PPT分享(64页)|一文读懂具身智能:从＂能跑能翻＂到＂能拧螺丝＂,人形机器人走到哪一步了

合集标签

：AI产业链深度拆解· 「产品篇」> 后台回复关键词（见文末）领取完整  PPT 源文件

---

写在前面：

这份材料叫「具身智能与人形机器人产业观察：从样机展示到规模验证」，64 页，四章：产业拐点、技术路线演进、量产突围路径、公司映射格局。

起因是我注意到一组被反复引用、却很少被放在一起看的事实：

• 一边是，人形机器人跑得越来越快、原地后空翻越来越稳，运动表现几乎每隔几个月就被刷新一次；
• 另一边是，真正进到工厂里的机器，干的还是搬料箱、拧螺丝、分拣电芯这类中低复杂度工种。

一边是"运动能力突飞猛进"，一边是"干的活很基础"。这两个事实之间到底是什么关系？

我在做这 64 页的过程中，慢慢有了一个答案，先放在这里：

运动已经不是瓶颈了。瓶颈在"操作"；而操作的瓶颈，往上追一步是模型，再往上追一步是数据。

接下来这 64 页的拆解，基本都围绕这句话展开。

另外一个说明：这份材料原包含大量经营口径的内容——各国采购计划与投入金额、区域份额、场景市场空间、各厂商交付与产能数字、成本结构拆分、单机成本核算与盈亏平衡测算、市场规模预测、商业模式与定价、公司业绩与募资安排。这些本文全部不写入、不引用、不解读。我只讲四件事：具身智能的技术闭环、本体能力是怎么长出来的、降本的工程路径、以及车企为什么能复用。

一、具身智能的本质是"闭环"，不是"AI 加了一副身体"

先看全篇地基。

这四个环节里，我认为最容易被读过去的是最后那个"反馈"。

只有感知、决策、执行，那是一台自动化设备：看到、判断、动作，一次结束。加上反馈，它才知道自己刚才那一下做得对不对——抓到没有、拧到位没有、脚下打滑没有。

有反馈，才有修正；有修正，才谈得上"适应环境"。具身智能和传统自动化的分界，不在智能程度，而在闭环。

这一页下方的时间线同样值得停一下：1973 年 WABOT-1 问世，2021 年以来厂商相继入局，2022 至 2024 年产业链提速。

1973 到 2021，中间隔了将近半个世纪。为什么是这几年才跑起来？

我的判断是：机械、电机、减速器这些都是渐进式进步，没有哪一年发生突变；真正突变的是"决策"这一环——大模型第一次给出了通用的理解与规划能力。

换句话说，具身智能之所以"现在"成立，不是因为机械变强了，而是因为"大脑"这一环第一次有了通用解。

这三条不是并列关系，而是串行依赖：

• 感知
  ：多模态传感器与视觉语言模型融合，理解环境、物体、任务状态；
• 决策
  ：从传统规则控制，转向基于语义理解的任务规划与自主决策；
• 执行
  ：高性能关节模组、灵巧手、力觉反馈，把决策落成动作。

顺序不能颠倒——感知看错了，规划再好也没用；规划错了，执行越精准越错得彻底。

二、为什么是人形：它不是最像人，而是最不需要改造世界

这一页我在整理时反复看了好几遍，因为我认为它比很多参数表更有解释力。

横向读一遍，人形的"通用潜力"一栏写的是通用具身智能终端，其余三个分别是专用自动化、多场景部署、特种应用。

但真正有意思的是"成本与效率"那一行：

• 固定机械臂：专业化维护，易损部件多；
• 轮式复合：相对较低；
• 人形：产业化初期研发投入巨大，但边际成本大幅下降，规模效应可观。

把这三行连起来读，会看到两条方向相反的曲线：

专用自动化是前期便宜、后期贵——设备本身成熟，但每换一个场景就要改造工位、夹具、产线；人形是前期贵、后期便宜——研发投入巨大，但一旦本体能力成型，换场景时改的是软件，不是硬件。

