魏哲家演講背后的冷思考：人形機器人的勝負手正被重新定義

近日，一句看似“刺耳”的判斷，讓人形機器人賽道頗受震動。魏哲家公開表示，那些“能跳來跳去”的機器人“沒用，好看而已”。之所以引發(fā)巨大爭議，不只是因為這與公眾認知相悖，更因為說這話的人是掌控全球算力命脈的臺積電掌門人。而當一個站在產業(yè)鏈頂端的人開始否定最“熱鬧”的部分，往往意味著真正勝負手的關鍵已經發(fā)生了轉移。

從“會動”到“有用”：被誤解的人形機器人進化路徑

眾所周知，過去兩年人形機器人最吸引眼球的能力，幾乎都集中在高動態(tài)動作上。無論是Tesla的Optimus，還是中國廠商頻繁展示的翻跟頭、跑酷、舞蹈，這些極具視覺沖擊力的表現，都很容易讓人產生一種直覺判斷，那就是既然人形機器人能完成如此復雜的動作，那它一定已經很智能。

但誤解恰恰在此。人類傾向于用“看得見的動作復雜度”來推斷“看不見的智能水平”，而忽略了這兩者在機器人領域并不等價，甚至經常錯位。例如人形機器人完成后空翻，本質上是一個在高度可控環(huán)境中，通過工程手段反復優(yōu)化的結果，即依賴的是電機、減速器、傳感器以及控制算法的精密配合，是典型的機械工程與控制理論的勝利，而非真正意義上的“理解世界”。而這種認知偏差，正好對應經典的莫拉維克悖論，那就是對人類而言簡單的感知與操作，對機器卻異常困難。

基于此，真正的挑戰(zhàn)，并不在于讓人形機器人完成一個標準動作，而是讓它進入真實世界。例如在廚房里拿起一個雞蛋，這里物品擺放隨時變化，光線與遮擋不確定，雞蛋的脆弱程度無法量化，甚至突發(fā)干擾（比如寵物）都需要即時應對，這種情形下，單純依賴預先寫死的控制代碼已遠遠不夠。機器人需要通過攝像頭、麥克風、力矩傳感器和溫度傳感器等多模態(tài)感知硬件采集大量非結構化數據，將其送入大模型進行理解和推理，再在毫秒級內輸出決策。而這正是當前所謂“具身智能”（Embodied AI）和“物理 AI”（Physical AI）領域競爭的核心，即如何讓具身智能體在真實世界中實現類似人類的靈活應對，也正是在這里，“身體”和“大腦”開始徹底分化，即驅動關節(jié)運轉的，是伺服電機、減速器和運動控制（相當于“小腦”）；而理解場景、規(guī)劃動作、與人互動的，則是運行在芯片上的大模型（真正的“大腦”）。

不可否認，中國憑借強大的制造業(yè)體系，在機器人“身體”層面已經建立起極高的效率與成本優(yōu)勢。

據市場研究機構Omdia《通用具身智能機器人2026》報告最新統計，2025年全球人形機器人出貨量已經超過1.3萬臺至1.45萬臺，較前一年實現數倍增長，而其中近90%來自中國廠商，例如宇樹、智元、優(yōu)必選以及新銳 AgiBot 等。短短幾年，中國憑借電機、減速器、電池等完整供應鏈，把人形機器人的硬件成本迅速壓低到全球最低，部分入門型號價格甚至低于6000美元。

但就如上述，真正決定機器人是否“有用”的，是它的“大腦”，而這則是另一條完全不同的競爭賽道。

算力與制程：人形機器人競爭真正的勝負手

如上述，當人形機器人從“會動”轉向“有用”，一個更底層的現實浮出水面，即人形機器人的核心，不在關節(jié)和電機，而在芯片。

眾所周知，2026年，AI芯片市場的爆發(fā)在汽車等消費領域已經產生連鎖反應，具體表現為存儲芯片和算力芯片供不應求，DDR5等關鍵存儲價格大幅上漲，部分供應商甚至預告二季度價格漲幅可能達到40%以上。為此大量傳統車企上調售價，背后一個重要原因正是其自動駕駛與智能座艙所需的算力和存儲資源，被AI工業(yè)和機器人算力需求從同一池子里“抽走”了產能。

