2026 世界机器人大会已经在亦庄落幕。

展馆里的人形机器人争相秀出绝活：优必选Cruzr Y1、Cruzr S2在复刻的汽车产线做钣金上下料、纸箱和料箱拆码垛；魔法原子轮式人形机器人 XGZ1、分拣机器人 HyperBot在物流场景异构多机协同作业，完整呈现“供包分拣转运”全流程闭环方案。大屏上，奇瑞墨甲的智警机器人正在 22 座城市的真实车流里指挥交通。

沉浸在现场的赛博氛围里，人形机器人进千行百业似乎指日可待。可是，据 Counterpoint Research 统计，今年上半年全球人形机器人（含泛人形）出货仅为 2.2 万台。刨去被同行买回去拆着学习的、被数据工厂拿去做采集的，真正落进工业、商业、物流场景的，还得再砍一大截。

一边是展馆里锣鼓喧天、大家高呼“爆发元年”；一边是出货量还不够一家大型制造企业的用工规模。盛夏的热闹与初春的体量，挤在同一条赛道里。那么，人形机器人为何迟迟无法大规模落地呢？

答案，就藏在 WRC 的展馆里。

关于机器人行业“ChatGPT时刻”何时到来，2025年8月世界机器人大会上，王兴兴的判断相当乐观：“快的话，未来一到两年，慢的话三到五年，是很有可能实现的。”在那次演讲里，他甚至嫌行业对数据的关注过了头——“目前全球范围内对机器人数据问题的关注度有点太高了。现在最大的问题，其实是模型的问题。”

一年之后，还是同一个讲台，王兴兴的口径变了。

经过一年的高强度学习、深度思考，他把GPT时刻的到来时间从一年前的1–5年（相当于今年的0-4年）延长到了2–10年。而且这一次，王兴兴对数据的态度也发生了转变：“目前的机器人都是 AI 驱动的，AI 基本都数据驱动——有多少数据，尤其有多少高质量的数据，就有多少 AI。”开始把工作重心从本体转向具身大模型的宇树，也终于意识到了一点：用于训练具身大脑的数据，不管数量、质量还是多样性，没一个达标的。

这个瓶颈，在 WRC 的展馆里看得最直观。

数据采集设备被多家厂商摆上了最显眼的位置：帕西尼的 PXCap 五指触觉采集手套，整手内置 30 个六维触觉模组、3015 个触觉点，全五指无盲区覆盖，人类戴上做个动作，指尖的力、滑移、纹理信息连同关节角度一起被录进数据里；鹿明机器人摆出了“数采全家福”：手持夹爪、头戴环、背包工作站一应俱全——人戴上就能采，不需要机器人本体；背上背包，采集者就能走进工厂、餐厅、商场，在真实场景里边干活边采。光轮智能则开源了号称全球首个十万小时级的全模态数据集——而据觅蜂科技 CEO 姚卯青的测算，具身模型要达到 GPT-3.5 那样开箱即用的能力，需要一亿小时量级的数据。

把线索拼起来，结论有点残酷：既然模型是数据驱动的，而数据远未就位，模型自然也训练不出来。所以 2026 年的行业，全都在忙着补课——统一数据标准（其实，连“什么数据才算好”的标准，都还在和模型团队反复迭代、慢慢收敛）、发布和购置采集设备、建设数据工厂、推动大规模采集落地。亿欧智库在《2026中国具身智能数据采集与数据产业发展展望》报告中说得更直白：行业标准体系正处于“从零开始加速构建”的阶段，数据生产正“从分散手工走向工业化规模产出”。

换句话说，机器人的“大脑”训练，至今仍处在数据准备阶段。

机器人要走进千行百业，如果每个场景、每种身体都要单独训练一个模型，研发成本永远降不下来；这件事要玩得转，最终必须做出一颗“一脑多能”的通用大脑：同一个大脑，既统一理解任务，又统一规划行动，还能把完整的智能能力注入双足、轮式、重载等截然不同的身体，指挥它们在家庭、零售、工业等场景中各自完成任务。

在 WRC 展馆里，做大脑的分两类。一类造整机，脑子长在自家身体上：银河通用让新品银河星仔和 Galbot G1、S1 三种形态同台轮番演示，背后是同一颗“银河星脑”；星海图端出 Nexo、Kengo、Lemo 三大整机平台，驱动力是 G0.5，跨本体适配 18 种机器人。另一类不押整机，主业就是卖大脑：蚂蚁灵波的 LingBot-VLA 2.0 用 6 万小时数据预训练，覆盖 17 个品牌、20 种构型；首度参展的大晓机器人带来"开悟"世界模型 3.1，把视觉、语言、力触、动作轨迹压进统一隐空间。