这就是"高度适配既有人类生产与生活环境"这句话的工程含义：楼梯、门把手、螺丝刀、工作台高度，全都是按人的尺寸造的。改造世界的成本，远高于改造机器人的成本。

三、评价标准变了：从"参数表"转向"任务完成率"

这是我认为全篇最能说明"产业进入哪个阶段"的一页。

这张表把"什么已经解决、什么还没解决"画得非常清楚：

• 四足机器人运动
  ：较高成熟阶段，被明确标注为"基础能力"；
• 灵巧手 / 全身触觉 / 双臂操作
  ：全部处于快速迭代期。

而这直接对应了全文那句判断：商业化评价标准正在由运动表现转向任务完成能力。

我在做这一页时，特意把两组指标抄在了一起对比：

左边三个是"参数"，右边五个是"能力"。

而且右边五个里，至少三个——异常恢复、双臂协同、长时间连续作业——指向的都是同一件事：可靠性与持续性。

这和我在合集第㉑篇讲过的道理完全同构：峰值不等于上岗能力。能跑 8 秒和能连续干 8 小时，是两道完全不同量级的题。

四、宇树三代：从 47 公斤到 75 个自由度，多出来的都加在了手上

这一页是我做材料时最先确定要放进去的，因为它把"从运动到操作"这件事用参数写出来了。

三代的变化很有信息量：

• H1（2023年8月）
  ：身高约 180cm、重量约 47kg，移动速度 3.3 米每秒。关键词是"全尺寸双足运动验证"——先解决会不会走；
• H2（2025年10月）
  ：身高约 182cm、重量约 70kg，整机 31 个自由度。关键词是"由运动迈向操作"；
• H2 Plus（2026年6月）
  ：全身及双手合计最高 75 个自由度，手臂峰值负载约 15kg。

三个值得注意的细节：

第一，自由度从 31 到 75，翻了一倍多。多出来的加在哪？主要加在手和臂上——因为双足行走需要的关节数相对固定（每条腿大致就是髋、膝、踝几个），而操作能力几乎上不封顶。自由度增长的方向，就是技术竞争的方向。

第二，重量从 47kg 涨到 70kg。自由度不是白来的，每一个自由度背后都是电机、减速器、结构和线缆。这里是全篇最直白的一处工程取舍：能力的代价是重量。

第三，手臂峰值负载约 15kg。这个数字要配着"全身 75 自由度"一起看——它能做出复杂的手部动作，但能搬动的东西仍然是有限的。灵巧和有力，是两条不同的曲线。

这张矩阵图我盯了很久，因为它回答了一个我一直想不通的问题：为什么是做四足的那批公司，先跨过了人形的门槛？

看场景那一栏：

• 四足机器狗：巡检、安防、救援；
• 双足人形：科研、教育、工业。

四足的三个场景有一个共同点——都在室外、非结构化、但不需要"手"。

也就是说，做四足的公司已经把"移动"这道题解到了可商用，而人形真正缺的那一块，恰好就是手。

这正好和上一节的成熟度表咬上了：四足运动是"基础能力"，灵巧手、双臂操作都还在"快速迭代期"。不是四足公司更聪明，而是它们已经站在了"移动已解决"的位置上，剩下的缺口非常明确——补操作。

另外，"人形面向科研、教育、工业"这个排序本身也值得留意：工业排在最后。这透露了当前阶段人形机器人的真实定位——它主要还是一台被研究、被学习的机器。

五、工业的真相：工种清单比参数表更能说明成熟度

把"胜任工种"那一列全部抄下来，会得到这样一份清单：

拧螺丝、电芯分拣、模组组装、搬运、物料搬运、货箱搬运、订单履行、精密装配、零部件抓取与组装、质量检测、料箱搬运、智能分拣、螺丝拧紧、零件安装、智能质检、周转箱配送、料箱拆垛、上料、SMT 料盘出库、空箱回收、物料分拣……