與此同時，英偉達在GTC 2026推出面向具身智能的新一代計算平臺，試圖把“機器人大腦”的訓練、驗證和部署做成一整套閉環(huán)系統，即云端有專為具身智能優(yōu)化的世界模型和訓練框架，中間有Omniverse/Isaac Sim這樣的高保真仿真環(huán)境，邊緣端則是持續(xù)升級的Jetson/Orin乃至Jetson Thor等機器人SoC。而對于機器人廠商來說，一旦選定了這條技術路徑，則不止芯片，而是把整個軟件棧、開發(fā)工具鏈乃至后續(xù)運維都綁定在了英偉達身上。

此外，AMD、谷歌、亞馬遜以及微軟等云巨頭也在不斷推出自研AI加速器。例如微軟1月剛剛發(fā)布的Maia 200推理加速器同樣采用臺積電3納米制程，配備216GB HBM3e內存；亞馬遜Trainium3、谷歌第7代TPU Ironwood均已量產或試產，試圖在這一賽道分一杯羹。

而它們的共同特點是計算和功耗密度極高，對制程和封裝的要求遠超傳統手機SoC或通用CPU。而要想在30–60瓦甚至更低的功耗下支撐百億參數級多模態(tài)模型的實時推理，且具備一定的冗余空間，應對算法迭代，這些芯片幾乎都必須壓在5納米、4納米甚至3納米制程節(jié)點，并與多堆疊HBM通過2.5D/3D先進封裝方式緊密耦合。這幾乎將所有路徑，收斂到同一個終點—先進制程能力。

也正因為如此，無論是誰設計芯片，最終都要“排隊”交給臺積電等少數代工廠生產，這構成了魏哲家敢于宣稱“全球95%的機器人大腦由臺積電制造”的底氣。雖然這一比例在統計口徑上可能存在爭議，但業(yè)界普遍認為，在5納米、3納米等先進制程以及CoWoS等2.5D/3D先進封裝領域，臺積電目前的確擁有壓倒性優(yōu)勢，甚至連英偉達自家高層都公開承認，其旗艦GPU交付能力很大程度上被臺積電封裝產能“天花板”限制。

從這個意義上說，中國企業(yè)在機器人“身體”環(huán)節(jié)拿下80%–90%甚至更多的出貨份額，并不等于掌握了產業(yè)鏈的話語權。不可否認，在電機、減速器、結構件、電池等部件上，中國憑借完善的供應鏈和極致的成本控制，的確做到了全球最強，但在決定性能上限和利潤率高低的AI芯片設計、制程及軟件棧環(huán)節(jié)等核心方面仍牢牢掌握在美國設計巨頭和臺積電這樣的代工寡頭手中。而這一剪刀差，也正是魏哲家站在臺上，敢于對“會跳來跳去的機器人”嗤之以鼻的底層邏輯所在，即真正決定人形機器人競爭格局的，不是誰先造出下一個會后空翻的鋼鐵俠，而是誰擁有為它們“裝上大腦”的制程與算力。

分化中競未來：美中路徑殊途同歸

如果我們把上述視為一場圍繞“算力高地”的全球布局，那么在中國，則正在進行一場極其艱難卻異常關鍵的“換腦術”。

眾所周知，在美國對高端GPU和相關EDA工具、制造設備等實施多輪出口限制后，中國企業(yè)在獲取頂級英偉達GPU（如H100、H200、B200等）方面面臨嚴格約束，尤其是在大型訓練、推理集群以及高端機器人控制平臺上，越來越難以直接采購最新產品。

在這種壓力下，華為的昇騰（Ascend）系列成為中國本土算力基礎設施的代表，其正在通過大規(guī)模集群架構（如基于910C/910D的AI集群）、自研AI框架MindSpore以及配套的軟件生態(tài)，試圖構建一套相對完整的國產算力體系。

