风险警示：以下内容仅供参考，提及行业或个股只做举例说明，不作为投资建议。

早期人形机器人以模仿人类动作为核心目标，日本早稻田大学的WABOT系列率先实现双足行走，本田ASIMO通过预编程动作完成端茶、跑步等任务。这一阶段机器人依赖进口伺服电机和固定程序，缺乏环境感知能力，仅仅实现了冰冷机器 “ 会动 ” 的目标。

资料来源：日本早稻田大学《服务机器人落地的新时代》

进入2020年，随着AI大模型的发展，机器人以特斯拉擎天柱为发端，开启了 “ 小脑 ” 的觉醒与 “ 大脑 ” 的进化。人形机器人从依赖数百个独立控制模块的分层架构拼接，实现了到多模态信息端到端融合的智能涌现（视觉－语言－动作模型），开始能够通过理解自然语言指令完成行为动作的复杂长程任务。

Figure AI的Helix模型通过快慢系统解耦实现实时性和泛化性平衡，既能保证抓取动作的精度，又能理解物品分拣的抽象指令，标志着这具身智能技术迈入新纪元。

VLA模型通过多模态预训练，使机器人能够突破场景边界，实现物体泛化（通过训练抓取未知物体）、指令泛化（通过模糊指令完成任务），让机器人能够面向非结构化开放环境，与不同类别对象进行交互。

这也是未来机器人走入家庭、工厂、户外等各类复杂场景，接触宠物、儿童、衣物、食品等各类对象必须具备的能力。机器人将像人类一样具备辨别不同物品，做出不同举动的能力，成为真正的智能体，成为人类生活、工作中重要的帮手。科幻或许有一天终将照进现实。

资料来源：Figure 人形机器人公司官网

然而要想机器人成为真正意义上的智能体，或许我们还有很长的路要走。何小鹏先生把机器人分为五个智能等级——L1级完全由人控制、L2级具备基础辅助智能、L3级为具身智能和训练监督、L4级为自成长智能、L5级可实现完全自主智能。他认为目前机器人还处于L2初阶阶段，要走进千家万户需要达到L4的水平，而具备可量产的商业价值则需要具备L3初阶能力。那么，人形机器人的能力跃升还要解决哪些问题呢？我们认为主要是——泛化能力、硬件精度与成本的平衡，以及场景生态搭建。

先说泛化能力，所谓泛化是模型对未知场景和数据的适应能力，如同人类的举一反三，正由于真实世界数据无限多样，泛化就显得尤为重要，这既可以提升人形机器人在新场景的行动成功率，也能够减少后训练成本，提高利用率。这里我们也能感受到不久前智元发布的启元大模型GO-1的重要意义，ViLLA架构结合VLM和MoE，完成小样本快速泛化，在不同复杂度的任务上测试GO-1，相比已有的最优模型，GO-1平均成功率提高了32%（46%到78%）让机器人获得了革命性学习的能力。

这里要解释下为什么泛化能力对于人形机器人格外重要，对于自动驾驶而言，其所需的数据几乎主要依赖于视觉获取，而机器人训练数据远超过视觉范围，还需要对物理世界的感知（包括触觉、气味、温度、动力学等），而这一层面的数据积累是严重缺乏的，并非看几个视频就可以获取（比如对一个柔软的物体应该用多大的力度去抓取，以及如何抓取，毕竟柔软的物体不是水杯，用的力道和体会到的摩擦力是不同的）。

资料来源：智元官网

另外，机器人接收的任务具有模糊性，所需控制逻辑也更为复杂，意味着仅仅能够未经训练识别物体只是初步，如何能在新场景中推断和完成隐藏任务需求同样重要，难度更是指数级提升。

在我们能想到的场景中，工业质检、高危救援等特种场景是最先可能替代人类工作的，但应用有限，而汽车装配、物流分拣等标准化规模化场景的复制，将走向B端，实现1台机器人替代2～3个人工。长期看，家庭服务、养老育儿、情感陪护等非标场景的渗透才有可能真正打开千万台级市场应用前景，而这都不是智能驾驶解决L4长尾问题那么简单。

在人形机器人迈向AGI的颠覆性变革中，数据密度、硬件精度、算法深度的指数级竞赛正在展开，我们相信国内必会有佼佼者能够打通从数据到算法、硬件再到场景的生态链，让机器人的iPhone时刻更早到来。

END