人形机器人商业化摸底：触觉与数据成关键，ROIC定估值

站在2026年的年中，人形机器人正处于一个微妙的节点：往前看，它已经从PPT里的概念变成了工厂里能走两步的“实习生”；往后看，它离真正上岗赚钱似乎还隔着一条鸿沟。

2026年世界机器人大会（WRC）上，全行业都在问：今年，人形机器人到底能不能找到一份合适的工作？

近期，易方达基金指数基金经理肖宛远与帕西尼（PaXini）创始人兼CEO许晋诚，结合真实的工厂与家庭岗位JD，为当前的人形机器人的商业化进度进行了一场深度的“入职摸底”。

对谈中，两人首先指出了当前机器人走向通用场景的最大短板。肖宛远与许晋诚指出，虽然大语言模型在数字世界拥有海量语料，但物理世界数据的极度匮乏与“触觉感知”的缺失，是目前行业亟待解决的核心问题。

围绕技术基座的演进，许晋诚表示，机器人完成基础搬运已非难事，但要实现“掌中精细操作”，必须依赖触觉反馈。这也推动底层算法架构有别于过去纯视觉的做法，开始向“视觉-触觉-语言-动作（VTLA）”多模态融合跃迁。

从商业化落地角度，肖宛远与许晋诚认为，评判机器人产业成熟的标准是资本回报率（ROIC）与投入产出比（ROI）。肖宛远表示，在真实的平整工厂环境中，轮式底盘加机械臂在稳定性与成本上更具优势，双足与轮式是不同商业场景的并行方案。

最后，许晋诚还提到产业链商业模式的剧变。他指出，由于下游客户普遍缺乏系统集成能力，单纯售卖单一零部件的模式已无法满足市场需求。具备从半导体级触觉传感器、灵巧手、整机到算法基座的“软硬一体、全链路交付”的全栈能力，正成为企业维持长久生命力、吸引产业资本的核心壁垒。

以下是对本次访谈中核心商业洞见与前沿技术趋势的深度整理：

• 估值锚点切换：从“AGI执念”转向“ROIC”。一二级市场在具身智能的投资逻辑上正达成高度一致。商业化爆发无需等待机器人进化为万能的变形金刚，只要在特定场景下具备泛化能力，且满足“投入1美元能产生超过1美元的价值（ROIC）”，商业闭环即告成立。不追求终极的AGI，局部的智能已经足以产生经济价值。
• 感知维度的升维：“触觉”从硬件选配走向底层标配。机器人的抓取（Pick and Place）早已不是难题，但缺乏触觉感知，机器人会因无法判断静摩擦力而导致“掌中精细操作”滑落。随着底层算法从纯视觉向多模态基座（VTLA）演进，触觉传感器已从选择项变成了跨越物理交互鸿沟的必选项。
• 最深厚的算法护城河：物理世界数据（Ego数据）断层。大语言模型拥有人类上下五六千年的文本积累，但机器人的动作数据——尤其是第一视角（Ego）的双手操作数据极度匮乏。相比于存在于数字世界的大模型语料，开放世界的物理数据必须深入真实场景逐一采集，补齐这部分数据是提升复杂任务操作成功率的核心关键。
• 避免盲目追求“拟人化”军备竞赛，回归“抓持稳定性”。行业曾热烈讨论是否需要27-28个自由度的极致拟人灵巧手，但产业一线的实战证明，核心诉求其实是“被抓持稳定性”。只要能算平投入产出比，类似“哆啦A梦圆手”这种自由度刚好、能死死包覆物体的形态，也可以是商业化落地的有效解。
• 形态之争的现实解：轮式与双足，不同场景的并行方案。尽管硅谷的技术加速主义偏爱双足人形，但在真实的平整工厂环境中，轮式底盘加机械臂在稳定性、能耗和厘米级精度上优势明显；双足人形则在非结构化地形、跨障碍作业等场景中具备不可替代性。两者并非替代关系，而是面向不同商业场景与任务需求的并行方案。
• 柔性操作的隐形壁垒：无限维度的数学规划。以叠衣服为例，柔性衣物每次被触碰的状态在这个地球上都可能是首次出现。这不仅考验触觉和精细控制，更是一个无限维度的数学规划难题。在可控的数据采集体量下，开发针对特定任务（如专门洗叠衣服）的专用模型，是当前具备极高ROI的破局思路。
• 全栈交付构建壁垒，底层自研定义标准。当前产业链的现实是，大量的客户买走传感器后不知道如何使用。而帕西尼从创立之初就意识到这个问题，直接提供"传感器-灵巧手-整机-算法"的完整解决方案，这让客户有了想象空间和可拓展的基础，也让帕西尼成为更多客户的选择。同时，顶级产业资本看重的核心壁垒，在于其触觉传感器已深入至“半导体芯片制程”级别，拥有自主掌控的核心技术，企业才具备长久的生命力。
• 终局商业模式重估：从硬件销售走向按需服务。宇树科技600亿估值的合理性，不仅建立在年销近万台的高普及率上，更在于其向具身智能大脑延伸的巨大想象空间。拉长周期看，只要机器人带来的价值超出预期，其终局商业模式可能会从单纯的设备买卖，演变成类似“劳动力派遣”的全新业态。

