物理AI的商业化临界点：数据、触觉与价值重构

导语：每逢周末爆火的投资题材，往往在周一开盘后便面临获利回吐的压力。

上周末，物理AI概念在投资圈掀起热潮，相关讨论席卷各大社群平台。

据不完全统计，周末期间举办了超过50场物理AI主题线上研讨会，这种热度在机器人板块已多年未见。

本轮行情出现显著变化：投资者开始将目光从硬件转向机器人的"智能中枢"。

传统机器人投资主要聚焦减速器、伺服电机、滚珠丝杠等核心零部件，企业能否实现量产、进入特斯拉供应链、获取整机厂订单成为关键指标。

近期通用大模型展现出突破性进展——不仅能理解机器人任务指令，还能自主规划操作流程。这引发市场无限遐想：当机器人具备类人指令理解能力，其应用场景将从工业产线延伸至仓储物流、商业服务甚至家庭场景。

这种技术演进恰好回应了资本市场对AI长期商业价值的质疑。过去五年全球科技巨头持续投入算力建设，但2028年后AI市场增量空间仍存不确定性。

物理AI的崛起提供了新的增长想象空间。真实世界作业需要模型算法、数据采集、计算设备与机械结构的深度协同，这种系统性需求可能催生AI产业链新增长极。

但需清醒认识到，技术突破与商业成功之间存在显著鸿沟。机器人听懂指令不等于稳定执行，数据采集需求增长也不必然转化为数据供应商的丰厚利润。

01 机器人技术的终极考验

自动驾驶领域的发展轨迹提供了重要参照。

2023-2025年期间，特斯拉等企业通过持续优化道路识别算法、构建自动化数据标注体系、升级车载计算平台，使自动驾驶系统处理复杂路况的能力显著提升。

这段历程证明，AI技术落地需要算法、数据、硬件的协同进化。

机器人面临的挑战更为复杂。汽车主要应对二维平面运动，而机器人需要完成三维空间中的抓取、搬运、装配等精细操作，还要处理物体滑落、位置偏移等突发状况。

机械臂在固定位置完成零件抓取，与在零件偏移情况下持续作业是截然不同的技术层级。

通用大模型的进步正在改变技术攻关路径。近期GPT-6 Astra等模型在机器人控制测试中表现亮眼，能够理解复杂指令、识别目标物体并规划操作路径。

例如在桌面操作场景中，机器人可根据指令精准识别目标物品并完成空间定位；当视觉传感器受阻时，能自主调整观察角度继续作业。

但在精细操作领域仍存在明显短板。面对钥匙插锁场景，机器人虽能规划基础步骤，但在钥匙卡顿时难以判断是角度偏差、位置错误还是需要重新尝试。

这揭示出关键技术分野：模型需要理解任务要求，而机器人必须掌握动作执行技巧。

当前研究聚焦任务分解策略——由大模型负责任务理解与流程规划，专用控制系统处理机械臂运动轨迹与力度控制。

HexaShell和WorldScape-R²SI等方案通过构建动作规划中间层，在受控环境中显著提升了任务完成率。但要实现工厂环境下的长期稳定运行，仍需突破真实场景中的复杂变量处理难题。

这种技术路线具有重要现实意义。机器人无需等待全能型大模型成熟，只要具备基础任务理解能力，配合专用控制系统即可实现特定场景自动化。

这极大拓展了物理AI的应用边界。工业机械臂、仓储AGV、移动服务机器人等设备均可通过AI升级完成此前难以实现的任务。

上市公司已开始沿此路径布局。以汇川技术为例，其2026年半年报披露已推出七自由度仿生臂产品，获得部分人形机器人企业零部件定点；无框电机产品实现头部客户小批量应用，仿生臂完成整机验证。

七自由度设计使机械臂具备类人手臂的运动灵活性，这是实现抓取、搬运等操作的基础硬件条件。但从小批量验证到规模化交付仍需跨越产能爬坡、良品率控制等多重门槛。

埃斯顿则代表另一种发展路径。依托成熟的工业机器人业务（2026上半年智能制造系统收入21.38亿元，同比增长2.21%），公司具备真实生产环境中的工程交付能力。

这类企业的优势在于现有产品已产生稳定现金流。若AI技术能提升机器人环境适应性、减少人工编程调试时间，即可快速实现技术赋能。

但需明确区分：传统工业机器人收入与人形机器人带来的增量价值存在本质差异，新技术商业化效果需独立评估。

物理AI的突破不仅需要"智能大脑"进化，更依赖机器人通过海量真实操作积累经验。

02 触感数据成为关键瓶颈

传统机器人训练需要同步解决两大难题：任务理解与动作执行。

通用大模型可降低任务理解难度，但动作执行仍需通过海量真实操作数据训练。互联网积累的文本、图像、视频数据虽能提供常识性知识，却无法传递真实的触觉体验。

例如视频可展示钥匙插入过程，但无法完整传授：钥匙卡顿时应调整角度还是重新定位；阻力增大时该减小力度还是暂停操作。

这种知行差距决定了机器人训练数据的特殊性——必须包含真实的操作反馈。

当前数据采集主要依赖四种途径：外部摄像头记录人类操作、头戴式设备捕捉操作视角、轻便传感器记录手部动作、机器人本体记录执行数据。

不同数据类型具有差异化价值。人类示范数据帮助模型理解操作流程，机器人本体数据则提供执行反馈闭环。

数据定价呈现显著分层。据国内产业链调研，头戴式操作视频单价约100-300元/小时，复杂真人操作数据可达1000元/小时。

但高价格不等于高价值。有效训练数据需要满足三大条件：清晰记录动作过程、完整标注物体状态、准确反馈任务结果。单纯重复简单动作的数据价值有限，异常情况处理数据更具训练价值。

