新聞 
高盛跑了壹圈中國機器人公司,結論是…
高盛跑了壹圈中國機器人公司,結論是…高盛跑了壹圈中國機器人公司,結論是…
5月18日至22日，高盛分析師 Jacqueline Du 帶隊密集走訪了 14 家中國機器人公司。先是在香港 Asia Communacopia + Technology 大會上見了壹批，隨後連續 3 天在深圳和北京展開壹輪中國 AI 機器人之旅。
這 14 家公司覆蓋了市面上各類賽道上的代表公司：從做觸覺傳感器的戴盟機器人，到已有萬台交付目標的優必選；從做 3D 視覺的梅卡曼德，到剛在 RoboChallenge 上登頂的千尋智能；還包括銀河通用、星海圖、極智嘉、逐際動力、靈心巧手、帕西尼、眾擎機器人、越疆科技、埃斯頓、自變量機器人。
在隨後於 5 月 26 日發出的研報裡，高盛用了壹個克制但明確的判斷：行業正在向商業化現實更進壹步，但投資者需要耐心。
輪子更好用
高盛在調研中注意到壹個很難忽略的現象：很多玩家正在選擇輪式底盤加兩到叁指夾爪，而不是雙足加伍指靈巧手。
星海圖管理層明確表示，輪式機器人配夾爪是當下更合理的選擇，能覆蓋約 90% 的工業應用場景。其 VLA（Vision-Language-Action，視覺-語言-動作模型）執行速度已達到人類的 80% 到 90%。越疆科技的估計是，工業需求中約 50% 可以靠機械臂解決，20% 到 30% 靠輪式人形機器人，只有剩下的 20% 到 30% 才真正需要雙足。
持同樣判斷的公司不在少數。千尋智能也把伍指靈巧手排除在了近期路線圖之外，理由很簡單：壽命短、成本高。叁指夾爪正在測試中，即將投入實際數據采集。
不過，幾乎沒有壹家公司會在口頭上否定雙足的終極價值。越疆稱雙足是“最終的最高泛化形態”，星海圖也不排除未來做雙足。但在 2026 年這個時間節點上，行業的腳正踩在輪子上。
與形態選擇同步變化的是模型架構。關於具身智能模型的討論已經不再是“VLA 萬能論”。VLA 負責策略生成和動作輸出，但獨立運作時缺乏對執行後果的預判能力。高盛觀察到，越來越多公司正在將世界模型（World Model）作為 VLA 的功能性配合層，用於下壹狀態預測、動作提交前驗證，以及在不確定環境下增強魯棒性。星海圖、銀河通用、千尋智能和眾擎機器人都明確表達了這壹方向。
臥安機器人 5 月 21 日剛發布的 OneModel 1.7，用了壹個“潛在世界動作模型”（latent world action model），把世界模型的泛化能力和 VLA 的執行能力組合在壹起，另外還加入壹個“成功記憶層”，用於回溯此前的成功執行。
千尋智能走的是潛在預測路線，不做逐幀生成。其 Spirit v1.5 今年 1 月開源後，在 RoboChallenge 的 Table30 上拿到 66.09 分和 50.33% 成功率，是首個超越 Pi0.5 的中國開源具身模型。
與此同時，模型規模也在膨脹。高盛稱，行業討論已經從此前單個幾拾億參數級的預訓練系統，轉向 40B 到 80B 參數量級的多模態棧。但多家公司強調，這些更大規模的模型組合離部署級質量還有多輪迭代的距離。
另壹個新變量是觸覺。VTLA（Vision-Tactile-Language-Action，視覺-觸覺-語言-動作模型）正在成為部分公司的差異化方向。戴盟機器人的核心策略是做觸覺小模型，作為插件層接入其他 VLA 框架。帕西尼計劃下月發布壹個以觸覺為主導的 VTLA 模型，用來補足視覺為主的方案。兩家的判斷壹致：在物理交互質量要求高的場景中，光靠“看”不夠，還需要“摸”。
誰能量產數據，誰就拿到入場券
如果只能從這份報告裡挑壹個核心詞，那就是“數據”。