與此同時，中國在“機器人大腦”側的探索，并非只是昇騰這一條主線。

一方面，以地平線、黑芝麻智能為代表的邊緣AI芯片廠商，正在將原本服務于自動駕駛的高能效推理芯片向機器人場景延伸，強調在低功耗條件下完成視覺感知與實時決策，這類芯片雖然算力規(guī)模不及數據中心級GPU，但在實際落地中更接近“機器人控制中樞”的形態(tài)；另一方面，寒武紀、燧原科技等通用AI芯片廠商，則繼續(xù)在訓練與推理一體化方向推進，試圖在數據中心側提供可替代GPU的算力底座，與昇騰形成某種“多點支撐”的格局。

此外，一些整機廠商也開始自研或深度定制機器人專用SoC，例如圍繞運動控制、傳感融合與多模態(tài)推理進行異構集成，試圖在通用GPU之外，走出一條更貼近機器人形態(tài)的專用計算路徑。

需要強調的是，雖然國內廠商在“小腦”（運動控制）和“眼睛”（視覺識別）芯片上已經能做到性價比極高，但真正的痛點依然在于缺乏類似英偉達Jetson Thor那樣的“超大規(guī)模多模態(tài)通用計算平臺”，使得目前國內大部分廠商依然處于“拼盤”階段，例如用華為或地平線的芯片做視覺感知，用國產高性能單片機做電機控制，再用自研算法進行粘合。而這種“拼盤”式的做法，勢必導致軟件適配的“木桶效應”、算力損耗與通信延遲以及“數據飛輪”斷層等挑戰(zhàn)。

以“數據飛輪”的斷層為例，由于國產廠商往往缺乏配套的高保真仿真平臺，如果用英偉達的平臺訓練，再手動把模型“翻譯”到國產芯片上，中間的精度損失和適配工作量極其驚人。又如軟件適配的“木桶效應”，如果你用A公司的芯片做視覺，B公司的芯片做運動控制，中間就需要大量的底層驅動對齊和通信延遲優(yōu)化，為此開發(fā)者80%的精力都在調接口、對協議，而不是在優(yōu)化機器人的算法，從而導致產品迭代速度被英偉達生態(tài)甩開。

如果說在具身智能領域，“芯片決定下限、數據決定上限”已經成為共識，那么中美在數據獲取路徑上的差異也愈發(fā)明顯。

美國以英偉達的Omniverse 與Isaac Sim等平臺為代表，試圖構建一個高保真虛擬世界，在其中1:1復刻真實物理規(guī)律（重力、摩擦、光影等），讓成千上萬的虛擬機器人以遠超真實時間的速度進行操控訓練，例如學會如何拿雞蛋、避障、抓取不規(guī)則物體等。訓練完成后再將策略和模型下發(fā)到現實世界中的物理機器人，由此大幅降低真實試錯成本。

相比之下，中國企業(yè)則更多傾向于利用硬件成本優(yōu)勢采用“泥腿子進城”的現實路線。既然機器人本體足夠便宜，那就先造出幾萬甚至十幾萬臺，讓它們直接進入工廠、倉儲中心、生產線等真實場景，在實踐中不斷摔倒、碰撞和試錯。而對于那些成本可控、風險可管理的場景，損壞一臺機器人或一個伺服電機的代價遠低于獲取真實世界數據的長期價值。通過這種“暴力堆量”的策略，中國企業(yè)從一線場景中點滴積累“原汁原味”的物理數據，用于訓練和優(yōu)化多模態(tài)模型。這兩條路徑，一條依賴算力，一條依賴場景，本質上代表了不同資源稟賦下的最優(yōu)選擇。

寫在最后：回望整個產業(yè)，我們發(fā)現一個熟悉的規(guī)律正在重演，那就是在技術浪潮初期，最熱鬧的是終端產品，但最穩(wěn)定的價值，卻掌握在“賣水人”手中。從算力、芯片到關鍵部件與數據基礎設施，這些看似不顯眼的環(huán)節(jié)，才是真正決定長期格局的根本。

而魏哲家的那句“跳來跳去沒用”，并非對人形機器人的否定，而是對產業(yè)認知的一次糾偏，即在這場關于人形機器人的競賽中，肌肉會迅速貶值，硬件會不斷內卷，唯有算力與智能，才是長期稀缺資源，而也是我們必須要占領和奪取