内容速览
1.国产大模型已经跨过“可用门槛”，成本优势正在转化为应用优势
国产模型与全球最强模型在高难度编程、复杂推理等任务上仍有差距，但对于智能问数、资料检索、文档处理、报告生成和基础分析等日常企业任务，已经足以胜任。企业并不需要用最昂贵的模型处理所有问题，当模型性能跨过可用门槛后，调用成本和运行稳定性反而更加重要。
本届WAIC释放出一个清晰信号：国产模型在能力进入全球前列的同时，价格也明显低于同类海外模型。根据彭博社报道，中国模型的Token使用量已超过美国模型，占比达到约60%。对于调用频率高、运行周期长、成本约束严格的工业场景，高性价比将成为国产模型扩大应用的核心优势。
2. AI产业正在从“投入竞赛”转向“回报竞赛”，智能体与具身智能成为两条最清晰的商业化路径
过去几年，科技巨头依靠广告、云计算和软件业务产生的现金流，持续投入GPU、数据中心和电力设施，第一轮AI红利也主要集中在芯片和基础设施环节。随着资本开支快速侵蚀各大企业的自由现金流，市场对AI货币化的要求正在明显提高。下一阶段，AI不能只证明模型更强，还必须证明能够产生收入。
本届WAIC上的参展方向已经体现出这一变化。企业级智能体正在把AI嵌入企业的数据、软件和业务流程，具身智能则进一步进入生产现场和物理作业。前者承接数字世界的效率提升与软件变现，后者打开实体产业中的自动化和设备市场。两条路径一虚一实，共同构成当前AI应用端最值得关注的增长主线。
3. 企业智能体的下一阶段，不是更会聊天，而是更懂业务、更能执行、更可控
企业智能体正在从“回答一个问题”走向“接手一项任务”。竞争的关键也不再只是底层模型有多强，而是能否真正读懂企业的数据口径、业务对象、流程规则和权限边界，并接入ERP、MES、WMS及各类工业软件，完成数据查询、异常分析、方案生成乃至流程操作。
目前，企业智能体的一项重要发展方向，是引入企业本体和统一语义层。知识库主要解决“读懂文档”的问题，本体则进一步定义设备、物料、工单、质量、人员等业务对象及其相互关系，让模型真正理解企业如何运转。
4. 具身智能将沿着“成熟设备智能化—跨工位移动操作—通用人形机器人”的路径逐步落地
具身智能并不等于人形机器人。短期内，更容易形成规模化应用的，仍然是固定式工业机器人和复合机器人：前者借助3D视觉、力觉、数字孪生和智能算法，降低对专用夹具、规则来料和人工示教的依赖；后者通过移动底盘与机械臂结合，进一步跨越工位边界，承担搬运、上下料、检测和设备操作。人形机器人代表着更长期的发展方向，也因此在本届WAIC上占据了更多展台和关注度。但进入工业场景后，真正决定产品价值的还是能否稳定完成任务并持续可靠运行。
5. 人形机器人已经越过纯概念展示阶段，但尚未跨过规模化应用门槛
本届WAIC上的人形机器人在运动能力、动态平衡、环境识别和任务规划等方面进步明显，产品形态也开始稳定，行业已进入参与者快速增加、供应链加速形成的阶段。但从实际部署规模看，人形机器人仍处于导入期，当前重点不是大规模替代人工，而是在汽车、物流和仓储等场景中验证可靠性、连续作业能力和经济性。轮式人形凭借稳定性和成熟度，更可能率先进入工业应用；双足人形的通用性和想象空间更大，但仍需解决续航、故障率和成本问题。根据权威研究机构预测，人形机器人的整体商业化路径将由工厂和仓储起步，逐步扩展至酒店、零售等商业服务场景，家庭应用则更可能出现在2035年以后。
正文
1
WAIC观察：人工智能进入价值兑现新阶段
1.1 WAIC成为观察人工智能产业趋势的重要窗口
自2018年创办以来，世界人工智能大会（WAIC）已发展成为覆盖技术展示、产业合作、创新孵化和全球治理的综合性平台。2026年大会设置六大板块，举办140余场论坛，吸引1100余家企业参展，集中展示3000余项展品。