两大阵营的目标是一致的，它们挤的自然是同一张牌桌，而这张牌桌天然通吃：投资人的判断很直白——跨越鸿沟后只剩下三到五家大脑厂商，跑得最快的拿到近乎永恒的市占率。如今几十家公司同场竞技，表明大家的“脑子”都不太灵光。

事实上，有关大脑的技术路线，大家最近才逐渐达成共识——C位由VLA让位给世界模型。机器人要去的是家庭、工厂、商场，环境天天变、东西天天被人挪，只有真正吃透动作与物理环境之间的因果，一颗大脑才能换个场景照样干活。VLA底座是大语言模型，硬把三维连续世界压扁成一维的离散符号序列，几何、受力、接触这些关键因果信息在压缩中就丢了。世界模型可直接在三维空间里建模物理交互：动作怎么改变世界、世界怎么回应动作，因果是在原生维度上长出来的，泛化自然更有底气。

可是，在Transformer架构里，其核心 Q、K、V 矩阵干的其实是在数据里找“什么跟什么总是一起出现”——这是相关性，不是因果性。在物理 AI 模型底层架构依然是Transformer的前提下，因果性这块短板无法真的补上。

“转向世界模型”更多是叙事的转向，而非技术的突破。等哪家真做出来，行业自然会向它收敛了——这或许就是大家认为的机器人GPT时刻。

数据和大脑解决的只是“能不能干”的问题——机器人能不能听懂指令、可不可以换个场景照常干活。可对工厂老板、门店经理这些真正的需求方来说，账从来不止这一层：这台机器干活快不快、多久能回本、能不能顶得上人工，是一笔必须算清的 ROI。而算清这笔账，绕不开两个核心变量：一是效率，决定这台机器的产出；二是成本，决定这台机器的投入。极智嘉联合创始人陈曦把效率这层账说得很透："效率是1，泛化是后面的0"——没有效率打底的泛化能力，只是演示品，不是生产力。

最能看清效率这笔账的，是展会上最讨喜的环节——叠衣服。WRC 2026 的展馆里，有机器人为叠一件短袖衬衫耗上两分钟，有的叠完一件衣服用了三分多钟，中途折错了，还得拎起来抖一抖、从头再来。一件衣服几分钟——如果你是老板，看见员工以这个速度干活，恐怕很难不上火。

这还是精心布置过的考场：展台上衣物平整摆放、光线充足、周围没有杂物。真到了杂乱堆叠的真实场景里，这个效率还得再打折扣。

那机器人为什么这么慢？一方面是端侧芯片算力依然有限，一方面是因为大脑的技术路线正转向世界模型，而世界模型的推理开销高于VLA。星海图发布的“全球最快”世界动作模型 Fast-WAM，靠推理创新提速四倍多，才把单步延迟从传统范式的约 800 毫秒压到 190 毫秒——折算下来每秒也就输出 5 个动作。脑子转不过来，手脚就只能放慢——叠件衣服要几分钟，根子在这里。

比效率更难迈过的，是成本这道坎。普华永道在《2026 智能机器人产业发展白皮书》里算过一笔账：2025 年，人形机器人单台成本维持在 20 万到 50 万元；而制造业固定资产投资的普遍要求是约两年回本——照这个标准，机器人售价得降到十万元级别、效率还得提升到人工作业水平，才谈得上划算。可是，根据美国银行的预测，要到 2030—2035 年，单台成本才有望降至 10 万到 12 万元。这还没算折旧、能耗、维护、后训练这些隐性开支。

WRC的眼花缭乱让一些乐观者高呼“爆发元年”，可刨掉六成多流向友商、商演与科教的出货，上半年全球人形机器人的销量不足万台。热闹与销量之间，隔着一段没走完的路。

数据积累不过两三年，且标准未立、样本零散，离“备齐”还远；大脑集体转向世界模型，声势浩大，但目前更像叙事的转向——世界模型许诺的因果理解，还没真正长进任何一款机器人的大脑里；账本更难：叠一件衣服要几分钟，单台售价二三十万，效率与成本两条腿都短，回报迟迟算不平。

但这未必是坏消息——当行业把短板和难算的账一起摊上台面，遮羞布掀开，路反而更加清楚：机器人离进入千行百业，差的已不是方向，而是把补齐数据、训练大脑、提高效率、降低成本这四件事走完的耐心。（转载自autocarweekly）