塔斯娱乐资讯网

未来三年有潜力翻十倍的物理AI领域:人形机器人具身控制


大家好我是小宝,我们聊了物理AI最先落地的赛道——工业数控升级智控。很多朋友留言,想继续看看物理AI另外一条更有想象力的主线,也就是人形机器人的具身控制。不少人只盯着机器人本体、减速器这些硬件,却忽略了,真正决定一台人形机器人能不能在现实世界干活,核心是具身控制这套大脑与小脑体系。本篇把底层逻辑、产业链、落地卡点一次性拆解清楚,干货比较多,欢迎点赞关注。

最近两年人形机器人热度很高,很多发布会上面,机器人可以走路、挥手、做简单抓取动作。但不知道大家有没有留意一个很现实的问题:演示视频里面动作都很流畅,一旦放到真实工厂、家庭环境,碰到地面不平、物体摆放位置偏移、抓取柔软物品的时候,失误率一下子就上来了。很多机器人现在只是“能按预设脚本动起来”,还谈不上自主适应真实物理世界,而具身控制,就是物理AI赋予机器人感知环境、自主调整全身动作、完成复杂任务的整套闭环能力。

这里我先用大白话把概念拆开。普通的大模型,是看懂文字、图片,输出一段文字或者一张图,全部是数字空间里面的运算。而人形机器人的具身控制,属于典型的物理AI。它要同时看懂视觉画面、全身各个关节力矩、足底压力、灵巧手的触觉反馈,理解重力、摩擦力、物体形变这些物理规则,然后高频次输出全身几十个关节的运动指令,一步一步完成目标任务。简单举个例子,让机器人拿起一个苹果,它不是预先录好一套抓取动作直接执行。具身控制体系下,机器人会先视觉定位苹果位置,手靠近的时候触觉传感器感知接触,立刻控制手指输出合适力度,不会用力过猛直接捏碎果皮,拿到之后还要控制手臂、躯干平衡,防止苹果脱手。整套动作,全程实时感知、实时调整。

很多人会有疑问,现在不是很多机器人都能抓取物体了吗?传统运动控制和物理AI驱动的具身控制,差别到底在哪?这也是看懂这条赛道的第一道门槛。传统机器人运动控制,动作轨迹大多是人工示教出来的。工程师手动操控机器人走一遍完整流程,系统记下每一个关节的点位,之后就重复回放这套动作。一旦物体摆放位置和示教的时候差了几厘米,或者物体重量变了,这套动作直接失效,抓取失败。想要换一个物品抓取,就要工程师重新上门示教,成本很高,很难大批量推广到非结构化场景。

物理AI加持的具身控制不一样。它不是死记一套固定动作,而是学习物理世界通用规律。只需要告诉机器人目标指令“拿起桌面上的苹果”,机器人自主规划手臂运动路径,行进过程中根据障碍物、物体实际位置动态修正,接触物体之后依靠力觉、触觉反馈自适应调整夹持力。就算苹果放歪一点、大小和训练样本略有差别,机器人依然有机会顺利完成任务。它学的不是一条固定路线,而是“怎么去抓东西”这件事本身,泛化能力是两者最本质的差距。

我们拿大家都熟悉的乒乓球对局案例,更容易看懂差距。单纯提前写好挥拍动作的机器人,只能接固定轨迹过来的球,球的旋转、落点稍微一变,直接打空。搭载具身控制体系的机器人,高速视觉捕捉乒乓球飞行轨迹,全身关节实时联动调整站位、挥拍角度,面对不同旋转的来球,自主调整击球时机和力度,实现完整的人机对打,这就是动态环境下全身闭环控制的价值,反应窗口只有短短几十毫秒,延迟稍微高一点就接不到球。

为什么我说人形机器人具身控制,是物理AI里面弹性非常大的赛道?对比工业数控智控,工业场景环境相对封闭,而人形机器人未来落地场景更广,工厂搬运、零部件装配、仓储分拣、家庭辅助照料,全部都有机会渗透。当然落地难度也更高,全身几十个关节协同、多传感器融合,要解决的物理变量比单台机床多得多。但好消息是,最近一年不管是仿真平台、全身力矩感知、边缘端运动推理,整条产业链的成熟速度明显加快,未来三年,正是从实验室演示,走向小批量场景落地验证的关键窗口期。

一、理清赛道边界:具身控制,整套体系分为四层

很多散户看资讯,很容易踩一个误区:觉得具身智能就是给人形机器人装一个通用大模型。实际上,通用大模型更多负责高层任务规划,真正控制全身肢体动作、应对物理世界扰动,靠的是一整套分层的控制系统,四层架构缺一不可,少任何一层,机器人都很难稳定干活。

