周末，投资圈几乎被物理AI刷屏了。

50多场物理AI线上会议，这种热度，在机器人板块已经很久没有出现过了。

这次行情有一个新变化：越来越多的投资者开始关注机器人的“大脑”。

过去，市场讨论机器人，主要围绕减速器、电机、丝杠、灵巧手等硬件展开。谁能率先量产，谁能进入特斯拉供应链，谁能拿到整机厂订单，往往决定了相关公司的市场热度。

最近，通用大模型开始展现出理解机器人任务、安排操作步骤的能力。市场由此产生了新的想象：如果机器人能够像人一样理解指令，未来是不是可以承担更多工作？如果这个方向成立，AI的应用空间将从电脑和手机延伸到工厂、仓库、商场，甚至家庭。

这也回应了投资者对AI长期回报的担忧。过去几年，全球科技公司持续投入算力和模型研发，市场开始追问，2028年之后，AI还能打开多大的新市场。

物理AI提供了一种可能。机器人要在真实世界中工作，需要模型、数据、计算设备和机械部件共同配合。相关需求如果逐渐形成规模，AI产业链就有机会获得新的增长动力。

不过，技术突破和赚钱之间，还有一段距离。机器人能够听懂指令，不代表它能稳定完成工作；市场开始采购数据，也不代表数据供应商马上就能获得丰厚利润。

物理AI这轮行情最值得研究的变化，是通用大模型开始参与机器人控制。随之而来的问题是：谁能把模型能力变成可交付的产品，又有哪些公司能从中获得持续收入？

01 机器人最难的一关

过去几年的自动驾驶发展，提供了一个很好的参照。

2023年至2025年，自动驾驶技术持续进步。特斯拉等企业在识别道路环境、自动整理训练数据和升级车载硬件方面不断改进，让汽车能够更好地处理复杂路况。

这段经历说明，AI要进入真实世界，需要算法、数据和硬件共同进步。

机器人面临的困难更复杂。汽车主要在道路上行驶，机器人却需要抓取不同形状的物体、控制力度、调整手臂姿势，还要应对物体滑落、位置偏移等突发情况。

一个机械臂能够在固定位置抓起零件，并不代表它能在零件发生偏移后继续完成装配。

通用大模型的进步，正在改变机器人解决这些问题的方式。

近期，围绕GPT-6 Astra等通用大模型控制机器人的测试，引发了行业关注。相关测试显示，大模型已经能够理解部分复杂指令，识别物体，并规划下一步操作。

例如，机器人面对桌上的物品，可以根据指令判断应该拿起什么、放到哪里；当摄像头被遮挡时，也可以尝试调整观察角度。

但碰到精细操作，问题就出现了。让机器人把钥匙插入锁孔，它可能知道目标是什么，也能规划大致步骤。钥匙如果卡在锁孔边缘，它还需要判断是角度不对、位置偏了，还是应该退回来重新尝试。

模型懂得任务要求，机器人还需要学会怎样把动作做好。

研究人员开始尝试把工作分开：让大模型负责理解任务、决定先做什么，再由专门的控制系统负责手臂怎么移动、力度如何调整。

HexaShell和WorldScape-R²SI等方案，就在探索这样的分工。研究团队公布的测试结果显示，配合专门的动作规划和操作记录机制后，机器人完成任务的表现有所改善。不过，这些结果主要来自受控测试环境，距离复杂工厂中的长期稳定运行仍有差距。

这条技术路线值得关注。机器人可能不需要等到一个无所不能的大模型出现，才开始进入实际应用。只要大模型能够帮助机器人理解更多任务，再由专门的控制系统完成具体动作，一些工作就有机会提前实现自动化。

这也让物理AI的应用范围超出了人形机器人。工业机械臂、仓储机器人、移动设备和服务机器人，都有可能借助更强的AI能力完成过去难以处理的任务。

上市公司已经开始沿着这条路线布局。

汇川技术就是一个例子。公司在2026年半年度报告中披露，已经推出七自由度仿生臂，并获得部分人形机器人零部件定点；无框电机等产品在头部人形机器人整机厂实现小批量应用，仿生臂也完成了客户整机端验证。

所谓七自由度仿生臂，可以简单理解为能够向多个方向灵活运动、模仿人类手臂动作的机械臂。它的价值在于，机器人想要完成抓取、搬运和精细操作，需要一套能够准确执行指令的机械结构。

汇川技术的案例说明，传统工业自动化企业正在把电机、驱动和控制方面的经验延伸到人形机器人领域。不过，小批量应用和客户验证距离大规模交付仍有距离，相关业务能否成为新的收入来源，还需要后续订单来证明。

埃斯顿则代表了另一种路径。公司原本就有工业机器人和智能制造业务，拥有成熟的工业客户和工程交付经验。2026年上半年，公司工业机器人及智能制造系统业务实现收入21.38亿元，同比增长2.21%。

