2026年，人形机器人正处在一个尴尬的临界点：一边是数十亿美元的投资涌入，Figure AI、1X Technologies、Tesla Optimus轮番霸占科技头条；另一边是现实中的机器人依然在工厂里笨拙地搬运箱子、在仓库里走得比人慢。Bloomberg Originals在2026年4月底发布的这期Primer纪录片——《Humanoid Robots and the Gap Between Hype and Reality》——用24分钟做了一件大多数科技媒体不敢做的事：诚实地拆解人形机器人炒作与现实的鸿沟。
这不是又一段炫酷的机器人跑酷合集。Bloomberg深入Figure AI的实验室、探访中国机器人竞赛现场、追踪仓库里的真实测试数据，用财经媒体的冷静视角审视一个正在被资本裹挟的产业。如果你对"2027年每个家庭都有机器人"这种标题免疫了，这个视频值得你认真看完。
| 项目 | 内容 |
|---|---|
| 视频标题 | Humanoid Robots and the Gap Between Hype and Reality |
| 频道 | Bloomberg Originals |
| 时长 | 24:02 |
| 播放量 | 39.7万+ |
| 发布日期 | 2026年4月29日 |
| 核心主题 | 人形机器人产业炒作与真实进展之间的鸿沟 |
视频开篇直击核心问题——为什么非要把机器人做成人的样子？
这个问题的答案比想象中务实：整个世界的基础设施——楼梯、门把手、操作台、工具——都是为人体尺寸设计的。一个轮式机器人进不了电梯，一条机械臂拧不了螺丝刀。人形形态不是审美偏好，而是功能性选择。Bloomberg引用了多个研究数据指出，全球约80%的工业操作空间是为人类体型设计的，这意味着人形机器人在理论上能直接嵌入现有工作环境，而不需要改造基础设施。
但延伸分析来看，这个逻辑有一个被刻意忽略的前提："能嵌入"不等于"能胜任"。人的身体是一个经过数亿年进化的精密运动系统，现在用电机和减速器去模拟它，差距远比大部分科普文章承认的大得多。视频在这一点上保持了难得的克制。
视频的第二章节（2:02）聚焦于Figure AI的CEO Brett Adcock和他的机器人。Figure AI是当前人形机器人赛道最受瞩目的公司之一，已经完成了多轮融资，投资者包括Jeff Bezos、NVIDIA、Microsoft等科技巨头。
Bloomberg跟随Adcock深入Figure的实验室，展示了机器人在真实场景中的表现。画面中你能看到Figure 02在工厂环境下执行抓取、搬运等任务，同时也能感受到Adcock在面对镜头时的那种"科技CEO式的自信"——他相信Figure的机器人已经准备好进入大规模商业部署。
但视频并未止步于展示demo。Bloomberg记者反复追问一个关键问题：这些演示中有多少是远程操控（teleoperation），又有多少是真正的自主决策？ Figure CEO声称他们的测试中没有使用远程操控，这一点在评论区引发了巨大争议。从技术角度分析，当前大模型驱动的机器人确实能在结构化环境中做出合理的视觉-运动决策，但在非结构化、动态变化的真实工厂环境中，纯自主操作仍面临巨大挑战。视频在这个问题上做到了"让观众自己判断"的平衡。
第四章（4:45）"The Money Backing Humanoids"是整个视频信息密度最高的部分之一。Bloomberg用数据说话：
Bloomberg指出一个关键趋势：资本不是在赌哪家公司能赢，而是在赌"人形机器人时代终将到来"这个命题本身。这种"赛道投资"逻辑在AI领域已经被验证过——早期投资OpenAI的机构并非预测到ChatGPT，而是赌大语言模型终将产生突破。
我的延伸分析：这种投资模式有利有弊。利在于它能加速整个产业的技术积累；弊在于它制造了大量"demo驱动的公司"——融资靠的是精心编排的展示视频，而非可量化的生产效率提升。Bloomberg在视频中暗示了这种风险，但没有明说。
第五章（7:08）"The Robot Data Gap"触及了一个被科技媒体广泛忽略的核心问题：训练数据不足。
