希鸥网创新研究院与金鸥斯瑞大数据研究院今日联合发布《全球具身智能行业发展分析：产业阶段判断、技术演进脉络与家庭机器人落地缺口》（点击查看完整版报告）。
报告系统梳理具身智能的定义边界、技术脉络与产业阶段，并对行业当前三类争议 —— 出货统计口径、估值是否透支、自主性如何披露 —— 逐项核验一手来源，明确标注哪些属厂商自评、哪些有第三方复现。报告提出一个容易被忽略的判断：智能若只停留在屏幕与云端，便无从改变物理世界。真正值得追问的，不是机器人何时走进家庭，而是「还缺什么」。这正是本报告的研究起点 —— 在产业从演示验证迈向量产交付的当下，厘清喧嚣之下的真实进展与潜在风险。
边界先厘清：人形只是形态子集。报告指出，具身智能的核心不在于「是否像人」，而在于「物理载体＋感知 — 决策 — 行动闭环」。一个能通过传感器理解环境、在物理世界中执行动作的智能体，无论外形是双足人形、四足、机械臂还是轮式平台，都属于这一范畴。人形受青睐的真实原因并非技术上的压倒性优势，而是人类既有基础设施（门、楼梯、桌椅、工具）均按人体尺度设计，因而具备更强的环境适配性 —— 这一点在家庭、救灾等非结构化环境中尤为突出。
报告同时厘清了几组常被混用的术语：机器人基础模型是上位的模型类别；视觉 — 语言 — 动作（VLA）模型是将视觉 — 语言先验直接接入动作输出的端到端架构，也是当前主流实现路线；世界模型负责对环境的动态进行内部建模，与 VLA 互补；而 2026 年出现的「世界动作模型（WAM）」，主张先预测环境潜在未来状态、再生成动作序列，由 NVIDIA GR00T N2 采用，与纯 VLA 直连形成路线分野。报告特别提示，NVIDIA 提出的「机器人优先基础模型（RFFM）」属厂商表述，非学界标准术语。
技术脉络：三次范式跃迁在 2023 年前后合流。报告没有把具身智能简单归为大模型时代的产物，而是按三条脉络回溯：其一是控制论与行为主义机器人，从 Grey Walter 机械龟、Braitenberg《Vehicles》到 Rodney Brooks 的包容式架构与「无表征」主张；其二是深度强化学习时期，QT-Opt、OpenAI Dactyl 验证了大规模强化学习与 Sim2Real 迁移的潜力，但仿真对操作任务「出名的不可靠」—— 现实鸿沟至今仍是端到端路线的根本约束。
其三是大模型端到端路线。2022 年 RT-1 以 13 万条演示、700+ 任务奠基；2023 年 RT-2 确立 VLA 范式；2024 年 Octo／OpenVLA 开源降低研究门槛，π0 以 flow matching 实现 50Hz 动作输出；2025 年 π0.5 在全新住宅完成长时序灵巧操作。报告认为，三条脉络的合流点在于：前两条提供了思想遗产与训练方法论，第三条补上了共同的缺口 —— 语义理解、开放词汇指令跟随与跨本体迁移。
阶段判断：已越过演示期，进入交付验证期。对「当前处于什么阶段」，弗若斯特沙利文称行业正「从技术小批量验证转向规模化量产与商业化落地」；中国电子学会理事长徐晓兰认为是「小批量试用→大规模落地」的关键拐点；业界亦有「2026 年是从讲故事时代走向交付时代的分水岭」之说。报告指出，三种说法方向趋同 —— 行业已进入「能否规模化交付」的验证期，但尚未进入大规模普及期。智元创新第 2 万台整机下线、优必选柳州万台级工厂投产、特斯拉 Optimus Gen-3 启动量产等标志性事件，说明头部企业已从「造出一台」走向「规划万台级产线」，但「规划产能」不等于「已交付订单」。
核心发现一：同一时期四套出货口径，极差近 1.6 倍。这是报告数据处理的核心部分。IDC 统计 2026 上半年全球具身智能（含多形态）出货近 2.5 万台，同比增长 432.1%，其中中国 1.9 万台占 77.9%，约七成流向科研教育、表演与数据采集；中国电子学会称中国人形机器人上半年出货超 4 万台、占全球约 97%；弗若斯特沙利文给出全球人形机器人销量 3.6 万台、5.4 亿美元的收入口径；IFR 则以较为严格的口径统计 2025 全年工业与服务机器人，工业机器人安装 60.3 万台、存量约 507.9 万台。
同为 2026 上半年的三套口径（2.5 万台、3.6 万台、按 97% 反推约 4.1 万台），极差约 1.6 倍；若纳入 IFR 更严格的 2025 全年口径，与宽口径相差近 6 倍。报告认为，差异的根因是统计边界不同 —— 是否含非人形、是否含教育科研表演机、是否含研发样机。结论不是「取哪个数字」，而是行业尚无统一的出货统计标准，任何单一数字都需注明其统计边界。
