后空翻、打功夫、端茶倒水，短视频里的人形机器人各种特技表演好不热闹。

但这些炫酷画面，大部分要么是预编程编排，要么是人远程遥操作，甚至有部分干脆是AI生成的虚假素材。

机器人能在镜头下完成一套华丽动作，和它在真实工厂产线上稳定、安全、反复、低成本完成作业，完全是两回事。

机器人确实进步了：行走、定位、避障这些基础能力已经实现，但灵巧操作依旧是绕不开的硬坎。截至2026年初，市面上最先进的机器手也仅有20到22个自由度，人类的手掌拥有27个；数字上只差5个自由度，能力上，这是舞台表演和进厂干活之间的距离。

理特咨询（ADL）在报告中说：机器人行业里，人形机器人负责吸引关注，专用物理AI负责创造价值。

大部分人以为物理AI就是人形机器人，但报告里的定义完全不是这么回事：物理AI，是能在物理世界中感知、决策、行动的智能自主机器；定义它的，是嵌入其中的智能，不是某种特定的机器人形态。

传统AI能理解世界，动不了手；传统机器人能动，只在高度结构化、预先设计好的环境中干活。物理AI把两者接起来：给AI带来真实世界的理解，给机器人带来通用性。

图：什么是物理AI

工厂里的智能固定系统、仓库里的移动操作臂、路上的自动驾驶汽车、用于巡检和物流的无人机，全都属于物理AI；人形机器人只是其中一个形态，目前最不成熟的那一个。

图：物理AI具身形态的四大类别

人形机器人只占物理AI市场的10%，却拿走了90%的关注。

当前物理AI市场规模约180亿美元，人形机器人只有20到30亿美元。到2030年，整个市场预计达到600到1000亿美元，年复合增长率超过20%；到2050年，可能在4万亿到12万亿美元之间。这个巨大的区间跨度，取决于一个关键变量：人形机器人的采用能否扩展到工业之外。

图：全球物理AI市场规模

2025年机器人领域风险投资达到近280亿美元，超过1000笔交易。投资者是在把物理AI当作未来的工业和劳动力平台来定价，而不是参照当前收入。 Figure AI估值涨1200%，大部分卖出的人形机器人还在做演示，两件事放在一起看：现在的估值里，装的是对未来的想象，不是现在的生意。

价值在哪里沉淀，取决于哪一层先成熟；现在，最该成熟的那一层，最慢。

物理AI分三层技术栈：身体、大脑、学习循环。

• 身体层决定机器人物理上能做什么，包括执行器、动力、传感器、结构；

• 大脑层是智能层，包括视觉-语言-行动模型、世界模型、编排控制软件和算力；

• 学习循环层，则是机器人从物理世界学习、并持续改进的系统。

硬件和感知的进步快于灵巧性、推理和学习；学习循环，是最不成熟的一层。

图：物理AI技术栈的三个层次

机器人已经会走路、会定位、会避障，但灵巧性仍然低下：可靠抓取、触觉感知、滑动调整、精细力控，这些事，机器人还是做不好。学习循环层最薄弱，物理AI缺大规模、可复用的动作和触觉数据集，能把感知、行动、力和物理结果联系起来的训练数据，尤其稀缺。

图：技术成熟度概览

MIT教授Neville Hogan点出了核心难题：“最大的挑战是开发一个可行的世界模型……当前的世界模型真正关注的是几何和空间位置，但我担心的是物理属性。”

装机量和价值创造是两回事：中国装得多，美国赚得多。

2025年，中国安装的机器人数量超过世界其他地区的总和，超过80%的人形机器人安装来自中国企业。中国正在迅速从“云中的AI”走向“钢铁中的AI”。

图：各地区获取物理AI优势的优势与策略

美国强在前沿AI模型、云和算力基础设施、风险投资、系统软件和高价值机器人集成商；但美国弱在机器人的“身体”：成本有效的大规模制造、执行器、减速器、电机、传感器、电池和密集供应商生态。