本届大会展品覆盖人工智能产业链的主要环节：上游有芯片和算力系统等，中游有基础模型和开发平台，下游则集中出现智能体、人形机器人、复合机器人和各类行业应用。基础设施、模型能力、终端产品与真实场景被放在同一空间内，构成了一幅较为完整的人工智能产业图景。WAIC已成为观察人工智能技术走向和产业进展的重要窗口。
1.2 本届WAIC呈现的三项关键变化
本届WAIC呈现出三条较为清晰的技术趋势：大模型加速普惠，企业应用由简单调用模型转向与数据、流程和业务系统深度融合，人工智能由数字世界走向物理世界。
（1）国产大模型正加速模型普惠
大模型迭代速度极快，模型能力即使存在时间差，也会很快向下扩散。以Kimi K3为例，其公开测评表现已进入全球第一梯队；DeepSeek、Kimi等国产模型在推理、编程、长文本处理和智能体任务上的持续进步，也使过去只有海外头部模型才能承担的复杂任务，逐步进入国产模型的能力范围。
在这一背景下，对于多数应用场景而言，企业选择模型时已不必一味追求榜单上的最高性能。当模型性能跨过“可用、可信”的门槛后，性价比将直接决定应用能否大规模铺开。国产模型通过混合专家架构、注意力压缩、模型蒸馏等技术降低算力消耗，再叠加国内部分地区较低的电价、日益完善的算力基础设施和集群化运营能力，整体推理成本更具竞争力。这种成本优势，为大模型从局部试用走向高频调用和规模化部署提供了更大空间。
（2）人工智能由数字世界走向物理世界
随着人工智能投入持续扩大，行业对AI货币化（AI Monetization）的关注不断上升。仅依靠模型订阅和软件服务，尚不足以承接庞大的算力、研发和基础设施投入，人工智能必须进入更多真实业务环节，创造可以衡量的效率提升和经济价值。具身智能、自动驾驶等物理AI应用由此成为重要方向。
这一趋势在本届WAIC上表现得尤为明显。具身智能成为展会中最受关注的板块之一，人形机器人、轮式机器人、机械臂和移动操作平台集中亮相，展示内容也由行走、舞蹈等动作演示，逐步转向分拣、检测、搬运和精细操作。
（3）企业应用由模型调用走向系统工程
企业级智能体是人工智能实现商业化落地的另一条重要路径。随着大模型基础能力逐步趋同，企业AI竞争的重点也在发生变化。接入一个通用模型并不困难，真正决定应用效果的，是模型能否读懂企业自身的数据、指标和业务规则，并与MES、ERP、WMS等既有系统衔接。企业AI因此不再只是一次模型调用，而是一项涵盖数据治理、知识构建、流程编排、权限控制和系统集成的系统工程。
从本届WAIC展出的产品看，企业智能体已经开始越过“聊天问答”阶段，逐步进入数据分析和业务执行环节。智能问数和Data Agent能够直接查询经营数据、定位异常、分析原因，部分企业智能体还可以调用业务系统，生成报表、触发工单或执行流程。企业AI真正的价值，也将越来越取决于其能否进入真实业务流程，形成从理解、分析、决策到执行的闭环，而不是聊天界面是否足够流畅。
1.3 为什么轨道交通需要关注上述变化
轨道交通既是技术密集型行业，也是高度依赖现场作业的行业。模型普惠、物理AI和企业智能体并不是与行业距离遥远的技术概念，而是分别对应轨道交通中的知识处理、现场作业和生产管理问题。
国产大模型能力提升、使用成本下降，首先改变的是一批“小价值、高频次”任务的经济账。技术规章查询、检修案例检索、设备日志分析、工单生成和生产数据问答，单次任务的价值并不高，却数量庞大、重复发生。过去，这类场景往往难以支撑较高的模型使用成本。当调用价格下降、部署方式更加灵活后，AI才有可能从少数示范项目进入一线人员的日常工作。
