2026人形机器人产业链深度分析报告(市场、应用场景)_展会资讯_资讯

2026人形机器人产业链深度分析报告(市场、应用场景)

一键解锁全球智库20W份行业报告 →立即订阅

报告名称：人形机器人产业趋势展望（文末附全文PDF）
出品方：国金证券

本文分析了人形机器人的应用、市场、发展现状及产业链。应用从工业拓展至家庭，算法需求递增，预计2040年国内产业规模达3万亿元。现阶段，人形机器人受政策资金支持，已小批量商业化，但受限于硬件成本和算法。未来产业链将聚焦“大脑”智能化、“小脑”控制及硬件轻量化，部分硬件有望技术突破和国产替代。

一、人形机器人应用领域展望以及空间测算

（一）应用展望：始于工业，终局是家用

场景复杂度锚定算法泛化能力梯度，按算法泛化需求从弱到强排序为：工业制造<商用服务＜极端作业＜家用服务。工业制造是高度结构化场景仅需机器人完成高精度重复动作，现有技术可直接迁移，成为首个落地“练兵场”；商用服务属半结构化环境，对算法实时性要求提升；极端作业为非结构化高风险场景，需算法具备强鲁棒性与容错性；家用服务是完全非结构化场景，需应对家具布局、人员活动等变量，实现端水、收纳等全场景自适应，算法泛化需求达顶峰。当前人形机器人正以工业场景为起点，逐步完成技术迭代，最终向家庭服务终局渗透。

以特斯拉为例，由工业向家庭、商业演进。特斯拉整体从高标准化环境与任务的工业场景开始；逐步布局环境范围有一定局限性、且周边物体类型相对局限的家庭场景；最终落地环境多变复杂的商业场景。

（二）市场规模：2040年中国人形产业规模有望接近3万亿元

预期2025年至2030年人形机器人将主要应用于工业场景，提供较为简单的重复性服务; 随着数据的积累以及算法的优化，预期2031-2035年人形机器人有望布局商业服务场景，提供人性化的商场导购、展览讲解等服务;2035年及之后，人形机器人或将进入家庭生活场景，提供灵活、多元的家庭服务，满足用户日常家庭生活需要。

马斯克曾在CES 2025 期间预言，未来人形机器人和人类的数量比例可以达到3:1-5:1，全球会有200-300亿台人形机器人。

（三）商业化：2027年有望在部分场景具备商业化价值

在以特斯拉为首的科技巨头持续发力投入以及人工智能技术不断进步的共同推动下，人形机器人产品和成本迭代速度显著加快，成为未来最确定的产业方向之一。从产品端看，24年特斯拉人形围绕关节、灵巧手方案、算法训练等快速迭代，运动和认知能力大幅提升。从成本端看，随着丝杠、灵巧手、传感器等产业链迭代加速，大规模量产线的加速研发和投入使用，生产成本开始走向大幅度下降的通道。人形机器人会先从高人工成本、较低任务复杂度的领域开始迭代。

（四）商业化：“中国供应链”+“高成本场景”放量兑现最高

2025年，人形机器人在欧美等高人力成本地区或者国内特殊作业领域，初步具备商业化价值。2023年11月2 日，工信部发布《人形机器人创新发展指导意见》指出，加快拓展通用人形机器人应用场景：

（1）危险、恶劣环境作业；

（2）汽车、3C等制造业产线深度应用；

（3）医疗、家政、农业、物流等民生服务。

我们预计2027年，人形成本将会在国内一般应用场景具备商业化价值。

二、人形机器人发展现状

（一）资金：投融资活跃，全球政府持续投入

据 IT桔子统计，2025年前三季度，国内机器人行业新增一级市场融资事件达到

了610笔，较去年同期的294笔实现了同比翻倍增长。同时，根据 IFR统计，全

球政府持续针对机器人项目投入，单项目金额大多近亿美元。

（二）政策：国内央地支持政策陆续落地

中央政策持续推进。2025年8月国务院发布《关于深入实施“人工智能+”行动的意见》，“意见”提出要加快实施 6大重点行动，包括“人工智能+”科学技术、“人工智能+”产业发展等，强调人工智能与实体经济要深度融合，攻坚人工智能芯片创新和培育自主软件生态，对机器人产业的发展具有重要的引领和推动作用。

