「GPT-2 时刻」和 32% 到 44%：这份卖方研报把物理 AI 的进度，钉在了一个不好看的区间上
一份当天上午发布的卖方研报，用「GPT-2 时刻」形容物理 AI 的当前阶段，同时给出一个很少出现在路演材料里的数字：部分公开多指灵巧任务成功率仍在 32% 到 44%。两个说法放在一起，才是它真正想说的话。
- 一个不好看的区间：研报指出，行业已呈现「GPT-2 时刻」的早期特征，但部分公开多指灵巧任务成功率仍处 32% 至 44%。
- 三个真正的瓶颈被点名：陌生环境泛化、长任务稳定性、人工接管频次——最后一项是运营侧指标，不是实验室指标。
- 训练体系收敛成三条线：真机数据校准物理误差、仿真数据扩充环境与失败恢复轨迹、人类视频提供任务语义与技能先验。
- 四个模型被列为已具备跨任务、跨本体、少样本适配能力：Gemini Robotics 2、GR00T、V-JEPA2、XPACE。
- Optimus 的进度被拆成能核的几条：Fremont 已停用 Model S/X 产线并安装第一代 Optimus 产线；首批产品进入 Optimus Academy 做数据采集；超过 115MW 的 Cortex 2 已投入运行；产量从二季度每周数十台升至 8 月每周数百台，年底目标周产超 1000 台。
- 制造约束被列成五条：灵巧手与前臂装配、触觉传感器可靠性、工装精度、标定效率、供应商一致性。研报自己在风险提示里写明「Optimus 生产和供应链信息存在口径偏差的风险」。
physical-ai-five-layer-control-architecture-six-gaps（346 号）用的是五层控制架构切口，本文用的是单一卖方研报的进度自评与制造约束清单切口，来源、框架与统计对象均不同，不构成重复。判断均为作者分析，已用「判断：」标注。「GPT-2 时刻」和 32% 到 44%
这份研报里有两句话，单独看都不算出奇，连在一起才构成一个完整的判断。
第一句是定性的：行业呈现「GPT-2 时刻」的早期特征。在 AI 的语境里，这个词的含义很明确——方向已经确定，但距离真正好用还隔着一次规模跃迁。它既不是「已经跑通」，也不是「还早得很」。
第二句是定量的，而且难得地难看：部分公开多指灵巧任务成功率仍处 32% 至 44%。
这两个数字对读的意义在于：32% 到 44% 是一个「不能忽略、也不能依赖」的区间。它意味着在公开评测条件下，超过一半的尝试会失败。如果这是一个需要连续执行数十步的长任务，单步成功率 40% 意味着整链成功率会衰减到接近于零——这正好解释了研报为什么把「长任务稳定性」和「人工接管频次」单独列为规模部署的核心约束。
真机、仿真、人类视频：各补什么
研报对训练体系的描述已经相当统一：真机数据校准物理误差，仿真数据扩充环境和失败恢复轨迹，人类视频提供任务语义与技能先验。三线融合，而不是三选一。
真机数据
作用是校准——把仿真与真实世界之间的系统性偏差对齐。代价是采集最贵，一台本体一天可能只产出几小时可用数据。
仿真与人类视频
仿真用来扩充环境与失败恢复轨迹（后者在真机上极难刻意采集）；人类视频提供任务语义与技能先验，成本最低但需要跨本体转换。
这里有一个容易被忽略的细节：研报把「失败恢复轨迹」划给了仿真，而不是真机。这符合工程直觉——真机上你很难让机器人反复摔倒再爬起来，因为每一次失败都要付出时间和物料成本。
Gemini Robotics 2、GR00T、V-JEPA2、XPACE 被研报列为已展现跨任务、跨本体及少样本适配能力的代表，同时指明 VLA 与世界模型开始支持多步规划和失败纠错。判断：这张名单里同时出现谷歌、英伟达、Meta 三家，说明「世界模型 + VLA 融合」这件事已经不是某一家的路线，而是被普遍接受的技术方向——真正还没解决的，是把它稳定地放到一台机器上连续跑。
产线、算力、产量、以及五条制造约束
把这几条按顺序读，会发现一件有意思的事：产线、算力、产量三条是「已经发生」的，约束五条是「还没解决」的，而五条约束里没有一条是 AI 问题。灵巧手与前臂装配、触觉传感器可靠性、工装精度、标定效率、供应商一致性——全部落在制造与供应链上。
研报还给出了产业价值延伸的方向：由核心零部件扩至自动化装配、检测标定、数据治理、仿真训练和部署运维平台。这四个环节里，前两个是制造业的老活，后三个是具身智能带来的新增量。
值得注意的是研报的自我限定：它在风险提示里单独写了「Optimus 生产和供应链信息存在口径偏差的风险」。一份把产量数字写进正文的研报，同时承认这些数字可能有偏差，这个姿态比数字本身更值得记录。
AMD 与 World Labs：模型与计算平台协同加深
研报把AMD 拟以约 82 亿美元全股票收购 World Labs 列为世界模型进入产业投入期的标志性事件。按研报引述：交易 2026 年 9 月 28 日宣布，预计 2026 年底前完成，仍需满足监管审批等交割条件；交易完成后李飞飞拟出任 AMD 执行副总裁兼首席科学家。
研报对 World Labs 的 Atlas 的描述是「能够原生处理文本、图像、视频、相机位姿和 3D 信息」。它对硬件的含义也被写得很具体：世界模型持续处理视频、三维结构、环境状态和连续动作，对显存容量、内存带宽、视频编解码、推理时延及端云协同提出了更高要求。
| 世界模型范式 | 代表产物 | 评价标准 |
|---|---|---|
| 三维空间生成 | 直接产出可交互的三维场景 | 空间一致性 |
| 像素及视频预测 | 预测下一帧／下一段画面 | 画面质量 + 物理合理性 |
| 潜变量预测 | 在隐空间推演状态变化 | 下游任务可用性 |
| 物理及行动条件模型 | 以动作与物理约束为条件推演 | 动作可控性 + 长期预测能力 |
评价标准从「画面质量」扩展到「空间一致性、物理合理性、动作可控性、长期预测能力」——这句话隐含了一个变化：世界模型的好坏，正在从「看着像不像」转向「推演得准不准」。画面好看是给人看的，物理合理是给控制器用的，后者的评估成本高得多。
场景侧研报给了两条限定，都值得原样记下：一是标准化、高重复任务已有通用或专用设备覆盖，人形机器人的价值在灾害救援、复杂设备维护、柔性制造、家庭照护这类非标任务上；二是近期落地仍以付费主体和回报测算更清晰的 To B 场景为主。