纯软件形态走向感知层、具身形态和执行层，并对工业资本开支形成增量支撑。
核心观点
报告的核心观点包括：第一，工业AI代理系统正在成为新兴应用层，当前主要用于运营监控和决策支持，并逐步扩展到工程自动化；第二，工业AI落地需要设备数字化和数据连接，可能带动更长周期的工业设备升级；第三，人形机器人部署是今年主线，但早期场景集中、泛化有限、部署工程化较重；第四，数据量、数据多样性和数据质量是机器人基础模型发展的关键瓶颈；第五，大型科技公司正在进入具身智能生态，未来可能更集中在大脑和能力层。
分析框架
报告基于WAIC 2026现场观察、参会企业结构、与解决方案商及技术人员的交流，以及对工业AI、人形机器人、数据基础设施、世界模型和传感器等主题的横向比较，评估行业落地进度、商业模式变化和产业链投资含义。
方法论与常识提炼
从感知层和具身形态到执行层
报告将Physical AI理解为AI从纯软件向硬件和机器人延伸的过程，早期先体现为感知层和具身载体，随后进入机器人或其他硬件执行层。
工业AI代理的经常性收入
报告认为硬件销售叠加持续后训练模型和token消耗，为年度订阅和服务收入提升提供基础，但这一转型仍处早期。
部署效率与泛化能力权衡
报告认为世界模型具备更好泛化潜力，但当前VLA结合真实世界后训练和强化学习在特定任务上更实用，行业可能在数据积累前保持混合路径。
标的映射与对比
研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。
- 中国工业股/工业自动化板块主题直接覆盖
- 优势
- 工业AI落地需要设备数字化、数据互联和自动化升级，可能延长工业资本开支周期。
- 劣势
- 落地仍处早期，客户数据开放、设备互操作性和项目制交付限制扩张速度。
- 对比
- 相较纯软件AI，工业AI更依赖硬件改造和场景部署，但也更可能形成设备升级需求。
- 风险
- 需求验证不及预期、客户预算波动、设备连接改造周期长。
- 人形机器人与具身智能产业链核心受益方向之一
- 优势
- 真实部署成为行业共识，搬运、分拣、巡检、线束和插装等场景已有探索。
- 劣势
- 泛化能力有限，早期市场碎片化，部署需要大量工程师参与。
- 对比
- 当前VLA加后训练/RL更贴近落地，世界模型更偏中长期泛化突破。
- 风险
- 数据瓶颈、成本高、技术路线不收敛、商业化节奏慢。
- 数据基础设施与机器人模型公司关键瓶颈环节
- 优势
- 第一视角视频、UMI和外包数据采集服务有助于扩大训练数据供给，专有数据管线成为差异化来源。
- 劣势
- 外包数据采集服务同质化较高，可能快速商品化并带来价格下行。
- 对比
- 通用数据服务商差异化有限，具备标注、任务分解、上下文分析和质量评级能力的专有管线更有价值。
- 风险
- 数据质量不足、价格通缩、客户集中、合规与隐私约束。
关键数据
- WAIC 2026参会公司数量>1,000家公司会议于2026年7月17日至20日在上海举行。
- 机器人/智能硬件参会占比24%据Jazzyear统计，为最拥挤领域。
- 计算、芯片与基础设施参会占比20%为第二大参会方向。
- 行业AI应用参会占比13%体现工业与行业应用仍在加速发展。
- IndustrialNext转产时间低至8小时其柔性制造模型结合ViT和VLA，可在不同产品和客户之间自适应制造流程。
- Robbyant支持硬件平台20+机器人硬件平台Ant Group子公司Robbyant推出覆盖VLA、VA和世界模型的模型组合。
影响与含义
对投资而言，报告指向工业自动化、机器人本体、数据采集与标注、工业软件、传感器、AI硬件和设备数字化升级链条的潜在机会。短期更明确的收益来自可部署的工业AI、设备连接改造和特定任务机器人应用；中长期机会取决于数据积累、模型泛化能力、科技大厂进入强度以及订阅式商业模式能否规模化。
风险
- 工业AI和人形机器人仍处早期，生产率提升和商业化规模尚需验证。
- 中国存量工业设备连接能力不足、跨设备互操作性差，可能拉长AI部署周期。
- 机器人基础模型受数据量、多样性和质量制约，泛化能力不足会限制应用范围。
- 人形机器人部署工程化程度高，市场碎片化可能压低短期规模效率。
- 视觉触觉传感器成本仍高，耐用性、尺寸和算法互操作性等技术问题未完全解决。
- 大型科技公司进入后可能改变竞争格局，压缩初创公司或传统集成商的利润空间。
后续跟踪
- 工业AI代理是否从运营监控扩展到工程自动化和闭环执行。
- 客户设备数字化升级和数据连接改造的资本开支强度。
- 工业AI商业模式是否从一次性项目费转向年度订阅和持续服务收入。
- 人形机器人在搬运、分拣、巡检、线束、插装等主流场景的规模化部署进度。
- 第一视角视频、UMI和专有数据管线能否缓解机器人训练数据瓶颈。
- 世界模型、VLA、VA和强化学习路线的性能与成本收敛情况。
- Ant Group、JD.com、Tencent、StepFun等大型科技公司的具身智能布局。