欧洲强在工业系统，弱在前沿AI平台和大规模制造；

日本强在“身体”层和工业系统，弱在前沿AI模型、超大规模算力、云平台和AI软件生态。

中国的策略，是把AI和物理AI当作战略工业基础设施来建设；人形机器人在这里扮演的角色，更像是动员人才、资本和注意力的登月叙事，而不是马上就能部署的工业解决方案。从数据工厂开始部署： 数据被视为工业资产，中国声称拥有数百个训练中心/数据工厂，用于收集、清洗、结构化、标注、打包来自物理世界的数据。

这个错位能持续多久，是接下来五年最值得盯的问题。

性感的场景还在演示，不性感的场景已经在干活。

医疗、制药、制造和物流，将首先向更高自主性和更好灵巧性演进；服务、农业、建筑、采矿和出行，需要更长时间。

图：各行业应用将反映灵巧性与自主性的融合进展

制药是个典型：XtalPi在构建AI驱动的“自主实验室”平台，结合机器人、AI模型、量子物理和云计算加速药物研发；它把AI“干实验室”和机器人“湿实验室”整合成闭环的设计-制造-测试-分析工作流，编排数百个机器人工作站。XtalPi声称，这套设施能把实验效率提高5到8倍。

图：制药研发自主实验室平台示例

制造将从精密自动化走向自适应多任务工作流；物流和仓储先聚焦优化而非替代，最终扩展到能完成端到端订单的自主“黑暗”车队。家庭场景被明确泼了冷水：专家认为，功能足够的家用机器人，至少还需要15到20年才可能广泛普及。

中短期内，轮式或纯手臂形态将首先在工业应用中规模化，因为它们更便宜、更节能、更容易针对特定任务定制；双足形态，首先在娱乐和交互导向的应用中普及。

今天所有讲通用人形机器人故事的公司的估值逻辑，都需要重估：面向消费者的机器人公司，在未来十年里必须找到工业或商业场景养活自己，否则，等不到家庭市场爆发的那一天。

最可能发生的是工业主力；自主富足，不应被视为默认结果。

报告识别出21个不确定性因素，归为六类；其中两个最关键：技术突破的速度，和部署规模化的速度。

图：影响因素的排序与关键不确定性

这两个维度交叉出四个可能场景：

图：物理AI的四种未来场景

工业主力：部署快速扩展，技术突破有限；机器人没达到通用能力，但在结构化工业环境中变得足够可靠和成本有效，这可能是未来十年最商业可行的路径。

渐进自动化：技术进展和规模化都受限，机器人主要当辅助工具。

专业智能：重大技术突破出现，规模化有限。

自主富足：技术突破和快速规模化同时发生，通用机器人变得可行。

“自主富足不应被视为默认结果。”

无论哪个场景胜出，未来5到10年可以预期的是：结构化工业环境占主导，人机混合运营模式先盛行，机器人形态多样性持续存在，而不是单一主导的人形平台。

如果你是一家制造企业的负责人，现在最该做的，不是联系人形机器人厂商，而是回去把车间数据理清楚；因为不管未来哪个场景胜出，这一步都用得上。 工作流往往在细节层面理解不足，实际运营经常与文档化程序不同，运营数据碎片化且不一致，这些都是部署的障碍。

然后，从最简单的活开始试：搬运、质检、上下料，这些事机械臂和轮式机器人现在就能干，不比等人形机器人差。试点范围要紧密，成功指标要明确，与成本、生产力和可靠性挂钩；最大的风险，是过度扩张。

别锁死供应商。保持灵活性，数据要握在自己手里，在外部伙伴关系之外继续构建内部能力。

成功的部署既取决于组织采用，也取决于技术性能；稳健的变革管理方法，应该从一开始就嵌入。

物理AI不会在一夜之间改变社会；但未来几年关于在哪里试点、衡量什么、与谁合作、如何准备劳动力的决策，将帮助确定哪些组织领先、哪些落后。

赢家不一定是那些追逐完全自主或 exclusively 人形愿景的人，而是那些专注于解决真实运营问题、早期部署、快速学习、构建内部能力和数据优势的人。