核心发现二：Scaling Law 在具身领域不是「数据越多越好」。加州大学伯克利分校教授 Ken Goldberg 在《Science Robotics》社论中提出测算框架：当代视觉语言模型所用互联网规模数据约为「十万年」量级，而训练机器人所需的「视频输入＋机器人动作指令」数据在网上并不存在，遥操作迄今公开报告的数据集规模多在「一年」量级。报告明确标注，这是 Goldberg 个人的测算与判断，并非行业公认常数。
反方证据同样直接。清华大学团队发现泛化性能与环境数、物体数大致呈幂律，但多样性远比演示绝对数量重要 —— 一旦每环境／物体演示数达阈值，再增演示几乎无效；Shi 等发现跨本体预训练数据对跨本体迁移是「可选的」；EgoMimic 发现增加 1 小时人类手部数据的价值显著高于 1 小时机器人数据。报告同时列出了中国侧的规模化实践：智元 AgiBot World 累计采集超百万条原子动作轨迹、数据规模达 850TB（申报单位自述，非第三方核验），但报告强调，这些规模与「十万年」等效经验量级仍不在同一数量级，不能据此断言数据问题已解决。
核心发现三：估值与产业自述之间存在张力。2026 年 8 月 19 日宇树科技登陆科创板，发行价 150.80 元，盘中市值一度突破 4400 亿元，发行市盈率 219.23 倍（行业参考市盈率 38.56 倍），上市首日大涨后回落，约两周内较高点回撤约 55%；宇树董事长王兴兴在世界机器人大会主论坛直言，人形机器人尚未大规模推广的核心原因是「效率仍低于人工」且「泛化能力不足」。报告提示，王兴兴的表述属厂商人士自评，不是可核验的产业统计。
报告还纠正了一处常被媒体混用的比较：高盛研究部预测 2035 年全球人形机器人市场规模（TAM）达 380 亿美元，这是年度市场规模口径；Figure AI 披露私募估值 390 亿美元，这是企业股权估值口径，二者并非同一指标，不可直接相减比较；摩根士丹利预测 2050 年相关市场超 5 万亿美元、在用量超 10 亿台，该口径含无人车、无人机、eVTOL 等非人形形态，不确定性极高。报告认为，三者之间数量级落差巨大，恰恰说明「预测分歧」本身即论点。国家发改委新闻发言人李超亦在 2026 年 8 月例行发布会上表示，机器人产业「必须坚持因地制宜、健康有序发展…… 防止盲目跟风、一哄而上」—— 这是官方对局部过热的直接表态。
核心发现四：自主性至今没有披露口径。报告指出，前两类争议尚可量化，第三类争议连计量单位都付之阙如：一台机器人在公开演示中有多大比例由自身策略完成、多大比例由人类遥操作或远程接管支撑，行业至今没有统一披露口径。正在制定中的 ISO/CD 25785-1 把适用范围限定为工业环境，明文排除「在非工业环境中使用的机器人」，同时排除「行进速度和方向完全由驾驶员或操作员控制的机器人」—— 家庭场景与纯遥控形态恰好同时落在覆盖范围之外。2026 年 11 月 1 日实施的 YD/T 6771-2026 管的是具身智能数据集质量，并不涉及自主性等级的披露要求，缺口仍敞开。
家庭落地：以 1X NEO 为标尺的六大缺口。报告没有用预测数字回答「距离家庭还有多远」，而是选择已公开预售、明确面向家庭的全尺寸人形机器人 1X NEO 作为标尺：买断价 20,000 美元（含 3 年质保），或 499 美元／月订阅；官方写明「US Deliveries start 2026」，并说明复杂任务可由 1X 专家远程协助。报告的判断是：其自主能力建立在「持续可用远程接管」之上，而非完全离线自治。
据此，报告梳理出六大落地缺口：泛化能力方面，LongAct 基准中顶尖模型完整任务成功率仅约 16%，LIVIN 基准在 30 个真实居住家庭环境中评测，表现居前的模型长时序任务成功率约 12.5%；成本方面，商务部研究院俞华认为单机需降至 5 万–10 万元才具入户基础；安全标准方面，ISO 13482:2014 对家庭具身机器人过于笼统，行业呼吁建立专项标准；数据隐私方面，家庭被称为「数据荒漠」—— 数据需求最集中的场景，恰恰是同意要求最严的场景；可靠性方面，99% 成功率意味着 100 次中 1 次「掉链子」，万台级批次一致性是制造级难题；商业模式方面，租赁先行而非买断，更可能成为早期入户形态。
报告据此提出按优先级排序的补齐清单：数据／泛化（最高优先级）、成本、安全标准、隐私治理、商业模式。其中数据／泛化与成本可由工程化路径逐步逼近；安全、隐私与商业模式的缺口，则更多受制于制度设计与底层模型能力，是时间表上最不确定的部分。对应的可验证指标也已给出：近期（2026–2028）看工业仓储真机部署规模与非遥操作运行时长占比，中期（2030 前后）看商业服务落地案例与监管专项标准，远期（2035 前后）看自主率（无远程接管占比）。
希鸥网创新研究院与金鸥斯瑞大数据研究院长期跟踪人工智能与实体产业的交叉演进，已陆续出品多个行业的产业阶段判断与认知评估研究。本次报告全文将陆续在希鸥网发布，供产业界、投资机构与研究者参考。