全球自动化：人形机器人2026年技术前沿

人形机器人：2026年的科技前沿 仿人机器人技术正进入加速发展阶段，并已迈入大规模商业应用门槛。本文旨在阐述行业当前前沿，为投资者评估进展及行业参与者所做众多声称提供基准。 +852 2123 2631jay.huang@bernsteinsg.com黄杰，博士 +852 2123 2666weibin.liang@bernsteinsg.com梁伟斌 博士 我们重点阐述了五个维度（见展位1）的前沿和未来方向，其中展示了杰出参与者在这些维度上取得的进展示例（见展位2）。在移动方面，两年前令人印象深刻的平面稳定行走已进展到需要高动态全身控制和与环境自适应交互的动作。操作任务已从单步拾放发展到更高的灵巧度、更长的任务序列和工业级可靠性，尽管在这些所有领域，发展仍处于早期阶段。在自主性方面，远程控制已基本放弃，目前最常见的自主任务包括短期自主任务和预定义的长期自主任务。长期自主规划、技能迁移和任务泛化刚刚兴起，是未来发展的重点。机器人大脑范式已从大型语言模型/视觉模型发展到视觉-语言-动作（VLA）模型（2024-2025年），从2026年起将由世界行动模型（WAM）增强。数据模态已大大多样化，总体趋势是摆脱远程操作（成本高、效率低、依赖硬件），优先考虑以自我为中心、平台无关的数据（如人体视频），并辅以非视觉数据的综合应用。 +852 2123 2622dien.wang@bernsteinsg.com迪恩·王，博士 这些进展的核心是机器人脑模型的演变，将世界模型（World Model）作为“规划器”来使用。本质上，VLA是“语言到行动”，而WAM则是“基于环境状态、上下文和经验采取行动”。WAM预测物理上可行的未来状态（图6），然后根据这些预测生成未来行动。这类似于人类大脑在采取行动之前想象结果（图4）。这种方式使得WAM有望提高任务泛化能力和性能鲁棒性（图8、图10、图11）。拟人化机器人球员正迅速拥抱让机器人“想象未来”的理念，通过开发独立的WAM或将世界模型嵌入现有的VLA（图9）来实现。目前面临的挑战包括与VLA相比推理速度较慢，以及用于训练WAM的触觉和材料属性等非视觉数据非常有限。 WAM的兴起可能会重塑行业生态系统和竞争格局。WAM强调机器人动作和环境方面的数据多样性。这类数据更有可能从开源获取，并且不受硬件平台的影响。这有可能降低从远程操作或已部署机器人收集的用于后训练数据的负担。因此，竞争优势部分地从“数据所有权”转向了更优越的模型架构和数据整合能力。这种转变可能使独立的大脑/基础WAM开发者受益，例如Physical Intelligence（私营）和Nvidia。他们可能会补充大脑-身体集成机器人OEM，例如Figure AI、Agibot和LimX（均为私营）。我们设想，机器人大脑将演变成类似于电动汽车电池和动力总成——一些最好的OEM选择拥有自己的，而其余的则认为从最好的第三方供应商处购买更好。WAM范式也可能有利于填补世界模型关键物理数据空白的公司，例如在触觉感知方面进行填补的PaXini（私营）。 细节 图5：三种主要的世界模型及其应用 图6：“渲染”式世界模型生成视觉上合理的输出，而“模拟器”和“规划器”式世界模型嵌入所学物理规律以产生物理上可行的输出。 图7：扩散政策模型能够捕捉多种解决方案模式并选择其中一个作为最终结果，而其他类型的模型可能会坍缩到单一模式或在不同模式间振荡，从而限制任务泛化能力。 图9：物理智能VLA模型随时间的演变 图11：凭借嵌入的世界模型，π0.7 (GC) 突破了强训练数据集偏差——训练于“微波炉到冰箱”，测试于“冰箱到微波炉” 作为展品1的学术来源，如下所示：“Hold My Beer：学习温和的人形机器人运动和末端执行器稳定控制”，作者为李毅 tang 和等；“感知人形跑酷：通过动作匹配链式动态人类技能”，作者为吴振 和等；“学习现实世界人形机器人的起身策略”，作者为何夏林 和等；“RGMP：循环几何先验多模态策略，用于通用化人形机器人操作”，作者为李雪涛 和等；“负载感知运动控制，用于工业运输任务中的人形机器人”，作者为付乐群 和等；“路径和运动优化，用于人形机器人高效多位置检查”，作者为吴嘉阳 和等；“LESSMIMIC：具有统一距离场表示的长时程人形交互”，作者为林宇 tang 和等；“MANA：关节工具的灵巧操作”，作者为尹兆恒 和等；“通过RL增强的远程操作和混合灵巧专家VLA实现类人操作”，作者为唐突天 和等；“TWIST：远程操作的全身模仿系统”，作者为曾岩杰 和等；“CHILD（人形模仿和实时演示控制器）：全身人形远程操作系统”，作者为Myers诺布鲁 和等；“EgoVLA：从第一人称人类视频学习视觉-语言-动作模型”，作者为杨瑞涵 和等；“从海量人类视频学习通用人形姿态控制”，作者为毛嘉庚 和等；“Cortex 2.0：在世界模型中实现现实世界工业部署”，作者为Adriana Aida 和等；“人形全身羽毛球，通过多阶段强化学习”，作者为刘晨浩 和等；“RoboPaint：从人类演示到任何机器人和任何视角”，作者为范嘉成 和等；“从人类视频中获取结构化世界模型”，作者为Russell Mendonca 和等；“Stereo4D：从互联网立体视频学习物体如何3D运动”，作者为金林怡 和等。 