2026年世界人工智能大会（WAIC）刚刚闭幕，但会场上的讨论仍在持续升温。人形机器人与人工智能的深度融合，正将整个行业推向一个全新的阶段——“实干期”。然而，当机器人真正需要在开放场景中自主作业时，却迎面撞上了两堵墙：大模型难以理解物理世界中的因果关系，传统摄像头又无法提供可靠的深度数据。用业内人士的话说，让机器人拿一杯水，它可能直接一把抓翻前面的杯子——“平面视频训练不出前后距离感”。 为此，一些硬件厂商不再满足于单纯销售机器人硬件，而是开始向机器人企业提供“数据训练接口”，直接介入数据采集与模型训练环节。与此同时，做数据采集的公司也开始主动联系激光雷达厂商，探索新型传感器，目标只有一个：让机器人数据训练更具“立体感”。 那么，高质量数据的瓶颈究竟在哪里？ 7月17日，2026年WAIC在上海世博中心正式启幕。与往年不同，今年展会上，AI的变革形态变得格外清晰：它不再局限于屏幕里的文字和图像生成，而是以大批国产人形机器人和具身智能硬件的形式，遍布在场馆的各个角落——有的甚至负责为观众指路。 如果说前两年是人形机器人的“展示期”，那么2026年，整个赛道已经正式跨入“实干期”。资本市场的狂热逐渐退去，市场审视机器人的标准也在发生根本性转变：从“能不能跳舞”变成了“能不能在真实场景里干活”。如今，只会跳舞的人形机器人很难再获得投资；脱离应用场景闭门造车的公司，迟早会被淘汰。“无论多厉害的技术、多好的设计，到最后都需要形成一个可交易的产品，才能产生最终的经济价值。”雅可比机器人创始人邱迪聪如此表示。 当机器人从固定场景的预设表演走向开放环境的自主作业，行业的关注重点已经全面转向“物理AI的大规模商用落地”。但制约这一进程的核心瓶颈，正逐渐浮出水面。 邱迪聪指出，制约物理AI大规模商用的核心症结，其实不在感知端，而在计算端——这才是关键所在。“核心是大模型对物理世界的理解能力还存在明显不足。”很多人类能直观感知的物理现象、物理交互过程，目前物理AI还没有充足的对应数据来完成学习。 如果说缺乏“交互数据”是计算端的软肋，那么在感知端，物理AI同样面临硬壁垒。快思慢想研究院院长田丰剖析了这一底层逻辑：“制约物理AI走向开放环境的感知硬壁垒，是‘Z轴信息的实时置信度’。”Z轴指的就是深度——机器人能不能在每一帧里，准确知道每个物体离自己多远，而且判断这个距离数据是否可信。工业机器人之所以高度精准，是因为它工作在已知坐标系里，光照恒定、障碍物静止；而物理AI面对的是持续变化的三维世界，必须在每一帧内以毫秒级速度重建一个足够精确且可信的三维置信场，再喂给决策模型。传统摄像头丢失了Z轴深度信息，而传统的机械式激光雷达帧率太低，面对高速动态场景，感知延迟累积会直接导致机器人的决策失效。 在业内人士看来，2026年机器人的关注重点，已经彻底聚焦于如何通过底层硬件的革新，获取高质量的物理交互数据，以打破物理AI的感知与计算瓶颈。 激光雷达厂商尝试做“数据入口” 要获取高质量的物理世界交互数据，感知硬件必须从“线数”向“像素级”面阵芯片迭代。 7月17日，在WAIC现场，有激光雷达厂商基于自研的SPAD-SoC（单光子雪崩二极管系统级芯片）推出了新的感知平台。田丰表示：“线数指标是扫描时代的遗产，像素是面阵时代的货币。”他指出，过去“线数”描述的只是发射通道数量，而数字SPAD-SoC芯片将直方图生成、噪声过滤等集成在芯片内部，直接压缩了感知的尾部误差——这才是物理AI可以依赖的工程基础。 