物理AI竞速下半场：数据、量产与成本如何闭环？

当英伟达GTC大会再次将聚光灯对准机器人、智能驾驶与工业制造，当一家中国机器人公司在一个月内完成从0到5000台个人机器人的量产交付，当行业开源首个面向真实场景的具身推理数据集——这些看似独立的事件，实际上指向了同一趋势：物理AI的竞争，正在从“通用模型能否进入机器人”的路线之争，转向“数据、量产与成本能否闭环”的系统性考验。

招商策略在最新研报中指出，本次GTC大会围绕Vera Rubin算力升级与物理AI应用拓展两大方向展开。算力端，Vera Rubin持续提升计算效率，配合液冷及模块化部署方案，推动AI基础设施建设效率与综合能效提升；应用端，英伟达加快物理AI在机器人、智能驾驶与工业制造等领域的布局。这一判断揭示了物理AI发展的双轮驱动：没有算力底座的持续升级，物理AI的规模化应用无从谈起；而没有真实场景的落地反馈，算力投资也难以形成可持续的商业闭环。

算力升级与物理AI形成正反馈

物理AI与消费级AI有一个本质差异：它必须作用于真实物理世界，实时处理传感器数据、执行运动控制、完成环境交互。这对算力提出了远高于文本生成和图像识别的需求。英伟达Vera Rubin平台的技术路线，正是为这一需求提供的算力解——通过持续提升计算效率，配合液冷散热和模块化部署，降低AI基础设施的综合能耗，从而支撑更大规模的物理AI训练与推理。

从通信产业视角看，这一趋势也在重塑网络基础设施的架构逻辑。物理AI设备大规模接入后，海量传感数据需要低时延传输，模型推理需要边缘算力协同，数据中心与终端之间将形成更紧密的算力网络。物理AI每前进一步，对网络带宽、时延和算力调度的要求就提高一档。算力基础设施的升级，不再是单纯的服务器迭代，而是要面向“物理世界实时响应”这一新范式重构。

通用模型下沉，具身任务成AI下一个投入方向

关于模型的路线之争，近期出现了一个值得关注的信号。中信证券研报指出，通用大模型正在从机器人的高层任务规划，进一步向动作生成和执行控制延伸。NVIDIA、Stanford等研究机构陆续探索将GPT-6 Astra应用于机器人控制，尝试利用通用模型已有的视觉理解、空间推理和任务规划能力，减少对专用策略训练的依赖。

这意味着，过去被认为“只适合做大脑、不适合做小脑”的通用大模型，开始向机器人的动作层渗透。Astra在具身任务数据集上展现出的泛化性，让业界开始相信：通用模型与VLA、WAM等专用模型短期更可能形成分工协同——通用模型负责理解任务意图、拆解高层逻辑，专用模型负责高频动作映射和反馈控制。但长期来看，通用模型进入具身任务领域，将成为AI行业的下一个投入方向。

模型竞争的焦点，也从参数规模和榜单分数，转向能否在真实物理环境中稳定执行任务。而这恰恰暴露了当前最大的瓶颈：数据。

真实场景数据集：隐形的训练基础设施

智元开源的AGIBOT WORLD 2026第四期“具身推理”数据集，在行业内引起了不小震动。这是首个真实场景Physical Agent数据集，任务设计重点首次从“操作难度”转向“决策难度”，将真实任务中的目标理解、过程记忆与动作执行贯通起来。其覆盖九类逻辑推理场景，围绕同一任务人为构造多种现实状态与执行分支，同时提供高层问答和低层动作轨迹，支撑从任务决策到真机执行的协同训练。

这个动作背后，是物理AI产业的一个共识正在形成：如果说上一阶段比拼的是模型算法，那么下一阶段比拼的将是数据采集、清洗、标注和闭环能力。浙商证券研报也指出，板块主线已由硬件量产验证，逐步向具身模型、数据采集、物理AI延伸。数据采集，正在成为物理AI的下一个风口。

真实场景数据之所以如此关键，是因为物理AI的训练不能仅靠仿真环境。仿真数据与真实物理世界之间始终存在“sim-to-real gap”，而解决这一差距的唯一途径，就是让机器人在真实场景中大量采集数据。但真实场景数据获取成本高、效率低，如何构建可持续的数据飞轮，成为所有玩家面临的核心挑战。为此，已有上市公司切入这一环节——科达利子公司启云星辰切入AI算法与产线数据采集，构建“服务引流-数据赋能-产品升级”闭环；尚品宅配则与启元机器人围绕“Robot-Ready Home”生态合作，完善居家仿真数据全链条服务能力。

5000台下线，量产验证消费化进程

数据是模型进化的燃料，但模型最终要转化为产品，必须跨过量产这道门槛。10月25日，启元机器人第5000台个人机器人正式下线，从9月20日正式发售Q1、T1两款产品到5000台下线，仅用时一个月。产线节奏达到每2.5分钟下线一台，日产能从10余台提升至200余台。