（三）产品：人形已从原型机迈入小批量商业化阶段

预计2025年是人形机器人量产元年、2026年产业商业化爆发。从国内外人形机器人厂商研发进展上看，国内外厂商进展几乎处于同一起跑线。2024年是全球人形机器人原型机发布元年，2025年，人形机器人产业有望进入量产、集中功能测试阶段。马斯克表示，特斯拉五年内将实现量产100万台人形机器人。

（四）技术：硬件趋于收敛，大脑是激活大规模产业化的钥匙

目前限制人形机器人大规模量产的重要因素是大脑进化。机器人逻辑架构由“大脑”+“小脑”+肢体组成，目前人形机器人“肢体”硬件方案趋于收敛，硬件发展整体走在软件之前。目前人形机器人“大脑”技术以大模型为核心，为人形机器人提供任务级交互、环境感知、任务规划和决策控制能力。伴随着 AI 大模型的迭代，机器人大脑实现产业实现跨越式发展，智能化程度有望提升。

国内外典型的具身智能大模型有谷歌RT-x、英伟达GR00T、斯坦福李飞飞团队的VoxPoser 以及Meta和CMU（卡内基梅隆大学）联合打造的RoboAgent等。国内典型的具身智能大模型有华为盘古大模型、阿里云大模型等。

人形核心算法包括：上肢眼脑手协同的 Manipulation 算法、自主识别和导航的循迹算法和运动控制算法。

上肢的控制比下肢壁垒高：目前本体公司多数主要展示的是下肢运控能力，较少展示上肢协作能力。下肢数据集和开源算法相对比较成熟。上肢本质上是大脑控制，目前没有成熟的数据集和模型，需要大量数据和训练作为前置条件。

上肢协作需要采集大规模高质量的数据。Figure-Helix、智元-GenieOperator-1、银河通用-GraspVLA等，均是针对上肢协作的大模型。

据部分下游应用企业反馈，目前人形机器人在部分场景的工作效率约为人类的0.2倍，工作效率的提升主要靠硬件迭代、大小脑迭代。

人形机器人协作能力与大脑泛化能力息息相关，泛化能力决定机器人多任务能力，泛化能力需要海量机器人训练数据。（1）特斯拉、Figure 目前产品定义主要用于工厂、物流场景；（2）国内的人形产品定义较为多样化，优必选、银河通用主要定义在2b，智元、宇树产品矩阵2b、2c兼具；（3）今年4月开始，智元、华为开始布局垂直2b端应用。智元与8 家头部企业签订战略合作协议，华为则与6家垂类应用企业在宝安区成立联合实验室。

短期，人形的需求来自于：训练以及 2b需求。从产业化阶段看，人形机器人已经从实验室步入了场景试应用阶段。

（五）商业化：2025年集中在研发、数采，2026年导览、工业有望激活

2025 年，人形机器人主要应用于高校科研和数采。25H1 人形机器人中标项目金额约3.3亿元，其中应用于教育科研领域约占76%。同时智元、帕西尼等本体厂商批量建设人形机器人数据采集与训练中心，扩充具身智能训练数据集，对人形机器人开展场景化训练。

2026年，人形机器人商业化应用将进一步落地，工业、导览等场景应用有望被激活。当前，小米、小鹏、广汽已明确提出 2026 年人形机器人量产计划，并预计优先将人形机器人应用于自身的智能化工厂。奇瑞提出千台量产计划，预计将人形机器人应用于4S店导览。

未来，人形机器人有望实现全场景规模化应用，成为填补劳动力缺口、提升社会生产效率的重要力量。

三、人形机器人产业链发展展望

（一）机器人技术组成逻辑架构

机器人逻辑架构：由“大脑”+“小脑”+肢体组成。人形机器人大致分为三大部分：人形本体、高动态性能的控制算法（小脑）、具有泛化性的具身智能及非常接近人的通用人工智能（大脑）。从底层算法模型来看，机器人的软件可以分为“大脑”与“小脑”，对机器人大小脑的划分不是完全按照人类大小脑工作的机理，而是在一个物理世界去应对不同层次的问题的一种策略。“大脑”负责感知外界并模拟人类思维决策过程，“小脑”则模仿生物进行复杂的运动控制，即运动控制。

