风投界人士预言，特斯拉Optimus人形机器人将超越苹果iPhone，成为下一代计算平台，并预计到2036年全球将有10亿台机器人投入使用。这一判断基于机器人技术的指数级增长曲线，以及具身智能在工业与家庭场景中的加速落地。
Optimus的核心突破在于端到端神经网络驱动的运动控制与操作能力，其原型机已实现自主行走、抓取和精细物体操控。特斯拉计划利用其在电动车领域的电池、芯片和制造优势，将单台成本压至2万美元以下，从而打开大规模商用空间。与此同时，Figure AI、1X Technologies等公司也在推进VLA模型与仿真到现实迁移，推动机器人从固定工位走向开放环境。
行业分析认为，人形机器人将率先在制造业、物流和养老护理领域替代重复性劳动，随后进入家庭服务市场。若预测成真，机器人数量将在未来十年内超过全球汽车保有量，重塑劳动力结构与消费电子生态。这一进程的核心变量，在于基础模型能否在真实世界中稳定处理长尾场景，以及供应链能否支撑百万级量产。
孙正义携6亿美元押注1X，高调重返人形机器人赛道。这笔投资使1X估值达到14亿美元，成为软银在具身智能领域的关键落子。
1X总部位于挪威，其核心产品NEO双足机器人主打家庭场景，采用端到端视觉-语言-动作模型（VLA）驱动，结合仿真到现实（sim-to-real）迁移技术，实现复杂环境下的自主移动与灵巧抓取。与主流液压方案不同，NEO采用纯电驱动，单次充电续航达8小时，噪音控制在50分贝以下，更适合家庭长期部署。公司同步推进远程操作数据采集，用于强化学习训练，加速运动控制与操作能力的迭代。
这笔投资标志着孙正义从自动驾驶转向具身智能的战略重心转移。此前软银已减持波士顿动力股份，此次重仓1X，意在抢占人形机器人商业化先机。随着NEO计划于2025年量产，家庭服务机器人赛道将迎来真正的资本与技术双重较量。
中国专家指出，人形机器人尚不具备全面接管人类工作的能力。尽管技术取得显著进展，但机器人在复杂环境中的可靠性、成本效益及安全性仍存瓶颈。当前，双足运动控制与灵巧操作依赖强化学习及仿真到现实迁移，但端到端视觉-语言-动作模型在真实场景的泛化能力有限，抓取成功率不足90%。业界转向具身智能与基础模型融合，以提升自主决策水平。协作机器人已在工厂试点，但远程操作仍占主导，完全自主替代尚需时日。商业落地聚焦物流与巡检场景，AGV与AMR渗透率提升，但人形机器人量产成本高达数十万美元，制约规模化。行业共识是，未来五年人形机器人将作为辅助工具，而非替代劳动力。
Motion（欧洲首家Humanoids-as-a-Service平台公司）获200万美元pre-seed融资，由Extantia Capital领投，Norrsken Evolve参投。资金将把其在比利时工业、仓储和物流领域的五个试点项目推进至全面生产，并扩大团队和机器人车队。Motion采用按月付费模式，覆盖数据收集、任务训练、IT集成、合规维护等全部环节，且不绑定特定机器人厂商。欧洲制造业面临严重劳动力短缺，ManpowerGroup 2026年调查显示72%制造商招工困难。相比之下，高盛预测中国人形机器人年出货量2030年将超25万台，市场规模2035年达380亿美元。Motion的商业模式试图解决欧洲工厂在融资、风险和合规上的采用障碍，将雇佣机器人变得像雇佣人一样简单，为欧洲制造业应对劳动力缺口提供了一条可落地的路径。
智元机器人(Agibot)在第二届世界人形机器人运动会上首次亮相，以18金16银12铜共46枚奖牌登顶金牌榜和总奖牌榜。参赛的OmniHand、G2、A3和X2均为已量产或实际部署产品，而非竞赛特制。OmniHand在灵巧手项目8项决赛中斩获7金，X2以量产配置赢得100米障碍跑金牌，G2已在龙旗、上汽工厂部署。这显示具身智能正从单点演示走向跨场景规模化落地。
