# 「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。
### TLDR
- **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」。
### SRC
素材时间窗为**当日 09:00 → 19:00**（北京时间，2026-10-07 09:00 至 19:00）。主源为**国金证券同日 09:43 经证券之星刊载的计算机行业研报摘录**，属窗口内发布，为机构研究报告而非新闻报道，全文口径以研报原文为准。需切开的几处：① 「32% 至 44%」研报只写「部分公开多指灵巧任务」，**未指名具体任务、数据集与评测机构**，本号照录区间并标注为不完全覆盖口径，不可当作行业平均；② 「GPT-2 时刻」是研报的**比喻性判断**，不是可测量结论；③ Optimus 产量「每周数十台 → 每周数百台」研报注明转引自 **The Information**，Fremont 产线与 Cortex 2 数字来自**特斯拉 2026 年 Q2 股东材料**，两者均为该研报的二手引用，本号未核对原始文件；④ AMD 拟以约 82 亿美元全股票收购 World Labs 为 **2026 年 9 月 28 日宣布**，研报明确「仍需满足监管审批等交割条件」，属未完成交易；⑤ 研报末尾列出的本体、北美链、机器人链、其他相关四类标的均含大量 A 股公司，本文只引用其**产业判断部分**，不转述任何个股推荐，也不构成任何投资参考。本号既有 `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。
### BODY
1两个说法必须一起读
「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%。
研报原文表述为「部分公开多指灵巧任务成功率仍处 32% 至 44%」，未指名任务与评测集；条形长度按百分比示意
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。
判断：这份研报最值钱的地方，是它把「人工接管频次」和成功率放在了同一句里。前者是运营侧指标——每百次任务要人插几次手；后者是实验室指标。一家厂商可以只报成功率，但接管频次藏不住，因为它直接决定一个岗位需要配几个人。凡是不报接管频次的验收条款，都不足以判断项目能不能续签。
2训练数据收敛成三条线
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。
3Optimus：进度被拆成能核的几条
产线、算力、产量、以及五条制造约束
产线
特斯拉 2026 年 Q2 股东材料确认，Fremont 已停用 Model S 与 Model X 产线，并安装第一代 Optimus 生产线；首批产品进入 Optimus Academy 开展数据采集与功能开发。
算力
超过 115MW 的 Cortex 2 已投入运行。
产量
研报引 The Information：产量由二季度每周数十台提升至 8 月每周数百台；年底目标为建成周产超过 1000 台的连续自动化产线。
约束
灵巧手和前臂装配、触觉传感器可靠性、工装精度、标定效率、供应商一致性。
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。
判断：这意味着人形机器人在这一阶段的产能，天花板更可能由装配与标定环节决定，而不是模型能力。对做二次开发和交付的团队来说，这有个直接推论：主机厂的交付节拍如果被装配卡住，下游集成商的排期就只能跟着走，把「本体到货时间」写进合同条款的优先级，应该高于任何性能承诺。
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。
4世界模型被芯片厂收编
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 |
表：四类范式与评价标准为研报原文归纳；「代表产物」一列由本号按范式含义补充说明，非研报原话。
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。
判断：这两条限定连起来读，等于把「人形机器人替代工人」这个叙事收得很窄——它先去的是那些「本来就没人愿意干、又没法用固定设备干」的岗位。这对做交付的团队是个筛选器：如果一个客户的需求能被一台固定机械臂加一套工装解决，人形机器人在这条线上短期内没有胜算，不该把它当作目标场景去投人力。
来源：国金证券《计算机行业研究：AI 的下一站，物理 AI》（刘高畅、郑元昊、孙恺祈），2026-10-07 09:43 经证券之星刊载研报原文摘录。抓取时间 2026-10-07 下午。