这类成熟业务的意义在于，机器人已经能够在真实生产环境中创造收入。未来，如果AI让机器人能够处理更多变化、减少人工编程和调试时间，传统自动化企业就有机会把新能力融入现有产品。

当然，埃斯顿现有工业机器人收入，不能直接算作人形机器人带来的新增收入。新技术能否转化为新的订单和利润，仍需要单独观察。

物理AI的“大脑”正在进步，机器人的身体也在升级。接下来，决定行业发展速度的一个重要因素，是机器人能否从真实操作中积累足够的经验。

02 最缺的是真实触感数据

过去训练机器人，需要同时教会它两件事：理解任务，以及完成动作。

通用大模型有望降低第一项任务的难度，但机器人仍然需要通过大量真实操作，学会如何抓取、移动和控制力度。

互联网已经积累了海量文字、图片和视频，模型可以从中学习常识，却很难仅凭这些内容掌握真实的触感。

一段视频可以告诉机器人，人类通常怎样插入钥匙，却很难完整教会它：钥匙卡在锁孔左侧时应该如何调整；阻力突然增加时应该减小力度，还是退回来重新尝试。

知道怎么做，与真正做得好，中间隔着大量真实操作经验。

这让机器人训练需要的数据发生了变化。

目前，相关数据主要来自几种渠道。

一种是从外部拍摄人类的操作过程，观察人如何完成任务；另一种是通过头戴式或手腕上的摄像设备，记录人自己看到的画面和手部动作；还有一些轻便设备，可以记录人手抓取、旋转和移动物体的过程。最后一类数据直接来自机器人本身，记录它执行动作时的运动、接触和操作结果。

这些数据各有用途。人类示范可以帮助模型学习操作步骤，机器人自身的记录则能提供更贴近实际执行的反馈。

价格同样取决于数据类型和复杂程度。部分国内产业链反馈显示，头戴式操作视频和轻便设备采集的数据，报价约为每小时100至300元；复杂的真人操作和机器人实机数据可能达到每小时1000元左右。

真正有价值的数据，还需要经过整理、校准和筛选。采集一小时视频，并不意味着这一个小时的数据都能用于训练。数据能否记录清楚动作过程、物体状态和任务结果，决定了它能否帮助模型改善能力。

简单动作反复录制，未必能显著提高机器人水平。相反，物体滑落、动作卡住、抓取失败后如何调整，这些记录可能更有用，因为它们对应的正是机器人在真实世界中最难解决的问题。

上市公司已经开始在相关环节寻找机会。

奥比中光是其中一个代表。公司2026年半年度报告披露，截至报告期，公司已服务全球超过千家机器人客户，面向全球机器人市场的视觉方案销售收入达到上年同期的两倍以上。

3D视觉可以帮助机器人判断物体的位置、距离和空间关系。机器人想要准确拿起一个杯子，需要先知道杯子在哪里、距离多远，以及周围是否存在障碍物。随着机器人承担的任务越来越复杂，这类视觉技术的重要性也会提升。

但奥比中光的财务表现也提醒市场，业务增长和利润增长之间仍有距离。公司2026年上半年营业收入为4.38亿元，同比增长0.49%；归母净利润为4164.09万元，同比下降30.82%。公司披露，研发投入增加是净利润下降的主要原因之一。

机器人视觉方案收入快速增长，说明新市场正在带来业务机会；公司整体利润仍受研发投入和其他经营因素影响。新业务从增长走向盈利，需要更多时间。

比视觉更进一步的，是触觉。

福莱新材正在布局柔性传感器和触觉数据采集设备。公司2026年9月的投资者关系记录显示，其相关产品包括多模态触觉数据采集手套、指尖传感器等，柔性传感业务已与部分客户实现批量交付，但相关业务目前营收占比仍不高。

这些设备可以记录人手接触物体时的压力和动作变化，帮助研究人员了解抓取过程中发生了什么。未来，同类技术也可能用于机器人手部，让机器人判断自己是否抓得太紧、物体是否滑动。

柯力传感也在布局机器人需要的力觉和触觉设备。公司2025年年报披露，其围绕六维力传感器、关节力矩传感器和触觉传感器持续研发，机器人力学传感器销售量超过1500只，送样客户数超过70家。

所谓力觉传感器，可以理解为机器人的“力气感知器”。它能帮助机器人判断自己施加了多大力量，以及操作过程中是否遇到阻力。抓杯子时，机器人需要避免用力过猛；插入零件时，则需要根据接触情况及时调整动作。

奥比中光、福莱新材和柯力传感所处的环节各不相同：前者主要提供视觉感知，后两者分别布局触觉数据采集和力觉、触觉传感器。它们共同反映出一个趋势：机器人想要做好精细操作，需要更全面地感知周围环境和自身动作。