物理AI对应的则是轨道交通中劳动强度高、重复性强，或具有一定危险性的现场作业。视觉检测设备、无人机、四足机器人、复合机器人和专用检修装备，可以承担车辆及关键部件检测、线路巡检、物料搬运和设备维护等任务。交通运输部发布的相关意见，也已将具身智能装备、故障自检测、自诊断和养护维修列入智能铁路的重要方向。对轨道交通而言，物理AI的意义不在于追求某一种机器人形态，而在于让感知、判断和执行进入真实作业流程。
企业智能体有望提升轨道交通多源数据的综合利用能力。生产计划、设备台账、质量记录和物料信息通常分散在不同业务系统中，跨系统分析往往依赖人工汇总与反复核验。将AI与MES、WMS、设备管理及检修系统深度集成后，可以实现业务数据查询、异常识别、原因分析和处置建议生成，提升生产管理与辅助决策效率。
2
模型普惠：国产大模型正改写AI商业化的成本曲线
2.1 国产大模型能力显著提升
2026年世界人工智能大会开幕前一天，月之暗面发布了新一代模型Kimi K3。该模型在第三方评测机构Artificial Analysis发布的综合智能指数中获得57分，位列全球第三，整体表现已进入国际第一梯队，与Claude Opus 4.8、GPT-5.5处于相近水平。在Arena AI前端编程能力榜单中，Kimi K3进一步超越Claude Fable 5，升至全球第一，显示出国产模型在高难度编程任务上的竞争力。
图1 Kimi K3前端编程能力位居榜首（资料来源：Arena AI）
Kimi K3的成绩并非偶然，把时间拉长到过去两年，国产大模型的进步更加明显。2024年，在以用户匿名投票衡量实际使用体验的LM Arena榜单上，表现较好的国产模型Qwen2总体排名仍在第15位左右，榜首长期由GPT-4o、Claude 3.5 Sonnet等海外模型占据。无论是回答质量、指令理解，还是复杂任务处理，用户都能感受到较为明显的差距。
到2025年初，DeepSeek-R1进入全球第一梯队，Qwen2.5-Max升至综合第7位，并在数学、编程等专项榜单中领先。如今，Kimi K3进一步进入综合能力全球前列，DeepSeek V4、Qwen3.7-Max等国产模型在部分公开测评中的表现，也已超过上一代国际头部模型。
（a)2025年年初用户匿名评价排名
（b)2026年年中用户匿名评价排名
图2 国产大模型能力提升，用户感知差异降低（资料来源：LM Arena）
国产模型与国际最强模型之间，在编程等高难度任务上仍存在差距，Claude等海外头部模型目前仍具备较为明显的优势。但对于数据查询、资料检索、文本处理和基础分析等更为常见的企业应用，模型并不需要达到最前沿的性能水平。国产模型跨过“可用、可信”的门槛后，企业应用层面的竞争重点，也开始由过去“能不能用”的代际差距，转向成本、效率、稳定性和性价比的综合比较。
2.2 国产大模型性价比优势显著
当模型能力进入相近区间后，价格成为影响企业选型的关键变量。个人用户偶尔使用大模型，几元或几十元的费用差异并不敏感；但当模型接入知识库、智能问数、客服、研发和生产系统，每天处理数百万乃至数亿Token时，单位调用价格就会转化为持续发生的运营成本。
参考本届WAIC上各家国产大模型API价格进行计算。处理100万输入Token和100万输出Token，旗舰模型Kimi K3的合计费用约为120元，相当于Claude Opus 4.8的59%、GPT-5.6 Sol的50%。面向高频调用的通用模型，国产模型的价格优势更加明显：DeepSeek V4 Pro和Qwen3.7 Plus的合计费用分别约为8.86元和10元，仅为同类模型GPT-5.6 Luna的五分之一；若只比较通常成本更高的输出Token，DeepSeek V4 Pro的价格更是只有GPT-5.6 Luna的七分之一。
图3 中国大模型在海外价格优势明显（资料来源：Microsoft Foundry）
