全球通用机器人技术发展现状及发展趋势分析

随着人工智能等技术的发展，机器人的潜在应用空间得到极大释放，具身智能等新型机器人成为研发热点，引发全球关注。机器人技术正从传统的“固定编程工具”向“通用、自适应智能体”演进。本文将重点分析当前通用机器人技术发展现状及趋势，供参考。

通用机器人是指能够通过统一的可训练模型学习和执行多种任务，并适应不同工作环境和机器人形态的机器人，而不是只能按照预设程序在固定环境中完成单一任务的传统机器人。当前，全球通用机器人发展呈现如下特点：

 一、通用机器人技术取得进展，模型泛化能力持续提升

当前，通用机器人技术发展已取得积极进展。

一方面，机器人正由固定程序控制向学习与推理转变。传统机器人主要依靠预设程序，在固定环境中重复执行特定动作，难以适应环境变化和任务调整。人工智能领域的大模型技术正在改变这一模式。例如，谷歌DeepMind已通过RT-1验证了单一Transformer模型执行多种语言指令和物理任务的能力，并通过RT-2将预训练视觉—语言模型微调为能够直接输出机器人动作的模型，推动了“视觉—语言—动作”模型（Vision-Language-Action，VLA）成为通用机器人领域的主流技术架构。这表明，AI模型不仅能在数字世界，同样也可以在物理世界中进行推理和行动。

另一方面，机器人的任务学习效率和可靠性显著提高。2023年，先进模型完成简单任务仍需要数百小时的特定任务示范数据，成功率约为65%；到2026年，部分模型仅凭数十小时数据即可实现特定任务99.9%的可靠性。Prosus Ventures于2026年8月发布的报告预计，未来约一年内，机器人模型将达到类似早期GPT-3的应用成熟度，即只需少量微调便能可靠执行任务；再经过约两年，有望达到类似GPT-4的阶段，仅凭自然语言指令即可完成多数简单任务。

不过，物理世界中的部署比软件发布更复杂，涉及设备集成、现场运行及实际操作流程，因此广泛应用所需时间会更长。 

二、数据、模型与评估体系仍是技术发展的关键制约

然而，当前通用机器人发展仍遭遇诸多瓶颈，其中，数据、模型与评估体系是主要的制约因素。

（一）四种数据获取方式各有优劣

机器人训练的核心瓶颈之一是缺乏互联网规模的、能够将机器人感知信息与相应动作配对的数据集。当前的机器人训练有四种主要的数据获取路径：

1. 远程操控（Teleoperation）：能够获取高质量数据，但依赖人工操作，难以大规模扩展，还可能将操作者不够自然的动作习惯带入机器人训练。

2. 仿真（Simulation）：可以提供近乎无限的训练次数，且仿真环境与真实物理环境之间的差距正在缩小。

3. 视频（Video）：数据来源丰富、成本低，但难以从视频中精确推断动作及其对应的物理过程。

4. 可穿戴手套与抓取器（Wearable Gloves & Grippers）：能够以较低成本采集自然手部动作，在数据规模与质量之间形成较好平衡。报告倾向于认为，该方式可能成为行业最终汇聚的重要数据采集路径，例如让工人在工作时佩戴动作采集设备。

（二）仿真数据与真实世界数据的路线之争尚未解决

行业尚未就主要依靠仿真数据还是现实世界数据来训练机器人形成共识，两种路线均在取得进展。

其中，“视觉—语言—动作”模型依赖视觉—语言预训练，具有较强的新场景识别能力，但对物理规律的内在理解相对不足。世界模型（World Models）则主要基于视频学习环境动态，可将机器人数据需求降低至约10小时，帮助模型学习新任务；但其运行速度和成本仍然较高，难以直接部署在机器人端。由于实际部署的模型通常受限于数十亿参数规模，远小于数据中心运行的大模型，如何兼顾模型能力与端侧运行效率仍是重要挑战。

从长期看，如果机器人原生数据能够变得足够丰富，从头训练专门面向机器人的模型可能成为更理想的技术方案，但现阶段这仍是一条相对有限的投资路径。

（三）未来几年模型能力有望加快演进，但评估标准仍不完善

未来几年模型能力有望加快演进，Prosus Ventures认为，到2027年，训练数据需求有望大幅下降，模型可靠性和泛化能力将进一步提高，移动机械臂等新型机器人形态将更具应用可行性，相关应用生态开始形成；到2028年，模型有望在较少甚至无需微调的情况下处理广泛任务，达到报告所称的“GPT-4时刻”，应用生态也将快速扩展；到2029年以后，机器人有望逐步进入真正非结构化的环境，在没有预先示范案例的情况下执行任务，但此后的技术发展更难准确预测。

