报告概述
本报告以2026年北京智源大会为观察窗口，系统梳理具身智能（人形机器人）产业的当前能力水平、关键瓶颈、产业界的突破方案、技术路线分歧以及发展时间表。报告基于大会现场演示、论坛演讲与嘉宾访谈，为投资者呈现具身智能领域的核心议题与产业生态，帮助读者快速把握行业脉搏。
报告的核心结论
具身智能数据瓶颈正转向人类视频预训练
传统VLA模型依赖昂贵且难以规模化的遥操作数据。产业界共识正转向使用第一人称人类视频进行预训练，这能显著降低新任务的部署成本。然而，当前数据质量参差不齐，未来一两年行业需建立更成熟的数据质检标准。
世界模型与VLA走向融合而非对立
多家机构认为世界模型是VLA体系的核心组成部分，负责短程物理预测（如水杯掉落），而长程任务规划仍依赖语言推理。两者融合可兼顾实时物理理解与复杂任务规划，并生成真实环境难以采集的边缘样本以补足VLA。
具身智能近期目标明确，通用泛化仍需2-5年
专家普遍预计未来12-24个月基础模型将显著进步，边际部署成本下降，产业繁荣开端可能出现。但实现真正通用泛化（如零样本完成普通人无需专业学习的技能且成功率达70%-80%）可能需要2-5年，部署规模化定律将推动数据飞轮。
产业分工浮现：全栈自研与大脑平台派并行
部分公司主张软硬件一体化（如千寻智能类比苹果），认为技术早期跨本体能力较弱，一体化打磨更高效；另一派则主张不绑定单一本体，通过大规模人类视频预训练打造通用世界模型，向下兼容多种机器人本体。
投资应聚焦确定性较高的公共底座环节
报告指出，克服瓶颈的五组方法对应受益环节：扩数据（动作捕捉、仿真引擎、人类视频采集与标注）、补大脑（训练与端侧算力）、做分工与放量（核心零部件如减速器、力传感器、灵巧手）、评测与安全（评测与验证服务）。这些环节相对确定性受益。
报告回答的关键问题
什么是具身智能的“ChatGPT时刻”？
报告引用银河通用王鹤观点，将具身智能的ChatGPT时刻量化为两个指标：一是能力上，零样本完成普通人无需专门学习的技能，成功率达70%-80%；二是易用性上，普通人可用少量现场数据后训练并部署到饮料店、药房等场景。
当前机器人产业的主要瓶颈有哪些？
报告综合嘉宾观点，将瓶颈归纳为四类：数据（遥操作数据昂贵且难规模化）、物理感知与理解（现有世界模型未真正触达物理规律）、评测（现有榜单不可信，应关注系统能力与学习速度）、安全可控。这些问题分别对应机器人的“燃料、大脑与感官、标尺与刹车”。
投资具身智能应关注哪些产业链环节？
报告建议关注确定性较高的“公共底座”：扩数据环节（动作捕捉、仿真引擎、人类视频采集与标注）；补大脑环节（训练与端侧算力芯片）；做分工与放量环节（减速器、丝杠、力/触觉传感器、灵巧手等核心零部件）；评测与安全环节（第三方评测、数据标注与验证服务）。同时警惕以“真机数据量”为唯一护城河的厂商。
人形机器人何时能实现通用化？
专家时间表呈现“近端密集、远端发散”：最积极预期认为未来12-24个月基础模型显著进步，产业繁荣开端出现；稳健预期判断2-3年大有进展但通用基础模型未必在两年内出现；长期看未来五到十年仍有根本科学问题待解。真实部署一旦铺开，数据飞轮可能加速进程。
报告中的代表性数据
预训练数据规模与后训练数据需求的关系
2026年，千寻智能联合创始人高阳给出的内部定量结论，展示了预训练数据规模对降低新任务部署成本的杠杆效应。
人类视频预训练具身模型Being-H0.7评测排名
2026年，智在无界（BeingBeyond）发布的大规模人类视频预训练模型，在多项国际权威评测中综合排名第一，覆盖跨本体、跨场景、连续动态等七大关键维度。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 智源大会合作伙伴分析：展示了具身智能公司与算力芯片公司等合作伙伴，揭示产业生态中具身智能被视为继语言模型后新的算力与数据需求引擎。
- 现场机器人能力梯度详解：从遥操作串糖葫芦到自主抓拿放酒店垃圾袋、再到人机乒乓球对打，逐级分析了每项技术的实现基础与边界条件（如仍依赖外部动捕设备）。
- 数据瓶颈与突破方案深入讨论：详细论述了遥操作数据的高成本问题，以及第一人称人类视频、仿真合成、UMI等多路并进的数据获取策略。
- 世界模型分类与融合路径：呈现智源研究院提出的四类世界模型路线图（语言中心、像素中心、三维结构中心、视觉表征中心），并说明产业界倾向融合第一与第四条路线。
- 评测体系现状与改革方向：多位嘉宾批评现有机器人榜单不可信，提出应关注系统级能力、学习曲线和真实交互能力，体育任务被视为理想的测试场。
- 投资受益环节与风险提示：从扩数据、补大脑、做分工与放量、评测与安全四个维度梳理受益环节，并列出技术路线未收敛、数据范式变化、商业化落地不及预期等风险。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