从Artificial Analysis的“能力—价格”分布来看，DeepSeek、Kimi、Qwen和GLM等国产模型已普遍进入或接近高能力区间，而每百万Token的价格基本控制在1美元左右，性价比优势明显。
图4 中国大模型性价比极高（资料来源：Artificial Analysis）
随着模型能力进入全球前沿、调用成本持续下降，国产大模型在工业应用中的定位，正在从“可以采用”转向“值得优先考虑”。这一变化已延伸至海外云服务市场。AWS、Microsoft Azure、Google Cloud和Oracle Cloud等主要云服务商，均已将DeepSeek、Qwen等国产模型纳入模型目录，并提供托管API、专用集群及私有化部署等多种方案。国产模型由此不再局限于国内市场，而是开始进入全球企业用户的技术选型范围。
表1 国外主流云服务厂商提供中国大模型解决方案
国产模型能力提升、价格下降，为大模型进入轨道交通行业创造了更现实的条件。轨道交通涉及大量内部数据，很多应用又需要部署在企业内网或本地环境中。随着DeepSeek、Qwen、Kimi等国产模型逐步成熟，企业已经可以在保证数据安全的前提下，开展知识问答、文档分析和生产数据查询。此外，轨道交通中的大模型应用往往需要长期运行，持续处理检修记录、设备日志和作业工单。调用量一旦上升，模型价格就会直接影响项目能否长期使用。国产模型较低的使用成本，使智能问数、故障检索、报告生成等应用更容易从试点走向日常使用。
图5 国产大模型token使用量占全球60%（资料来源：彭博）
3
AI应用加速落地，智能体与具身智能成为新增长点
3.1 算力红利之后，AI开始接受商业化检验
AI产业正在告别单纯比拼投入的阶段，进入更强调商业回报的新周期。虽然各大科技巨头的资本支出仍在高位扩张，但资本市场对投入持续加码的耐心已明显下降。过去几年，欧美科技巨头围绕数据中心、GPU和电力设施展开投入竞赛，如今高额支出开始快速消耗自由现金流，市场关注的重点也从AI军备竞赛，逐渐转向AI货币化的进程。
2026年7月22日，WAIC闭幕不到一周，谷歌母公司Alphabet公布第二季度财报。受AI基础设施投入大幅增加影响，公司当季自由现金流降至负59亿美元，历史上首次出现单季度自由现金流为负。据路透社测算，到2027年，美国主要云计算和科技企业的资本开支总额或将超过其自由现金流总额。这意味着，AI投资正在告别单纯比拼投入规模的阶段，进入更严格的商业化和回报考核期。
图6 科技巨头自由现金流即将耗尽（资料来源：epoch.ai）
过去三年，AI产业形成了一种明显倒置的收益结构。科技巨头将广告、软件、电商等传统业务产生的现金流，大量投入数据中心和算力建设，资金也沿着采购链快速流向GPU、存储、服务器和电力等上游环节。
Altimeter Capital估算，2026年AI产业约79%的毛利润将集中在半导体环节，芯片与基础设施合计占比达到93%，应用层仅占7%。AI产业最先富起来的不是使用AI解决问题的企业，而是提供算力和基础设施的上游厂商。目前，持续加码AI的企业仍难以从相关业务中获得与投入相匹配的回报，只能依靠原有业务的现金流补贴。但这种模式很难长期维持。要让前期巨额投入真正形成回报，产业最终仍需要更多能够收费、复制并持续产生现金流的应用。AI货币化也因此成为当前行业关注的重点。
图7 AI产业毛利润集中于半导体和基础设施环节（资料来源：Altimeter Capital）
在这一背景下，本届WAIC呈现出一个十分明确的变化：人工智能的竞争重心正在加快转向应用端，其中最受关注的两条主线，一是面向企业业务流程的智能体应用，二是进入现实生产场景的具身智能。
3.2 智能体应用
