物理 AI 初创公司正在竞相打造最好的机器人基础模型。我认为，其中大多数最终会在这场竞赛中输给少数几家超大规模云计算公司。
要点
数据： 仿真将取代人类示范，成为机器人基础模型训练数据的主要来源。
硬件： 灵巧手将在短期内胜出，而在仿真中演化出的形态将在长期占据优势。
采用： 当机器人的失败成本低于其节省的人工成本时，使用机器人基础模型的机器人就会得到部署，这也是机器人即服务模式兴起的原因。
行业： 算力决定模型竞赛的结果，因此，少数美国超大规模云计算公司将赢得这场竞赛，与一个主要由中国参与者构成的开放生态并存。
当模型成为标准化商品，部署就是护城河。
物理 AI 市场的现状。
第一部分：数据、训练与学习
物理 AI 将沿着 LLM 的发展路径，在不同领域逐步进步
就在四年前，GPT-3.5 还只是具备一些编写简单代码的能力，与今天 GPT-6 Astra 和 Claude Opus 5.5 的智能体编程、视觉和推理能力相比，几乎不值一提。这些模型的基准随着每次发布而不断接近饱和，如今已经覆盖法律推理、编程、学术知识和数学等领域，见 Stanford AI Index 2026。物理 AI 基础模型同样会率先在某些领域取得进展，例如抓取放置、编织或纸板折叠等操作任务。一些采用经典机器人方法时几乎无法完成的简单任务，如今已经变得可行，尽管尚未达到部署所需的可靠性水平，参见 Ai2 的 MolmoBot 和 Physical Intelligence 的 π*0.6。
即使采用 code-as-policy 方法，即由 GPT-6 Astra 这样的前沿 LLM 直接控制机器人，也能够与机器人基础模型竞争。在 Robocurve 的真机测试中，Astra 得分为 42.5%，NVIDIA 的 GR00T N1.7 为 9.5%。在 RoboDojo 的仿真器中，它得分为 22.5%，高于 π0.5 的 6.9%。Astra 在接触密集、高精度任务上仍然存在困难，而且推理速度慢得多。
在我设想的未来中，π2.0、GPT Robo-3.5 和 Claude Robo-3.5 这样的假想模型，能够像人类一样焊接定制零件，并适应多种参数变化。进步已经在不同领域逐步出现：不到三年，能力就从抓取放置发展到完整制作一杯意式浓缩咖啡，接下来或许会出现零样本线缆整理和定制零件焊接。每攻克一类任务，也可能帮助模型处理原本处于分布之外的任务，正如在机器人领域，使用多样化数据训练已经能够改善对新环境和新任务的泛化。不过，与 LLM 不同，机器人领域没有互联网规模的动作数据集可供学习，这正是接下来讨论的仿真和合成数据如此重要的原因。
自 2024 年末以来，前沿通用机器人模型大约每六个月就能完成一类难度更高的任务。
仿真将成为机器人基础模型的主要数据生成来源
使用合成数据训练模型并不新鲜。在使用 RL 的 LLM 后训练中，奖励通常由程序化验证器计算，例如 DeepSeek-R1；也可以由一个独立的 LLM 对轨迹或 episode 进行评判，例如 RLAIF，而这些轨迹或 episode 本身同样由 LLM 生成。我认为，随着仿真器通过更准确的物理引擎、可变形网格和更高的视觉保真度不断缩小 sim-to-real 差距，物理 AI 也将转向这一范式。当仿真 rollout 即将失败时，采用 code-as-policy 的 AI 智能体可以介入，取代人类操作员。正如 Physical Intelligence 的 RECAP 从专家干预中学习一样，参见 π*0.6，从智能体纠正中学习，将使离线 RL 能够在无人在环的情况下扩展规模。无论这通过确定性仿真器、大规模预训练世界模型，还是两者的混合实现，都不应影响这一判断。
前沿模型在 RoboDojo 完整仿真基准上的表现：最佳端到端策略的成绩在两年内从 1.5% 提升至 35%。
近期发布的成果已经指向这一方向。Eka Robotics 在物理仿真中通过 RL 训练其视觉—力—动作模型，而非使用人类示范，参见 Eka Robotics。Ai2 的 MolmoBot 则完全在仿真中训练，无需任何真实世界数据或微调，就能在真实机器人上零样本运行。在抓取放置基准上，MolmoBot 甚至超过了使用大规模真实示范训练的 Physical Intelligence π0.5，参见 Ai2。
