60% 的工厂精度、98% 的客户要求：野村把机器人的「ChatGPT 时刻」拆成五项可以打分的运营指标
一场发布会能把机器人大脑从 GPT-2 以下推到 GPT-2 附近，但推不进客户的运营预算。野村给的五个数字里，有两个决定了这笔钱最终从哪本账上出。
- 核心坐标：野村认为机器人大脑现在处在「AlexNet 之后、GPT-2 之前」，12 月至次年 1 月的新模型可能更接近 GPT-2，但仍不具备量产条件。
- 五项硬门槛：连续工作时长（最好只撑几小时，工厂要求连续一周无人干预）、精细操作（扎紧垃圾袋 44%、把垃圾扫进簸箕 32%）、模型适配新本体（谷歌约 7–8 小时，中国厂商约两周）、新任务演示次数（实验室已降至 1–2 次）、工厂操作精度（行业约 60%，要求 98% 以上）。
- 数据临界点：训练启动需 1000 万小时，长期需 1 亿小时；行业目前可用数据约 10 万小时，特斯拉 Optimus 刚突破 50 万小时；宇树约四分之一的记录时间可被利用。
- 数据价格：遥操作约 700 元/小时、UMI 100–300 元、第一人称视频 300–350 元、仿真约 120 元；2026 年中国数据采集市场约 40 亿–50 亿元。
- 硬件与成本：1.7 米机器人成本 15 万–20 万元、1.3 米 3 万–4 万元，执行器占零部件成本 50%–75%；2026 年灵巧手出货预计同比增长 80%–120%，当年 30%–50% 的工厂夹具被取代。
- 判断线索：五项里最重要的是第一项和第五项，因为它们决定客户是从运营预算还是试验预算里掏钱。
机器人行业这两年最不缺的是发布会。几乎每个月都有一家宣布自己的模型在某个榜单上刷新了最好成绩，配上几段剪辑过的演示视频。野村这份研报的价值，恰恰在于它把「发布会能解决什么、解决不了什么」说清楚了：一场发布会可以把机器人大脑从 GPT-2 以下推到 GPT-2 附近，但推不进客户的运营预算。
研报提出的五项测试，每一项都能对上客户实际会问的问题。第一项是连续工作时长——目前表现最好的机器人只能运行几小时，而工厂要求连续运行一周不需要人工干预。第二项是精细手工操作，搭载 Sharpa Wave 手部的 Apollo 2 机器人，把垃圾袋扎紧的概率是 44%，把垃圾扫进簸箕是 32%。第三项是模型适配新本体的速度，谷歌大约需要七到八小时，中国技术更先进的厂商约需两周。第四项是完成新任务所需的演示次数，实验室环境下已经降到一两次。第五项是工厂环境里的操作精度，行业检测结果约 60%，而要求是 98% 以上。
| 指标 | 当前水平 | 客户要求 | 差距性质 |
|---|---|---|---|
| 连续无人干预工作时长 | 数小时 | 连续一周 | 数量级 |
| 垃圾袋扎紧 / 扫入簸箕 | 44% / 32% | 接近稳定成功 | 能力缺口 |
| 适配新本体耗时 | 7–8 小时（谷歌）/ 约两周（中国厂商） | 越快越好 | 工程效率 |
| 新任务所需演示次数 | 1–2 次（实验室） | 少样本可用 | 已接近达标 |
| 工厂操作精度 | 约 60% | 98% 以上 | 数量级 |
这五项里，第四项是最乐观的，第三项是最容易被忽视的，第一项和第五项是最要命的。研报的判断是：第一项与第五项决定了客户是否愿意从运营预算而非试验预算里付钱。这句话值得单独拎出来讲——试验预算和运营预算不是同一个池子，前者的审批逻辑是「试试看值不值得」，后者的审批逻辑是「每台每年省下多少钱」。一个机器人只要还停在 60% 的精度，它就永远只能花前一种钱。
研报把数据当作核心约束，给出的数字相当具体。语言模型可以用整个互联网的文本训练，机器人没有这样的存量。遥操作能采数据，但既贵又慢，而且数据绑死机型——机器人从腿式改成轮式，之前采的数据就用不上了。
研报给出的临界点约为 100 万小时，大致相当于一个人的一生所积累的时间。目前以统一格式收集到的可用数据仅约 10 万小时，领先企业的高质量数据也只有几十万小时，特斯拉 Optimus 采集的数据刚刚突破 50 万小时。启动训练需要 1000 万小时，长期则需要超过 1 亿小时，而行业目前只积累了几百万小时。
更麻烦的是有效率。研报提到宇树只有约四分之一的记录时间能被利用，每四小时记录中约一小时有效。这一点常被忽略：数据量不是按采集时长算的，是按可用时长算的。
数据贵在哪里，研报也给了单价：遥操作约 700 元/小时，UMI 约 100–300 元，第一人称视频约 300–350 元，仿真约 120 元。2026 年中国数据采集市场规模约 40 亿至 50 亿元，其中实体机器人遥操作约 24 亿元、第一人称视频和 UMI 约 13 亿元、仿真约 6 亿元、故障恢复约 3 亿元。
典型的数据构成已经是 60% 第一人称视频、30% UMI、10% 真实机器人数据。转向视频的逻辑不难理解：视频是摄像头画面，可以在不同代次的机器人之间复用，而遥操作数据绑死机型。判断：这解释了为什么过去一年「人类视频预训练」会成为显学——不是因为视频更好，是因为它是唯一能规模化且不绑机型的来源。
研报对硬件的判断里，最反直觉的一条是灵巧手为什么突然变重要。过去很多机器人用两指夹爪，不是因为夹爪更好，而是因为可用来训练手部的数据太少。基础模型变强之后，基于两指或三指夹爪学到的技能可以迁移到五指手上，于是五指手第一次有了「不靠专门数据也能用」的可能。
据此，研报预计 2026 年灵巧手出货量同比增长 80% 至 120%，高自由度技术引领趋势，今年将有 30% 到 50% 的工厂夹具被取代。成本侧，1.7 米高的机器人成本约 15 万至 20 万元，1.3 米高的约 3 万至 4 万元；执行器（电机与齿轮箱组件）占零部件成本的 50% 到 75%。宇树目前自研设计覆盖 BOM 约 80% 到 90%，自研制造约 50%，第三方模块占 10% 到 15%。
另一条更关键的是「一致性制造」。人形机器人有 20 多个关节，如果不同机器人之间的行为存在细微差异，在一台机器人上训练出的控制策略可能只适用于少数其他机器。这意味着量产不是把零件装起来就完事，而是要把「每台都一样」做成工艺能力。