将附件2中的每个示例链接起来： 3. https://interestingengineering.com/videos/chinas-agibot-is-livestreaming-humanoid-robots-from-a-real-factory4. https://www.limxdynamics.com/zh/news/BK0000655. https://www.figure.ai/6. https://www.rockingrobots.com/figure-ai-claims-200-hour-autonomous-package-sorting-run-with-figure-03/7. https://www.youtube.com/watch?v=V1Lxp-Q6Y9g8. https://www.youtube.com/watch?v=3aQWvdCac9ohttps://thekidshouldseethis.com/post/martial-arts-robots-viral-video-2026-spring-festival-gala2.https://apnews.com/video/仿人机器人追逐波兰首都华沙的野猪-189795eb9cc641f7a5b5d071632e7c01 投资影响 重申FANUC、Inovance、Harmonic Drive、Cognex和Keyence的超越表现；Estun的市场表现。 伯恩斯坦行情表 I. 强制性披露 “Bernstein”或“公司”在这些披露中的指代关系如下：Bernstein Institutional Services LLC（自2024年4月1日起）、SanfordC. Bernstein & Co., LLC（2024年4月1日前）、Bernstein Autonomous LLP、BSG France S.A.（自2024年4月1日起）、盛博香港有限公司、Sanford C. Bernstein (Canada) Limited、Sanford C. Bernstein (India) Private Limited（印度证券与交易所委员会注册号为INH000006378）、Sanford C. Bernstein (Singapore) Private Limited、Sanford C. Bernstein Japan KK（サンフォード・C・バーンスタイン株式会社）以及受Société Générale非洲技术与服务公司（Société Générale Africa Technologies & Services）委派，根据Bernstein与Société Générale之间达成的全球服务协议（Global Services Agreement）撰写Bernstein研究报告的分析师。 伯恩斯坦是法国兴业银行（SG）和联博投资管理公司（L.P.，简称AB）组建的合资企业的一部分。除非另有说明，根据本披露的目的，提及伯恩斯坦的“关联公司”均指SG、AB及其各自的关联公司。 评估方法 爱斯坦自动化有限公司 我们使用市销率（EV/EBITDA）作为主要估值方法。我们的目标价26.0元（A股）和17.3港元（H股）是基于35.9倍的市销率，该市销率对应我们1年期前瞻性EBITDA预估67.72亿元人民币。我们设定该市销率参考过往周期，但会根据我们认为在多个周期中推动市销率走高或走低的长期或竞争性趋势进行调整。我们根据A/H股溢价平均值设定Estun的H股目标价。我们使用现金流折现法（DCF）作为公司长期内在价值的参考依据。随着我们处于周期不同阶段，时间依赖性目标价可能会偏离DCF隐含的价值。 发那科株式会社 我们使用市盈率（EV/EBITDA）作为主要估值方法。我们根据22.5倍的市盈率，并以（自初步公开日期起的）1年期前瞻性EBITDA预估值2513.96亿日元为基础，设定了7000日元的目标价。我们参考过往周期设定目标倍数，但会根据我们所认为的、在多个周期中推动倍数上升或下降的长期或竞争性趋势进行调整。我们使用现金流折现法（DCF）作为公司长期内在价值的参考依据。随着我们进入周期的不同阶段，时间依赖性的目标价可能会偏离DCF隐含的价值。 和谐驱动系统公司 我们使用市盈率（EV/EBITDA）作为主要估值方法。我们基于45.5倍的市盈率，并以1年期前瞻性EBITDA预测值（自财报发布日起）161.94亿日元为基准，设定了7,800日元的目标价。我们参考过往周期设定目标市盈率，但会根据我们认为在多个周期中推动市盈率上升或下降的长期或竞争性趋势进行调整。我们使用现金流折现法（DCF）作为公司长期内在价值的参考依据。随着周期不同阶段的推进，基于时间的目标价可能会偏离DCF隐含的价值。 键司德株式会社 我们使用市盈率（EV/EBITDA）作为主要估值方法。我们采用21.5倍的市盈率，基于我们预测的1年期EBITDA（自初步公开日期起）8313.23亿日元，设定了86000日元的目标价。我们将目标市盈率应用于即将到来的周期峰值以计算企业价值，并将其折现以得出我们的目标价位。我们使用现金流折现（DCF）作为公司长期内在价值的参考依据。随着我们经历周期的不同阶段，时间依赖性的目标价可能会偏离DCF隐含的价值。 深圳英诺万斯科技有限公司 我们使用市盈率（EV/EBITDA）作为主要估值方法。我们基于24.0倍的市盈率，并以8971.6亿元人民币（自初步公开日期起一年前瞻性EBITDA预估）为目标价设定了82元人民币的目标价格。我们参考过往周期设定市盈率，但会根据我们认为在多个周期中推动市盈率上升或下降的长期或竞争性趋势进行调整。我们使用现金流折现法（DCF）作为公司长期内在价值的参考依据。随着我们进入周期的不同阶段，时间依赖性目标价可能会偏离DCF隐含的价值。 科恩克斯公司 我们使用市销率（EV/EBITDA）作为主要估值方法。我们基于36.5倍的市销率（EV/EBITDA），并以333.4百万美元（自初步公开日期起一年前瞻性EBITDA预估）为目标，设定了75.00美元的目标价。我们参考过往周期设定该倍数，但会根据我们认为是跨多个周期推动倍数上涨或下跌的长期或竞争性趋势进行调整。我们使用现金流折现法（DCF）作为公司长期内在价值的参考依据。随着我们进入周期的不同阶段，时间依赖性目标价可能会偏离DCF隐含的价值。 风险 爱斯坦自动化有限公司 我们对Estun的看法所面临的风险主要与中