高盛的判斷很明確：高質量、真實世界、多維度的數據仍然是實際部署的首要瓶頸。但討論的焦點已經從籠統的“數據配方”，轉向了“用什麼架構規模化生產數據”。
當前大致形成了兩條路線。
壹條是集中式數據工廠。帕西尼是最典型的代表，已經在天津、宿遷、武漢、自貢、贛州運營 5 座數據采集工廠，各自對應當地優勢產業的數據類型，背後有地方政府支持。
優必選的數據工廠模式是：地方政府購買機器人並擁有數據所有權，企業通過補貼、硬件訂單和數據使用權的組合獲取回報。優必選 2025 年人形機器人需求中約壹半來自數據工廠，管理層預計 2026 年這塊需求將持平或更強。
另壹條是分布式部署回流。星海圖與亦莊政府合作，在“邊工作邊采集”模式下，以真實機器人遙操作為主，占數據組成的 80% 到 90%；同時輔以 UMI 手套（Universal Manipulation Interface，通用操作接口）、外骨骼、第壹人稱視角等方式。公司已開源 500 小時內部數據並獲得開發者社區認可，目標是今年將數據量擴展到 100 萬小時。
千尋智能已經部署 800 多台機器人，用於持續的遠程監控式數據采集。部署用戶還會產生付費數據回流。公司年底目標同樣是累計 100 萬小時真實數據，明年目標是數千萬小時。
戴盟機器人走了壹條更獨特的路。其 DM-EXton 數據采集可穿戴設備通過運營商網點租出，用戶在家采集數據，按每小時幾拾元計費。壹旦實現大規模分發，目標是形成百萬小時級數據集。
越疆科技則押注裝機量的副產品邏輯：不做獨立的數據采集業務，而是利用協作機器人出貨建立的 15 大場景和廣泛客戶基礎，在概念驗證（POC）推進過程中同步積累真實工業場景數據，用存量客戶理解驅動模型訓練和場景泛化。
數據正在成為實際的收入來源。帕西尼的商業化重心就是數據和觸覺傳感器，其數據被用於訓練約 15 個垂直模型、向大模型廠商出售，以及為機器人應用定制數據集。在物流分揀場景中，帕西尼給出的引導是，約 1 億到 2 億個數據點就足以支撐部署，時間線短至 1 到 2 個月，目前已經在和京東合作推進。多家公司預計，2026 年數據相關收入占比將上升。
叁到六個月壹輪 POC，伍拾台才算起步
高盛總結的商業化路徑是壹個多步漏斗：POC 驗證通常需要 3 到 6 個月，平均要做 2 到 3 輪；隨後進入小批量測試，通常每個工廠訂單不超過 50 台；再經過約 12 個月驗證期；到試點部署階段，訂單規模才開始向每客戶 50 到 100 台靠攏。
多數行業玩家認為，大規模部署要到 2027 到 2029 年，前提是在部署級模型之上積累數千萬小時的高質量數據。
目前最接近規模化交付的是優必選。公司 2026 年目標約 1 萬台，其中工業 5,000 台，商業和家用 5,000 台。汽車仍是最大的工業垂直場景。2025 年下半年以來，壹級汽配、半導體和 3C 的需求明顯回暖，以上下料為主。
工業人形機器人的平均售價（ASP）從 2025 年的 70 萬到 80 萬元，降到 2026 年引導的 55 萬到 65 萬元。物料成本（BOM）已經從 2025 年初的約 40 萬元，降到目前略高於 20 萬元，近期目標是 20 萬元，更長期目標是在 2027 年前後降至 10 萬元。降本的主要驅動力是執行器和減速器的模塊化放量，以及結構件從數控機床（CNC）加工轉向模具生產。前者占 BOM 約 30%，後者占約 50%。
越疆科技的具身 AI 相關收入 2025 年只占總營收 4%，但同比增長了 4 倍。人形機器人 ASP 在 20 萬到 50 萬元之間，均價約 30 萬元，毛利率已經做到 45%。2026 年出貨引導為 300 到 500 台。