√ 大脑：负责感知外界并模拟人类思维决策过程，主要职能是环境理解、智能交互与认知推理，基础是机器视觉、大语言模型的发展。

√ 小脑：模仿生物进行复杂的运动控制，主要职能是运动控制、路径规划和步

态平衡。

√ 本体（硬件）：包含机器人的物理结构和执行器，它根据小脑层的运动规划，来进行精确的伺服闭环控制每个电机高效精准地执行，完成既定的任务。

（二）算法：“大脑”成熟有迹可循，新技术、新架构快速迭代

大模型是现阶段“大脑”的最佳解决方案。伴随着 AI 大模型的发展，机器人大脑实现产业实现跨越式发展，智能化程度有望提升。目前人形机器人“大脑”技术以大模型为核心，为人形机器人提供任务级交互、环境感知、任务规划和决策控制能力。

人形机器人大模型多技术路线并行探索，有望从分层大模型逐渐向端到端大模型演进。现阶段，机器人大模型主要是四条技术路线：

1) LLM(大语言模型)+VFM(视觉基础模型)分层大模型，实现人机语言交互、任务理解、推理和规划，目前最为成熟。

2) VLM(视觉-语言模型)，结合语言与视觉理解间的差距,实现更准确的任务规划和决策，大多数的机器人公司都采取了这个方案，典型代表有FigureAI、银河通用等。

3) VLA(视觉-语言-动作模型)端到端大模型，在VLM基础上增加运动控制，解决机器人运动轨迹决策问题，以谷歌的RT模型为代表。

4) 多模态大模型，实现对物理世界环境的全面感知，是未来的主要研究方向。主要代表是麻省理工、IBM等共同研究的MultiPLY模型,将视觉、触觉、语音等3D环境的各类特征作为输入，以形成场景外观的初步印象，并通过多视图关联将印象中的输出融合到3D，最终得到以对象为中心的场景特征。

（三）算法：“大脑”未来突破方向，多模态、速度、泛化性

人形机器人“大脑”仍需向更高级的智能化和自主化进化。当前，人形机器人“大脑”刚刚具备初阶人类脑力，无法形成人类大脑全能力闭环。然而，要实现真正的智能化和自主化，现有的大模型仍需在多个方面重点发力。

一是在感知模态维度方面形成突破。当前的人形机器人大模型主要依赖于视觉或语音感知，这种单一的感知模态在处理复杂环境时显得力不从心。未来的大模型需要整合视觉听觉、触觉等多种感知模态，能够提供更丰富的环境信息使机器人在复杂场景中做出更准确的决策。

二是在指令生成速度与复杂性方面形成突破。现有的大模型在生成指令时速度较慢，且生成的结果往往过于简单。这在需要快速反应的场景如紧急救援或复杂操作任务中，可能导致机器人无法及时作出正确响应。目前主流机器人大模型偏向于任务理解和拆分，对于机器人运动控制的涉及较少，只是用预设的端到端的训练方式生成了简单且离散分布的机械臂末端位置和底盘移动指令，未渗透到连续路径和轨迹规划等更偏机器人领域的内容。

三是在泛化能力提升与模型架构优化方面形成突破。泛化能力是大模型在新环境和新任务中表现的关键。当前的模型在泛化能力上仍有待提高，尤其是在面对未知环境和任务时，模型的表现往往不尽人意。为了提高泛化能力，未来的大模型需要在架构、训练方法和数据集方面进行创新。例如，通过引入元学习、迁移学习等技术，可以使模型更好地适应新任务。

人形机器人“小脑”核心技术正在从基于模型的控制方法向基于学习的控制方法演进。基于学习的控制方法使用端到端的 AI 技术，代替复杂的运动学模型，大幅度降低了“小脑”开发难度、提升了迭代速度，一般通过人类示教或自主学习建立运动执行策略。其中通过人类示教的方式也称为模仿学习。