数据需求增长，也给模型厂商带来了新的工作。OpenAI的机器人相关招聘信息涉及数据采集和测试项目，Figure等机器人企业也在建设自己的数据采集平台。

不过，模型厂商最终会采购多少外部数据，还取决于内部采集能力、数据质量和成本。产业链交流中出现过OpenAI在2027年采购500万至1000万小时数据的估算，以及全球相关市场向百亿美元级发展的预测。这些数字目前属于行业测算，不能当作已经确认的采购计划或市场规模。

对数据企业来说，接下来最重要的指标是实际合同、客户重复采购、数据验收率和收入增长。对设备企业来说，则需要观察产品是否获得客户认可，能否从小批量应用走向持续交付。

03 谁能真正赚到钱？

物理AI可能带来一条新的产业链：模型需要更多数据，数据采集需要设备，机器人本体则需要更好的感知、控制和执行能力。

不过，不同环节的商业化进度并不相同，投资者需要分别判断。

首先是数据服务商。

如果一家企业能够持续向模型厂商提供高质量数据，并获得重复采购，就有机会成为AI训练的重要服务商。这类公司的竞争力，需要通过收入规模、客户稳定性、数据质量和利润率来验证。

其次是数据采集设备和传感器供应商。

奥比中光、福莱新材和柯力传感提供了三个观察样本：机器人视觉、触觉数据采集、力觉和触觉感知。它们的产品有机会服务机器人训练，也可能进入机器人本体。

这类企业的潜在优势，是同一类技术可以对应多个应用环节。但采集设备与机器人本体对产品规格、可靠性和认证的要求可能不同，两个市场的订单需要分别验证。

第三类机会来自机器人整机和核心零部件。

绿的谐波2026年上半年营业收入约3.49亿元，同比增长38.64%，其中谐波减速器及金属部件收入约2.88亿元。

谐波减速器可以简单理解为机器人关节中的精密传动部件，负责让电机的转动更准确地传递到关节。机器人需要完成精细动作，对这类部件的精度、可靠性和成本都有要求。

不过，绿的谐波的收入增长来自相关机器人需求，不能全部归因于人形机器人或物理AI。随着机器人本体方案继续变化，供应商还需要通过客户验证和持续订单证明自身竞争力。

汇川技术、埃斯顿和绿的谐波分别代表了自动化系统、机器人产品与精密传动部件等环节。它们已经拥有各自的业务基础，但新技术能否带来新增收入，还要看后续产品交付和客户采购。

因此，物理AI的投资机会可以分阶段观察。

短期，关注数据服务商是否获得真实订单，数据采集设备是否开始批量销售；中期，观察视觉、触觉和力觉产品能否进入更多机器人，并形成持续收入；长期，则要看机器人能否承担更多实际工作，推动整机和核心零部件需求增长。

同时也要警惕市场过早透支预期。机器人测试成绩提升，仍需经过真实场景检验；数据采集需求增加，不代表所有数据都能获得高溢价；机器人出货量增长，也不等于相关企业已经形成可持续利润。

接下来，任务成功率、连续运行时间、客户复购、订单质量、毛利率和现金流，会比单次技术演示更能说明问题。

物理AI的GPT时刻，可能会以渐进的方式到来：大模型帮助机器人理解任务，专门的控制系统负责完成动作，真实数据不断补足操作经验，机器人开始在更多场景中创造经济价值。

当客户愿意长期使用机器人，相关企业也能从中获得稳定收入和利润，这轮技术热潮才算真正进入商业兑现阶段。

眼下，市场已经开始为这个未来定价。接下来需要验证的，是企业能否用产品、订单和财报接住这份期待。

04 尾声

周末满屏大热，50多场物理AI线上会议，足以说明其热度，但热度本身也是一种风险。

按照A股的过往规律，周末大火的题材，周一往往是要套人的。

毕竟模型路线尚未真正收敛，数采能不能成为这一阶段贯穿始终的交易主线，还要看后续订单和业绩兑现；主题投资最怕的，就是在共识最满的时候冲进去。短期波动，不会小。

但把镜头拉长，这确实是一条值得认真对待的主线。当一个通用大模型不用专门训练，就能在测试集上指挥机械臂；当行业一个月就能用"大脑决策+专门模型执行"的分工，把精度三倍四倍地往上提——机器人那层窗户纸，可能真的被捅破了。

过去我们教机器人，既要教它“想明白”，又要教它“动作利索”。现在，“想明白”这一半，通用模型接管了；接下来的所有竞争，都聚焦到那句朴素的话上：怎么让机器，学会只有人类亲自动手，才能学会的那点手感。

谁掌握了那只“手”的记忆，谁就握住了物理AI时代，最先被定价的钥匙。