前沿模型越来越能够自行构建环境。World Labs 的 Marble 等世界模型可以将一张图像转换为可探索的 3D 世界，参见 World Labs；GPT-6 Astra 则可以通过编写和迭代 Blender Python 代码，将单张参考图像转换为 Blender 中可编辑、高保真的 3D 场景。研究人员已经在使用 Astra，以这种方式从普通视频重建真实室内场景，生成可编辑的 3D 环境，参见 AHa-3D。这自然指向一个未来：自动创建环境，用于合成数据生成与整理。
使用 GPT-6 Astra，将 2D 视频中的真实场景重建为 Blender 中的 3D 场景。
来源：
这条 pipeline 的主要瓶颈之一，是奖励，此外还有准确的物理资产和物理引擎。当相关结果能够被准确表示时，仿真就使成功与否变得容易验证。RL 可以从这些稀疏的成功信号中学习，但在长任务中，这类信号会使探索和信用分配变得困难。沿途对任务进度进行评分的可靠中间反馈，可以显著提高学习效率。不过，前沿实验室无法仅靠雇用专家，为每项任务编写奖励函数，因此，这个领域正在转向 Flora 这样的模型。
NVIDIA 最近发布的这一系统，能够自动为人类和机器人视频标注密集的进度奖励与结果奖励。尚待解决的问题是，这些奖励是否足够准确，因为 RL 非常擅长利用有缺陷的奖励，策略可能在没有完成任务的情况下获得高分。解决这一问题，将使更多专业任务能够使用 RL 后训练，而由此获得的技能又可以被蒸馏回通用模型。
第二部分：具身形态与硬件设计
灵巧手将成为操作任务的主要末端执行器平台
支持灵巧手的一个显而易见的理由是，这个世界的交互界面是为人手设计的，因此，让灵巧手成为操作任务的末端执行器平台是合理的。一个不那么显而易见的理由是，目前多数最先进的机器人基础模型都使用真实世界数据进行预训练，通常是人类第一视角数据，或直接通过遥操作机器人采集的数据。Intelligence Factory、@HumanArchiveai、@mimicrobotics 和 Preload 等初创公司，已经在使用包含触觉传感器的手套优化数据采集。由于基础模型也将使用这些数据训练，我预计灵巧手将获得所有末端执行器中最高的成功率。
Mimic 的可穿戴 U1 数据采集手套，具有指尖触觉感知能力。
现有研究表明，从人手采集的数据可以通过姿态估计，在运动学层面重定向到机器人手。在真实第一视角视频上，仅手部跟踪本身就存在约 25–31 mm 的误差，参见 EgoExo4D challenge；重定向到另一种末端执行器，还会在指尖额外引入 1–14 mm 的误差，参见 T-800 和 Teleopit。在高接触、高精度操作任务中，这些毫米级误差都非常重要。在运动范围与接触几何上最接近人手的具身形态，损失的信息最少，因此能够最大程度地受益于人类数据。
因此，仍有大量工作需要完成：如何让灵巧手承受所需的循环次数，还需要研究与迭代。例如，Wuji Hand 是一款 20 自由度的直驱手，出厂标准为 30 万次抓取循环，参见 Humanoids Daily。按人类每天约 9,600 次抓取的拣选节奏计算，一只 Wuji Hand 大约一个月就会损坏。其他方案也在开发中，例如受生物力学启发的手部设计。Tesla 的 Optimus 手和 Chestnut Robotics 的 Aero Hand Open，就采用了腱驱动方案。因此，在这些硬件问题得到解决之前，更便宜的专用末端执行器将承担大部分工作。
大规模生产将显著降低通用 Humanoid 和移动操作机器人的成本
通用平台的价格已经远低于几年前。Dexmate 的轮式 Humanoid Vega 1 Pro 售价为 75,000 美元，固定式双臂 Vega 1 U 售价为 42,000 美元，两者都不包含末端执行器。Unitree 的 H2 Humanoid，不配备功能性手部的基础型号起售价为 29,900 美元，H2 Plus 的价格则达到 100,000 美元。
持续迭代与不断增长的需求，将进一步降低量产成本。Bank of America 估计，2025 年中国制造的 Humanoid 物料清单成本为 35,000 美元，并预计到 2030 年将降至 17,000 美元以下，参见 Bank of America Institute。此外，Humanoid 最终可能参与自身制造，进一步放大这些收益。在这种情况下，原材料和资源显然会成为瓶颈。
截至 2035 年的 Humanoid 年度出货量预测。
硬件与机器人模型将通过进化方法协同设计，寻找经济且高效的具身形态
如果未来仿真成为主导力量，那么我们可以预期，评估、测试与开发将在比今天更大的程度上发生于仿真中。目前，机器人基础模型的部署往往完全不使用仿真，而是直接采集真实世界数据，再基于这些数据进行模型微调和部署。不过，在一个准确的仿真世界中，唯一显著的成本将是算力。考虑到我们已经在为算力需求极高的 LLM 建设基础设施，参见 Bloomberg，我们将利用这些设施。