这份清单有两个特点：

第一，全是动词，且都是短动作。没有一个工种是"完成一整道工序"，都是工序里的一个片段。这说明当前的能力是"能嵌入现有流程做某一步"，而不是"能独立负责一段工作"。

第二，几乎全部集中在搬运、分拣、拧紧、质检四类。这四类恰好是重复、可量化、容错空间相对大的动作。

再看技术特点那一列，能看出各家的路线差异非常清晰：

• 有的靠视觉感知方案+ 全景视觉 + 自学习系统；
• 有的强调环境适应性：可适应人类工作环境、无需大规模改造现有设施；
• 有的主打自主换电与全空间范围稳定搬运；
• 有的强调5G-A 深度集成与工业环境语义感知。

最后一条我认为特别关键——"专为现有仓储设施设计，无需大规模改造"。

这和第二节讲的是同一件事：谁能不改造环境就开始干活，谁才有规模化的可能。

六、执行层的两条主线：关节模组，和比身体还复杂的手

这一页的三个趋势——高精度、高集成、小型化——我认为要合起来读才准确。

单看"高精度"没意义，精密机床早就做到了；难的是在小型化和高集成的前提下还要高精度。因为人形机器人的关节是塞进肢体里的，空间被骨骼、线缆、散热一起挤占。

所以后面那四项关键技术——高扭矩无框电机、精密谐波减速器、行星滚柱丝杠、高刚度轻量化结构件——本质都在解决同一个矛盾：要在更小的体积里，输出更大的扭矩，还要更轻。

这里"高扭矩无框电机"值得多说一句：所谓无框，是不带外壳、把定子转子直接嵌进关节结构里。省掉的不只是一个壳子，而是让关节的结构设计从"外购件拼装"变成"一体化设计"——代价是必须和减速器、编码器、驱动器一起做，不能分开买。

这张分类图我建议保存。它把灵巧手的设计空间完整摊开了：

• 按自由度
  ：全驱动（每个关节独立驱动源）vs 欠驱动（少量驱动源带动多关节）；
• 按驱动结构
  ：驱动器外置 / 内置 / 混合，以及电机、液压、气压、形状记忆合金等驱动方式；
• 按机械传动
  ：腱传动、连杆传动、齿轮或蜗轮蜗杆传动、丝杠传动。

三个维度相乘，就是几十种可能方案。方案多，恰恰说明这个部件还没有收敛。

不过这份材料也给出了一条收敛方向：国内外主机厂方案已基本收敛至"电机驱动加高自由度"，真正的差异在传动方式与传感器配置。

这张表里，我认为最该看的是最后一列——传感器配置。

把这一列从上往下读，会看到一条清晰的演进线：

• 早期：33 个压力传感器、6 个触觉传感器——有接触感知，但很稀疏；
• 中期：94 个触觉传感器、6 个阵列式触觉压力传感器 + 手腕六维力矩传感器——密度上来了，并开始区分"指尖"和"手腕"；
• 现在：1140 个 ITPU 触觉传感单元，配合手部摄像机视觉——整只手几乎被触觉覆盖。

而最让我在意的是最后一行：特斯拉第三代灵巧手，22 自由度，传感器配置为"触觉传感器与集成 AI 视觉"。

把视觉装进手里

，这是一个很明确的技术信号——它代表感知前移：不再只靠头部相机远距离判断，而是在执行末端就近感知。好处不只是看得更清，更是延迟更低——不用等图像传到"大脑"再传回来。

