实体AI进入商业部署临界点：数据瓶颈、RaaS模式与十年马拉松

实体AI正跨越概念验证，迈向真实商业落地 花旗研究年度机器人与实体AI领导力峰会近日落幕。现场汇聚了全球一线机器人创始人、产业投资者、运营方及制造企业高管，聚焦一个核心命题：实体AI（Embodied AI）——即能感知、决策并物理执行任务的智能系统——是否已准备好走出实验室，真正嵌入产线与场景？答案是肯定的，但步伐谨慎。行业共识正在形成：技术拐点已至，规模化仍需攻坚。 数据稀缺：不是‘不够用’，而是‘几乎为零’ 峰会反复确认一个根本性制约：高质量、任务级的真实世界数据极度匮乏。Instawork在分享中直言，即便到2026年全行业累计采集数千万小时运行数据，这一量级在支撑高鲁棒性机器人所需的总数据量面前，也仅相当于‘基点’（basis points），而非‘百分比’（percentage points）。类比而言：若所需数据是一座标准游泳池，当前积累尚不足一桶水。 实体AI的价值不在模型，而在闭环 这与数字AI有本质区别。大语言模型的价值高度集中于基础模型本身，可快速复制、迁移与微调；而实体AI的核心价值，根植于三个不可分割的要素：特定场景下采集的专有行为数据、适配该任务的专用硬件架构、以及通过严苛安全认证形成的可信部署能力。这意味着——每拓展一个新工位、新产线、新建筑工地，都近乎一次从零开始的数据冷启动。没有‘通用底盘’，只有‘场景专属飞轮’。 硬件短板同步暴露：电池、芯片、供电成现实枷锁 除数据外，物理层瓶颈同样突出。现有主流半导体平台为数据中心推理优化，难以满足移动机器人对低功耗、高实时性、强边缘计算能力的需求；电池能量密度与充放电循环寿命，限制了连续作业时长与部署灵活性；而工业级供电稳定性、热管理与IP防护等级，进一步抬高了现场落地门槛。这些并非软件可绕过的问题，而是必须协同演进的硬约束。 赢家路径清晰：不追通用，只解真痛 商业化进展最快的团队，共享同一逻辑：不以‘造出最像人的机器人’为目标，而以‘解决一个高频、高成本、高重复的人力痛点’为起点。典型如Locus Robotics的仓储分拣AMR、Dexterity的柔性抓取工作站、Plus的干线自动驾驶卡车系统——它们均选择垂直切口切入，将可靠性、安全性、可维护性置于算法复杂度之上，并普遍采用‘机器人即服务’（RaaS）模式，将客户CAPEX转为OPEX。 RaaS不是营销话术，而是中小企业破局钥匙 高昂的一次性采购与集成成本，长期将中小制造与物流企业挡在自动化门外。RaaS模式通过订阅制、按单计费或按作业量付费等方式，显著降低初始门槛。花旗特别指出Symbotic推出的GreenBox/Exol‘仓储即服务’方案——它不只是卖设备，而是交付可计量、可扩展、可退订的产能单元。这种模式正在把自动化从头部企业的‘奢侈品’，转变为中小客户的‘效率基础设施’。 200亿美元涌入，但战场高度聚焦 过去两年，实体AI领域吸引约200亿美元风险投资与战略资本，资金主要流向三大主干场景：智能仓储与物流分拣、汽车制造产线自动化、长途货运自动驾驶。宝马已在南卡罗来纳州斯巴达堡工厂部署升级版人形机器人参与装配辅助作业，但这并非通用人形的胜利，而是其作为‘特种工具’在高精度、低容错场景中完成特定任务的阶段性验证。真正驱动短期ROI的，仍是那些‘不炫技、能干活、好运维’的专用系统。 这不是爆发，而是一场十年马拉松 花旗最终判断明确：实体AI不是下一个ChatGPT式的指数级爆发，而是一场以十年为单位的系统性建设。进步来自软硬协同迭代——仿真数据加速训练、真实数据反哺模型、硬件升级支撑更复杂控制、安全认证体系逐步成熟。长期价值不会属于概念最热或融资最多者，而将沉淀在那些持续构建数据飞轮、扎根一线解决部署摩擦、并在功能安全与过程合规上建立护城河的企业手中。