科技云报到：WRC 观察 | 竞争走向底层，算力资产决定具身智能“终局”

科技云报到原创。 近日，主题为“人机共生，产需共融”的2026世界机器人大会盛大启幕，373家企业、超3000件展品，300余款新品集中首发。 展馆里，人形机器人告别了单纯翻跟头、打功夫的表演式炫技，正式迈向“能想会干”的具身智能时 正值世界机器人大会举办期间，英伟达进一步加码物理 AI 与机器人赛道，动作频频、释放出高度重视的信号。公司联合 Apollo、贝莱德、黑石、博枫、高盛、KKR 六大全球头部资管机构，搭建独立融资平台，计划长期撬动超 5000 亿美元第三方资本投向 AI 基础设施建设，推动算力资源成为一类全新可投资资产。 大会首日，英伟达黄仁勋女儿Madison Huang作为物理 AI 与机器人高级总监 专程到访 WRC 现场，实地考察人类数据、物理仿真、规模化评测、真实场景部署反馈等方向的前沿技术成果，深度跟进行业一线进展。 NVIDIA物理AI与机器人高级总监 MadisonHuang 很多人只看见热闹的机器人硬件，却忽略两件事是一套完整产业叙事：机器人是物理世界的终端出口，AI工厂是底层生产引擎。 繁荣表象之下，算力资产重构、物理AI的现实鸿沟、硬件与软件的适配，才是决定行业能否真正跑通的核心命题。 算力为先 重构AI行业资本游戏规则 对于英伟达5000亿美元的AI基建投资计划，市场很容易简单解读：英伟达拉来华尔街资本，拿钱疯狂买GPU建机房。 但这个认知，完全低估这次变革的底层范式颠覆。 传统模式下，算力是成本项。云厂商、AI企业、机器人公司想要做大模型、做仿真训练，必须自己掏巨额资本开支采购服务器，重资产压在企业资产负债表上。 企业现金流天花板，直接锁死算力扩张速度。 机器人初创企业尤其痛苦，一边要烧钱研发电机、灵巧手硬件，一边还要承担仿真、具身大模型训练的巨额算力账单，两头烧钱，融资压力巨大。 而英伟达推动的AI工厂模式，核心完成了三重范式转移。 首先，算力从成本资产，变成可产生现金流的经营性资产。AI工厂不再是存放服务器的仓库，而是生产智能（Token词元）的工业化厂房。 输入电力、芯片、数据，输出模型能力、仿真数据、动作策略；算力像电网一样对外出租，按用量计费，产生稳定租金式现金流。 资本方评估项目，看利用率、现金流回报，而不是看硬件折旧报废周期。 CUDA软件持续迭代，让硬件在生命周期内持续升值，打破传统 IT 硬件快速贬值的宿命。 其次，将风险重新切割，英伟达出全栈软硬件，华尔街出钱，产业客户用算力。 英伟达不直接出资5000亿，而是提供整套AI工厂技术栈，六大资管调动第三方长线资本去投资建设算力资产；机器人、AI企业不需要一次性巨额采购，以租赁、按需付费模式获取算力。 相当于算力基建开启“按揭模式”，把重资产从科技公司剥离，交给金融资本承担风险。 再次，锚定物理AI，机器人成为AI工厂最重要的下游出口。很多人以为AI工厂主要服务大语言模型。但黄仁勋明确，物理AI、机器人、数字孪生是AI工厂核心工作负载。 随着大语言模型红利逐步见顶，物理AI才是下一个万亿赛道：机器人仿真世界模型、VLA（视觉‑语言‑动作）模型、海量并行虚拟机器人试错训练，都会疯狂吞噬云端算力资源。 对于人形机器人而言，其算力需求主要分为三层，每一层都高度依赖AI工厂底座。 云端仿真训练算力层面，在虚拟世界跑百万级虚拟机器人，生成合成物理数据，完成强化学习，解决真实世界试错成本太高的痛点； 具身大模型训练算力层面，训练VLA大模型，让机器人听懂指令、理解三维环境、规划全身动作； 边缘端推理算力层面，训练完成的大模型蒸馏压缩，部署到机器人本体，实现毫秒级实时运动控制，保证行走、抓取稳定性。 