巴克莱：人形机器人"GPT时刻"未至，商业化路径仍受多重瓶颈制约
Miles Bennett
行业到底走到哪一步了？
当前阶段：原型机和展示机密集涌现，但离通用型人形机器人大规模商业化差距仍大。
Physical AI（让机器人理解并操控物理世界的AI）领域尚未出现类似GPT-3那样的标志性突破——这意味着→ 行业还没找到一个能让能力跳级的"引爆点"。
短期更确定的方向是受控场景下的单任务机器人——仓库、工厂、焊接、物流，目标清晰、路径固定。用大白话说＝ 能干活的机器人先在"围起来的地方"干简单活，而不是走进你家厨房。
通用机器人的真正难点在哪？
难点不在演示，而在真实环境中的长尾问题：地面不平、物品摆放混乱、光线变化、人员移动——任何一项都可能让系统失效。
巴克莱拿自动驾驶做参照：从早期乐观到更广泛部署，自动驾驶花了十年级别的时间做安全审查、监管磨合与公众信任重建。
人形机器人可能同样需要经历"人在回路"阶段——人类远程监督，必要时接管，让系统在真实场景中慢慢积累数据。这反映出一个基本现实：机器还不能独立上岗，得有人"盯着"。
安全和可靠性为什么是第一道坎？
传统工业机器人通常被隔离在笼中运行；人形机器人要进入人类活动区域，核心问题从"能否完成动作"变成"出错时谁承担后果"。
AI有望将可靠性从约85%提升至95%以上，但对许多工业场景而言，95%仍可能不够——越接近真实生产，容错率越低。用大白话说＝ 100次里失败5次，在流水线上就是不可接受的。
网络安全也是硬约束：人形机器人本质上是联网的软件定义系统，一旦被入侵或模型被篡改，后果从IT事故变成物理世界的运营风险。
数据和算力的缺口有多大？
文本和图像大模型靠互联网数据训练，但机器人领域缺乏类似资源库。YouTube上的人类活动视频缺少关节运动、执行器命令、传感器反馈等关键信息，无法直接教机器人干活。
真实采集数据速度慢、成本高、风险大——一次严重摔倒即可造成硬件损坏。仿真与数字孪生（在虚拟环境中模拟训练）是补充路径，但仿真到现实仍有缺口，动作到真实世界仍需校准与微调。
算力需求三层叠加：仿真训练吃数据中心资源；VLA基础模型（视觉-语言-动作模型，让机器人"看懂、听懂、做得出"）参数规模达100亿至200亿级别；部署后还需边缘算力支撑毫秒级响应，单台感知堆栈成本约2万美元。
硬件为什么是最慢的瓶颈？
软件可以快速迭代，硬件不行。电机、执行器、传感器、手部结构、电池系统都要走完设计→供应→制造→反馈的完整周期。
这形成典型的鸡生蛋困境：没有足够安全可靠的产品→难以建立规模产能；没有规模化制造→又难以降成本、拿到更多真实反馈。
手部设计尤为复杂：领先方案目标单手约22个自由度，但一只灵巧度仍有限的机器人手成本约2000美元；一台人形机器人通常需要30至60个执行器，行业目标成本被锚定在单台约2万美元。
企业怎么应对供应链压力？
多家公司选择垂直整合关键零部件：1X自2015年起打磨自有腱驱动电机，已生产约1.7万个；Apptronik为Apollo开发自有执行器并与Jabil合作制造。
Boston Dynamics计划借助现代汽车供应链提升Atlas可靠性；特斯拉则将电动车级电机与自研FSD计算平台复用于Optimus，长期目标是接近汽车式产量与成本。
巴克莱的核心判断→ 人形机器人能否在受控场景中积累足够可靠性数据，并以此为跳板向更复杂环境扩展——这一过程所需的时间，将最终决定"GPT时刻"何时真正到来。
Content is for reference only, not financial advice.