顺便补一个观察：这份表里，单只手的自由度最高已经做到 41，比很多整机在早期阶段的全身自由度还多。这不是夸张，而是"手比身体复杂"这件事最直接的证据。

七、感知：三类传感器，分工不同

这一页我按"装在哪、解决什么问题"重新读了一遍：

三类传感器对应三个完全不同的问题：

• 本体状态
  回答"我自己现在是什么姿势"；
• 接触交互
  回答"我碰到的东西有多硬、会不会滑"；
• 环境感知
  回答"我周围有什么、在哪里"。

其中最容易缺的是第二类。很多人形机器人演示视频里的"抓鸡蛋"，难点根本不在看见鸡蛋，而在于知道捏到什么程度会碎——这是触觉，不是视觉。

一句话概括：视觉告诉你"鸡蛋在哪"，触觉告诉你"捏没捏碎"。没有触觉，就没有真正的操作。

另外注意安装位置那一列：触觉传感器写的是"灵巧手、指尖、躯干"——躯干也算。这印证了前面成熟度表里把"全身触觉"单独列为一条：触觉不只是手的事，整个人形表面都可以是感知面。

八、大脑、小脑、肢体：真正的瓶颈在最上面那一层

这一页里，我认为最该记住的是那句定位：

大脑是人形机器人落地的关键瓶颈与核心价值所在，决定机器人智能上限与泛化能力。

三层分工是这样的：

• 大脑
  ：以 AI 大模型为核心，理解多源传感信息，做任务级交互、规划与决策，向小脑下发可执行策略；
• 小脑与肢体
  ：接收并执行大脑策略。

换个说法：大脑解决"做什么"，小脑解决"怎么做还不摔倒"。

这个分工特别值得和第㉑篇的"倒立摆"模型一起看——人形机器人在物理上是一个持续失衡又持续纠偏的系统，双足站立本质上是一个倒立摆。而小脑层要做的，就是在执行大脑指令的同时，保证这个倒立摆不倒。

这也解释了为什么"运动表演"和"干活"是两种难度：后空翻只需要小脑，拧螺丝需要大脑和小脑同时在线。

九、VLA：从"执行预设程序"到"理解任务"

VLA 的定义在这一页写得很紧凑：统一视觉、语言和本体状态，直接生成连续动作。

三个关键词，我认为"本体状态"最容易被忽略。

视觉是看外面，语言是听指令，而本体状态是"知道自己现在是什么姿势"。没有它，模型输出的动作就是开环的——它不知道自己的手此刻在哪，自然也算不出下一步该怎么动。

而"直接生成连续动作"这七个字，是 VLA 与传统方案的分界：

传统路径：看 → 想 → 人写规则 → 执行；VLA 路径：看 + 听 + 自身状态 → 直接输出动作。

中间那层"人写规则"被整个拿掉了。它学的不是规则，而是映射关系——所以才可能泛化到没见过的物体和任务。

另外这一页的指标对照，和第三节那张表是同一件事，但说得更完整：未来竞争的核心不再只是运动速度、自由度和负载，而是抓取成功率、操作精度、双臂协同、异常恢复及长时间连续作业能力。

把这张表的"训练数据类型与特点"一列竖着读，会看到一个共性：几乎所有路线都在强调"跨本体"。

• 有的以大规模仿真及合成数据预训练，结合少量真实数据后训练；
• 有的使用跨本体机器人轨迹及视觉语言数据预训练；
• 有的基于双臂、半人形及大规模人形机器人数据训练，支持跨本体迁移。