以下为访谈全文整理：

能力摸底与工厂JD实测

Q1：今天现场来了一位特殊的“求职者”，代表2026年人形机器人的平均水平。面试不是看简历，而是看能不能交付。如果请两位扮演工厂老板，请先用一句话概括一下：当前人形机器人到底能做什么？不能做什么？

许晋诚：现在来讲，人形机器人其实还是处于一个急剧增长的态势。我对当前人形机器人的理解是：它有非常强壮的骨头，正在长出筋与肉，同时它的脑子也正在生长。

所以当前来讲，机器人适合干搬运，或者工厂里面判断标准比较客观、容易做决策的工作。

但在现在来讲，我认为强泛化能力对它而言还是会比较困难。这是我的一个判断。

肖宛远：我觉得许总说得很对。其实这个问题不是问“机器人到底能做什么，或者不能做什么”，更多时候我们看一个机器人，是看它能在什么场景下做，在什么场景下做不了。

举个例子，大家应该在春晚上都看过机器人跳舞，对吧？在一个预定的场景下、已知的路面条件下，你让它跳舞是一回事；但是如果你在一个完全没有训练过的场地下让它去跳舞，又是另外一回事。

所以很多时候我们讲搬运，在一个组织得非常好的工厂里，所有货物分门别类放好，动线设计好，它可以去搬运；但是，如果这个工厂是杂乱无章的，箱子随机出现，我对它的指令要求也不那么确定（有时从A搬到B，有时从A搬到C，甚至有时让它先拿了东西再说），如果是这样，那我就会说机器人不能搬运。

所以这个问题，我们核心讨论的是它的通用能力或者泛化能力。在这个基础上，我们再讨论这个事情它是不是可以做。

Q2：那我们来看具体的工厂场景。要求机器人在工位间做自主移动、抓取物料，并且持物行走完成搬运。在这个任务场景中，目前2026年人形机器人处在一个什么样的水平？它是否能够胜任？

许晋诚：在我看来，目前整个机器人在抓持或抓握物体上，其实已经没有什么太大问题了。但是最重要的一点是，在抓持跟操作被持物之间，它还是有待加强的。

举个例子，像抓取特定物品去进行 Pick and Place（拾取与放置），这个技能基本上大几年前就已经做好了（比如 AnyGrasp 算法）。但是，抓取了物品之后去做非常精细的 In-hand manipulation（掌中操作），这个可能还是比较受挑战的。掌中操作又分几种，比如做 Insertion（插入/装配），或者长程操作，然后再进行组装。这类型的整体能力是我们现在正在加强的。

我认为现在比较大的差距在于：机器人对于掌中操作，没有办法快速得知被抓取物或被操作物的整体状态。可能会因为超过最大的静摩擦力而导致物品滑落。

所以，非常大的差距在于如何增加高维感知能力。增加了感知能力的 Input（输入）之后，决策的精准度、对于复杂环境的鲁棒性（Robust），以及实时闭环反馈能力都能得到显著提升。如果能够跨越这个坎，我相信在未来完成复杂任务基本上都不在话下。

肖宛远：刚才讲的是硬件能力，如果进一步去看，其实还有一个点：你的底层算法模块，到底现在还是模块化的，还是所谓的端到端（如 VLA 模型）？

其实大家虽然都说自己是 VLA，但差异还是很大的。比如抓取，你可以用一个强化学习的模块加一个执行器作为一个单独模组；但换句话说，它也可以是从输入的像素，直接到输出的执行指令。

在海外，通常抓取完还会要求它移动到某一个地点再放下来。这应该怎么控制？有的整机厂商可能会选择：我用 VLA 操纵上肢，而移动和整个步态的控制感知，则是另外一套基于强化学习的控制模块，其实是拆开的。现在海外也有人认为，其实应该像自动驾驶一样，最后是一个完全的端到端的模型——从输入的像素和语言，到机器人拿起这个杯子从 A 走到 B 放下，完全由这一套模型来决定。所以每一家的想法和落地进度都还不太一样。

许晋诚：对于算法而言，还有一个大家都很关注的重点：我们的数据肯定是远远不够的。

尤其像上肢的操作数据。最近大家一定都听到了 Ego 数据（第一视角数据），我们通过第一视角摄像头捕捉人类双手对物体精细操作的数据，这些数据能有效地帮助机器人从单纯“能抓”跃迁到“熟练操作”。说老实话，语言模型的数据基础量特别大，积累了人类上下五六千年的知识水平；但是机器人的动作数据，基本上还是远远不足的。

只要能够把这些数据补齐，对于复杂任务的操作都可以有更好的提升。

Q3：在真实的生产环境中，环境会变化，操作会出错。比如简历中写道：机器人发现缺货3次，但只有2次通知了组长；组长在打电话，它就在原地等待了40分钟直至电量耗尽。这考验的是感知与纠错能力。从技术现状来看，智能应该如何定义？尤其是在视觉之外，触觉在构建物理世界中扮演了什么样的角色？

许晋诚：对于当前硬件来讲，触觉已经不是一个选择项了，它已经是一个必选项了。我们在做机器人研究时，大部分时候是“照着镜子”在做出这个产品的。人需要什么能力，机器人就需要什么能力。

我们现在急切需要做到的是：如何把触觉传感器硬件、产生的数据，跟融合了触觉能力的算法进行打通。当然，要用好它，离不开海量高质量数据的支撑。当前我们在构建能力上，也构建起了以 VTLA（视觉-触觉-语言-动作）为主的基座模型。它会作为一个强大的 Encoder（编码器）去进行信息输入的编译，在实际尝试中也证实了它能显著推高复杂任务的执行成功率。

触觉在构建物理世界中担当的角色，就是如何更好地把任务成功率提升起来。视觉叫“看到、看见”，而触觉是“如何能够操作、把持，或者是复杂操作物体”。

肖宛远：从一个更大范围来讲，历史上发展出来的智能硬件，其传感器和控制算法本身是互相补充、互相促进的。比如智能手机时代早期需要黑莓那样的实体键盘，后来作为输入变量的键盘不再被需要了；自动驾驶很长一段时间争论是要纯视觉还是加激光雷达，本质都取决于背后的控制算法（大脑）到底需要什么样的输入变量。

包括我们人也一样，视力不太好的人，大概率听觉和嗅觉会相对更强一点，因为大脑需要其他输入变量来补充。

机器人也同理。为什么我们现在要建立从语言、视觉到触觉的感知体系？本质就是底层的控制算法需要这么多输入变量。

Q4：除了技术层面，我们还要考虑成本是否适合规模化。从产业规律来看，成本下降的驱动力主要来自于哪里？从“能干活”到“干得更加划算”，中间的拐点具体在哪里？

肖宛远：我觉得它是一个渐进的过程，很难讲真正的拐点在哪里。抽象来说，最理想的拐点当然是实现了 AGI（通用人工智能），机器人具备了极强的泛化能力，能适应所有人的应用场景，这会产生很强的规模效应。

但回到现实世界，实现“部分的智能”也非常有价值。就像今天的 AI 还不能完全自动写大项目，你还是要不断去检查 Checkpoint；机器人也一样。比如扫地机器人，你不会要求它长成扫帚的形状，它不一定有极强的通用泛化能力，但只要能处理地面上的障碍物、识别垃圾和死角，在扫地这个场景上它的泛化能力就已经合格了。

所以，不一定非要等到一个重大的 AGI 拐点。只要在特定场景下能够通用、能够泛化，它就意味着能在部分场景上实现经济价值。

许晋诚：对于成本的计算，我会归类为投入与回报率（ROI）是否算得过来。

机器人应用会分为几类：一类是提供不可重续价值的（如情绪价值），对成本不那么敏感；第二类是救灾等特种机器人，对成本也不敏感；第三类就是工厂里的普通劳务，对成本极度敏感，我们需要估算投入产出是否适当。

我认为机器人成本下降的趋势远比我们想象的要快得多。身处行业，我极度感受到硬件厂家的焦虑——下游既要求性能拔尖、又要价格便宜、还要高可靠性。

所以，成本下降固然可期，但还是要分清场合，用投入与回报来做计算是最适合的。

家庭JD面试与开放世界挑战

Q5：刚才聊的工厂场景对成本相对敏感。我们现在换到家庭场景，家庭往往需要提供更多情绪价值或帮人节省时间。第一个任务是扫地、拖地。家庭环境是非结构化的，地上有衣服、玩具、宠物等。目前人形机器人的视觉感知和语义理解能力到了什么程度？能否胜任？

肖宛远：其实我觉得这个问题不太是个问题。回过头想想，我们为什么一定要要求一个“人形”机器人来扫地拖地呢？

今天中国的扫地机器人已经做得很好了，两三千块钱就能买到。它在扫地这个任务上的泛化能力已经很强，能识别玩具、电线、宠物饭碗，甚至有伸出去的机械臂来清理死角。如果不要求它是人形，它的感知和通用能力已经能达到日常要求了。

但如果你要求它是一个“人形服务员”，不仅扫地还要做饭、叠衣服，那还差很多。而且现在行业发展慢慢让人觉得，不能单独把“视觉感知”或“语义理解”拆出来看。机器人的模型训练越来越强调端到端，从视觉、语言输入直接到执行器输出，是一整套连贯的算法。

（主持人追问：如果家庭环境是复式楼层，有阶梯，场景非常复杂，人形机器人能做吗？）

肖宛远：从成本角度讲没有必要。家里有复式，最简单的操作方法就是楼上一台扫地机器人，楼下一台扫地机器人。

我们做投资和做产业的人，梦想都是 AGI 和通用机器人。但现实世界的发展是渐进式的。只要在一个特定场景下，用可控的成本把任务做得不错，且具备一定的泛化能力（碰到没见过的玩具不会死机），它就合格了。它创造的价值大于机器成本，就是有价值的。

许晋诚：我补充一下。特定任务下的专用模型现在越来越多了。因为专用模型的数据采集体量是可控的。在可控的数据采集下，获取足量的多模态数据足以应对该场景下的意外情况，这样的 ROI 是非常算得过来的。比如如果有一台机器人专门只做洗衣服、晒衣服、叠衣服，我相信大部分人还是会买的。

Q6：第二个任务是叠衣服。这在家庭场景里对机器人非常有难度，衣服是软的、不规则的，需要双手协同、力度控制和连续的力觉反馈。从灵巧操作和触觉感知的角度来看，目前机器人距离完成这个任务有多远？

许晋诚：折衣服这个任务可以分为三个维度：

第一，感知体系。如果用不带触觉感知的二指末端去抓衣物，不知道用多大力，会造成衣物损伤。增大触觉感知能力是必须的，目前这个问题我认为已经被解决了。

第二，数学与规划问题。衣服每碰一下的状态在这个地球上可能都未曾出现过，要在面上找到最优折叠路径，这是一个无限维的数学规划问题，目前随着算力强大正在逐步提升。

第三，控制能力。比如要把一双袜子反折成一个小球，这对执行末端（灵巧手）的精细控制要求极高。如何从数据端无损地映射到灵巧手去控制，还有待加强。只要做好这三点，相信在一两年内这个问题可以快速解决。

（主持人追问：人类有 27-28 个自由度，现在行业里有很多 22 到 25 个自由度的灵巧手。是不是做到 27-28 个自由度就能完成工作？）

许晋诚：这个问题非常好。我们一直在跟大量的灵巧手公司合作。灵巧手对任务操作的关键作用在于：对把持物品的稳定夹取或握取。

自由度足够多，可以无死角地平缓包覆物体。但与其追求极大化的拟人自由度，不如关注“自由度”与“被抓持稳定性”之间的关系。如果能算得过来投入产出比，自由度刚刚好就行。就像哆啦A梦的手是一个圆球，它的优势在于包覆稳定性，而非追求自由度。

