先说结论

• 2026 年上半年全球人形机器人出货约 1.91 万台（+272%），中国厂商贡献 97% 以上：智元约 8400 台首次登顶、宇树约 5900 台，两家合计约 75%；宇树累计下线约 1.8 万台并登陆科创板，智元启动赴港上市，估值区间 400–500 亿港元[1][2]。
• 海外节奏存在代际差：特斯拉 Optimus 首条专属产线 8 月进入投产验收，供应链指引年底周产 2000–2500 台；Figure 第 1000 台下线，BotQ 工厂从日产 1 台提到时产 1 台，制造成本较上代下降 90%——但与中国头部企业的万台级相比，仍在"千台—万台"爬坡早期[1][2]。
• 行业共识正在形成：瓶颈已经不是硬件。真正的断供在数据——训练人类水平机器人"大脑"需要约 10 亿小时真实操作数据，全球存量约 50 万小时，缺口超过 99%[2]。π0 一年收集约 1 万小时，按现速达到大语言模型的智能程度需要约 12 万年[4]。
• 机器人的学习信号比广告点击、比 Agent 任务反馈都更残酷：它以"摔"计价。正样本（成功拿起杯子）信息量有限，负样本（摔碎、打滑、碰撞）昂贵、稀疏且危险——这是比 Robotaxi 更深一层的信号荒漠（ND.012 的对照）。
• 行业没有在等信号，而是在造信号，五条路线并行：遥操数据工厂（智元 200 万小时/年产能）、仿真合成（英伟达 11 小时生成 78 万条轨迹）、视频学习与世界模型（EgoScale 发现第一个机器人灵巧度 Scaling Law）、动捕、Real2Sim2Real 闭环[3][5][6][7][8]。
• 本期核心判断：具身智能的"BERT 时刻"已过（VLA 统一了架构），"GPT-3 时刻"未到（真机数据仍缺 99%）。胜负手不是本体、不是算力，而是谁先建成可扩展的信号管线——数据工厂产能 × 世界模型保真度 × 部署回流速度。市场在为"站起来"定价，行业在为"教会它"烧钱。

上一期（ND.012）拆的是 Robotaxi 的信号账本：录像不是实验，驾驶的信号以事故计价。再往前，ND.011 拆的是 Agent 的信号战争。这一期是同一根线的第三站——具身智能把前两期的问题同时放大：它比 Agent 多了一个物理身体，比 Robotaxi 多了一双要干精细活的手。信号论的尺子在这里量出的，是目前所有 AI 品类里最深的一条鸿沟。

2026 上半年人形机器人出货量

先把硬件的成绩单摆出来，因为它确实漂亮。

2026 年上半年，全球人形机器人出货约 1.91 万台，同比增长 272%[1]。格局异常清晰：智元约 8400 台（占 44%，首次登顶全球第一），宇树约 5900 台（占 31%），两家合计约 75%——双寡头格局成形[1][2]。第二梯队是银河通用约 900 台、优必选约 700 台。成本曲线是真正的分水岭：核心零部件成本较 2023 年下降约一个数量级，宇树 G1 起售价压到 8.5–9.9 万元，松延动力等推出不足万元的消费级产品——人形机器人第一次进入"可批量采购"的价格区间[1]。

海外在爬坡但存在代际差。特斯拉把弗里蒙特的原 Model S/X 产线改造成 Optimus 专属产线，2026 年 8 月进入投产验收，供应链指引 9 月周产 1000 台、年底 2000–2500 台，长期目标单价 2–3 万美元[1]。Figure 第 1000 台 Figure 03 下线，BotQ 工厂产能从 4 月底的每天 1 台提升到每小时 1 台，制造成本相比 Figure 02 降低 90%[1]。但与中国头部的万台级量产相比，海外整体仍在"千台—万台"的爬坡早期。

需求侧也出现了真实大单：国家电网 2026 年计划投入 68 亿元采购 8500 台具身智能设备；地方数据训练中心、实训基地的政企采购快速增长[1]。资本的热度更直接：国内具身智能赛道融资额，2024 年全年 137 亿元、2025 年全年 554 亿元、2026 年上半年已达 935 亿元；百亿估值企业 26 家，其中 16 家是今年新晋[2]。

资本市场的叙事到这里很顺：量产元年、万台俱乐部、成本下降一个数量级。但把镜头从产线移到"大脑"，画面立刻变了。

数据天堑：需求与供给的量级差

大语言模型是"吃掉互联网"变聪明的——文本、代码、标注好的结构化数据，被动产生、近乎无限、随手可得。图像模型吃"世界的截图"，视频模型吃"世界的连续变化"，这些东西都在互联网上。