第一层,全身分布式感知层,相当于机器人的全身神经系统。很多早期人形机器人,只有摄像头这一类视觉传感器,相当于机器人只有眼睛,没有触觉、力觉。真正的具身机器人,手腕、脚踝、每一个关节内部都要布置力矩传感器,灵巧手表面布满触觉点阵。行走的时候,足底力传感器实时反馈地面支撑力,遇到台阶、软地面立刻调整重心;抓取的时候,指尖触觉感知物体软硬,动态调整夹持力矩。最近行业关注度很高的关节内置MEMS力矩传感器,就是这个层级的核心硬件,灵敏度相比传统方案提升十倍,零点漂移更小,适合长时间不间断运行。一台完整人形机器人,需要十几到三十个不等的关节力矩传感器,再加上手腕六维力传感器、灵巧手触觉阵列,感知硬件的需求量不小。

第二层,物理世界模型与仿真训练层,这是物理AI具身控制非常关键的底座。全部都在真实世界训练机器人,成本极高,一次摔倒就有可能把本体、关节打坏,训练周期很长。行业主流方案,是先在高精度仿真环境里面搭建物理世界模型,模拟重力、碰撞、摩擦、物体形变,在仿真环境里面跑海量动作样本,训练具身控制策略,再迁移到真实机器人本体上,也就是行业常说的Sim2Real仿真到现实迁移。当然,仿真和现实之间始终存在误差,也就是现实鸿沟,缩小这个鸿沟,是各家厂商比拼的重点。仿真平台、动力学建模能力,也是产业链里面一块高价值环节。

第三层,边缘端运动推理与运动控制内核,也就是机器人的“小脑”。高层大模型输出“拿起水杯”这个任务指令之后,不是直接去驱动电机。边缘端的运动控制内核,要把这个高层任务拆解成上百步连续的全身关节动作,以百赫兹以上的高频频率,持续向各个关节下发电机指令,同时持续读取全身传感器反馈,实时修正动作偏差。这里有一个关键点,运动控制的延迟要求极高,必须本地边缘端实时运算,全部传到云端再返回指令,网络延迟根本扛不住动态行走、抓取场景。所以具身控制这条赛道,不是纯算法公司的独角戏,必须要有运动控制底层积累,懂伺服、关节动力学,才能把控制策略稳定跑在机器人本体上面,跨界门槛很高。

第四层,本体执行与数据回流闭环。控制指令下发到一体化关节、灵巧手,电机、减速器输出动力完成动作。任务执行完毕之后,本次任务全部传感器数据、动作成功或者失败的记录,回传到模型训练库,持续迭代优化具身控制策略。同一款机器人,在工厂反复做抓取任务,做的次数越多,模型越适配这个场景里面的物料、箱体,稳定性持续提升,这个持续的数据闭环,是长期护城河。

这里我们也要把市面上很多“伪具身AI”区分清楚。很多人形机器人新品宣传搭载AI,只是依靠视觉做物体识别,动作依然是提前示教回放。物体识别属于感知能力,并不是完整的具身闭环控制。能够做到高层任务输入、自主路径规划、全身力觉触觉反馈、动作实时纠偏,整套链路打通,才是我们本篇重点讲的具身控制赛道,也是溢价最高的部分。单纯的物体识别、简单语音交互,属于附加能力,并不是决定机器人能不能自主适应环境的核心。

二、需求爆发的底层逻辑,三重力量共同驱动

很多概念火几个季度就冷却,人形机器人具身控制的推进,是硬件成熟、场景刚需、产业政策三重力量一起推着往前走,不是短期炒作。

第一重,人形机器人整机开始进入小批量交付周期,倒逼具身控制体系迭代落地。2026年全球人形机器人出货进入万台量级,国内多家整机厂商已经实现千台级下线交付。早期样机,主要用来验证本体结构、减速器、电机硬件。到了批量交付阶段,客户采购机器人不是买一台展品摆在展厅,是要放到产线上去做物料转运、零部件装配,客户最核心的诉求,就是机器人能够自主完成指定任务,不需要工程师天天到场重新示教。整机厂商的竞争重心,慢慢从“谁先把机器人造出来”,转向“谁的机器人能够稳定干活”,具身控制能力,直接拉开不同整机产品之间的差距。

第二重,制造业招工结构变化,重复性搬运、简单装配岗位用工缺口持续扩大。工厂里面很多岗位,长时间重复搬运箱体、分拣物料,岗位枯燥,年轻人入职意愿低,人员流动性很大。工厂的诉求很直接,只要人形机器人综合使用成本低于人力,任务达标率稳定,就愿意批量采购替换。而想要覆盖更多岗位,就必须依靠具身控制,降低场景改造成本。如果每换一种物料,都要花好几天时间人工示教,落地成本太高,工厂很难大规模铺开。

