China humanoid robot and embodied AI commercialization研报解读

概览

本报告梳理了中国人形机器人和具身 AI 生态的商业化路径。小组认为，技术正进入早期部署验证阶段，但商业规模化取决于能否解决可靠性、泛化能力、数据生产率、算力效率以及与具体应用场景的匹配问题。

核心观点

小组的核心观点是，具身 AI 已越过围绕研究演示的热度，进入早期商业化阶段。约束已不再是模型能否完成某个孤立任务，而是可靠性、泛化能力和部署经济性能否同步改善。Sudo 的 Robin Han 指出，客户不会因为任务困难而降低可靠性要求：从50%-60%的成功率提升至85%在技术上具有意义，但在商业应用要求接近100%表现的情况下，特别是在部分工业用例中，仍可能不足。NoeMatrix.ai 的 Cewu Lu 补充称，部署成本既是工程问题也是科学问题，表明模型设计可能仍未充分优化；他提到约10,000小时的 pi 式训练，说明进步不只是依赖蛮力扩展。 小组认为，数据而非模型能力的固有上限是更直接的瓶颈。Galaxea 的 Tianqi Luo 表示，如果数据路径得到解决，规模化可能显著加快：收集1 million hours数据可能需要一年，而一旦数据收集实现规模化，10 million hours也可能在相近的一年时间内实现。他将当前具身智能描述为大致相当于三至四岁儿童的水平，并认为如果数据收集持续改善，其在不到五至十年内可能达到十岁以上儿童的水平。由于算力相较于数据本身是更大的成本驱动因素，报告强调数据质量和生产率对于避免浪费算力至关重要。 在技术架构方面，小组讨论了世界模型会否取代视觉—语言—行动（VLA）系统，还是与其结合形成 World Action Models。Lu 认为，世界模型凭借更强的记忆、空间推理、分析能力及对物理状态变化的理解，应在中短期内胜过纯 VLA；但当前架构距离应对更复杂的机器人任务仍有很大差距。Luo 则描述了一条融合路径：VLA 将视觉和语言映射为行动，世界模型预测环境动态和行动后果，而 World Action Model 将对未来环境的想象与可执行行动生成相结合。Han 提出的商业检验不依赖于具体架构：胜出的方式将是能把理解和推理转化为现实世界中稳定、可靠操控的方式。 报告反对将真实世界数据和仿真数据视为非此即彼的选择。Luo 认为，真正的差异化在于完整闭环系统——企业如何收集、处理、评估、训练和反馈数据，以及每单位数据、算力、人才和资本能产生多少能力。Han 表示，仿真不可或缺，因为真实机器人数据收集受速度、成本和效率限制，尽管仿真到真实世界的差距依然显著。Lu 认为，UMI、Ego 等当前数据格式不太可能是最终答案，且可能在数年内过时，但它们仍可用于构建覆盖数据、软件、训练方法、分发理解和评估的可复用基础设施。因此，仿真和真实世界数据应被视为更广泛优化问题中的互补变量，而非相互竞争的路径。 在商业化方面，小组预计物流、部分零售应用和工业子任务将更早部署；较狭窄、边界更清晰的工作流可能先于要求99%+可靠性的应用落地。小组认为，更有意义的视角是哪些可复用技能会首先成熟，例如分拣、包装、折叠和柔性物体处理，因为一旦某个模型驱动工作流成功运行，后续场景可通过重组底层能力更快扩展。客户需求由速度、精度和泛化能力的不同组合构成；初期可服务的机会是当前技术最能匹配这些要求的场景。

分析框架

报告综合会议小组讨论，并围绕四个相互关联的问题组织商业化展望：部署瓶颈、模型架构、数据策略和初期应用场景。它通过小组成员对技术和运营的观察，说明可靠性、数据生产率、算力成本和可复用机器人技能如何影响从演示走向商业部署的路径。

方法论与常识提炼

• 其他

  “每一美元的智能效率”

  小组将其作为实用的效率视角：关键问题并非企业主要依赖仿真还是真实世界数据，而是每单位有效数据、算力、人才和资本能够产生多少模型能力。

• 竞争与战略框架产品生命周期

  技术能力与商业场景的匹配

  讨论将商业化描述为从狭窄、边界清晰的任务逐步走向更广泛应用的早期阶段，前提是可靠性和可复用技能不断提升。初期机会是现有速度、精度和泛化能力能够匹配客户需求的场景。

关键数据

• 商业成功率门槛Close to 100%报告指出，在部分工业用例中，85%的任务成功率仍可能不足。
• 技术改进示例50%-60% to 85%说明有意义的技术进步可能仍不足以满足商业可靠性要求。
• pi 式训练时长Around 10,000 hours用于讨论模型设计可能尚未充分优化。
• 潜在数据扩展示例1 million hours and 10 million hours小组认为，一旦数据收集实现规模化，两者都可能在相近的一年时间内收集完成。
• 具身智能发展观点From roughly three-to-four years old to ten-plus years old in less than five to ten years以数据收集持续改善为条件。
• 高可靠性用例门槛99%+ reliability这类用例预计会更晚到来，因为其对模型、技能和硬件性能的要求更高。

影响与含义

报告表明，短期商业化应更偏向边界清晰的任务，而不是广泛的通用机器人部署。它强调，数据系统生产率、算力效率和可复用技能的成熟是可能加速应用的主要因素；架构选择的重要性主要在于其能否改善稳定的现实世界操控。

风险

• 如果可靠性、泛化能力和部署经济性不能同步改善，商业部署可能延后。
• 要求接近完美或99%+可靠性的用例，对模型、机器人技能和硬件提出特别高的门槛。
• 仿真对于规模化是必要的，但仿真到真实世界的差距仍然显著。
• 较差的数据质量或生产率可能浪费算力，而小组将算力描述为更大的成本驱动因素。