机器人技术：人工智能的下一个重要前沿

人形机器人和自动驾驶汽车未来可能拥有众多应用场景，而投资者或许无需确切判断哪种终端用途最终最具盈利能力，便能布局这项长期趋势。正如过往多个技术周期，包括数字人工智能发展初期一样，最早受益者往往来自基础设施层的企业，尤其是半导体供应商，以及技术平台提供者，即垂直一体化制造商及相关设备与工具合作伙伴，这些企业共同构成了整个生态系统得以运转的基础。

2. 制造业地缘政治：中国的结构性优势

在数字人工智能的投资周期中，少数大语言模型（LLM）开发商已脱颖而出成为市场领导者；但机器人行业的发展路径能有所不同，其竞争格局不仅取决于哪些企业具备更强的软件能力，同样也取决于哪个地区能够大规模地完成制造。从这一个角度看，中国似乎具备更有利的起点，目前在人形机器人和自动驾驶汽车市场中均约占全球75%的份额。

中国的优势首先源于其深厚的制造业基础。物理人工智能需要庞大的供应商网络、大量零部件制造商和大规模生产能力作为支撑。中国经过数十年的建设，已经形成了这些能力，如今更受益于一体化供应链、政府支持、快速发展的人工智能技术能力以及规模效益。

中国的成本优势十分显著。以一台典型的人形机器人为例，在中国的材料成本约为46,000美元，而在美国则为131,000美元。⁴此外，中国生产了全球约70%的执行器，包括电机、传感器和传动装置，这些部件相当于人形机器人“肌肉”，其成本最高可占总成本的一半。

这些成本优势正日益体现在生产数据中。中国三家领先的人形机器人制造商今年有望生产超过100,000台，约为去年水平的五倍，超出许多行业分析的预期。⁵

这并不意味着西方并未参与这场竞赛。美国凭借领先的人工智能模型开发商、人工智能半导体生态系统、无人驾驶出租车（robotaxi）运营商以及电动汽车创新企业，仍保持着重要优势。欧洲凭借数十年来在工业自动化、精密工程和工厂软件领域积累的专业能力，在推动机器人发展的核心技术方面处于有利地位。

如果说当前的人工智能周期的主要赢家是那些训练模型“大脑”的企业，那么在机器人周期中获得回报的则可能是能够制造“本体”的企业，而这些“本体” 不仅包括人形机器人的本体，也包括自动驾驶汽车的本体。

3. 机器人自主能力的发展：自动驾驶汽车或将比人形机器人更早迎来“ChatGPT时刻”

投资者常将人形机器人和自动驾驶汽车相提并论。然而，与人形机器人不同，领先的自动驾驶汽车制造商已经在现实世界中以无人驾驶出租车的形式实现自主运营。市场讨论的，已不再是“技术是否可行”的问题，而是将焦点日益转向“能以多快速度扩大规模”。当然，自动驾驶汽车在监管、成本、公众接受度以及部署方式、地点和时机方面仍面临挑战。而这些问题正逐步得到解决。

美国领先的无人驾驶出租车运营商已在指定区域实现无需人工干预的载客服务。该公司去年运营约3,000辆车，并计划大幅扩大出行服务量及地理覆盖范围。该公司2025年12月的安全研究报告显示，在其四大主要市场（奥斯汀、洛杉矶、旧金山和菲尼克斯），按每英里计算，其与伤害相关的碰撞事故发生率较人类驾驶员低约82%。⁶

自动驾驶汽车的大规模普及预计将是渐进的，未来十年其占美国行驶里程的比例或将不足1%，但我们认为其潜力可期。如此低的渗透率也意味着，即使十年后，自动驾驶市场仍可能处于早期的发展阶段，具有进一步增长空间。

随着人们对自动驾驶汽车的使用率提高以及运营成本下降，自动驾驶出行可能变得比拥有一辆汽车更便宜。若这一情形出现，这些更有利的经济效益可能有助于推动其普及。

4. 工程技术的挑战：“大脑”与“本体”之间存在差距，也许就是人形机器人尚未就绪的原因

人形机器人的设计理念，是在为人类而设的环境中执行任务，这正是其吸引力所在，然而，人类形态同时也显著推高了制造难度。

我们认为，广为流传的演示视频与真正具备广泛用途的通用机器人之间仍存在相当大的差距，这是投资者需要充分理解的现实。真正的挑战，在于如何让人形机器人能够在充满不确定性的现实世界中安全、可靠且自主地执行广泛任务。