大模型能力与性价比的提升，为智能体的规模化应用提供了基础。本届WAIC上，多家企业集中展示了面向实际业务的智能体产品，应用范围已经从办公问答扩展到智能问数、经营分析、生产排程和工程设计等环节。这些产品不再只是套在大模型外面的聊天窗口，而是开始连接企业数据库、知识库以及ERP、MES等业务系统，能够根据用户指令查询数据、分析原因、调用工具，甚至完成部分流程操作。智能体正在从“回答一个问题”，走向“接手一项任务”。
表2 WAIC参展厂商的智能体产品运用进展
上述智能体服务的场景各不相同，但底层逻辑大体一致：听懂人的要求，理解企业业务，调用现有系统，并对执行结果进行检查。大模型首先负责理解自然语言、识别用户意图，并将复杂任务拆解为具体步骤；数据库、知识库和业务规则为其补充企业内部的流程、标准和约束；工具接口则将智能体接入ERP、MES及各类工业软件，使其真正具备查询数据、生成方案和执行操作的能力。任务完成后，系统还需要通过规则校验、算法评估或人工审核判断结果是否正确，由此形成从理解、决策到执行、验证的完整闭环。
从本届WAIC展示的部分代表性产品看，企业智能体正在从单纯依赖知识库，转向引入企业本体技术或统一语义层。知识库主要存放文档、规章和案例，本体则进一步定义企业中的业务对象、属性、关系和规则。技术上，本体是一套可计算的业务语义模型，通常与知识图谱、规则约束、数据映射和系统接口配合使用。企业先统一定义各类业务对象，再将ERP、MES等系统中的数据映射到这套结构中。大模型负责理解用户意图和拆解任务，本体提供业务含义和关系，权限及校验机制则限定智能体能够访问哪些数据、执行哪些操作。几者结合，为智能体查询数据、调用系统和执行任务提供基础。
3.3 具身智能
本届WAIC展示的具身智能并不只有人形机器人，按照产品形态和产业成熟度，大致可以观察到三条路线。
第一类是固定式工业机器人。传统机械臂接入机器视觉、多模态模型和智能控制算法后，开始由重复执行预设程序，转向识别环境并适应任务变化，可谓“老树发新芽”。
第二类是正在加快落地的复合机器人，通常由移动底盘、机械臂、视觉系统和末端工具组成，能够跨工位完成抓取、检测、上下料和设备操作。
第三类是人形机器人，又可分为轮式和足式。轮式人形依靠移动底盘，稳定性更高，更适合平整场地中的搬运和操作；足式人形依靠双腿行走，能够适应台阶和复杂地面，通用性更强。
固定式工业机器人在本届WAIC上的变化，不在机械臂本体，而在于视觉、力觉和智能算法为成熟设备装上了新的“眼睛”和“大脑”。
梅卡曼德在展会上展示了无序小零件上料、精密装配等机器人应用。面对料筐中相互遮挡、姿态各异的零部件，机器人先通过3D视觉获得工件的位置、形状和空间姿态，再由AI系统选择抓取对象、计算抓取点并规划运动路径。传统自动化通常需要振动盘、定位夹具或者人工摆料，把工件整理成机器人能够处理的固定状态；梅卡曼德的全新方案则让机器人能够直接处理杂乱来料。
梅卡曼德披露，展出的无序上料和精密装配方案已经进入实际工业场景，并利用持续作业产生的数据优化算法。工业自动化开始从“改造环境以适应机器人”，转向“让机器人识别环境中的变化”。
图8 梅卡曼德演示精密装配机械臂
ABB展台上依然摆满了机械臂，但亮点不在机械臂本身，而在于机器人如何更快适配一项新任务。其Sim2Real数字孪生工站将ABB Robot Studio与NVIDIA Omniverse物理仿真技术结合，在虚拟环境中复刻机器人、视觉系统和工站状态，并模拟不同光照、来料偏差和异常工况，再利用生成的合成数据训练视觉模型。经过虚拟环境中的预训练和验证，机器人部署到真实产线后只需少量校正，便可执行复杂装配任务。
图9 ABB展示基于sim2real训练的机械臂
AI对固定式工业机器人的改造，主要发生在感知、操作和训练三个层面。3D视觉提升了机器人识别工件位置和姿态的能力，使其能够处理杂乱来料；力觉与触觉增强了对接触过程的判断，使装配、打磨等精细操作更加稳定；数字孪生和合成数据则把部分训练和调试工作前移到虚拟环境，缩短新任务的导入周期。