"跨本体"为什么重要？因为如果一份数据只能教会一种硬件，那每换一款机器人就要重头采集。能不能让不同身体学到的东西互相通用，决定了这套方法的可扩展性。

还有一个细节我认为很能说明当前阶段：这类模型的发布时间，密集集中在2025 年 1 月到 2026 年 4 月这十几个月里。

模型密集发布，本身就是"路线尚未收敛"的证据——如果已有公认答案，不会同时跑出这么多条路。

十、五类数据采集路线并行：真正的瓶颈在这里

这一页我认为是全篇技术含量最高、也最容易被跳过的一页。

它的结构是按"核心原理 / 主要设备 / 采集范围 / 主要优势 / 主要局限"五列展开的。而我最关注的是最后一列——局限：

• 视觉遥操
  ：无需穿戴硬件，非接触式感知；但易受环境光照影响，动作采集精度有限；
• 外骨骼遥操
  ：动作复现带宽高、保真度高、刚性强，部分系统支持力反馈；但设备造价高、操作门槛高，难以规模化应用；
• 体感遥操
  ：通过体感设备采集肢体运动信息，解算后驱动机器人复刻动作。

把"主要局限"这一列连起来读，结论很清楚：

数据供给本身，还没有标准化解法。

这就是我在开篇那句话的落点。架构可以抄、模型可以开源、硬件可以采购，唯独数据——尤其是真机操作数据——没有捷径，只能一条一条采。

所以"五类路线并行"这个状态本身就说明问题：如果哪一条已经明显胜出，产业不会同时试五条。

再回头看上一节模型的训练数据描述，会发现一个配套现象：几乎所有模型都以"大规模仿真及合成数据预训练"开头，再"结合少量真实数据后训练"。

顺序很说明问题：仿真管规模，真机管质量。仿真能快速铺量，但仿真与真实之间的那道差距（也就是常说的 Sim-to-Real gap），最终还是要用真机数据去补。

十一、降本：三个阶段，和一条被验证了一百年的规律

三个阶段，性质完全不同：

• 短期
  ：减速器、电机、传感器等关键零部件的国产替代——这是供应链问题；
• 中期
  ：标准化设计 + 规模生产，释放制造成本——这是制造问题；
• 长期
  ：一体化设计 + 算法优化，提升系统效率——这是系统问题。

前两阶段其实是制造业的老办法，几乎所有硬件产品都走过。真正值得说的是第三阶段。

算法优化可以反过来降低对硬件的要求。

比如用控制算法补偿掉一部分机械精度不足，就不必把每个部件的公差都做到极致。这本质上是"用软件换硬件成本"——和我在合集第㉖篇讲过的思路同源：用 AI 补回"少做的那部分"。

而这正是人形机器人和传统机械不一样的地方：它有软件这一层可以调，所以降本空间不止于制造。

再讲一条我认为特别值得记住的规律。

这份材料里提到，累计产量每翻一倍，单件制造工时下降一个固定比例——这就是 1936 年提出的莱特定律，最初用于描述飞机制造，后来在汽车与动力电池上反复被验证。

它的价值不在"会降"，而在降得可预测。可预测，才敢提前投产能、提前定产线——不确定性才是规模化的最大敌人。

十二、车企入局：不是跨界，是复用

这一章我在做的时候改了三次标题，最后定在"复用"这两个字上。因为看完这两页，最深的感受是：车企做机器人，几乎每一项能力都有出处。

两条线非常清楚：

• 制造端
  ：依托新能源汽车产业链积累，复用汽车供应链体系推动机器人降本；
• 软件端
  ：FSD 基于视觉感知方案，实现环境理解、路径规划与自主决策，相关技术有望迁移至 Optimus。

第二条的含金量比看起来高得多。FSD 解决的是"从视觉输入直接得到驾驶动作"——而这不就是 VLA 吗？

同样是看 → 理解 → 输出连续动作，只不过一个输出方向盘和油门，一个输出手臂和脚步。这正好印证了合集第㉕篇讲过的"智驾外溢"：技术栈是同一套，只是执行器换了。

小鹏这一页我认为信息密度最高，核心逻辑就四个字：车机同源。

• 软件端
  ：VLT + VLA + VLM 大小脑架构，本质是 XNGP 的 VLA 与 VLM 横向迁移；
• 硬件端
  ：摄像头、雷达、芯片均可复用小鹏汽车硬件；
• 模型训练
  ：XNGP 云端模型工厂，算力储备充足；广州具身智能数据工厂，结合汽车与自动驾驶积累数据。