千尋智能在寧德時代的電池檢測場景上已經通過 POC，並開始小批量采購。壹台機器人替代壹個工位，此前需要 2 到 3 個班次的人力。但管理層判斷，真正的規模化要等產品標准化，大概在 2028 年前後。當前模型在新任務上的成功率約 40% 到 50%，管理層認為，60% 到 70% 才是約束顯著放松的門檻。
靈心巧手是另壹個有意思的樣本。管理層稱，其在高自由度靈巧手市場占據全球 80% 以上份額，是唯壹實現月產 1,000 台以上高自由度靈巧手的廠商，峰值產能 4,000 台，產品 ASP 比海外競品低 50%。
但在商業化策略上，靈心巧手故意避開了搬運、分揀這類同質化場景，押注長期高價值技能。其 LinkerSkillNet 平台擁有全球最大的真實世界靈巧操作數據集，覆蓋超過 500 種技能。
在國內市場，軟件和技能目前主要通過硬件捆綁銷售實現變現，並加入技能溢價；美國客戶更接受按結果付費的租賃模式，回收期約 6 個月。管理層稱，預計 3 到 5 年內能復刻所有人類精細操作。
眾擎機器人則直接給了壹個消費端的成本錨點：3,000 美元 BOM 是家用場景大規模進入的關鍵門檻，Onero 當前目標 ASP 約 1 萬美元，為夾爪版本。降本路徑是用軟件算法補償硬件精度不足，同時持續優化核心零部件。不過，家用場景在安全性和穩定性上的門檻遠高於工業，管理層預期的消費端時間線是 3 年後。
高盛給這份報告起的副標題是“向商業化現實更進壹步”。這個表述很准確：行業確實在進步，但離真正的規模化交付，中間還隔著好幾年的POC和驗證期。
14 家公司中，真正形成穩定訂單規模的屈指可數，大部分還在 POC 和小批量測試之間反復。行業共識把大規模部署窗口鎖定在 2027 到 2029 年，而這本身又建立在壹個假設之上：到那時，數據量和模型質量能同時跨過某個臨界點。
摩根士丹利今年初已經把 2026 年中國人形機器人銷量預測從 1.4 萬台上調到 2.8 萬台。但這些數字裡有多少是數據工廠采購，有多少是真正替代勞動力的工業訂單，目前並不明了。
[物價飛漲的時候 這樣省錢購物很爽]
還沒人說話啊，我想來說幾句
這 14 家公司覆蓋了市面上各類賽道上的代表公司：從做觸覺傳感器的戴盟機器人，到已有萬台交付目標的優必選；從做 3D 視覺的梅卡曼德，到剛在 RoboChallenge 上登頂的千尋智能；還包括銀河通用、星海圖、極智嘉、逐際動力、靈心巧手、帕西尼、眾擎機器人、越疆科技、埃斯頓、自變量機器人。
在隨後於 5 月 26 日發出的研報裡，高盛用了壹個克制但明確的判斷：行業正在向商業化現實更進壹步，但投資者需要耐心。
輪子更好用
高盛在調研中注意到壹個很難忽略的現象：很多玩家正在選擇輪式底盤加兩到叁指夾爪，而不是雙足加伍指靈巧手。
星海圖管理層明確表示，輪式機器人配夾爪是當下更合理的選擇，能覆蓋約 90% 的工業應用場景。其 VLA（Vision-Language-Action，視覺-語言-動作模型）執行速度已達到人類的 80% 到 90%。越疆科技的估計是，工業需求中約 50% 可以靠機械臂解決，20% 到 30% 靠輪式人形機器人，只有剩下的 20% 到 30% 才真正需要雙足。
持同樣判斷的公司不在少數。千尋智能也把伍指靈巧手排除在了近期路線圖之外，理由很簡單：壽命短、成本高。叁指夾爪正在測試中，即將投入實際數據采集。
不過，幾乎沒有壹家公司會在口頭上否定雙足的終極價值。越疆稱雙足是“最終的最高泛化形態”，星海圖也不排除未來做雙足。但在 2026 年這個時間節點上，行業的腳正踩在輪子上。
與形態選擇同步變化的是模型架構。關於具身智能模型的討論已經不再是“VLA 萬能論”。VLA 負責策略生成和動作輸出，但獨立運作時缺乏對執行後果的預判能力。高盛觀察到，越來越多公司正在將世界模型（World Model）作為 VLA 的功能性配合層，用於下壹狀態預測、動作提交前驗證，以及在不確定環境下增強魯棒性。星海圖、銀河通用、千尋智能和眾擎機器人都明確表達了這壹方向。
