报告来源：2026年9月16日，Citrini Research，《Robotics Tipping Point: A Citrini Field Trip》。本文基于Citrini对湾区十余家机器人实验室、创业公司和产业参与者的实地调研整理，仅作观点解读，不构成投资建议。报告重点讨论机器人当前真实能力、工厂部署、Physical AI模型路线、训练数据，以及机器人产业链现阶段真正开始产生收入的环节。

如需原报告及更多专业报告敬请关注公众号置顶星球介绍。星球介绍

Citrini这次在湾区实地走了一圈之后，对机器人行业的判断比“人形机器人明年大规模量产”要克制得多。

报告认为，人形机器人的基础运动能力已经不是主要问题，真正没有解决的是灵巧操作、自主决策、耐用性、安全，以及不同场景下的泛化。

目前大多数所谓“工厂部署”，本质上仍然是试点。但和前几年只有跳舞、跑步、遥操作相比，机器人已经开始在真实环境里连续完成一些定义明确、但过去很难自动化的任务。

所以现在判断机器人产业进度，不能只看整机出货量，更应该看三个东西：机器人到底在做什么任务、连续运行多久，以及这些部署有没有真实客户付钱。

商业化大概率不是从“万能人形机器人”开始

Citrini认为，近期最现实的商业化路径，是先把某一个具体任务做好，再逐步增加能力。

例如衣物折叠。

Dyna Robotics的机器人已经进入鼎泰丰、Best Western以及制服和布草服务企业的实际场景。一年时间里，其餐巾折叠机器人的吞吐量提高了2.7倍，同时质量继续改善。

混合托盘码垛也是类似逻辑。

传统自动化适合处理完全标准化的货物，但配送中心往往要把不同尺寸、不同SKU的商品混装到一个托盘上，过去主要依赖人工。Maven Robotics已经用移动底盘加双机械臂做这类工作，并直接部署在现有仓库中，而不是要求客户重新建设整套产线。

这类机器人可能没有完整双腿，也没有“五指灵巧手”，但它们比纯演示更接近收入。

最直接的数据来自Skild AI。公司披露，首次商业部署仅约10个月，目前已经有60家付费客户，ARR达到1亿美元，应用包括英伟达/富士康高精度装配、线束加工和商用厨房。

这比“某公司计划明年生产多少台机器人”更值得跟踪，因为已经开始有实际付费客户。

人形机器人也在进步，但现在仍然是工厂试点

完整人形机器人离大规模工业部署还有距离。

报告引用宇树创始人的判断：目前机器人在智能、灵巧性、感知、耐用性和安全方面，都还不足以支持大规模工厂部署。

但Figure和宝马的合作说明，试点已经不只是几分钟的演示。

Figure 02在宝马Spartanburg工厂执行钣金件Pick-and-Place，截至报告统计已经：

• 每周一至周五运行10小时班次；

• 累计运行超过1250小时；

• 搬运超过9万个零件；

• 对应超过3万辆BMW X3；

• 累计行走超过120万步、约200英里。

今年试点又升级到Figure 03，并增加零件分拣和手推车搬运。宝马管理层给出的反馈是，从实验室进入真实产线的速度快于预期。

这还不是“规模化量产”，但至少能够证明机器人已经开始进入真实生产环境，而不是只在实验室里跑Demo。

【图注：Citrini将当前机器人能力放在一条连续的自主化曲线上，包裹分拣、衣物折叠等任务已经进入可商业化区间，但通用人形机器人距离人类水平仍有明显距离。】

真正的瓶颈正在从“身体”转向“大脑”