从仿真的角度出发，我设想未来我们会使用进化方法设计机器人形态，找到完成特定任务时成本效益最高、速度最快的具身形态。事实上，当前研究已经展示了仿真中的具身形态协同设计，参见 Strgar & Kriegman，ICLR 2026，只是尚未与机器人基础模型结合。
多种具身形态在仿真中运行同一个端到端运动模型。来源：
仿真将使我们能够把这些候选具身形态与机器人基础模型结合起来，并让它们演化，通过变异与迭代，找到同时最适合任务和模型的身体。这一设想依赖于一个能力极强、具有通用性的机器人基础模型，不过早期版本已经存在：Skild AI 的全形态 Skild Brain，旨在无需预先了解机器人身体的情况下控制任意机器人，参见 Skild AI。@NicoBohlinger 的 γ₀ 使用由 200 多种机器人模型衍生出的数百万种具身形态，训练一个统一的运动策略，覆盖足式、轮式和飞行机器人，并且已经部署到数十台真实机器人上，参见 γ₀。
因此，最终主要活动于地球上的机器，外形可能与今天的 Humanoid 和移动操作机器人完全不同。我预计，进化不会为每项任务产生一种专属身体，而是会收敛到一个具身形态家族：以共享的基础形态为核心，为不同任务提供模块化变体。这样，演化出的设计仍然可以大规模生产，并受益于同样的规模经济，而这种规模经济正在使今天的 Humanoid 变得更便宜。
γ₀ 模型在不同具身形态上的真机部署。来源：
如前所述，目前真实世界数据和人类第一视角数据占据主导地位，因此，从人类学习时信息损失最少的具身形态，也就是类人的灵巧手，具有优势。随着仿真缩小 sim-to-real 差距，并成为主要数据来源，这一优势将减弱，因为主要在仿真中训练的机器人，不再需要与示范任务的人类相似。这意味着，灵巧手是短期赢家，而在仿真中演化出的具身形态是长期赢家。
第三部分：经济性与行业结构
当投资划算时，现有机器与交互界面就会被替换
假设我们拥有能力足够强的物理 AI 模型，以及通用的硬件具身形态，我们最终将能够在经典机器人方法从未实现自动化的任务中替代人类劳动。在自动化达到一定可靠性之前，企业不会替换人类工人；企业会将可靠性与工人的时薪，以及机器人的实际运行成本进行权衡，后者包括机器人本体、算力和模型成本。
在当前范式下，尚无人能够保证接近完美的可靠性，因此机器人会犯错，而一开始就为这种解决方案进行全额投资，是多数企业不愿承担的风险。这也是机器人即服务（Robots-as-a-Service，RaaS）模式兴起的原因：@Robco_Robotics 和 InLoop Robotics 等部署公司，将这些模型部署到多种任务中，企业主则支付持续性费用。这可以是一笔固定的月度订阅费，打包包含硬件、AI 更新和远程协助，也可以按完成的任务收费。企业采用自动化不需要等待完美，因为只要失败成本低于节省的人工成本，并由人类提供兜底，就足够了。部署后的模型还会随着运行时间增长而改善：系统持续采集数据，并通过人工干预纠正失败轨迹，因此成功率上升，机器人的价值也随之提高。
任务成功率与其经济价值之间关系的示例。
因此，劳动力的替代将是渐进的。机器人会犯错，而原来的工人很可能成为遥操作员，修正失败轨迹，并教机器人如何正确完成任务。与 Jevons 悖论相呼应，更便宜的自动化很可能扩大工作的总体规模，创造新的监控和遥操作岗位。对于失败代价高昂的任务，这一过程更加困难，但仿真可以在机器人部署之前，通过准确建模这些环境提供帮助。因此，大量体力劳动岗位可以由移动操作机器人、Humanoid，或未来经演化获得的最优具身形态承担。在主要位于西方世界的高工资经济体中，以及面临劳动力萎缩的老龄化社会中，这自然是经济上理性的选择，因此它会缓慢而确定地发生。
不过，这并不意味着现有自动化会消失。许多工厂和制造流程已经通过一体化专用系统实现了高度自动化。由于这些系统围绕单一工艺进行端到端设计，它们的成本效益与生产效率远高于通用机器人。这些系统将进一步提高自动化程度，由通用具身形态补齐专用系统无法覆盖的环节，直到整个生产循环实现自动化，而非被替换掉。Travis Kalanick 的 Atoms 为食品、采矿和运输领域的高吞吐量工作构建专用机器人，将多样化、低批量任务留给 Humanoid，参见 Atoms；从 Rivian 分拆出来的 Mind Robotics，则面向那些仍然需要灵巧操作和适应能力的工厂工作，参见 Mind Robotics。
少数超大规模云计算公司将占据主导，并围绕它们对世界的理解建立标准