尽管目前市场上的低成本人形机器人（售价约 5,000 至 10,000 美元）在受控演示中表现亮眼，但一旦离开演示环境，其实际灵巧性、移动能力、电池续航和自主运作能力均受到明显制约。许多引人注目的演示仍高度依赖预编程动作或远程控制，而自主性是衡量人形机器人价值的关键指标。

高端人形机器人系统已开始在工厂试点中展现能力，并在某些特定任务上可超越人类，例如分拣和搬运重型汽车零部件。然而，它们仍缺乏人类习以为常的适应能力和精细运动技能，当环境发生变化时，系统往往需要人工干预。此外，某些高端人形机器人为了完成搬运一部迷你冰箱这样基本的任务，往往需要进行数百万小时的模拟训练才能学会。这表明它们将已学知识应用到其他类似任务的能力仍然有限。

高端人形机器人还需要庞大的算力资源，往往需要依赖超级计算机才能运行。物理人工智能超级计算机能够使人形机器人进行初步的生成式推理。⁷其运算处理速度可达每秒2,000万亿次。然而，所有这些脑力和处理能力的实际表现仍仅相当于普通成年人大脑能力的约10%，目前尚不足以替代通用型人类劳动。

5. 大规模普及的潜在制约因素：劳动力格局重塑与基础设施瓶颈

物理人工智能对劳动力市场的影响重大，但其影响路径未必如外界想象般简单。虽然自动化技术可能会取代部分劳动职位，但许多早期应用场景针对的都是正在经历劳动力短缺、体力要求高和／或危险性较高的工作。

这些因素可能成为推动物理人工智能技术普及的重要动力。美国十大最危险职业目前共雇用约340万名工人，同时估计面临约150万名的劳动力缺口。⁸在医疗保健领域，约有200万个职位空缺，而从业人员遭受工作场所伤害或暴力事件的机率也明显高于其他行业。这些因素都可能有助于推动机器人技术的普及。⁹

此外，目前仍未有明确答案的重要问题是：人形机器人究竟是取代劳动力，还是提升劳动者的能力。纵观历史，关于技术是否会取代人类工作的经济证据结论不一。一些研究认为，工业机器人造成了职位流失，而另一些研究则表明自动化能够提高生产率并促进就业增长。这种不确定性进而推动各国政府制定相关政策措施加以应对，包括技能再培训、教育投资以及扩大社会保障网络。

另一项更容易被忽视的限制因素是：机器人的能力最终取决于驱动其运行的人工智能系统。物理人工智能是否能大规模普及应用，仍然有赖于人工智能推理、感知和自主性方面的进展。目前这些领域虽然进展显著，但进步速度并不均衡。

另一项潜在制约因素来自支持人工智能的基础设施所承受的压力正日益加剧。人工智能算力需求正在快速上升，半导体成本居高不下，而下一代人工智能系统所需的处理能力较早期模型呈指数级增长。

我们认为，电力供应是实现大规模普及的另一项容易被忽视的风险。真正的瓶颈或许在于如何为大规模运行机器人所需的智能算力提供充足的电力。物理人工智能是否能作为一项长期投资主题，未来很大程度上将取决于数据中心、半导体、电力和算力基础设施是否充足。

这场竞赛不仅在于制造更优秀的机器，更在于构建能够支撑这些机器运作的生态系统。

结语

随着物理人工智能从实验阶段迈向实际部署，相关领域的投资正迅速增长，尤其集中在人形机器人和自动驾驶汽车领域。然而，技术上的可行性并不等同于大规模普及。最终的赢家将是那些能够提供可靠、经济且可规模化生产的智能机器的企业。

尽管存在上述制约因素，我们认为，当前早期阶段的不确定性与技术快速进步并存，或为投资这一有望重塑交通、制造、物流和服务业的主题，创造具有吸引力的入场时机。从驱动机器人智能的半导体，到构建硬件的工厂自动化平台，再到少数最接近实现大众市场普及的领先企业，我们在整个物理人工智能生态系统中都看到了机遇。