硬件侧现在最容易被高估。

Citrini认为，人形机器人的行走、跑步、平衡等基础运动能力已经基本解决，而且成本还在快速下降。

宇树G1目前标价只有1.35万美元，已经成为不少研究机构使用的低成本机器人平台。

真正困难的是让机器人理解环境，并且能够处理没见过的任务。

报告把机器人大脑拆成几层：

VLM负责理解眼前是什么东西；世界模型负责理解物理世界会如何变化；VLA负责把语言指令转化成行动；底层控制系统负责实时完成具体动作。

Citrini认为，目前VLM和底层控制已经相对成熟，主要瓶颈集中在World Model和VLA，以及两者进一步融合形成World Action Model。

这也是为什么目前机器人行业开始越来越像几年前的大模型行业：大家开始讨论数据量、训练规模和Scaling。

Figure正在用“数据+算力”复制大模型路线

机器人训练现在最缺的是数据。

互联网里有海量文字、图片和视频，但没有互联网规模的数据集，记录人类第一视角完成各种物理任务，更没有足够多机器人自己完成这些任务的数据。

Figure已经开始自己解决这个问题。

其Index数据平台目前覆盖100多个国家、超过4.4万周活用户，每秒上传约30分钟视频，相当于每天上传约4.9年的人类工作时间；公司为数据采集累计已经支付约1500万美元。

与此同时，Figure还在增加算力。

公司先宣布未来一年投入10亿美元算力，随后又与Nscale合作建设10万块Vera Rubin GPU集群，承诺至少投入35亿美元。

背后的路线很明确：

先采集大量真实世界数据，再用前沿算力训练更强的机器人模型，最后把模型重新部署到更多机器人上继续收集数据。

这个飞轮能不能跑起来，比单纯讨论执行器参数重要得多。

供应链现阶段也不能照搬AI硬件逻辑

这一点是Citrini报告里比较重要的提醒。

市场很容易把机器人复制成AI服务器的研究框架：先找执行器、减速器、轴承、传感器，然后寻找未来可能短缺的零部件。

但Citrini认为，现在还太早。

机器人经济性要求整机成本持续下降，而不是像AI训练那样可以容忍供应链持续涨价。同时，目前整机出货规模还不足以让大量通用工业零部件形成真正瓶颈。

因此，短期资金更可能先流向研发和迭代环节，而不是大规模量产零部件。

报告甚至明确指出，宇树、Figure、Tesla等头部OEM都倾向于自己设计执行器，并把剩余零部件采购分散给多家供应商。要让执行器子部件真正进入供不应求，整机规模还需要提高很多。

所以现阶段机器人产业链更值得看的，可能不是“谁未来能供几十万套轴承”，而是谁已经从机器人研发活动增加中收到订单。

快速原型制造可能比大宗零部件更早兑现

Citrini重点提到一个相对容易被忽略的方向：快速原型和小批量制造。

生成式设计、AI辅助CAD和仿真正在快速增加硬件设计数量，但设计出来之后，还需要真正加工、测试、修改，再重新加工。

因此瓶颈开始从设计转向现实世界验证和制造迭代速度。

报告提到Xometry和Protolabs。

Xometry本身不拥有大量制造工厂，而是连接需求方和制造供应商。客户上传CAD后几分钟就可以报价，最快几天交货。

公司还披露过一个机器人客户案例：客户需要在很短时间生产近200种复杂零件，Xometry调动40家网络供应商完成交付。

这种业务受益的不是机器人最终一年生产100万台，而是机器人公司一年改多少版设计、做多少轮测试。

【图注：Citrini认为，AI降低设计成本后，机器人开发瓶颈正在向现实验证和快速制造迁移，短期需求更可能首先体现在研发和迭代环节。】

这轮机器人行情，后面该看什么

Citrini这份报告比较明确地区分了“技术在进步”和“产业已经量产”。

两件事都是真的，但不是一回事。

现在完整人形机器人仍然主要是试点，短期很难支持大范围零部件放量；但机器人模型、真实部署和付费客户已经开始出现明显进展。

后面可以重点看四项数据：

第一，真实客户数量和ARR，而不是Demo数量。

第二，Figure、Tesla、宇树等头部公司真实部署机器人数量和运行小时数。

第三，训练数据和算力投入能否继续提高机器人泛化能力。

第四，订单是否开始从研发设备、快速制造和机器视觉，进一步传导到执行器、减速器等大规模量产环节。

如果前面三项继续快速增长，第四项最终会发生。

但按照Citrini这次实地调研看到的情况，现在机器人产业更接近“研发和小规模商业部署加速”，还不是“全产业链进入百万台量产”的阶段。