机器人要的数据，天然不在任何地方。它需要具身本体在真实物理世界里和具体物体发生具体交互时产生的多维度传感器信号：视觉、力觉、关节位置、电机控制量，全部精确同步、时间戳对齐，才构成一条有用的训练轨迹。智元合伙人姚卯青说得很直白：这些数据"从来没有任何理由会被被动产生"[3]。

于是就有了这组触目惊心的账：训练一个接近人类水平的机器人"大脑"，行业测算需要约 10 亿小时级别的真实操作数据；截至 2026 年初，全球可用的高质量物理交互数据总量约 50 万小时——缺口超过 99%[2]。这不是渐进式的差距，是根本性的断档。

再算一笔更直观的：Physical Intelligence 的 π0，一年收集的训练数据量约为 1 万小时；而大语言模型 Qwen-2.5 的训练数据量，相当于真人收集 12 亿个小时。有研究者按当前采集速度推算，具身智能模型要达到大语言模型的智能程度，需要 12 万年[4]。特斯拉给遥操采集员开的时薪是 50 美元——100 万小时的采集量，放在全球都是碾压级的成本[3]。

历史参照物更能说明采集有多难：谷歌研发 RT-1 时，调动 13 台机器人在办公室厨房环境里连续采集 17 个月，才积累约 13 万条轨迹、覆盖 700 多项技能；为了训 RT-2，谷歌联合全球 34 所研究机构合并 60 个数据集，凑出 Open X-Embodiment——超过 100 万条轨迹，已是目前全球最大的跨机构真机数据集。但它涵盖的 527 项技能，与现实世界的需求之间，仍以数量级计差距[3]。

市场在为"站起来"定价，行业在为"教会它"烧钱。这就是本期要说的叙事差。

具身智能的信号六维体检

《信号决定论》的六维尺子架上来，每一维都见血。

信号是什么？ 物理交互轨迹——多模态传感器加几十个自由度的关节控制量，时间戳精确对齐。它是所有 AI 品类里"单位信息量最大、获取成本最高"的信号。

密度？ 极低。语言模型每预测一个词立刻得到一个标签；机器人一条长程任务轨迹可能只有"成功/失败"一个终点标签。正样本（成功拿起杯子）信息量有限，负样本（摔碎、打滑、碰撞）才是真正值钱的——而它昂贵、稀疏，还危险。

时效？ 慢。钛媒体记者在智元数采工厂的实测：一个专业遥操员 8 小时的班，平均只能产出 2–3 小时有效数据——场景布置、上传、失败重试吃掉了四分之三[3]。好的采集员和差的采集员效率差 3 倍，从零培养到九成功力要一个月。采集本身成了一门手艺活。

无偏性？ 差。遥操数据几乎只记录"成功示范"，机器人学不到失败和恢复。斯坦福系研究早已指出模仿学习的硬伤：一旦漂出示范覆盖的状态，误差会复合放大——这就是 BC（行为克隆）的"抄作业困境"。

可模拟性？ 中。仿真是行业最大的希望：英伟达 Isaac Lab 可以在单张 GPU 上并行跑成千上万个虚拟机器人，要多少数据有多少数据。但 Sim-to-Real 的账很硬——仿真到真机的性能损失通常在 50–80%[9]。运动学（轨迹怎么走）好迁，动力学（接触力、柔性材料、液体）难迁：仿真里练一万次叠衣服，放到真实毛衣面前照样出错。

先验强度？ 这是唯一的好消息。物理规律稳定且普适——这正是 DR.004 里"信号中等但先验极强"特例的候选区，也是世界模型路线赌的方向。

六维过完，结论很清晰：具身智能是教科书级的信号缺失区——比广告、比 Agent、比 Robotaxi 都更深。

造信号的五条路线

DR.004 连载五说过，信号缺失区的胜负手不是模型，是"造信号"的能力。2026 年的具身智能行业，正在把这句话变成五条并行的生产线。

第一条，遥操数据工厂（真机路线）。 智元把数据采集做成了工业：200 台机器人、每台至少配一名采集员，2026 年真机遥操产能约 200 万小时，背后是近 2000 台机器人和对应规模的采集团队，在中国和东南亚多地同步运作[3]。其开源的 AgiBot World 数据集超过 100 万条轨迹、217 个任务、850TB——英伟达 GR00T N1 训练数据的 80% 都来自它。数据正在变成一门"石油生意"，而中国人力成本优势就是全球碾压级的产能。

第二条，仿真合成（英伟达路线）。 Isaac GR00T Blueprint 能在 11 小时内生成 78 万条合成轨迹，约等于 6500 小时人类示范[9]。仿真还能做真机做不到的事：批量生成现实中极难遇到的边缘场景——机器人在仿真里可以反复摔倒，所有失败都变成数据，不造成任何真实损失。代价就是前面说的 50–80% 迁移税。