随着仿真成为机器人基础模型训练数据的主要来源，拥有最多算力的公司将登上物理 AI 的顶端。超大规模云计算公司将发布自己的机器人模型，其中也包括具备智能体能力的模型，与 Physical Intelligence、Generalist AI 和 Rhoda AI 这类公司竞争，并赢得这场竞赛。适用于 LLM 的 Scaling Laws，似乎也适用于机器人。
VLA 预训练中的数据多样性 Scaling。
更多的预训练数据和算力，会以可预测的方式改善下游性能。随着训练数据中不同环境的数量增加，泛化能力稳步提升；随着预训练规模扩大，从人类视频中学习等新能力也会涌现，参见 GEN-0，以及 Physical Intelligence 的 human-to-robot transfer。即使某家机器人 AI 实验室能够与超大规模云计算公司竞争，我仍认为，它们未来很可能被后者收购。因此，最终只有少数基础模型实验室会提供部署所需的智能。
毫不意外，Quan Vuong 解释说，Physical Intelligence 将自己定位为未来的算力提供商。这也是它通过 API 开放模型的原因：合作伙伴上传数据，在 Physical Intelligence 的基础设施上进行微调和推理，参见 Physical Intelligence 的 API beta。在这样的世界里，机器人实验室不需要在支出规模上超过超大规模云计算公司。
Physical Intelligence 提出的 API 工作流架构。近期，Generalist AI 和 DreamLabs 也发布了类似的 API 工作流。
这种由超大规模云计算公司构成的寡头格局，还将决定基础设施、工具、协议和平台中的标准化发生在哪里。Anthropic 推出了模型上下文协议（Model Context Protocol，MCP），作为连接 AI 智能体与工具和数据的开放标准；OpenAI 的 API 格式则被广泛使用，以至于竞争对手也提供兼容端点。机器人软件和硬件协议将来自同一批参与者：OpenAI 已确认正在构建自己的 Humanoid，参见 Engadget；Tesla 正通过 Optimus 推进 Humanoid，也需要自己的机器人基础模型。Tesla 已经向 xAI 投资了 20 亿美元，而 xAI 告诉投资者，它将为 Optimus 构建 AI，参见 NYT。此后，Musk 表示，Tesla 和 SpaceX 正在探索合并。
地缘政治约束将催生多个相互竞争的基础模型，正如 LLM 领域已经发生的那样
Stanford 的 AI Index 2026 显示，最强美国模型与最强中国模型之间的差距仅为 2.7%，尽管美国在 AI 上的投入要高得多。旨在减缓中国发展的出口管制，反而推动中国实验室转向效率优化和开放权重。有趣的是，物理 AI 已经在沿着同样的模式发展。Ant Group 旗下的 Robbyant 开源了 LingBot-VLA，该模型使用来自九种机器人平台、约 20,000 小时的真实世界数据训练，参见 LingBot-VLA；Xiaomi 也发布了自己的开放权重 VLA 模型，两者的表现都超过了 Physical Intelligence 的 π0.5。我预计，这里会出现与今天 LLM 领域相同的局面：少数封闭的美国超大规模云计算公司，与一个主要由中国参与者构成的开放生态并存，胜负将由可获得的算力以及一场商业消耗战决定。
部署就是护城河
当智能集中到少数超大规模云计算公司手中，模型逐渐商品化时，价值就会转向这些公司最不擅长的事情。人类进步的指数级加速，不会仅仅来自智能体 AI；我认为，它将来自物理能力与智能体能力的同步融合。要让这一切发生，我们必须去做最具挑战、最需要主动推动的工作：真正部署物理 AI。不要再只做以模型为先、专注于数据采集、评估或炫目演示的实验室。
毫无疑问，通过平台、基础设施或工具推动物理 AI 生态标准化具有价值，但对这种价值的认识会在部署过程中形成。@huggingface 最初是一款虚拟陪伴聊天机器人，后来发现，供人们分享开放权重模型的平台基础设施才是真正的价值所在。走到这一步的方式，是先选择一个垂直领域开展部署，围绕 AI 智能体和机器人基础模型实际能够完成的事情进行优化，并结合经典机器人方法。
物理 AI 的部署将同时创造经济价值和护城河。一家公司即使完成了困难且有价值的集成工作，也可能仍然需要为每位新客户从头重建一切。因此，我们必须积累可复用的集成方案，降低下一次安装部署的成本，并确保每一次部署迭代都能改善运营。
来源：human five