第三重,国产零部件供应链成熟,给具身控制落地打下硬件基础。放在几年前,关节力矩传感器、高精度一体化关节全部成本很高,国产化样品都很少。最近两年,国内力觉传感器厂商陆续实现关节力矩传感器量产交付,成本持续下探,国内人形机器人核心零部件国产化率已经突破75%。硬件成本下降之后,整机才有空间把全身分布式感知方案落地,给具身AI提供完整的物理信号输入。硬件底座到位,上层的具身控制算法才有落地的土壤。

很多朋友问,为什么具身控制最近才迎来快速发展,而不是前两年?三个核心条件,是近两三年才慢慢成熟。一是全身力觉、触觉传感器国产化落地,成本降到可以批量装机的区间;二是动力学仿真平台不断完善,Sim2Real迁移的成功率持续提升,大幅度降低机器人训练摔坏带来的高额成本;三是边缘端高算力、低功耗运动控制芯片普及,机器人本体本地可以跑高频运动策略推理。缺少任意一环,具身控制都很难从实验室走向真实工况。

三、整条产业链拆解,哪些环节壁垒最高

整条具身控制产业链,上游感知硬件、中游仿真平台+运动控制算法、下游整机集成,不同环节的技术壁垒、盈利空间差异很大,很多投资者容易只盯着整机厂商,忽略中游控制层才是整条赛道的核心壁垒。

上游,全身感知硬件。一体化关节内部的力矩传感器、手腕脚踝六维力传感器、灵巧手触觉点阵,是物理AI读取物理世界信号的入口。单独传感器硬件本身有制造门槛,但是最高价值,是传感器配套的力控算法方案。同样一只关节力矩传感器,搭配成熟的全身平衡、柔顺控制策略,价值会远远高于单纯卖传感器硬件。很多头部力感知厂商,已经不只是卖硬件,直接面向关节厂商、整机厂商交付整套力控解决方案,附加值更高。

中游,仿真平台+具身运动控制内核,整条产业链壁垒最高的环节。这块是软硬件深度结合,一方面要搭建高精度动力学仿真环境,用来训练机器人动作策略;另一方面要自研底层运动控制内核,把训练好的具身策略部署到机器人本体,高频驱动全身关节。纯大模型算法团队很难单独啃下这块市场,不懂伺服动力学、关节延迟、电机特性,算法写出来在真实本体上跑起来容易震荡、摔倒。所以现在主流玩家,大多本身就有多年机器人运动控制积累,再叠加物理AI模型。这块也是国内厂商追赶海外的重点方向,属于人形机器人的小脑,长期价值很高。仿真软件还有一个很重要的价值,就是大幅度压缩机器人试错成本,一台人形机器人本体造价很高,频繁摔倒损坏,研发成本很难承受,大部分动作训练工作放到虚拟仿真环境里面完成。

下游,人形机器人整机厂商、灵巧手、一体化关节厂商。整机厂商负责整套硬件集成,面向终端客户交付完整机器人产品。关节、灵巧手是执行部件,整机硬件市场空间很大,但是硬件容易同质化,未来产品之间拉开差距的核心,就是整机搭载的具身控制体系能不能稳定适配各类任务。同样的电机、减速器配置,两套不同的具身控制方案,任务成功率、抗扰动能力差距巨大。

这里可以简单总结:上游感知是基础硬件底座,中游仿真+运动控制内核,是具身AI整条赛道的核心,下游本体、关节是执行载体。很多人找标的的时候,优先看硬件零部件,很容易低估控制层、仿真平台的长期成长空间。

四、落地真实效果,以及现阶段不可回避的短板

我们客观聊聊已经落地的成果,同时也要讲清楚短板,不要把行业想象成马上就能大规模普及,预期要贴合产业真实节奏。

从公开的工厂试点数据来看,搭载全身力感知+具身控制方案的人形机器人,在结构化工厂环境里面,箱体搬运、物料分拣任务成功率可以做到较高水平。面对摆放位置小幅偏移的物料,不需要重新示教,机器人自主调整抓取姿态,适配能力明显高于传统示教机器人。在动态平衡这块,足底力感知加持之下,行走的时候遇到地面微小凸起、地面摩擦力变化,机器人可以实时调整重心,摔倒概率明显下降。灵巧手搭配触觉点阵之后,可以完成抓取鸡蛋、矿泉水瓶这类软硬差异很大的物体,实现力的自适应。

但是短板同样非常突出,也是这条赛道接下来几年要持续攻坚的地方。

第一,复杂长链条任务成功率依然偏低。如果只是单一动作,抓取一个物体,现在很多样机都能做到。如果是一套连续十几步、几十步的长流程任务,比如从货架取物料、搬运到工作台、装配零件,整套流程一次性全部成功的概率会快速下滑。只要中间任意一步感知、动作出现偏差,整套任务直接中断。长序列任务的稳定性,是当前最大卡点,这也是为什么现在落地大多优先选择短流程、简单搬运任务。