这些技术并没有改变工业机器人的基本形态，而是在成熟的机械结构和控制系统上增加了一层智能。机械臂仍然是原来的机械臂，但对专用夹具、规则来料和人工示教的依赖正在下降，可处理的工件和工序范围随之扩大。这条“老树发新芽”的路线不如人形机器人醒目，却更容易依托现有产线落地，可能是具身智能较早形成规模化产值的方向之一。
复合机器人在本届WAIC上的展示数量和关注度都较低。近年来，随着具身智能成为资本和产业关注的焦点，不少创新企业已经把技术展示和研发重心转向人形机器人。相比之下，复合机器人虽然更接近现阶段的工业应用，却少了几分展台上的新鲜感，也因此在WAIC上显得相对安静。
艾利特展示了典型的“协作机械臂＋AMR”复合机器人，主要用于CNC上下料、物料转运和跨工位作业。机器人可以自主移动到指定机台，再通过视觉识别工件和工位位置，由机械臂完成取放和设备操作。
图10 艾利特复合机器人
迦智科技在本届WAIC展示了NERA系列移动操作机器人。其中，NERA-A将移动底盘、协作机械臂和视觉系统集成在一起，主要面向半导体产线中用于承载晶圆和芯片器件的料盒、料盘，完成自动搬运与设备上下料。机器人到达机台后，会通过视觉重新确认物料和接口位置，再由机械臂完成抓取、放置和交接。半导体产线对洁净度、振动和定位精度要求较高。NERA-A通过多传感器融合定位、振动控制和模块化设计，提高移动、停靠和操作过程的连续性。
图11 迦智科技复合机器人
本届WAIC展示的人形机器人，按移动方式大致可以分为轮式和双足式两类。轮式人形通常采用移动底盘加人形上身，本质上更接近复合机器人的拟人化升级。双足人形则强调对复杂地面的适应能力，通用性更强，但在稳定性、续航和连续作业能力上仍处于验证阶段。
在轮式人形机器人中，银河通用Galbot G1是会场较受关注的一款。它主要面向零售、医药和工业等场景，可承担商品取放、药品拣选、物料搬运和现场值守等任务。G1采用全向轮式底盘、可折叠升降躯干和双臂结构，移动比双足机器人更稳定，作业范围则能从地面覆盖至2.4米高处。机器人搭载具身多模态大模型，能够识别环境、拆解任务，并根据现场变化重新规划动作。
图12 银河通用Galbot G1轮式人形机器人（资料来源：银河通用）
智元与京东物流联合推出的精灵G2 Max，则明显面向工业和仓储作业。该机器人采用轮式底盘和重载双臂，主要承担搬箱、拆码垛等高频重复、劳动强度较大的任务，后续将进入京东物流智能仓开展真实作业验证。
图13 智元精灵G2 Max重载具身机器人（资料来源：京东物流）
轮式人形可以看作复合机器人向拟人化方向的延伸，双足人形则更强调在楼梯、门槛和狭窄通道等复杂环境中的通行与作业能力。后者技术难度更高，距离成熟应用也更远，但通用性和发展空间更大，因此成为本届WAIC最受关注的产品类型之一。
展会上，宇树、云深处和智元分别展示了双足人形机器人的不同发展方向。宇树H2和云深处DR02通过武术、空翻等高难度动作，重点展示关节性能、动态平衡和全身运动控制；智元A3 Ultra则更强调续航、服务能力和在人流密集环境中的持续运行。整体来看，双足人形机器人已经能够完成越来越复杂的运动，距离长期稳定承担生产和服务任务，还有操作能力、可靠性和成本等问题需要解决。
本届WAIC上的人形机器人，最直观的进步是动作不再那么僵硬。行走、转身已经是基本功，奔跑、踢腿、空翻等高难度动作也频繁出现在展台上；即使受到推拉或碰撞，一些机器人也能及时调整姿态、重新站稳。关节性能、力控传感器、全身运动控制和强化学习的共同进步，让机器人的这副“身体”明显更灵活、更协调。