数据采集是机器人“小脑”发展的制约因素之一。提升机器人泛化能力的关键之一在于数据的丰富性和准确性，不同于语言大模型的训练得益于互联网上海量的数据，机器人训练数据则需要更多来自物理世界即真实世界动态环境中的交互数据，数据稀缺是机器人技能学习中的一个主要瓶颈，限制了算法的泛化能力和自适应性。

（四）算法：关注人形机器人小脑智能运控赛道的进步和突破

没有通用的算法模型以及海量数据，是当前产业发展的瓶颈。“小脑”是由一系列算法和硬件设备组成的综合系统，包括传感器融合模块、动力学模型和控制器等，控制人形机器人全身上下几十个自由度进行高维运动。如何进一步提高机器人小脑运动控制算法的实时性、鲁棒性和可解释性是下一步产业重要研究方向。

AI技术对“小脑”也有显著加持，但主要是解决数学问题，不改变运行逻辑。在运动控制系统领域，我们看到即使是以稳定性为高优先级的机床数控系统领域，未来的发展趋势也是打造一个具有自适应、自感知、自学习、自交互、自执行能力的数控系统。

（五）硬件：散热、轻量化、寿命是后续迭代重点

“肢体”硬件是人形机器人实现所有拟人载体和基础，主要包含执行器、传感器、灵巧手、电源、芯片和新材料结构件等。

关节执行器即机器人一体化关节，是影响机器人硬件成本和运动性能的关键部分。关节执行器是驱动机器人执行机构（手臂、腿部等）运动的组件，安装在机器人关节处，通过将电机的旋转运动转化为驱动连杆机构运动，又被称为（关节）驱动器或关节模组。按照运动类型，执行器可分为旋转执行器、线性执行器：

旋转执行器多用于人形机器人关节处，如手腕、膝关节，主要由电机和减速器组成，核心零部件是无框力矩电机、行星减速器/谐波减速器等。目前主流的技术路线有两条。从代表厂商披露的执行器方案来看，主要以刚性驱动器方案和准直驱驱动器方案为主。刚性驱动器主要包括无刷电机+高传动比减速器（谐波）+高刚性力矩传感器。准直驱驱动器主要包括高扭矩密度电机（无框力矩电机）+低传动比减速器（行星）。

线性执行机构多安装于机器人上臂、大腿及肘部，可理解为旋转执行器的线性转换，通常实现伸展、推拉等直线运动，主要通过梯形丝杠、滚珠丝杠或行星滚柱丝杠实现。其中，行星滚柱丝杠具有更高承载力、更小的体积和更高的寿命，或为未来发展趋势。

（六）硬件：灵巧手是难度最大的核心部件

All in峰会上，马斯克表示，灵巧手和前臂是人形机器人制造中难度最大的，也是必须要解决的问题。灵巧手涉及仿生结构、驱动、传动、感知、复合/智能材料、建模与控制等多方面综合能力把控。综合性能上，灵巧手的难点在于高灵巧性、高自由度与低驱动数、低重量、小体积之间的权衡；商业化落地上，存在性能和成本之间取得合理平衡的困难。

根据特斯拉公开信息，GEN3灵巧手相比于GEN2的主要变化在于：

（1）手部增加了自由度，预计对应的电机数量将从原本的6个提升到13-17个。

（2）驱动器装载在了手腕部位。

（七）电机：执行器动力部件，高扭高温性能需求

机器人通过与外界场景进行交互来完成各项任务，而外界场景具有动态性和非结构性，交互具有频繁性，这对机器人执行器提出了严格要求。从机器人的需求角度分析，电机具有如下特征：（1）模块化设计（2）强过载能力（3）优异动态响应（4）高可靠性能（5）高功率/转矩密度。

径向电机分为内转子及外转子，通过分析机器人电机的峰值转矩密度与尺寸参数关系，可建立典型应用型谱。

（八）电机：谐波磁场电机等有望成为新的解决方案

谐波磁场电机是基于新结构和新原理工作的磁场调制电机。其励磁和电枢单元的极对数不等，需新增调制单元进行磁场极对数转换，这种特殊的电磁现象称为“磁场调制效应”。在该效应下，可在相同材料选型和散热条件下大幅提升电机转矩密度，具有广阔应用前景。