臥安機器人 5 月 21 日剛發布的 OneModel 1.7，用了壹個“潛在世界動作模型”（latent world action model），把世界模型的泛化能力和 VLA 的執行能力組合在壹起，另外還加入壹個“成功記憶層”，用於回溯此前的成功執行。
千尋智能走的是潛在預測路線，不做逐幀生成。其 Spirit v1.5 今年 1 月開源後，在 RoboChallenge 的 Table30 上拿到 66.09 分和 50.33% 成功率，是首個超越 Pi0.5 的中國開源具身模型。
與此同時，模型規模也在膨脹。高盛稱，行業討論已經從此前單個幾拾億參數級的預訓練系統，轉向 40B 到 80B 參數量級的多模態棧。但多家公司強調，這些更大規模的模型組合離部署級質量還有多輪迭代的距離。
另壹個新變量是觸覺。VTLA（Vision-Tactile-Language-Action，視覺-觸覺-語言-動作模型）正在成為部分公司的差異化方向。戴盟機器人的核心策略是做觸覺小模型，作為插件層接入其他 VLA 框架。帕西尼計劃下月發布壹個以觸覺為主導的 VTLA 模型，用來補足視覺為主的方案。兩家的判斷壹致：在物理交互質量要求高的場景中，光靠“看”不夠，還需要“摸”。
誰能量產數據，誰就拿到入場券
如果只能從這份報告裡挑壹個核心詞，那就是“數據”。
高盛的判斷很明確：高質量、真實世界、多維度的數據仍然是實際部署的首要瓶頸。但討論的焦點已經從籠統的“數據配方”，轉向了“用什麼架構規模化生產數據”。
當前大致形成了兩條路線。
壹條是集中式數據工廠。帕西尼是最典型的代表，已經在天津、宿遷、武漢、自貢、贛州運營 5 座數據采集工廠，各自對應當地優勢產業的數據類型，背後有地方政府支持。
優必選的數據工廠模式是：地方政府購買機器人並擁有數據所有權，企業通過補貼、硬件訂單和數據使用權的組合獲取回報。優必選 2025 年人形機器人需求中約壹半來自數據工廠，管理層預計 2026 年這塊需求將持平或更強。
另壹條是分布式部署回流。星海圖與亦莊政府合作，在“邊工作邊采集”模式下，以真實機器人遙操作為主，占數據組成的 80% 到 90%；同時輔以 UMI 手套（Universal Manipulation Interface，通用操作接口）、外骨骼、第壹人稱視角等方式。公司已開源 500 小時內部數據並獲得開發者社區認可，目標是今年將數據量擴展到 100 萬小時。
千尋智能已經部署 800 多台機器人，用於持續的遠程監控式數據采集。部署用戶還會產生付費數據回流。公司年底目標同樣是累計 100 萬小時真實數據，明年目標是數千萬小時。
戴盟機器人走了壹條更獨特的路。其 DM-EXton 數據采集可穿戴設備通過運營商網點租出，用戶在家采集數據，按每小時幾拾元計費。壹旦實現大規模分發，目標是形成百萬小時級數據集。
越疆科技則押注裝機量的副產品邏輯：不做獨立的數據采集業務，而是利用協作機器人出貨建立的 15 大場景和廣泛客戶基礎，在概念驗證（POC）推進過程中同步積累真實工業場景數據，用存量客戶理解驅動模型訓練和場景泛化。
數據正在成為實際的收入來源。帕西尼的商業化重心就是數據和觸覺傳感器，其數據被用於訓練約 15 個垂直模型、向大模型廠商出售，以及為機器人應用定制數據集。在物流分揀場景中，帕西尼給出的引導是，約 1 億到 2 億個數據點就足以支撐部署，時間線短至 1 到 2 個月，目前已經在和京東合作推進。多家公司預計，2026 年數據相關收入占比將上升。