瑞士洛桑联邦理工学院(EPFL)团队受竹节虫启发，开发出六足机器人，其运动控制由人工神经网络驱动，无需预先编程步态。该机器人通过模仿昆虫的中央模式发生器(CPG)机制，在仿真中学习行走，并成功迁移到实体，实现仿真到现实(sim-to-real)的跨越。相比传统AGV依赖预设路径，该研究展示了端到端学习在复杂地形运动控制中的潜力，为具身智能的足式机器人提供了新范式，但距离商用AMR的自主导航仍有距离。
加州公司Robot.com推出四足送货机器人R-dog，脚部带轮，能弯曲膝盖跨越路缘和楼梯，解决配送最后100米障碍。货舱位于机身，到达后开后壁让包裹滑出，形似“排便”式投递。机身两侧配数字屏，可播放广告，将机器人变为移动广告平台。R-dog可同时装载多件包裹，但未说明如何区分释放哪件。Robot.com自2017年起开发机器人，已有校园配送R-kiwi、仓储R-cargo及人形R-noid等产品。该设计将送货与广告结合，为机器人商业化提供新路径，但多包裹分拣和广告效果仍需验证。
北京一场演示中，人形机器人骑上一台载重660磅的机器马，展示双足运动与四足载具的协同控制。该机器马由宇树科技（Unitree）等厂商开发，集成SLAM导航与强化学习算法，可在复杂地形保持平衡。此次演示将人形机器人的运动控制（locomotion）与外部载具结合，为具身智能在物流、巡检等场景的落地提供新思路，而非仅依赖端到端VLA模型。
一家公司推出安装在皮卡上的机器人臂，用于自动绘制道路标线。该系统结合SLAM与视觉-语言-动作模型(VLA)，能在施工区实时识别并喷涂线条，替代人工操作。相比传统AGV或AMR，它直接利用现有车辆平台，无需专用底盘，部署成本更低。该方案将具身智能引入户外基建场景，展示了操作(manipulation)与运动控制(locomotion)在非结构化环境中的落地潜力，而非停留在实验室抓取(grasping)演示。
日本精工(NSK)与机器人初创公司Atoms签署谅解备忘录(MOU)，共同开发国产人形机器人。NSK将提供执行器、减速器等核心部件，Atoms负责AI与整机集成。Atoms成立于2025年，其人形机器人自重15kg、可负重30kg，计划搭载30多个执行器。NSK CEO以“世界第一的咖喱店”比喻合作策略，强调通过优选部件与AI融合实现差异化。双方将共享物理AI数据，目标2027年推进量产。此举意味着日本正试图在具身智能赛道重新夺回硬件优势，通过传统精密制造与新兴AI公司的结合，加速人形机器人商业化落地。
日本机器人公司ZEALS与短工平台Timee于2026年8月27日宣布合作，启动“数据收集赞助网络”，为训练人形机器人等具身AI收集真实世界操作数据。ZEALS负责数据定义与质量控制，Timee则利用其1600万用户网络匹配临时工参与数据采集，场景包括前台接待、商品上架和店员辅助。该网络采用赞助商模式，由企业付费支持数据收集，并明确数据范围与用途。ZEALS主打紧凑型人形机器人D1，目标2026年量产100台。此举将日本零工经济与具身智能数据需求对接，为行业提供低成本、可扩展的真实操作数据采集路径。
日本企业Wiltec（ウイルテック）与RobotMateHub合作，在关西地区首次举办双足人形机器人实操活动，现已开放报名。活动将展示双足运动控制与远程操作技术，面向制造业及物流业用户。此举表明日本中小型集成商正加速推动人形机器人从实验室走向现场验证，以降低企业引入具身智能的门槛。
日本经济新闻指出，本田ASIMO停产后日本在人形机器人领域陷入停滞，而中国已培育超100家相关企业。文章建议日本发挥在减速器、传感器等核心部件上的供应链优势，而非整机竞争。这意味着全球人形机器人竞争格局正从整机研发转向零部件与量产能力比拼，日本需重新定位角色。