不过，机器人领域仍缺乏统一的标准化基准测试体系。与能够通过程序直接验证结果的代码模型不同，机器人任务涉及现实环境与物理操作，性能评估和迭代优化更加困难。 

三、核心硬件成本下降，商业化门槛有望降低

（一）电池与执行器成本改善将推动硬件经济性提升

技术能力提升本身并不足以改变机器人市场，只有当价格下降至能够产生明确投资回报的水平时，行业才会真正发生变化。当前，电池与执行器是影响机器人性能和成本的两大关键因素，而这两大因素都在快速提升：电池能量密度已大致翻倍，电池包价格持续下降，同时，机器人每个关节的成本则已下降近一个数量级。这使得机器人的商业化门槛有望大幅降低。

以电动汽车产业的发展经验为例，全球电池包平均价格于2025年降至每千瓦时约100美元，这一水平通常被视为电动汽车实现与燃油车价格竞争力相当的重要门槛；中国市场最低价格已接近每千瓦时75美元。随着机器人沿用相近的电池与执行器成本下降曲线，通用机器人也正接近自身的成本转折点，届时硬件价格而非智能水平可能不再是限制其普及的主要因素。

（二）中国制造体系构成重要供应链优势

目前，中国拥有更多人形机器人企业，实际部署数量也领先于其他地区。其竞争优势并非来自一套完全独立的机器人供应链，而是源于电动汽车产业链向机器人领域的延伸。

电池、电机、电力电子设备及用于高扭矩执行器的稀土永磁材料等，已经在中国形成大规模生产能力，并可直接转用于机器人制造。中国占全球人形机器人零部件供应链的比例约为63%—70%。以比亚迪为例，其正在基于电动汽车技术架构开发人形机器人，复用汽车领域的电池、电机和芯片。特斯拉Optimus以及现代汽车与波士顿动力的合作，也体现了西方企业将汽车产业技术体系延伸至机器人的相似思路，但规模相对较小。

（三）约2万美元可能成为重要商业化价格目标

未来两年左右，真正具备实用价值的机器人有望达到约2万美元的目标价格。其初期应用主要集中于任务明确、重复性较强、环境相对可控的领域，例如在固定仓库工位之间搬运料箱和物料、对料箱或传送带上的物品进行受限的抓取与放置、按固定路线携带扫描设备开展巡检、向装配线配送零部件等。这类任务并不要求机器人立即具备处理复杂、非结构化环境的能力，但只要设备价格足够低，就可能在一至两年内通过替代单班人工劳动收回成本。 

四、机器人应用将按任务复杂度与失败风险逐步扩展

一方面，操作复杂度比环境感知更能决定任务难度。机器人任务难度取决于环境复杂程度与动作空间复杂程度的共同作用。自动驾驶汽车虽然需要应对复杂道路环境，但其主要动作集中于转向和速度控制，动作空间相对有限；叠衣服则不同，布料会随着每次抓取发生不可预测的形变，导致操作过程极其复杂。因此，物体操作与灵巧操控，而非单纯的环境感知，是机器人学习现实任务的重要难点。

另一方面，任务失败风险影响机器人应用顺序。除任务本身的复杂度外，操作失败对人员安全、产品质量及设备运行造成的损失，也决定了机器人达到何种可靠性水平后才能投入使用。工业环境往往可以通过隔离机器人、限制作业范围等方式控制风险，而消费和服务场景通常难以做到这一点。

因此，机器人应用或将呈现分阶段扩展的趋势：近期集中于仓储与物流、制造业、工业巡检等任务明确、环境可控的领域；中期将可应用于消费服务、酒店服务及其他服务性工作；到长期扩展到医疗保健、建筑施工、采矿、维修与维护等复杂任务领域。

机器人模型泛化能力的提升，将使中小企业和高品种、低批量生产场景逐渐具备采用自动化设备的经济条件，这是传统刚性自动化系统难以充分覆盖的市场。 

五、机器人产业将形成分层结构，不同层级承担不同价值创造职能

机器人市场已分裂成不同的层次，这与数字人工智能的结构，以及在某些方面与智能手机和汽车行业的结构相呼应：

基础模型开发商：提供跨机器人本体的通用智能。少数基础模型开发商将为多种机器人本体提供共享的“智能大脑”，其核心竞争力在于跨任务、跨环境乃至跨机器人形态的泛化能力。例如Physical Intelligence、英伟达（Nvidia）、谷歌DeepMind、Skild等都是值得关注的相关企业。

硬件制造商：以规模化生产和成本控制为核心。通用机器人硬件制造领域将逐渐集中于十余家主要企业，产业结构类似汽车行业的规模化制造体系。中国目前在这一层级占据领先地位，而美国及其盟友可能需要在政府支持下培育具备竞争力的本土制造商，以降低供应链依赖。

垂直整合企业：在产业格局未定时具有潜在优势。垂直整合企业将模型、硬件、应用及实际部署纳入同一业务体系。在各个产业层级尚未形成稳定格局的阶段，这类企业更有机会统筹技术与商业化过程、创造综合价值，其发展形态可能更接近智能手机产业。

应用企业：连接具体客户需求与真实部署。应用企业将构成更加广泛的产业生态，负责特定客户关系、行业任务适配及复杂的现场部署工作。随着机器人模型对微调的依赖逐渐下降，应用企业有望在更多行业中推广通用机器人。