机器人的“大脑”也在升级。过去，机器人多半按照预先编写的程序执行固定动作，物品位置一变、环境稍有扰动，就可能停下来等待人工处理。现在，VLA（视觉—语言—动作）模型开始把环境感知、指令理解和动作控制串联起来：机器人先“看懂”周围有什么，再理解人要它做什么，最后直接生成抓取、移动和操作等动作。部分企业还在尝试引入世界模型，预测不同动作可能带来的结果，并据此调整后续计划。机器人距离人的应变能力仍有明显差距，但已经开始从机械执行固定流程，转向根据现场变化自主判断和调整动作。
3.4 人形机器人发展趋势观点汇总
本届WAIC大会上，人形机器人展品众多，但是行业仍然有明显的导入期的特征。主流研报普遍认为，2025-2026年人形机器人仍处“0→1”的导入期，部署以试验与验证为主，但进入成长期的时间窗口已逐步明晰。总体路径为：先在汽车、物流等场景开展小规模试点以补齐可靠性与经济性证据，继而在成本下探与供应链成熟的带动下向更聚焦的工业与商用场景扩张；面向大众的消费级普及则普遍被置于2035年之后。
国际主要具身智能研究机构在对人形机器人发展节奏的判断上总体趋同。ID Tech Ex指出，2025年前后汽车行业的试点机器人仍以贴标、搬运、检验等基础任务为主；到2026–202年，有望在部分特定场景中实现稳定运行，并于2028–2033年逐步拓展至更复杂的作业类型。Omdia与Morgan Stanley等机构认为，2025–2030年将是行业从“原型与炒作”阶段迈向“窄场景落地”的过渡期。Omdia预计到2027年全球出货量有望突破1万台，Morgan Stanley则预测2030年代约90%的出货将面向工业与商业应用。在验证顺利且成本持续下降的情形下，市场规模预计将由2025年不足30亿美元增长至2030年约150亿美元，年出货量有望从2030年的约25万台提升至2030年代中期的100万台以上。
相较于短中期预期，多数机构在长期拐点上的判断明显趋于谨慎。Morgan Stanley认为，人形机器人的采纳速度将在2030年代中后期加快，真正的产业爆发期更可能出现在2030年代末至2040年代。美国银行则提出“两段式普及”路径：第一阶段在2028–2034年主要出现在仓储与工厂；第二阶段自2035年起逐步延伸至家庭场景。美银的量化评估显示，2025年全球出货量约1.8万台，2030年有望达到100万台，制造成本预计下降至约1.7万美元；整体扩张路径将经历“仓储/工厂→商业场景（酒店、零售等）→家庭应用”的三阶段演进。
国内产业研究机构对人形机器人发展的节奏判断与国际研报大体一致。工信部于2023年11月发布的《人形机器人创新发展指导意见》提出“两步走”目标：到2025年力争整机性能达到国际先进水平，实现批量生产并完成示范应用；到2027年推动产业加速规模化发展，拓展更为多元的应用场景，使人形机器人更深度融入实体经济。中国信息通信研究院在《人形机器人产业发展研究报告（2024）》中进一步提出“三阶段商业化”路径：第一阶段（2024–2030年）在政策牵引下，于危险作业等高价值细分领域定向落地一批产品与样板；第二阶段（2030–2035年）加快在人形机器人制造与物流环节的规模化应用，从替代简单重复劳动切入，通过持续迭代实现降本增效与渗透率提升；第三阶段（2035年以后）实现AI与人形机器人的深度融合，应用向医院、学校、商场、餐饮等服务业延展，并逐步进入家庭场景。
综合国内外研报与政策判断，可归纳出一条较为一致的三阶段时间轴：2025–2027 年仍处导入期，汽车与物流等头部企业以小规模试点为主，重点验证可靠性与单机及整线的经济性；2028–2033 年进入早期成长期，零部件与供应链成熟叠加量产带来的成本下降，推动机器人在制造与物流等聚焦场景实现规模化部署；2035 年以后，消费级应用具备崛起可能，但需以安全性、情感交互与成本的进一步突破为前提，方能支撑面向大众市场的放量普及。