理想是美好的，但现实是残酷的。大模型可以低成本抓取互联网的海量数据样本完成训练迭代，但物理AI与人形机器人的赛道，这套逻辑完全行不通，物理世界并不存在互联网那样唾手可得、规模庞大的现成标注数据。 想要让机器人学会在现实环境里行走、识别杂物、灵活抓取工件、完成工业作业，就需要获取真实三维环境、物体力学特性、接触交互、力反馈等维度的数据。 如果全部依靠真机实地采集，需要人工标注每一组动作、姿态、环境参数，不仅时间周期漫长，而且成本居高不下。 因此，行业寄望于在虚拟仿真环境中复刻物理规则，在数字世界同时运行成千上万台虚拟机器人，让其不计成本地反复试错、探索各类场景，自动生成海量的交互、运动、感知数据，再把仿真训练得到的能力迁移到真实机器人本体，以此绕开真实世界试错的种种限制。 但硬币的另一面随之而来：仿真本身就是一头吞噬算力的巨兽。 要做到高度还原现实，仿真不能只做简单的画面渲染，还要高精度计算重力、摩擦力、物体形变、碰撞反馈、传感器噪声、光照变化等复杂物理参数。 同时并行成千上万虚拟机器人实例、大规模跑强化学习训练、生成百万级量级的合成样本，每一步都要消耗巨量的计算资源。 场景越复杂、物理还原度要求越高、并行虚拟机器人数量越多，算力的消耗就会呈指数级上涨。 这也就形成了行业绕不开的现实矛盾：人形机器人想要进步，极度依赖仿真合成数据；但高质量大规模仿真训练，又反过来对云端算力基础设施提出了近乎苛刻的要求。 没有足够规模、极具性价比的算力底座，想要靠仿真批量“制造”机器人训练数据，本质上就是无源之水。 这也正是为什么AI工厂、物理AI算力建设，会成为整个人形机器人产业发展绕不开的底层前提。 硬件已就位 但“大脑”陷入双重困局 本届世界机器人大会，清晰展现了这样一种行业现状：硬件快速追赶，但软件“大脑”成为最大短板。 展会上，大量国产人形机器人完成爬楼梯、梅花桩行走、无序物体自主抓取、商业服务作业。 减速器、伺服电机、传感器供应链持续成熟，运动能力已经达到可用级别，量产预期不断抬升，业内预测国内人形机器人整机产量有望冲击十万台级别。 但热闹的背后，行业仍然存在三个难以回避的结构性矛盾： 首先，Demo表现很强，但Sim‑to‑Real（仿真到现实）迁移鸿沟依旧巨大。 大量机器人在展馆预设环境表现完美，一旦放到工厂杂乱工位、家庭复杂居家环境，性能大幅滑坡。 仿真环境训练成功率100%的策略，落地真机后性能常常下跌30%以上。仿真很难完整复刻摩擦力、物体形变、传感器噪声等真实物理细节，这就是物理AI最著名的虚实迁移鸿沟。 要填平鸿沟，不仅需要海量真实世界数据，还需要巨量算力进行仿真迭代优化。 而这恰恰是绝大多数人形机器人创业公司的最大负担。没有充足的工厂级算力底座，仅靠自建小集群，很难完成大规模迭代。 第二，硬件成本快速下探，软件大脑成本居高不下。 减速器、电机受益于制造业规模效应，价格持续下行。但具身模型训练、真实场景数据采集、仿真算力成本没有出现规模降本。 一台工业级人形机器人，硬件BOM成本可以持续压缩，但背后每一次模型迭代、每一轮仿真训练，都在持续消耗算力成本。 未来，机器人企业的成本结构，会从硬件主导，逐步转向“硬件+算力+数据”综合成本。如果算力使用成本居高不下，即便硬件做便宜，整机商业化依旧很难跑通经济账。 第三，行业竞争已经从零部件比拼，升级为全栈基础设施生态之争。 过去讨论人形机器人，话题集中在灵巧手、谐波减速器、电池。但世界机器人大会释放出了一个新信号：单纯堆硬件，已经很难拉开差距。 未来比拼的，