芝能科技出品

摩根士丹利年底发布的《机器人年鉴》对“具身智能（Embodied AI）”做了一个总结。

大摩认为AI 的真正分水岭，是从之前的Chatrobot的模型参数跨越万亿门槛，需要大规模脱离屏幕，真正进入物理世界“干活”的瞬间。这会改变这个世界。

过去十年，AI 改造的是以信息流转为核心的“知识经济”；而未来二十年，它将彻底重构以力学、材料和空间为核心的“物理经济”。

● 容错率的归零：在 ChatGPT 的对话框里，一次错误的回答顶多是“胡言乱语”；但在物理世界，一次抓取偏差或算法延迟，意味着昂贵设备的损坏，甚至是生产线的停摆与安全事故。● 莫拉维克悖论的现实拷问：人类幼儿能轻易完成的行走与物体识别，对机器人而言却是“地狱级难度”。AI 模型不再只需要判断“逻辑对不对”，更要实时解决“重心稳不稳、摩擦够不够、碰撞能不能避开”等复杂的力学问题。

这决定了具身 AI 绝非互联网式的“快钱”生意，AI真正改变社会是演变为物理世界的“生产函数”。大摩这次也是打算带来一个系列，我们看到的是Vol 1 AI gets Physical！

01

认知的修正：

人形机器人不是唯一

如果你深挖摩根士丹利的 TAM（总潜在市场）模型，会发现一个极具启发性的“反直觉”结论：到 2050 年，人形机器人仅占全球机器人总量的 14%。

真正支撑起具身智能版图的，是那 86% 看起来比较简单的专业化设备，AI 机会的三个梯次：

◎ 极端垂直的“效率机器”：物流搬运、安防巡检、能源电力维护。这些场景对“通用性”要求极低，但对稳定性和 ROI（投资回报率）有着近乎严苛的要求。在这里，AI 是为了让机器“更听话、更省钱”。

◎ 被低估的“工业底座”：报告给出的零部件需求量令人震撼——270 亿台电机、140 亿套减速器。这意味着，具身 AI 产业最先规模化的红利，并不在“大脑”算法商手中，而是在拥有精密制造能力的供应链巨头手里。◎ 仿真的“基建商”：由于物理世界的数据成本极高，谁能构建出足以乱真的“数字孪生”环境，让机器人先在虚拟世界里“死”一万次再上岗，谁就掌握了产业的放大器。

中国的定位非常直接：全球制造端的核心压舱石，以及最大的实战演习场。

目前全球 26% 的机器人分布在中国，这不仅是数字的领先，更是工程能力的领先。虽然在高端算力芯片和基础模型架构上，欧美依然保有先发优势，但在“把东西造出来并降本”这件事上，中国是不可绕开的存在。

◎ 工程师红利：中国拥有海量的结构工程师和工艺专家，这是将算法转化为物理动作的关键。

◎ 供应链纵深：从稀土磁材到电池能源，从精密电机到减速器优化，中国企业正在这些“不性感”的环节积累极高的护城河。

这预示着未来具身 AI 的格局：硅谷定义算法上限，而中国决定落地规模与成本下限。

02

产业链的底层逻辑：

哪些环节是“确定性之王”？

若要更细致地拆解投资与职业机会，我们需要关注那些“即使没有人形机器人，也一定会增长”的环节：

◎ 身体执行层，机器人的自主运作离不开可靠的执行部件，高扭矩密度电机、谐波 / RV 减速器、灵巧手关节等核心组件，构成了机器人完成各类物理动作的基础。

 “只要机器要动，就离不开执行器”，决定了机器人的运动精度、负载能力与操作灵活性，是工业搬运、人形服务、精密装配等场景落地的关键前提。

◎ 感知连接层：感知连接层就是它的 “眼睛” 和 “神经”（摄像头 57 亿颗，激光雷达 7 亿颗），核心价值是解决机器人 “看懂” 环境和 “实时响应” 指令的问题。

工业级 3D 视觉、多模态触觉传感器、边缘侧 AI 模组等技术，让机器人能够精准识别物体形态、感知外力反馈，并在本地快速处理数据，实现与周围环境的动态适配，为复杂场景下的自主决策提供了实时、可靠的信息输入。

◎ 软件架构层：软件架构层就成为了赋予其 “智慧” 的关键。

这一层的核心价值驱动是解决机器人的 “常识” 储备和 “泛化能力”，机器人端到端大模型、物理引擎仿真平台等技术，能够让机器人学习海量场景经验、模拟复杂物理规律，从而突破固定程序的限制，在未预设的新场景中自主规划行动方案，真正实现从 “执行工具” 到 “智能体” 的跨越。

这次我们必须放弃“互联网式”的急躁。具身 AI 的爆发不会像软件应用那样一夜之间席卷全球，这是一场持续数十年的工业革命，伴随着成本阈值的跨越、可靠性指标的验证以及行业标准的统一。

小结

AI 正在从“会说话”走向“能干活”，一旦推开物理世界的大门，就再也无法回头。

       原文标题 : 摩根士丹利《机器人年鉴》：具身智能是AI重构物理经济的分水岭