邱迪聪也从机器人感知的实用性角度肯定了这一趋势。他认为，激光雷达从线数转向像素级、图像级感知，是行业确定的大趋势。传统的激光雷达依靠线束采集信息，数据本身是残缺的，需要靠推理还原；而常用的深度相机有效感知距离短、定位精度不足。“SPAD面阵芯片可以像普通图像一样输出1∶1对应的稠密、精准深度信息，能提供更准确、更全面的深度数据。” 更深层次的驱动力来自对供应链核心技术的掌控与成本突破。速腾聚创市场部总监谢阗地透露，如果做数字化的雷达，市面上基本只有国外芯片可买，但国外芯片不仅价格贵，主力供应的还是192线和520线的芯片。“我们做的是2000线的产品，想做640×480这么大分辨率的面阵，市面上没有现成的芯片可以提供，就只能自己做芯片。” 展会现场 速腾聚创供图 通过自研SPAD-SoC芯片，国内厂商重构了激光雷达的成本结构。田丰分析称，摩尔定律进入激光雷达的方式是3D堆叠——当芯片流片工艺从28nm向16nm/12nm推进，像素密度可以翻倍，而每颗芯片的制造成本因制程成熟下降30%~40%。随着成本大幅下探，高精度三维感知设备正广泛下放至割草机器人、四足机器人、人形机器人等各类产品中。 随着硬件形态和成本结构的改变，传统激光雷达厂商的产业定位也在改变。基于SPAD-SoC的新型融合传感器，正在成为“物理AI数据入口”，替代单纯的硬件售卖，构成更大的产业图景。 具身智能的“大脑”要比智驾复杂一些 “我们之前是给机器人做‘眼睛’，现在一方面还在做‘眼睛’，另外一方面帮忙一起来给机器人做‘脑子’。”谢阗地说。 这一转变的背后，是自动驾驶与具身智能在真实感知需求上的根本差异。谢阗地对比称，车载场景相对结构化，汽车主要识别前方行人和车辆，只要算出来并避让或刹车即可。但在机器人应用中，情况截然不同：“你在桌面上整理小球，或者桌上有两杯水，你要拿后面那杯。机器人的脑子需要经历复杂的判断，理解水杯的前后关系、大小关系。” 这就解释了为何纯视觉路线在当前的机器人精细操作中面临巨大瓶颈。谢阗地直言，如果只依靠平面视频去训练，机器人不知道桌上小球的前后结构关系。“没有深度信息，机器人学不明白的。比如今天用大球训练，明天遇到小球，机器人就不知道怎么处理了。” 更关键的是，上层AI大模型的演进，正在对底层感知硬件提出强制约束。田丰指出，当前具身智能的训练范式，正向端到端模型直接消费传感器原始数据演进。“图像级激光雷达输出的结构化2.5D/3D数据，在格式上与RGB图像高度对齐，可以直接进入视觉—语言—动作（VLA）模型的输入层，无需额外的点云预处理。” 为此，感知厂商开始深度介入数据采集与模型训练环节。据业内人士介绍，现在大量做数据采集的公司找激光雷达企业买传感器。“带着雷达去采集，最后出去的数据既有小球的位置信息，又有画面信息，很精准。先用人的动作训练它怎么抓，机器人学习这套东西的效率就更高，数据质量就更高。” 这也能反映机器人训练的多模态方向。多模态输入的广度与深度将直接决定物理AI的智力上限。行业已从文字、图像扩展到视频，未来还将融入声音、深度和触觉等信息，VLA模型正加速吸纳更丰富的感知维度。 不过，多模态融合并非简单堆砌传感器，而要在底层芯片实现“前融合”——让每个像素同时采样颜色与距离，信息密度翻倍且不增加时间代价。这种高度集成也解决了“叠床架屋”的系统冲突问题，用一颗芯片输出干净统一的多模态数据结构。 上述业内人士还提到，未来，机器人触觉感知也是方向。不过，现实中触觉数据几乎要从零开始构建，这也是一个需要长期攻坚的领域。