大语言模型的成功建立在互联网级别的文本数据之上——数万亿token的语料库。但机器人呢？你无法从互联网下载"机器人如何在不同材质桌面上以不同力度抓取一个不规则物体"的数据。这类数据必须通过物理世界的交互来获取，成本极高，速度极慢。
Bloomberg揭示了一个惊人的数字：一个人类儿童在成长过程中获得的运动交互数据量，可能超过目前所有机器人训练数据的总和。这就是所谓的"embodiment gap"（具身鸿沟）。
当前业界尝试的解决方案包括： - 仿真数据（Simulation）：在虚拟环境中生成训练数据，但存在"sim-to-real gap" - 遥操作数据（Teleoperation）：人类远程操控机器人完成任务，收集轨迹数据 - 视频学习（Video Learning）：从人类操作视频中提取动作信息 - 基础模型迁移：将大语言模型/视觉模型的知识迁移到机器人控制中
视频特别强调了仿真到现实迁移（sim-to-real transfer）的困难。物理世界有无数仿真器无法完美模拟的变量——摩擦力、材质变形、温度影响、传感器噪声。每一次从仿真到现实的跳跃，都伴随着性能的显著下降。
第六章（12:04）"Training Neo"聚焦于挪威公司1X Technologies及其家用机器人Neo。与Figure AI聚焦工业场景不同，1X选择了更具野心的方向：家庭场景。
视频中展示了Neo在模拟家庭环境中的表现——整理物品、简单清洁、搬运衣物。Bloomberg记者亲自与Neo互动，体验是"令人印象深刻但距离实用还有距离"。1X最近宣布了大规模量产计划，这是人形机器人公司中最早宣布进入量产阶段的企业之一。
值得注意的是，1X背后有OpenAI的投资和深度技术合作。这意味着Neo可能在AI推理和自然语言交互方面比竞品更强——它能更好地理解"帮我把那个红色的杯子放到厨房台面上"这类模糊指令。但物理操作的精度和鲁棒性，又是另一回事。
我的判断：家用场景比工业场景更难。工厂环境至少是结构化的、可预测的；家庭环境充满不可控变量——小孩的玩具散落一地、宠物突然窜出、家具摆放千差万别。1X选择家用场景可能不是因为它更容易，而是因为它是"终极市场"——全球家庭数量远超工厂数量。
第七章（13:59）将镜头转向了2025-2026年在北京举办的世界人形机器人运动会（World Humanoid Robot Games）。这场赛事汇聚了来自全球的机器人团队，参加跑步、足球、拳击等项目。
从YouTube上其他视频的影像资料来看，比赛场面堪称"悲壮"：机器人摔倒、四肢僵硬地奔跑、射门偏得离谱。但这种"笨拙"恰恰揭示了当前技术的真实水平。半程马拉松赛事中，大部分参赛机器人都没能完成比赛，少数完赛的也是步履蹒跚。
但Bloomberg的视角更有深意：中国正在通过这类赛事建立完整的人形机器人生态链。参赛的团队来自高校、初创公司、大企业，赛事本身培养了人才、积累了数据、验证了技术。更重要的是，它在公众层面建立了对机器人的认知和接受度。
第八章（15:10）"China's Humanoid Advantage"是整个视频中最具地缘经济分析深度的部分。Bloomberg总结了中国在人形机器人领域的四大结构性优势：
供应链优势：全球约70%的机器人零部件——从电机到减速器到传感器——在中国制造或组装。这赋予了中方在成本和迭代速度上的天然优势。
政策支持：中国政府将人形机器人列为国家战略产业，提供了大量补贴、税收优惠和产业园区支持。Unitree、Agility等中国公司获得的发展速度远超海外同行。
人才密度：中国每年培养的工程类毕业生数量远超任何国家，其中相当一部分正在进入机器人领域。
测试环境：中国对新技术测试的监管环境相对宽松，机器人可以更快地在真实场景中进行测试和迭代。
Unitree（宇树科技）是一个典型案例。其GD01载人变形机甲的视频在YouTube上获得了2200万+播放量，展示了令人惊叹的工程设计能力。虽然GD01更像是概念产品，但它展现的技术储备不容小觑。
最后几个章节（17:25-21:49）回归到了最核心的问题：机器人在真实工作环境中到底表现如何？