第三条，视频学习与世界模型（2026 年最热的路线）。 机器人的"互联网时刻"候选藏在第一人称视频里：NVIDIA 的 EgoScale 论文（2026 年 2 月）用 20,854 小时第一人称人类视频做预训练，发现了第一个机器人灵巧度 Scaling Law——数据从 1000 小时扩到 2 万小时，任务完成率翻倍[7]。Dyna 的 DYNA-2 声称把这条曲线推到了 100 万小时、横跨 4 个数量级，并宣称 World-Action Model（先想象世界再动作）比主流 VLA 完成率高 1.55 倍——公司数据，独立复现之前先打个折[7]。上海创智学院与智元联合开源的 τ0-WM，用 2.73 万小时异构数据（真机遥操 1.78 万 + UMI 6500 + 第一人称视频 3000）训出 5B 世界模型，让机器人"先想象、再执行"[6]。

第四条，动捕与 UMI。 记录"人怎么动"再映射到机器人，数据质量高，π0 系列大量使用。但具身鸿沟（Embodiment Gap）真实存在：人的手和机器人的手，视觉上不像、状态上不准、遮挡时数据直接失真[3]。

第五条，Real2Sim2Real 闭环。 少量真机数据校准仿真 → 校准后的仿真批量训练 → 部署回真机持续回流。星海图、智元 Genie Studio 都在建这个飞轮。

五条路线的本质是一样的：都在回答"信号从哪来"这个 DR.004 的核心问题——只是有的花钱（遥操）、有的花算力（仿真）、有的花创意（视频和世界模型）。

把这段单独拿出来，因为它可能是今年具身智能最重要的一个技术信号。

大语言模型的 GPT 时刻，本质是发现了一个能自我标注的信号（预测下一个词）加一条 Scaling Law（信号可以喂出智能）。具身智能过去八年没有跑通，缺的就是这两样——直到 EgoScale。

它的发现值得逐字记住：用第一人称人类视频做预训练，机器人任务完成率随数据量呈 log-linear 增长，从 1000 小时到 2 万小时翻了一倍，曲线没有饱和迹象[7]。互联网上的第一人称视频——做饭、修理、叠衣服——是被动产生、近乎无限、自带物理常识的"世界录像"。它和互联网文本在信号论意义上同构：都是免费的、自监督的、覆盖真实世界的信号矿。

但两个冷水必须泼。第一，这条 scaling law 目前主要验证在"视频预训练 → 真机微调"的迁移效率上，真机执行数据的 99% 缺口并没有被它填上——视频里没有机器人的关节控制量，Embodiment Gap 还在。第二，ICLR 2026 的一个行业共识颇刺眼：VLM 骨干模型的 benchmark 分数，与下游机器人任务性能没有可靠相关性[10]。模型分数高不等于机器人干得好——评测体系本身也缺信号。

所以准确的表述是：具身智能的"BERT 时刻"已过（VLA 统一了架构和表征，π0.5 已经能清理训练集中从未出现过的厨房），但"GPT-3 时刻"未到。它卡在 BERT 和 GPT-3 之间——架构有了，信号矿找到了，矿还没挖够。

市场现在盯着出货量、关节自由度、后空翻。用信号论的尺子，真正该盯的是这三块记分牌。

第一块，数据工厂的产能与成本。 谁的年产能上了百万小时级、单小时成本在降，谁就在攒"信号原油"。智元 200 万小时/年是当前标杆；特斯拉用 50 美元时薪在美国采，成本结构完全打不过中国[3][4]。

第二块，世界模型的保真度。 仿真和世界模型是唯一能指数扩张的信号源，但价值取决于迁移税——50% 和 20% 的损失率，意味着完全不同的商业模型。τ0-WM、DYNA-2、DreamDojo 这批 2026 年新模型的独立复现结果，是比发布会重要十倍的观察点[6][7][8]。

第三块，部署回流速度。 真实部署的每一台机器人都是信号采集器。银河通用在宁德时代产线 7×24 小时连续干了三个多月、智元精灵 G2 在龙旗科技连续运行超 3000 小时——这些不是 PR 数字，是信号飞轮的转速表[11][12]。卖出去只是收入，转起来才是数据。

中国映射也在这三块牌上：数采产能（人力成本）+ 制造产能（供应链）+ 政企采购（国家电网 68 亿元大单）——中国在信号论的三个杠杆上占了两个半。短板同样清楚：高端谐波减速器、高精度力传感器与海外仍有 3–5 年差距，触觉/力觉传感是先验强度维度上最贵的物理补件[5]。