叁到六個月壹輪 POC，伍拾台才算起步
高盛總結的商業化路徑是壹個多步漏斗：POC 驗證通常需要 3 到 6 個月，平均要做 2 到 3 輪；隨後進入小批量測試，通常每個工廠訂單不超過 50 台；再經過約 12 個月驗證期；到試點部署階段，訂單規模才開始向每客戶 50 到 100 台靠攏。
多數行業玩家認為，大規模部署要到 2027 到 2029 年，前提是在部署級模型之上積累數千萬小時的高質量數據。
目前最接近規模化交付的是優必選。公司 2026 年目標約 1 萬台，其中工業 5,000 台，商業和家用 5,000 台。汽車仍是最大的工業垂直場景。2025 年下半年以來，壹級汽配、半導體和 3C 的需求明顯回暖，以上下料為主。
工業人形機器人的平均售價（ASP）從 2025 年的 70 萬到 80 萬元，降到 2026 年引導的 55 萬到 65 萬元。物料成本（BOM）已經從 2025 年初的約 40 萬元，降到目前略高於 20 萬元，近期目標是 20 萬元，更長期目標是在 2027 年前後降至 10 萬元。降本的主要驅動力是執行器和減速器的模塊化放量，以及結構件從數控機床（CNC）加工轉向模具生產。前者占 BOM 約 30%，後者占約 50%。
越疆科技的具身 AI 相關收入 2025 年只占總營收 4%，但同比增長了 4 倍。人形機器人 ASP 在 20 萬到 50 萬元之間，均價約 30 萬元，毛利率已經做到 45%。2026 年出貨引導為 300 到 500 台。
千尋智能在寧德時代的電池檢測場景上已經通過 POC，並開始小批量采購。壹台機器人替代壹個工位，此前需要 2 到 3 個班次的人力。但管理層判斷，真正的規模化要等產品標准化，大概在 2028 年前後。當前模型在新任務上的成功率約 40% 到 50%，管理層認為，60% 到 70% 才是約束顯著放松的門檻。
靈心巧手是另壹個有意思的樣本。管理層稱，其在高自由度靈巧手市場占據全球 80% 以上份額，是唯壹實現月產 1,000 台以上高自由度靈巧手的廠商，峰值產能 4,000 台，產品 ASP 比海外競品低 50%。
但在商業化策略上，靈心巧手故意避開了搬運、分揀這類同質化場景，押注長期高價值技能。其 LinkerSkillNet 平台擁有全球最大的真實世界靈巧操作數據集，覆蓋超過 500 種技能。
在國內市場，軟件和技能目前主要通過硬件捆綁銷售實現變現，並加入技能溢價；美國客戶更接受按結果付費的租賃模式，回收期約 6 個月。管理層稱，預計 3 到 5 年內能復刻所有人類精細操作。
眾擎機器人則直接給了壹個消費端的成本錨點：3,000 美元 BOM 是家用場景大規模進入的關鍵門檻，Onero 當前目標 ASP 約 1 萬美元，為夾爪版本。降本路徑是用軟件算法補償硬件精度不足，同時持續優化核心零部件。不過，家用場景在安全性和穩定性上的門檻遠高於工業，管理層預期的消費端時間線是 3 年後。
高盛給這份報告起的副標題是“向商業化現實更進壹步”。這個表述很准確：行業確實在進步，但離真正的規模化交付，中間還隔著好幾年的POC和驗證期。
14 家公司中，真正形成穩定訂單規模的屈指可數，大部分還在 POC 和小批量測試之間反復。行業共識把大規模部署窗口鎖定在 2027 到 2029 年，而這本身又建立在壹個假設之上：到那時，數據量和模型質量能同時跨過某個臨界點。
摩根士丹利今年初已經把 2026 年中國人形機器人銷量預測從 1.4 萬台上調到 2.8 萬台。但這些數字裡有多少是數據工廠采購，有多少是真正替代勞動力的工業訂單，目前並不明了。
[物價飛漲的時候 這樣省錢購物很爽]
| 分享: |
| 注： |
| 延伸閱讀 |
推薦: