高盛将人形机器人列为AI向物理世界延伸的重要主线

高盛近期发布的人形机器人行业观点，将这一领域视为人工智能从数字信息处理延伸至物理任务执行的一条路径。相关观点认为，劳动力短缺和企业自动化需求为人形机器人提供了长期应用场景，但真实世界训练数据不足、通用自主能力有限以及整机成本较高，仍是扩大部署的主要约束。这并不意味着算力投资已经结束，而是市场关注范围从模型训练、数据中心和加速器，进一步延伸至能够在工厂、仓储及服务场所执行任务的设备。

高盛此前公开的人形机器人研究提供了可供比较的背景。其2024年报告估计，全球人形机器人市场在未来10至15年可能达到至少60亿美元，并在2030年填补约4%的美国制造业劳动力缺口、在2035年满足约2%的全球老年照护需求。这些数字属于情景估算，并非已经形成的订单或产量。高盛资产管理部门在2026年6月的产业调研中指出，人形机器人受到资本关注，但商业化距离仍较远。这表明机构对长期需求和短期落地节奏作了区分。

机器人面对的数据类型从文本、图像和代码扩展到关节位置、触觉、力反馈、空间状态及连续动作。单个演示任务可以在受控环境中完成，工厂部署则需要应对物体变化、设备误差、人员进入作业区以及长时间运行中的故障恢复。真实场景数据的采集成本和安全要求因此高于普通互联网数据。仿真与合成数据可以补充训练，但不能完全替代现场测试。

硬件成本也不只是单个零部件的价格。机器人本体需要执行器、减速器、传感器、控制器、电池或供电系统以及端侧计算平台，使用方还要承担产线改造、系统集成、维护和安全认证费用。在通用自主能力有限的阶段，产品通常先进入搬运、分拣、巡检或固定装配等边界清晰的任务，再逐步增加动作种类。因此，高盛本轮观点更接近产业方向判断，尚未给出新的统一量产时间表，也不足以说明所有机器人企业都已跨过商业化门槛。

从模型算力到机器人执行链的需求传导

资本关注向人形机器人延伸，会推动部分AI投入流向自动化设备、运动控制、电子元件、训练仿真和系统集成。机器人研发仍需依靠数据中心完成模型训练和大规模仿真，也需要端侧芯片承担感知、规划与安全控制，并非对现有算力链的简单替代。与纯软件服务相比，物理设备还要适配可靠性、维护成本和现场生产节拍，收入形成周期通常更长。自动化设备行业主要受益于研发项目和试点部署带来的本体、控制及集成需求；半导体和电子元件环节的增量，则由单机配置、量产规模与采购份额共同决定。整机成本较高、真实场景数据不足和通用自主能力有限，会约束需求传导的速度与范围，使早期机会更多集中在任务边界清晰的应用场景。

新闻热点内容来源于媒体公开报道。文章分析仅代表个人观点，不构成投资建议。