配套服务企业：提供产业运行所需的基础设施。产业支持层包括系统集成商、数据供应商、仿真与评估环境、远程操控基础设施、机器人机队管理、保险和融资等。这些服务虽然分散，却是机器人从技术研发走向规模化应用的重要支撑。

 以上企业中，有两类企业值得关注：一是较早将机器人投入真实场景、通过实际部署形成数据积累与反馈循环的企业，这类企业可能建立规模可观但业务范围相对集中的市场；另二是致力于通用机器人模型或硬件平台的企业，其潜在回报更大，但兑现周期更长。 

六、全球机器人产业呈现区域分化，资本与企业布局各具特点

从区域发展来看，全球机器人产业正呈现差别化发展。具体特征包括：

1、基础模型、世界模型和软硬件研发企业较为集中于美欧。根据Prosus Ventures的统计，美国和欧洲的机器人产业相关企业至少有61家企业，其中：基础模型企业有14家，代表企业包括Physical Intelligence、Nvidia、Google DeepMind、Skild和Dyna；模型与硬件一体化企业有13家，包括Tesla、Figure、1X、Boston Dynamics和Persona AI等；硬件制造商有13家，包括Apptronik和Agility Robotics等；数据供应商有4家，包括Scale AI、Micro1、Mecka和Build AI灯；世界模型企业有17家，包括Nvidia旗下Cosmos、DeepMind旗下Genie、Runway和Wayve等。

2、美国的投资机构最为活跃，欧洲偏向本土融资。在全球机器人初创企业最活跃的10家投资机构中，有7家来自美国、2家来自中国，欧洲没有机构进入这一榜单。美国投资活动不仅集中于传统风险投资基金，也包括创业加速器。例如，Y Combinator自2020年以来参与了121轮机器人企业融资，其中2025年为42轮；中国的HSG、Hillhouse和Source Code Capital也进入全球活跃投资机构前列。

而欧洲机器人初创企业的融资具有较强的本土化特征，资本支持较大程度上依赖本土机构及公共资金，投资于欧洲初创企业最为活跃的10家投资机构中有9家来自欧洲。主要投资机构包括欧盟创新理事会基金（EIC Fund）、法国公共投资银行（Bpifrance）、土耳其发展基金、德国高科技创业基金（HTGF）以及意大利CDP Venture Capital和美国的Y Combinator等。其中，EIC Fund自2020年以来参与28轮欧洲机器人初创企业融资，位居榜首；美国的Y Combinator是进入欧洲活跃投资机构前十名的唯一美国机构。

3、中国企业在模型、硬件和制造方面形成较完整布局。Prosus Ventures的报告跟踪了亚洲24家机器人相关企业，覆盖中国、印度和韩国。该地区与欧美市场在产业发展及竞争格局方面存在明显差异，尤其是中国，在模型、硬件和制造方面已形成了较为完整的布局。

其中，模型与硬件一体化企业共8家，代表企业包括智元机器人（Agibot）、优必选（UBTech）、银河通用（Galbot）和傅利叶（Fourier）；硬件制造商共9家，包括宇树科技（Unitree）、众擎、乐聚机器人和开普勒机器人等；世界模型企业共7家，包括腾讯、LiOps和XYZ Embodied AI等。其中，智元机器人注重数据积累，并建设公开数据集；优必选已在工厂和物流领域推进商业化；银河通用聚焦零售、药房和物流场景的轮式人形机器人及操作模型；傅利叶则向医疗健康和人机交互方向发展。硬件方面，宇树同时布局四足机器人和人形机器人，乐聚聚焦物流、汽车生产线、养老及零售场景，开普勒机器人则面向物料搬运和巡检开展客户测试。 

七、小结

综上，通用机器人正处于关键发展转折点：视觉—语言—动作模型（VLA）等技术正推动机器人从固定程序控制向跨任务学习与泛化转变，电池、执行器等核心部件成本持续下降，叠加规模化制造，有望使通用机器人逐步具备商业应用的经济性。不过，训练数据不足、仿真与现实环境差异、灵巧操作能力有限以及硬件供应链和部署成本等问题仍未解决。

在产业结构方面，机器人行业将逐步形成基础模型、硬件制造、软硬件垂直整合、应用企业及配套服务等分层体系。美国在机器人风险投资方面占据领先地位，中国凭借电动汽车产业链和规模化制造能力，在人形机器人硬件及核心零部件供应方面具有显著优势，欧洲则主要依靠本土资本支持机器人产业发展。现阶段尚无任何单一技术路线或产业层级确立绝对优势，具有发展潜力的机构既包括率先部署机器人、积累真实场景数据的企业，也包括致力于打造通用模型和硬件平台的长期技术企业。 

【参考文献】

[1] Prosus. Why Prosus is betting on the Robotics Frontier[EB/OL]. [2026-10-28]. https://www.prosus.com/news-insights/2026/why-prosus-is-betting-on-the-robotics-frontier.

[2] Dealroom官网. https://dealroom.co/ 

[3] Prosus官网. https://www.prosus.com/