回到开头那组反差。万台俱乐部是真的：本体成本下降一个数量级、出货量三位数增长、双寡头格局成形，这些是制造业逻辑的胜利，中国赢得干脆。十二万年的账也是真的：数据断供 99%，采集是手艺活，视频矿刚被证明可以炼但还没挖够——这是信号逻辑的现实，全行业都在补课。

DR.004 说过，信号缺失区的胜负手不是模型，是造信号的能力。具身智能正在把这个判断变成产业现实：数采工厂是新的石油业务，世界模型是新的炼油厂，部署回流是新的输油管道。下期 ND 我们换一个反差更大的现场——自动驾驶：同一个 VLA 架构，为什么它的信号迁移已经完成大半？那里的答案，恰好是具身智能的镜子。

风险提示：本文涉及的技术路线与公司信息均来自公开渠道，量产与模型能力数据多为公司披露口径，独立第三方复现有限；DYNA-2 的 scaling 声称尤需谨慎。本文为研究讨论，不构成任何投资建议。

资料来源：

1. 拓比科技：Humanoids enter the 10k-unit era——2026 上半年全球人形出货约 1.91 万台（+272%）、智元 8400 台/宇树 5900 台双寡头、特斯拉 Optimus 产线验收、Figure BotQ 时产 1 台、国家电网 68 亿元采购 8500 台（2026）

https://www.tobi.cn/en/news-2026-01.html?v=20260908

1. 中国日报网财经频道：机器人都开始干活了，可谁来教它们？——训练需约 10 亿小时 vs 全球存量约 50 万小时、上半年融资 935 亿元、宇树科创板 IPO 与智元赴港（2026-08-13）

https://caijing.chinadaily.com.cn/a/202608/13/WS6a7d8bfba310099e0fc7ba55.html

1. 钛媒体 × 硅谷101：走进数采工厂——专业遥操员 8 小时班产 2–3 小时有效数据、智元/觅蜂 2026 年真机产能约 200 万小时、RT-1 十七个月采集史、特斯拉采集员 50 美元时薪、动捕的 Embodiment Gap（2026）

https://www.tmtpost.com/7990555.html

1. 界面新闻：腾讯的"具身智能"——π0 一年收集约 1 万小时 vs Qwen-2.5 等效 12 亿小时、"12 万年"测算、200 亿俱乐部与数据不可能三角（2026-09）

https://www.jiemian.com/article/14794842.html

1. 中研普华产业研究院：2026 年具身智能行业现状/格局/痛点调研——双寡头约 75% 份额、高端谐波减速器与力传感器 3–5 年差距、"仿真+真机"双轨训练主流（2026-09-21）

https://big5.chinairn.com/scfx/20260921/174621681.shtml

1. 上海创智学院 × 智元机器人：τ0-WM 最大规模预训练具身世界模型开源发布——5B 参数、2.73 万小时异构数据、视频-动作统一表示与"提议–评估–修正"（2026-06）

https://www.sii.edu.cn/2026/0602/c27a1080/page.htm

1. TechTimes：Dyna 发布 DYNA-2 机器人基础模型——World-Action Model、100 万小时第一人称视频、人-机 scaling law 四个数量级；并引述 NVIDIA EgoScale 论文（20,854 小时视频、任务完成率翻倍的 log-linear 曲线）（2026-08-10）

https://www.techtimes.com/articles/323842/20260810/dyna-unveils-robot-foundation-model-that-adapts-new-tasks-13-minutes.htm

1. Quantum Zeitgeist：DreamDojo——NVIDIA 用 4.4 万小时自我视角人类视频预训练机器人世界模型、连续潜动作桥接无标注视频（2026）

https://quantumzeitgeist.com/learning-robot-brains-boosted-hours-human

1. deltaq：Robotic Learning Part 4——机器人数据采集成本 50–100 美元/小时、RT-2 训练算力账、Isaac GR00T Blueprint 11 小时生成 78 万条轨迹、sim-to-real 50–80% 性能损失（2025）

https://aos55.github.io/deltaq/posts/modern-approaches

1. Kaiso Research：VLA Models 产业分析——ICLR 2026 共识：VLM 骨干 benchmark 分数与下游机器人任务性能无可靠相关性；2025 年 VLA/物理 AI 软件领域 19 亿美元、47 笔交易（2026）

https://www.kaisoresearch.com/blog/vision-language-action-vla-models-analysis

1. 中国能源网（环球时报）：中国具身智能机器人进入"实干时代"？——银河通用宁德时代产线 7×24 连续作业超 3 个月、智元精灵 G2 龙旗科技连续运行超 3000 小时（2026）

https://www.cnenergynews.cn/article/4TKxXDtkcQl

1. 头哥研究：《信号决定论——Transformer 改变了哪些 AI 算法》（信号三问、六维尺子、信号缺失区与"造信号"路径出处）

https://www.touge.com.cn/dr/signal-theory/