这不仅是企业自身的产能突破，更标志着个人机器人正式从“发布即期货”走向“批量交付”。启元机器人联席总裁高全中表示，公司构建了制造体系和量产标准两套能力：通过工艺固化、质量收敛、自动化装配和标定测试实现万台级一致性；通过百万级线束弯折测试、十万级关节耐久测试等保障长期可靠性。

更值得关注的是真实用户反馈：部分已收货用户日均使用时长超过1小时，重度用户日均超过3小时，日均有效交互次数超过150次。这些数据对于个人机器人产业的商业化验证极为重要——它意味着机器人不再只是极客玩具，而是正在成为日常陪伴和家庭助手。启元还计划通过OTA升级持续拓展功能，将产品交付变成用户关系的开始。这种“硬件+软件+服务”的持续运营模式，正是消费级AI硬件的典型打法。

量产难关：从“手搓样机”到“批量下线”的断层

然而，5000台下线的光环之下，行业整体仍面临“手搓样机易，批量下线难”的尴尬。2026年被业界称为人形机器人“量产元年”，但研究机构数据显示，受访客户中仅1.64%的企业实现了机器人的实际投产部署，绝大多数仍处于概念验证阶段。

量产难在哪里？一难在供应链“散”，二难在制造工艺“精”。在深圳宝安“具身智能港”，全球机器人开发选品选型服务中心今年正式启用，汇聚传感器、一体化关节、大小脑、灵巧手、动力电机及整机等六大区域的部件展示，并搭建线上平台覆盖全国200多家产业链企业，试图解决“找零件”问题。

二难在制造“精”。人形机器人软硬件深度耦合，特别是灵巧手这类精密部件，制造经验不足是普遍痛点。对此，一种“制造即服务（MaaS）”模式在广东深圳应运而生——将大工厂的制造能力拆解成中小企业的“共享产线”。联想集团全球制造与工程MaaS业务介绍，依托柔性产线，100台灵巧手可在两周内完成生产，效率提升超20%，制造成本节约15%到20%。这种柔性共享模式，正在成为帮助中小企业跨越量产断层的“外部工厂”。

工信部数据显示，2026年上半年我国人形机器人产量超4万台，预计全年突破10万台。海关数据显示，今年1到9月，中国出口“智能仿生机器人”16559台，9月出口量较1月增长约176%。中国供应链的完整性，正在将量产优势转化为交付能力——但这并不意味着高枕无忧。

成本与零部件：丝杠背后的产业机会

量产规模要真正跑起来，成本必须降下来。摩根士丹利最新报告指出，多家整机厂大幅上调2026年出货目标，行业核心矛盾已从“能不能做出机器人”转向“能否在真实场景中持续完成任务，并将实际部署转化为数据积累、模型迭代和成本下降”。

成本下降的关键，在于核心零部件的国产替代和规模效应。丝杠——将旋转运动转化为直线运动的核心机械传动部件，就站在了这波浪潮的中心。长城证券指出，人形机器人产业浪潮有望为丝杠赛道开辟全新增量蓝海。据华经情报网预测，2030年全球人形机器人丝杠市场规模可达267.9亿元。通用型人形机器人单机可搭载滚珠丝杠10-20根、行星滚柱丝杠10-16根，随着产能释放，行星滚柱丝杠价格有望下行，反过来推动人形机器人整机降本。

国内企业已在加速卡位。双林股份成功开发出人形机器人用反向式行星滚柱丝杠产品，并具备线性关节模组、旋转关节模组、灵巧手等总成的全流程开发能力；江苏雷利的空心杯电机、无框电机、丝杠等零部件也已进入机器人领域，积极拓展下游客户。这些细分赛道的突破，将决定人形机器人能否真正从“奢侈品”变为“消费品”。

闭环时代的竞争

回望这一轮物理AI竞争，几个关键坐标已经清晰：算力升级提供了物理AI扩展的基础，通用模型与专用模型的协同提供了智能的阶梯，真实场景数据集提供了学习的燃料，而量产制造则提供了商业化的载体。

但真正的护城河，不是其中任何单一环节，而是数据-量产-成本三者构成的闭环能力：量产让机器人进入真实场景，真实场景产生数据，数据反哺模型迭代，模型升级提升产品价值，进而摊薄制造成本，推动更大规模量产。这个飞轮一旦转动起来，后来者将很难追赶。

中国在这场竞争中拥有独特的优势——完善的供应链体系、巨大的消费市场、丰富的应用场景，以及政策对“新质生产力”的持续推动。但正如中国工程院院士徐扬生所言，目前人形机器人最缺的既不是制造，也不是资金，而是能将通用与专用相融合的领军人才。单个公司产量至少达到10万台，才能真正称之为量产。

从1到5000，从5000到10万，物理AI的“量产大考”才刚刚开始。谁能率先跑通数据与成本的闭环，谁就有资格定义下一个十年的智能终端形态。通信基础设施作为承载这一闭环的“神经”与“血管”，也将在这场变革中迎来新一轮价值重估。