该电机通过磁场调制原理，实现了转子永磁体的极数多于定子绕组极数和槽数。核心优势：平均转矩大，转矩脉动小，功率密度跃升。

（九）谐波磁场电机：齿槽脉动小，机器人关节和手具备潜力

谐波磁场电机齿槽脉动小。基于谐波磁场设计的调制磁场电机在定子槽数相同的情况下，调制磁场电机与传统永磁电机相比，调制磁场电机的齿槽力矩波动周期数增加趋势明显，因此，其能大大降低电机齿槽力矩脉动幅值，从而提升永磁电机功率体积密度。

谐波磁场电机高功率密度优异性能有望广泛应用在人形机器人关节及灵巧手部件。谐波磁场电机实现在输出功率相同的条件下, 调制磁场电机体积减少了一倍以上，即调制磁场电机重量也减少一倍以上。目前人形机器人电机问题集中在功率密度达不到要求，谐波磁场电机的磁路设计方案有望解决该痛点。同时，高功密带来的另一优势便是体积和重量的减小，完美适应人形机器人轻量化发展趋势，未来谐波磁场电机渗透率有望持续提升。

（十）减速器：摆线、行星、谐波和蜗杆共存

减速器是一种用于连接动力源与执行机构的机械传动装置，通常由齿轮传动、蜗杆传动或齿轮-蜗杆复合传动机构封装于刚性壳体内。减速器主要功能为降低原动机转速、增加输出扭矩，并输出给执行机构，从而带动执行机构的运转。

减速器按照控制精度可分为一般传动减速器和精密减速器。精密减速器具备体积小、重量轻、精度高、稳定性强等特点，能够对机械传动实现精准控制，主要用于机器人、半导体设备、高端机床等高端制造领域。根据传动原理差异，精密减速器主要分为摆线式、行星式、谐波式和蜗杆式四大类型，并通过优化传动精度和回程间隙等参数，衍生出 RV减速器等改进类型。

（十一）减速器：技术壁垒较高、可根据场景选定减速器类型

目前谐波减速器、行星减速器以及摆线针轮等新型减速器共存。特斯拉人形机器人主流路线是谐波减速器方案，由于承载力及传动效率需求提升，研发新型减速器或者行星减速器具备必要性。国产人形机器人大都采用行星减速器为主，谐波减速器为辅。

使用谐波减速器方案需用到力矩传感器做力控，结构和成本更加复杂，多级行星结构相对简单、但精度相对较低。从产品和成本差异度看，谐波减速器赛道好于行星减速器，谐波减速器未来规模经济和成本迭代空间大于行星。

（十二）减速器竞争格局：外资主导，国产替代加速

长期以来，日本、德国等外资企业主导中国减速器市场，但近年来随着中国高端制造业快速发展，国内减速器厂商产品性能已与海外厂商齐平，国产化替代进程明显加速。当前，蜗杆类减速器厂商主要包括三共、潭佳、日研、德川等，行星类减速器厂商主要包括新宝、科峰智能、纽氏达特、中大力德等，谐波类减速器厂商主要包括哈默纳科、绿的谐波、来福谐波等，摆线类减速器厂商主要包括住友、纳博特斯克、双环传动、中大力德、秦川机床等。

从市场份额看，我国谐波减速器市场份额较为集中，哈默纳德仍占据40%市场份额，绿地谐波、来福谐波其次，分别占据18%、10%市场份额。在我国RV减速器市场，纳博特斯克占据约 34%的市场份额，环动科技约占 25%。在行星减速器市场，日本新宝所占据市场份额最高，大约为20%，科峰智能、纽氏达特分别占据12%和9%份额。

（十三）传感器：视觉、力觉、触觉为主，亟待培育国产龙头

为了赋予机器人像人一样感知、学习和与环境动态交互的能力，根据其功能和应用场景，配备了多种类型的传感器。包括视觉传感器（如摄像头、激光雷达、毫米波雷达、红外传感器等）、听觉传感器（如麦克风）、嗅觉传感器（如气味传感器）、触觉传感器（包括力传感器）、编码器、IMU 等，以实现感知和分析外部环境并进行自身状态反应，实现复杂的交互和操作任务。

