本文转自微信公众号“硬AI”，作者：硬AI。

人形机器人正在快速发展，但整体技术仍未达到工业或消费领域大规模应用的要求。高盛认为，人形机器人技术的拐点可能会出现在三个方面：解决多个通用任务、高成功率和持续稳健性、快速推理。目前，人形机器人的发展仍然存在一些障碍，比如缺乏训练所需的原始数据。

作者 |蒋紫涵

编辑 | 硬 AI

近日，特斯拉Optimus的现场演示以及宇树Unitree H1的春晚首秀，都展示了人形机器人的进步，但整体技术仍未达到工业或消费领域大规模应用的要求，主要受限于通用和自主AI能力不足。

2月20日，高盛分析师Jacqueline Du、Yuichiro Isayama等人发布研报称， 人形机器人技术的拐点可能会出现在三个方面：解决多个通用任务、 高成功率和持续稳健性、 快速推理。

高盛还指出， 近年来，人形机器人制造商数量快速增长，这一行业可能已经接近进入量产阶段，此外，英伟达推出的物理AI研发生态系统也是推动人形机器人技术发展的另一个关键因素。

在2024年3月的GTC大会上，英伟达推出了边缘计算SoC Jetson Thor、GR00T模型，以及Isaac平台。Jetson Thor是人形机器人所需的高性能硬件，能够让机器人自主运行预训练的边缘AI模型；Isaac是一个集成了多种工具的研发平台，生成了英伟达内部的通用模型GR00T。

但是，高盛也指出， 目前人形机器人的发展仍然存在一些障碍，比如缺乏训练所需的原始数据。

与大语言模型（LLMs）类似，机器人AI模型也需要大量数据来支持模型训练和优化；但与LLMs的视频、图像、文本数据不同，机器人AI模型所需的重要物理数据（如力、扭矩、运动数据）仍然稀缺。

因此，弥补原始物理数据的短缺已成为促进机器人AI研发的共识需求，鉴于这一需求，多家企业纷纷做出响应。例如，英伟达推出的Isaac GR00T Blueprint和Cosmos框架能够利用合成数据加速模型训练，弥补这一不足。

通用性是人形机器人与传统工业机器人之间的关键区别：传统工业机器人通常被设计用于完成特定任务，如装配线上的单一操作；相比之下，人形机器人需要具备处理多种任务的能力，比如在家庭、办公室或工业环境中执行不同的工作。

因此， 高盛认为人形机器人至少需要在多个（例如5到10个）通用任务上表现出色，才能开始大规模应用。

这里的通用任务包括但不限于搬运物品、清扫、提供服务（如引导、语音识别）、数据采集、以及与人类的互动等。这种通用性是人形机器人实现大规模应用的关键，因为它能使机器人适应更加多样化的工作环境和需求，而不仅仅局限于特定领域。