CRESSim-Neo是一个面向手术机器人和机器人学习的批量GPU仿真引擎，结合刚体、软组织、流体和绳索的基于位置的仿真，支持组织操作、抽吸、缝合及超声图像合成。在NVIDIA RTX 4090上，它实现8192个并行CartPole环境每秒203万步，并扩展到涉及组织变形和流体交互的手术场景。该引擎通过DLPACK实现与PyTorch的零拷贝集成，为具身智能研究提供GPU驻留的数据管线。对行业而言，它降低了手术机器人仿真到现实（sim-to-real）的门槛，使大规模合成数据生成和端到端学习成为可能。
LeWorldModel(LeWM)的SIGReg正则化方法被证明会抑制时间中心残差的方差，导致机器人状态与动力学信息（尤其夹爪动力学）解码能力下降。研究团队将SIGReg应用于时间中心残差而非整个潜在表征，在LIBERO基准的Goal套件上将下游策略成功率提升1.66倍，所有套件平均成功率从63.6%升至83.8%。该方法无需外部预训练，即优于从头训练的Diffusion Policy和预训练OpenVLA基线。这揭示了原始LeWM的方差分配偏差是下游策略性能差距的根源，解耦持久与残差方差能生成更适配机器人策略学习的表征。
LeFlow提出将潜在世界模型中的规划过程摊销化，不再为每个状态-目标对从头运行迭代优化器。该方法在潜在动力学空间中学习可复用的轨迹先验，用整流流模型生成未来潜在路径，再由逆动力学解码器输出动作块，冻结的世界模型通过自回归滚动验证候选。在四个目标条件像素控制基准上，LeFlow以固定预算的摊销规划替代迭代动作空间搜索，成功率一致提升，规划时间降低一个数量级。这表明潜在世界模型不仅能预测，还能承载可复用的规划先验，为具身智能中的长时程决策提供了更高效的范式。
Game2World Engine提出一套全栈框架，从游戏视频中自动提取UI资产并合成无UI干净画面，解决原始游戏画面干扰世界模型训练的问题。团队构建Game2World数据集，含96K合成配对视频和来自303款游戏的1,079条野外片段，并推出掩码无关的UI去除模型GameCleaner。实验显示，基于无UI视频训练的世界模型VideoReward提升6.83%，GameCleaner在合成视频上AAR达95.36，比最强时序掩码基线高57.3%。这意味着互联网海量游戏视频可被转化为高质量世界模型训练数据，降低具身智能和视频生成模型对昂贵真实数据的依赖。
强化学习策略评估常因在线采样方差过高而代价昂贵。现有行为策略搜索方法忽略转移函数不确定性，仿真训练的策略在真实环境部署时方差仍高。研究者提出双循环梯度算法，学习对转移扰动鲁棒的数据采集策略，并推导出转移方差梯度表达式与全局收敛保证。实验显示该方法对转移扰动的敏感度低于现有方案，可减少真实世界评估样本依赖，对具身智能中仿真到现实(sim-to-real)迁移的评估环节有直接价值。
CoWorld-VLA提出多专家世界推理框架，将世界表征作为显式条件引导自动驾驶动作规划。该系统构建语义交互、几何结构、动态演化、自车轨迹四类专家token，分别建模交互意图、空间结构、未来时序与行为目标，并采用扩散式分层多专家融合规划器生成连续轨迹。在NAVSIM v1与v2基准上验证了未来场景建模能力及避障、轨迹精度表现。该工作为端到端自动驾驶提供了可访问的规划条件信号，弥补了文本思维链难以保留连续时空结构、潜在世界推理难以直接约束动作生成的短板。
LpWM（LpWorldModel）提出用稀疏表示替代稠密表示来建模世界模型，在PushT任务中，稀疏LpWM在中等预测器容量下规划成功率比稠密LeWM最高提升57%。该方法通过Rectified Generalized Gaussian分布匹配正则化（RDMReg）获得非负稀疏编码，并发现稀疏表示能分解动力学模式，降低控制所需的预测器复杂度。这意味着具身智能体可用更简单的模型实现高效规划，同时获得可解释的潜在结构。