Q7：第三个任务是做简易早餐。这涉及安全问题（用电、用灶台）以及多任务串联能力。目前机器人在这个固定场景下能完成吗？

肖宛远：我觉得不太能（笑）。因为取决于你讲的是什么早餐。如果只是拿个苹果递给我，它能做到；如果是煎个蛋、冲杯咖啡，也许能做到；但如果是做一顿复杂的英式早餐（香肠、煎蛋、番茄烩豆子），那就比较难。

我们不应该期待机器人能做一个非常模糊和泛用化的任务。从中长期看，这考验的是从感知到执行的闭环串联能力，这也是为什么大家要搞端到端模型。但要做到像酒店厨师长那样应对各种早餐，离我们还很远，还需要花很长时间去积累数据。

许晋诚：我帮肖总剖析一下。机器人没法完成，其实在于它“不会做”。如果肖总点了一个煎蛋吐司加咖啡，机器人脑子里有这个数据，它能做出来，肖总会很满意。但如果临时换个选项，机器人脑子里没有这个数据，任务就失败了。

甚至连食材的不确定性都很大，鸡蛋分大小，胡萝卜形状各异。所以核心在于：机器人的数据是否能满足人类的选择？它的技能能否执行？客户对结果的评价是否满意？只要数据达标、技能具备，还是非常值得期待的。

肖宛远：所以我们今天聊了很多场景，本质都在讲同一件事：不要幻想突破一两个技术瓶颈，机器人就能变成万能的变形金刚。但同时也不要太悲观，在特定的场景下，只要泛化能力达标且 ROI 算得清，它就已经在产生商业价值了。

许晋诚：对，我再补充一下。我们股东有很多产业方，去现场看会发现，人在工厂里的任务没有想象中那么复杂。比如物流场景，人就是一整天在干“抓取、 这种固定任务的 ROI 是非常算得过来的。

Q8：说明机器人能否走进家庭，取决于不同的需求和场景。两位怎么看人形机器人走进家庭这一步的进展？

许晋诚：进入家庭有两种价值。一种是情绪价值，这是无法轻易被量化的。只要机器人能说话、有触觉传感器能进行交互，满足人的孤独感，这类机器人已经可以快速进入家庭了。

另一种是工作价值（做饭、洗衣服）。家庭环境最大的难点是“每个人的家都不一样”。比如操作洗衣机，每个品牌的面板、按键逻辑都不同，连人都得学一下，更何况机器人？所以进入家庭需要极大量的操作数据。脑洞一下，也许可以通过 Few-shot（少样本学习）能力来解决。机器人来到家里，主人领着它操作一遍，它就能快速学习并熟悉操作，这样可能就很快了。

肖宛远：许博讲得非常有道理。家庭环境是一个开放世界（Open World），意味着有非常多没见过的 Corner case（长尾场景）。自动驾驶在相对标准的马路上收集 Corner case 都花了大量时间金钱，而家庭环境的物理数据门槛更高。

大语言模型的语料都存在于数字世界里，但开放世界的物理数据（比如全世界所有洗衣机面板的操作方式）在数字世界里是没有现成数据库的。你需要一个一个到家庭里去采集，这是一个很大的难点。

形态之争与资本市场洞察

Q9：拉长来看，积极变化不容忽视。一年前灵巧手成本还在10万级别，现在降到了3万以内；一年前机器人在展台上走两步，现在已经拿到了真实产线的规模化订单。这也引出了一个很多人不愿意正面回答的问题：人形和轮式之争。一种观点认为轮式加机械臂已能覆盖大部分工业场景；另一种坚持双足人形才是通用场景的解。这两种路线是替代关系，还是平行关系？

肖宛远：如果你问我，坦白讲我觉得是并行关系。我的理念是，智能的落地不一定要做到“终极智能”才有 ROI。根据场景需求，比如在平整的工厂里，不需要上台阶，履带式或轮式的移动部件可能是更优的。