第二,不同场景泛化能力不足。在A工厂训练好的具身模型,物料、地面环境一变,放到B工厂使用,任务成功率明显下降。物理AI具身模型,高度依赖对应场景的数据积累,想要做到一个模型通吃全部工厂场景,短期很难实现。行业大概率会出现细分场景的优化方案,适配汽车工厂、3C工厂、仓储物流不同工况。

第三,整机成本依然偏高。目前千台级量产阶段,整台人形机器人造价还处在高位,想要做到大规模替代产线工人,整机成本还有很大下降空间。感知硬件、一体化关节、运动控制器件的成本,需要依靠规模量产持续摊薄。成本不下到合理区间,就算技术可行,工厂客户的付费意愿也很难打开。

第四,人才缺口明显。既懂机器人动力学、底层运动控制,又懂强化学习、物理世界模型的复合型人才并不多。传统运动控制工程师不熟悉AI策略训练,算法工程师缺少本体实操经验,做出来的策略放到实体机器人上面容易出现震荡、动作卡顿,人才供给会限制行业迭代速度。海外厂商同样在发力具身控制,海外团队在动力学仿真、几十年的运动控制工艺积累上面优势明显,国内厂商属于追赶状态,竞争会持续存在,不会一边倒。

五、普通人怎么分辨,真具身控制,还是单纯贴AI概念

现在市场上很多新品发布会,都打上具身智能标签,真假混杂,我们可以建立几条简单的甄别标准,避免单纯追概念。

第一条,看是不是全身多节点力觉触觉闭环。只有摄像头视觉识别,没有关节力矩、足底力、指尖触觉反馈,动作依靠预先示教回放,属于简单视觉AI升级,不是完整的具身控制。重点看整套方案能不能依靠力反馈,柔顺接触物体、自适应夹持。

第二条,看高层任务能不能自主拆解、自主规划路径。输入一句高层指令,机器人自主规划整套动作流程,而不是每一步点位全部人工提前设定。可以简单理解:人工干预的环节越少,自主能力越强。

第三条,看落地场景的任务类型。优先看工厂里面物料搬运、箱体抓取这类真实生产任务,长期连续运行的任务成功率数据。展厅里面单次演示的动作,参考价值有限,长时间工况下的稳定性,才是最硬核的指标。很多样机发布会演示一次动作很流畅,连续运行几十次,失误率就上来了。

第四条,看整套控制链路是不是自主可控。如果运动控制内核全部依赖海外方案,上层只能外挂算法,底层电机指令权限拿不到,很难做到高频全身动作纠偏,长期迭代空间受限。底层运动控制内核自主可控,才有持续优化具身策略的基础。

同时我们一定要留意周期风险。人形机器人的订单,很大程度上取决于下游制造业资本开支,如果工厂资本开支收缩,整机采购、试点改造进度就会放缓。就算技术路线没问题,产业落地节奏也会跟着制造业周期波动,不是单向线性上涨。

六、本篇小结,以及物理AI系列后续方向

第二篇我们把物理AI第二条重要主线,人形机器人具身控制完整梳理一遍。简单一句话总结:具身控制就是人形机器人的小脑,依靠全身多维度感知、物理世界模型、高频运动推理,让机器人不再只会回放预设动作,能够自主适应真实世界的扰动,完成高层指令下发的任务。整条赛道的核心价值集中在仿真平台、边缘端运动控制内核、全身力触觉感知方案,本体、一体化关节、灵巧手属于执行硬件。

大家看到标题“未来三年有潜力翻十倍”,一定要理性理解。十倍,是整条产业赛道远期的产业空间想象,不等于相关上市公司股价一定涨十倍。赛道爆发,最后跑出来的只会是少数底层扎实、持续拿到工厂试点订单、不断积累场景数据的龙头企业,大量跟风布局的企业,会在后续竞争中慢慢掉队。

物理AI还有不少值得深挖的细分赛道,接下来系列文章,我们还会继续拆解流程工业智能优化、低空飞行器物理控制这些方向,逐个拆解底层逻辑、产业链机会和风险。

话题讨论
你觉得制约人形机器人具身控制大规模落地,最大瓶颈是长流程任务稳定性、整机成本太高,还是场景需求还没有真正起来?你看过人形机器人现场实操的视频吗,觉得哪一类场景会最先普及?欢迎评论区一起交流看法。想要持续跟踪物理AI各个细分赛道产业进展,看懂新质生产力方向,欢迎点赞、关注账号。

免责声明:本文仅为物理AI产业方向科普、产业链逻辑客观解读,文中产业数据来自公开行业报告,不推荐任何个股,不构成投资建议。机器人落地进度不及预期、行业竞争加剧、制造业资本开支下滑,均会带来相关企业经营风险,股市波动风险较高,所有交易决策请独立审慎判断,投资有风险,入市需谨慎。