Bloomberg探访了正在测试人形机器人的仓库和工厂。画面展示了一个残酷的现实：即使是最先进的机器人，在仓库中的工作效率也只有人类工人的30-60%。它们会犹豫、会失误、会在非标准尺寸的箱子面前卡住。
但趋势是明确的。视频中展示的数据表明，机器人性能在以每季度15-20%的速度提升。Figure 02已经在BMW的工厂中进行了实际部署测试，Mercedes也在其生产线上引入了人形机器人。Amazon通过投资和收购，在仓库自动化方面投入了数十亿美元。
Bloomberg的结论性判断非常审慎：人形机器人不会在2026年或2027年"取代工人"，但它们正在以超出预期的速度缩小与人类的能力差距。关键转折点可能出现在2028-2030年，届时机器人的工作效能可能达到人类的80%以上，而成本仅为人类工人的20-30%。
graph TD
A[人形机器人产业全景] --> B[资本驱动层]
A --> C[技术瓶颈层]
A --> D[应用场景层]
A --> E[地缘竞争层]
B --> B1[Figure AI: Jeff Bezos/NVIDIA投资]
B --> B2[1X Technologies: OpenAI支持]
B --> B3[Tesla Optimus: 内部造血]
B --> B4[总融资超100亿美元]
C --> C1[数据鸿沟: 训练数据严重不足]
C --> C2[Sim-to-Real Gap: 仿真到现实迁移]
C --> C3[具身智能: 跨模态感知决策]
C --> C4[成本控制: 减速器/电机/传感器]
D --> D1[工业场景: BMW/Mercedes工厂]
D --> D2[仓储物流: Amazon仓库]
D --> D3[家庭场景: 1X Neo方向]
D --> D4[极限测试: 机器人运动会]
E --> E1[中国优势: 供应链/政策/人才]
E --> E2[美国优势: AI算法/资本/生态]
E --> E3[欧洲: 工业自动化传统]
C1 --> F[核心矛盾: 炒作vs现实]
D --> F
B --> F
如果你是AI或机器人领域的工程师，这个视频传递的最重要的信号是：具身智能（Embodied AI）正在成为下一个技术爆发点。大语言模型的突破已经证明"规模法则"（Scaling Laws）在AI领域有效，同样的逻辑正在被移植到机器人领域——更大的模型、更多的数据、更强的算力。但机器人领域有一个独特变量：物理世界的不可压缩性。你不能靠优化算法来绕过重力，不能用更多GPU来减少摩擦力。
这意味着，能在"sim-to-real gap"上取得突破的团队将获得巨大优势。如果你在考虑职业方向，以下领域值得关注： - 仿真引擎开发：更精确的物理仿真器 - 数据效率学习：用更少数据训练更强的策略 - 多模态基础模型：将视觉、语言、运动控制统一在一个模型中 - 硬件-软件协同设计：从硬件层面降低控制难度
Bloomberg视频最清醒的提醒是：目前阶段，投资的是赛道，不是选手。没有谁能确定Figure、1X、Tesla哪家会最终胜出。但可以确定的是： 1. 人形机器人市场在2030年前将达到百亿美元级别（Goldman Sachs预测为380亿美元） 2. 率先实现"成本低于人类工人"的公司将获得爆发式增长 3. 关键指标不是demo效果，而是MTBF（平均故障间隔时间）和单位成本下的产出效率
即使你不在科技行业，这个视频也值得思考。未来5-10年内，人形机器人将从三个层面影响你的生活： 1. 你买的东西可能由机器人制造——更快、更便宜，但可能导致制造业就业变化 2. 你工作的环境可能有机器人同事——特别是在仓储、物流、清洁等重复性劳动领域 3. 你家里可能会有一台机器人助手——但大概率不会在2030年之前
Bloomberg用24分钟揭示了一个残酷而鼓舞人心的事实：人形机器人的炒作虽然超前于现实，但现实的追赶速度比大多数人预期的要快——真正的转折点不在2026，而在2028-2030。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。