2026年春晚舞台，宇树、魔法原子、松延动力、银河通用四家企业携逾200台人形机器人集体亮相，武术套路、小品对戏、微电影自主决策一次拉满。一年前它们走两步还要掂重心。
网上顺势冒出"十年后中国10%家庭养机器人"的说法，可翻遍公开规划找不到这个数字的出处——银河通用创始人王鹤给的家庭落地锚点是2028年，凯文·凯利在WAIC 2026讲全面成熟至少还要十年，张亚勤院士预测未来十年机器人数量可能超过人类。
这些说法各说各话，"10%"更像自媒体拍脑袋拼出来的一个数。

再看资本。宇树科技8月19日登陆科创板，发行价150.8元，开盘冲1100元、暴涨629%，总市值一度4449亿；可短短几个交易日腰斩，8月28日已跌至585元。招股书披露2025年营收17亿，其中科研教育客户占73.6%，真正进厂拧螺丝的只有9%。
进入8月产业出现两个硬信号：一是特斯拉Optimus Gen-3首批50台部署上海超级工厂，二代机在Pack产线完成72小时无干预装配、成功率94.3%；智元机器人佛山万台级产线每30分钟下线一台，上海提出"十五五"末推10万台人形机器人进厂。

二是8月7日工业和信息化部联合国家市场监管总局发布《人形机器人工业应用场景安全要求与测试方法》征求意见稿，首次划出L1隔离作业、L2低速协作、L3全动态共融三级认证。这两件事把产业标尺从"表演分"切成了"工程分"。
至于10%家庭渗透率——它有可能来，但不会按自媒体的时间表报到。以下这段来自大成基金研究员的深度对话，把泡沫底下的真实节奏说得更透。
大成基金深度对话：机器人产业的真实节奏

关于人形机器人的产业观察，大成基金经理助理刘兆宸给出的第一个判断是——投资圈对这条赛道的集中关注起点是2022年特斯拉发布Optimus原型。
但学术界的探索要早得多，日本早稻田大学在上世纪60年代就做过带控制、视觉、语音系统的双足原型。
阿西莫、波士顿动力走了几十年，商业化始终没跑通。这一轮不同，本质上是AI带的节奏——Transformer让研究者看到了给机器人"装脑子"的可能。
业内有个形象说法：造一台人形机器人相当于重新发明一台汽车，几千个零部件都得重新设计。那么它现在到底能干什么？

产业界习惯用类似自动驾驶的分层来看。
第一级是纯编程驱动的传统工业机械臂，谈不上智能。
第二级具备一定泛化能力，能拼凑"原子技能"——工厂搬运、家里做点家务。
第三级是把原子技能归到统一大脑里，短训练就能上手。
第四级基本不需人监督。
第五级就是科幻里那种能思考因果的通用AGI。整个行业目前卡在第二阶段早期。

短视频里看到的搬东西、化妆，都是单一原子技能的演示，远不到"简单训练就能精准完成新技能"的程度。至于短视频呈现的"美国机器人下厨房倒垃圾、中国的跑马拉松搏斗"，这种对比有点误导。
软件层面两个关键模块：小脑管平衡精度，大脑管感知决策。运动控制底子厚的企业沿着小脑迭代，展示自然是马拉松、格斗、跳舞。
押注大脑的企业更关注周围感知和任务执行，短期不追求动作炫。资源足的比如特斯拉、Figure，大脑小脑硬件同步推。

往后看，真要进千家万户靠的是大脑成熟。中美基本沿同一路径走，AI人才全球流动，没拉出代际差。
国内多一层新质生产力政策牵引，美国更纯粹靠企业和风投。关于"中国搞应用、美国搞创新"的流行说法，实际情况并不完全对应。
美国在AI人才和高端软件框架上底子确实更厚，背后是半导体工业。但这一轮学术界产业界几乎同步，很多创业公司创始人就是从学术界出来的。

国内真正的优势是应用场景广——第二第三阶段需要大量场景喂数据，中国土壤全球独一份。垂直整合与特斯拉自研核心零部件这两条路径，其实并不对立。
特斯拉核心零部件也不全自产。硬件层面还有电机功率密度、散热、轻量化、续航一堆问题没解决。
国内工业体系底子厚，帮整机厂快速迭代零部件，甚至特斯拉自己也在依托中国上游供应链降本。从台湾地区的先进制程、日韩的高端传感器到国内的电机减速器，中美整机厂对全球供应链的使用是叠加的，不是隔离的。

应用场景现在如何分布？这里得纠正一个说法——当前不是"应用场景"而是"训练场景"。
2026年美国头部规划千台出货、国内也有类似规划，但这些机器人主要是拿去训练，不是量产上岗。真要说最先落地，B端封闭场景更值得看好——工厂容错率高、场景相对单一。
家庭和商业不确定性太大。酒店里给客人送外卖的机器人是既定路线加视觉避障，属于第一阶段，不是通用人形机器人的范畴。

人形机器人落地有个"不可能三角"——成功率、通用性、成本。第一阶段的工业机械臂就是牺牲通用性换极致精度。
这一轮追求"一定操作性+足够通用性"。举例：机械臂永远只把物料从A搬到B；新一代希望在同一车间既做堆料又装配又检测，这种切换能力就是泛化性。
两个都提上去，成本必增、AI控制难度变大——权衡不可避免。训练方式主要有两种。

真实环境遥操作，人先示范抓取，机器人结合视觉语音指令学习。虚拟环境合成数据训练，成本低速度快，但仿真物理跟真实世界还有域差距。
一台机器一天采的数据量，跟自动驾驶几百万公里的积累比差得远。从投资角度看，这条赛道跟历史上产业早期阶段一样，股票主要表现为主题投资、卡位投资。
硬件方案定义权在整机厂手里，能提供高性能又具备大规模降本能力的配套企业值得跟踪。整机层面，业内共识是极限性能靠软硬件一体的全栈路线——具备大模型能力、算力储备、承受得起较大资本开支的企业才有长期潜力。

也不排除大模型公司直接下场做机器人本体。一户一台机器人能否实现？大概率得到第四第五阶段。
这里有一层更底层的思考——人类对自身智能的本源理解都还没到位，意识怎么产生、智慧怎么涌现，基础科学都没吃透，要把这套东西赋予到机器人身上，不确定性相当大。
计算机发展史其实很像——人觉得难的逻辑运算它擅长，人觉得简单的常识感知它反而做不好。

回到产业调研的时间线，第二阶段机器人的第一次现场观察发生在2023年。跟企业和产业专家聊下来，印象跟研究判断吻合。
特斯拉链确实进了很多国内供应商，但特斯拉能走多远谁也说不准——2022年发的第一代，原定2025年百万台出货，现在时间表已推到2030年后。核心难点不是工业能不能造，而是AI要跨越式进步。
工厂里普通自动化产线的效率和精度已经足够高，市场真正想要的是"类人的、能泛化做各种任务的机器人"，这必须等AI大幅进步。抖音B站上的碎片信息和深入研究后的判断，往往差着一整个信息鸿沟。

给普通投资者的研究入口大致有两条：基础层面读读AI和大模型的科普书，跟上多模态方向的前沿进展；产业层面多看新闻、跟踪企业动态，有条件的找一手产业专家聊。
最后以《巴菲特之道》里的一句话作结——无论如何计算市盈率、市净率、股息率，所有沉迷于短线的赚钱方法，终将失败于短线。