三条里，我认为第三条最值得琢磨。

前两条是"技术可以复用"，第三条是"数据的生产已经工厂化"。而我们在第十节刚说过，数据才是真瓶颈。那么一家已经建好了数据工厂、并且跑了多年自动驾驶数据的公司，它站在的位置和从零开始的团队是不一样的。

顺带提一句硬件规格上的细节：新一代 IRON 拥有 62 个主动自由度（其中灵巧手 22 个），由仿生脊椎、仿生肌肉和皮肤构成。

注意"仿生肌肉和皮肤"这六个字——皮肤不是外观件，它是触觉的载体。这又回到了"全身触觉"那条线上。

十三、路线分化：海外重模型与生态，国内重制造与落地

这一页的结论只有一句话，但我认为它比很多长篇分析都准确：海外重模型与生态，国内重制造与落地。

我的理解是，这不是谁更聪明，而是各自手里有什么牌：

• 海外在基础模型、算力与开发者生态上积累更深，所以自然从"让模型更强、让生态更大"这一端切入；
• 国内在供应链、精密制造与场景密度上更强，所以从"先把机器造出来、先送进工厂"这一端切入。

但这两条路最终一定会合流：模型再强，没有可靠本体也落不了地；本体再便宜，没有大脑也只能干最死板的活。

真正决定长期位置的，是谁能先把"模型—本体—数据"这条闭环转起来。因为这条闭环每转一圈，模型更懂本体，本体产生更多数据，数据又反过来喂模型。

十四、一个容易被忽略的细节："仅面向科研教育"

这一页我本来没打算放，最后还是留下了，因为有六个字特别诚实。

在人形机器人那一栏里：

• DR01
  ：仅面向科研教育；
• DR02
  ：支持全天候作业。

同样是自家人形产品，一个明确写着"仅面向科研教育"，另一个才敢写"全天候作业"。

这两个后缀之间的差距，就是"演示级"与"作业级"的分界线。而"全天候"三个字的含金量，不在性能，在可靠性——温度范围、防水防尘、连续运行时长。这和第63篇讲过的 IP 防护等级是同一件事：实验室跑 Demo 不需要它，但凡要进工厂、野外、电力巡检，它就是硬门槛。

另外，同一页里四足产品已经覆盖到"50 个国家和地区、1200 余个行业场景"，而人形产品的定位还停留在"科研教育"。

同一个公司里，四足和人形的成熟度差了一整个阶段——这比任何行业口径的数字都更能说明当前处在什么位置。

写在最后：做完这 64 页，我的三个判断

第一个判断，也是我在开篇给出的那句话的展开：

运动已经不是瓶颈，操作才是。

而操作的瓶颈往上追是模型，再往上追是数据。这三层是层层递进的依赖——所以"跑得更快"和"能拧螺丝"之间，隔的不是一次性能升级，而是两个完整的技术层级。

第二个判断，关于评价标准：

参数正在让位给能力。

运动速度、自由度、负载这些指标还会被刷新，但决定能不能上岗的是抓取成功率、异常恢复、长时间连续作业。一句话：从"能做什么动作"转向"能把一件事做成"。

第三个判断，关于降本：

人形机器人的降本，有软件这一层可以调。

这让它区别于绝大多数硬件产品——制造降本之外，还有一条"用算法降低硬件要求"的路。这是它最特别的地方，也是它最容易被低估的地方。

最后说一句我写在材料结尾页上的话，也是我做完这 64 页后最真实的想法：

从"样机展示"到"规模验证"，差的不是产量，是任务完成率。

产量可以靠产线解决，任务完成率只能靠数据一帧一帧喂出来。

希望这份拆解对你有用。如果你也在跟踪这条线，欢迎在评论区聊聊你最关心的那一环——是手、是模型，还是数据。