（十四）视觉：主流方案为3D视觉，有望实现国产替代

视觉方案主要分为2D视觉和3D视觉：（1）2D视觉：通过2D相机分析灰度或彩色图像中的像素灰度特征获取目标中的有用信息，识别纹理形状。容易受到光照影响，且无法实现三维精准测量。（2）3D视觉：精度更高、信息量更大（三维图像）、集成度更高，适用于更加复杂、精密的识别、检测需求。机器人的视觉感知属于高度集成的模组方案，对于体积、成本、精准度都有较高要求，因此3D视觉高度集成、体积小、精度高的优势更适合机器人的场景。

目前主流机器人厂商的视觉方案各不相同。其中波士顿动力Atlas选择的是TOF深度相机方案，特斯拉Optimus选择多目摄像头方案，小米CyberOne采用深度视觉模组，优必选Walker X采用多目视觉传感器。

（十五）力觉：机器人精确、灵活操作的核心

从人形机器人的工作原理来看，我们判断未来人形机器人的手腕、脚踝环节需六维力矩传感器、其他关节可以适用关节扭矩传感器。

√ 末端执行机构（手部、脚部） ---六维力矩传感器：由于人形机器人末端执行机构主要为手部和脚部，执行的过程中力臂在几十到几百毫米之间，力臂较大且属于随机变化；而对于这两类环节的力也要求实现精确处理，因此这两类关节所受的力并非简单的一维、三维力。

√ 其他关节---关节扭矩传感器：特斯拉人形机器人旋转执行机构类似协作机器人关节，线性执行机构也通过丝杠完成直线运动，整体对于力的感知相对简单，我们预计其他关节只需单轴力矩传感器。

（十六）触觉：视觉+触觉为目前技术前沿、应用潜力大

电子皮肤是是新型的仿生柔性触觉传感系统，通过柔性传感器进行信号感知转换。从表面的接触方向来看，电子皮肤能够感知压力、剪切力、接触力等多个类型的力，能够助力机器人在手部实现更加精细的操作。电子皮肤主要分为基底层、导电层、传感层。

基底层：基底层是电子皮肤的最内层，通常由柔性材料制成，以模拟人体皮肤的弹性和柔韧性。又称为支撑层，起到支撑作用。

导电层：导电层在电子皮肤中起到传导电信号的作用，通常包含导电材料，如导电石墨或特定的导电聚合物，用于检测并传输由外界刺激引起的电信号变化。导电层的设计和材料选择对于电子皮肤的灵敏度和响应速度至关重要。

传感层：传感层位于电子皮肤的中间层，包含了大部分的传感元件，负责精确识别压力和摩擦力并转化为电信号。传感层可以实现对外界刺激的精细感知，是电子皮肤的核心材料。

（十七）轻量化：PEEK材料国内需求迎来爆发

轻量化+耐磨、耐腐蚀等性能优秀，PEEK材料有望以塑代钢， PEEK 材料已经从垄断阶段过渡到全面发展阶段。

PEEK材料属于特种工程塑料，具备耐热、阻燃、耐磨、耐腐蚀等优势。与工程塑料相比，PEEK 材料兼具刚性和韧性；与金属材料相比，PEEK 材料比强度大的同时，自身重量较轻，符合机器人当下轻量化趋势，有望实现以塑代钢。

（十八）PEEK壁垒：工艺难度高+验证周期长，护城河深

PEEK 材料的生产工艺流程中涉及聚合过程、提纯过程、干燥过程。PEEK树脂的生产属于复杂的化学合成过程，其合成反应是在一个带有搅拌器的反应釜内进行。常见的工艺路径为亲核取代，即氟酮和对苯二酚在碱金属盐催化下，以二苯砜为溶剂，在280℃~340℃条件下进行缩聚反应，然后通过丙酮和水去除残留的溶剂和盐，经过干燥工艺获得高分子量的PEEK树脂。复合增强类树脂根据性能需要，将玻璃纤维、碳纤维、聚四氟乙烯、石墨等加入到挤出机中与粗粉共同进行挤出，得到改性产品。