上市公司正积极布局数据产业链。奥比中光2026年半年报显示，其3D视觉方案服务全球超千家机器人客户，相关收入同比增长超100%。

3D视觉技术通过构建物体空间坐标系，帮助机器人实现精准定位与避障。随着任务复杂度提升，这类技术将成为机器人标配。

但财务数据显示业务增长与利润释放存在时滞。公司上半年营收4.38亿元（同比+0.49%），归母净利润4164万元（同比-30.82%），研发投入增加是利润下滑主因之一。

这反映出行业普遍规律：新兴业务带动收入增长，但前期研发投入与市场拓展费用会压制短期利润。

触觉数据采集成为新的竞争焦点。福莱新材布局的柔性传感器可记录人手接触压力与动作变化，相关产品已实现批量交付但营收占比仍低。

这类设备未来可能集成至机器人末端执行器，使其具备力度感知与滑移检测能力。柯力传感的六维力传感器则通过测量空间力分量，帮助机器人实现精准力控。

2025年年报显示，其力觉传感器销量突破1500只，送样客户超70家。这类传感器在装配、打磨等场景具有不可替代性。

从视觉到触觉的技术演进，揭示出机器人感知系统的升级方向——构建多模态感知网络，全面捕捉环境与自身状态信息。

数据需求增长催生新市场机会。OpenAI发布的机器人岗位涉及数据采集平台建设，Figure等企业也在自建数据工厂。但最终采购规模取决于内部采集能力、数据质量与成本效益。

行业预测2027年全球机器人训练数据市场将达500-1000万小时规模，但这类预测需谨慎对待——实际需求取决于技术突破速度与商业化进展。

对数据企业而言，关键指标是合同金额、客户复购率与数据验收通过率；对设备企业来说，产品认证进度与批量交付能力决定成败。

03 商业化路径的分化与融合

物理AI的发展正在重塑产业链价值分配：模型训练需要海量数据支撑，数据采集依赖专业设备，机器人本体需要升级感知控制系统。

但不同环节的商业化进度存在显著差异，需要分阶段评估投资价值。

数据服务商面临首轮验证。能够持续提供高质量数据并获得头部客户复购的企业，将确立行业地位。收入规模、客户稳定性、数据合格率与利润率是核心指标。

设备供应商呈现差异化机会。奥比中光的视觉方案、福莱新材的触觉采集设备、柯力传感的力觉传感器，分别对应训练数据生产、操作经验记录、实时感知控制等环节。

这类企业的技术复用性强，但需注意：训练设备与机器人本体对产品规格、可靠性的要求存在差异，市场拓展需分别验证。

机器人整机与核心零部件企业面临价值重估。绿的谐波2026年上半年谐波减速器收入2.88亿元（同比+38.64%），但增长动力来自工业机器人需求复苏，与人形机器人关联度有限。

汇川技术、埃斯顿、绿的谐波等企业虽具备技术基础，但需通过持续订单证明新技术带来的增量价值。

物理AI的投资机会呈现明显阶段性特征：短期看数据服务商的订单突破，中期观察感知设备在机器人中的渗透率提升，长期关注整机企业能否通过实际应用创造经济价值。

需警惕市场过度透支预期。技术演示进步与真实场景应用存在差距，数据需求增长不等于所有供应商都能获利，机器人出货量提升也不等同于企业盈利改善。

未来核心验证指标包括：任务完成率、连续运行时间、客户复购意愿、订单毛利率与现金流质量。这些指标比技术演示更具说服力。

物理AI的商业化进程可能呈现渐进式突破：大模型解决任务理解问题，专用控制系统处理动作执行，真实数据补足操作经验，最终推动机器人在更多场景创造经济价值。

当客户愿意为机器人服务持续付费，企业能够获得稳定利润回报，这轮技术热潮才算完成商业闭环。

资本市场已开始为这个未来定价，接下来需要企业用产品、订单与财报证明自身价值。

04 尾声

周末的舆论狂欢与50余场线上会议，印证了物理AI的超高热度。但根据徽声在线观察，A股市场存在明显规律——周末爆炒的概念往往在周一面临调整压力。

当前模型路线尚未收敛，数据采集能否成为持续性投资主线，取决于后续订单与业绩兑现情况。主题投资最怕在共识最强烈时介入，短期波动风险不容忽视。

但拉长时间维度看，这确实是值得重点关注的产业趋势。当通用大模型无需专门训练即可指挥机械臂，当"大脑决策+执行优化"架构使任务精度呈指数级提升，机器人技术的关键突破可能正在发生。

过去训练机器人需要同时解决"思考"与"行动"问题，现在通用模型接管了认知层，所有竞争都聚焦到一个本质问题：如何让机器获得人类亲手操作才能积累的触觉经验。

谁掌握这种操作记忆的数字化能力，谁就将在物理AI时代占据价值高地。