机器人拿不住那杯水：WAIC2026揭示的物理AI生死线

作者：快思慢想研究院 田丰，每日经济新闻记者 胥帅

开篇

七月上海，热浪与冷气在世博中心门口形成奇异对流。走进2026世界人工智能大会（WAIC）展厅，迎面而来的不是屏幕，是机器人。大批国产人形机器人散布于场馆各角落，专门给观众指路。它们的动作已无早年原型机的笨拙感，参观者拍照、围观，气氛热络。

在这场视觉盛宴的背面，产业内部正进行一场更深层、更安静的自我审视与革新。

这届WAIC与往年最大的不同，在于评价体系的迁移：投资人和工程师不再追问机器人"能不能跳舞"，开始逼问"能不能在真实场景里干活"。雅可比机器人创始人邱迪聪说了一句话，颇具代表性："无论多厉害的技术、多好的设计，到最后都需要形成一个可交易的产品，才能产生最终的经济价值。"

2026年，整个赛道正式跨入"实干期"。而实干，首先撞上了两堵看不见的墙。

一、两堵墙：Z轴置信度与物理世界理解赤字

让机器人从桌上拿起一杯水，听起来是最简单不过的任务。但如果只用平面视频训练它，大概率会发生这样的事：它伸手，抓翻了前面那只挡路的杯子。

平面摄像头丢失了Z轴，也就是深度信息。速腾聚创市场部总监谢阗地用一个更直白的例子说明这个问题："桌上有两杯水，你要拿后面那杯，机器人的脑子需要理解水杯的前后关系、大小关系。如果只靠平面视频训练，机器人学不明白——今天用大球训练，明天遇到小球，机器人就不知道怎么处理了。"

这与自动驾驶场景的结构性差异，构成理解具身智能难度的关键参照。车载场景相对结构化，汽车主要识别前方行人和车辆，算出距离再避让或刹车即可；机器人操作涉及的是在非结构化三维空间里完成精细交互，认知负担截然不同。谢阗地将这个差异直接挑明：自动驾驶只需要"算出来并避让"，但机器人要完成"理解"。

快思慢想研究院院长田丰将感知端的核心问题精确定义为："Z轴信息的实时置信度"——机器人能不能在每一帧里，准确知道眼前每个物体离自己多远，而且判断这个距离数据是否可以被信任。工业机器人之所以高度精准，是因为它工作在已知坐标系里，光照恒定，障碍物静止。而物理AI面对的是持续变化的三维世界——行人闯入、光线骤变、镜面反射、透明玻璃。在每一帧内，它必须以毫秒级速度重建一个足够精确且可信的三维置信场，再喂给决策模型。

传统摄像头丢失Z轴；毫米波雷达分辨率太粗，无法区分行人和金属柱；传统机械旋转激光雷达帧率约10Hz，MEMS半固态已进步到25Hz，但面对人类行走速度1.5m/s、机器人操作臂末端可达3至5m/s的高速动态场景，感知延迟的累积足以直接导致决策失效。精度、速度、鲁棒性，三角约束同时压下来，传统线扫架构从根本上无法同时满足。

这是感知端的硬壁垒。计算端同样存在软肋——邱迪聪指出："核心是大模型对物理世界的理解能力还存在明显不足。"很多人类能直观感知的物理现象、物理交互过程，物理AI还没有足够的对应数据来完成学习。感知缺乏置信的深度数据，计算缺乏物理交互的训练样本，两堵墙叠在一起，构成了2026年物理AI商用化的核心制约。

二、线数落幕，像素登场：SPAD-SoC的技术逻辑

一个行业的衡量指标发生转变时，通常意味着一个时代真正结束了。

长期以来，激光雷达行业用"线数"衡量产品代际——128线、256线，本质上描述的是机械旋转扫描架构里的发射通道数量。它不描述点云密度，不描述帧率一致性，更不描述感知语义。这个指标，是扫描时代的遗产。

2026年4月前后，两件事几乎同步发生。速腾聚创发布"创世"架构，凤凰芯片单片集成2160线，输出超过400万像素；禾赛推出"6D全彩激光雷达"，旗下毕加索SPAD-SoC芯片在探测器层面实现像素级彩色感光与TOF测距的融合，ETX系列最高支持4320线全彩4K感知，最远探测距离达600米。两家头部企业同周宣示技术路线，不是时间上的巧合，是对"像素时代"来临的同步确认。

田丰给出判断："线数指标是扫描时代的遗产，像素是面阵时代的货币。"

要理解这场变革的底层逻辑，需要深入SiPM（硅光电倍增管）与数字SPAD-SoC（单光子雪崩二极管系统级芯片）两条技术路线的根本差异。

SiPM将多个SPAD像素并联输出模拟信号，所有信息——无论激光回波还是背景噪声——都被糅合在一起，后端电路只能按时间窗口粗略甄别。SiPM的物理极限在于：暗计数（DCR）随感光面积线性增大，多通道并行探测时串扰随通道数指数上升；若强行增加并行通道以提升点云密度，串扰问题会通过能量扩散、动态范围抢占、时空混淆三重机制叠加恶化，加剧高反射场景下的膨胀误差。大面阵SPAD若采用SiPM架构，有效光敏面还受工艺约束，焦距压缩会进一步影响信噪比。这不是参数调优能绕开的问题，而是模拟与数字信号处理架构之争。

需要指出的是，两条技术路线各有取舍，无法用简单参数对比判断优劣。但从物理AI的工程需求来看，数字SPAD-SoC的结构性优势在于：将直方图生成、噪声过滤、回波识别集成在探测器芯片内部，各种信号按时间、位置、强度等特征在芯片内部分类存储与处理，激光回波得以从噪声中被精确识别，输出给神经网络的已经是处理后的结构化信息，且消耗算力较低。前特斯拉AI总监安德烈·卡帕西（Andrej Karpathy）曾将自动驾驶最大的挑战定义为"感知质量的尾部分布"——极端场景下的感知失效才是安全边界。数字SPAD-SoC通过全数字处理消除了模拟信号的统计模型失效风险，直接压缩了感知的尾部误差，这才是物理AI可以依赖的工程基础。

速腾聚创谢阗地坦言，走这条路，起点是被逼出来的："做数字化雷达，市面上基本只有国外芯片可以买，价格贵，主力供应还是192线和520线。我们做2000线的产品，想做640×480分辨率的面阵，市面上没有现成芯片，只能自己做。"自主可控的压力，意外催生了技术跃迁。

三、成本曲线的重构：芯片化、规模化、制程化三阶段

成本，历来是新技术能否真正普及的生死门。

激光雷达的降本历程，是一部被压缩的产业史。2016年，一颗64线机械旋转雷达的售价超过7万美元，60%至70%的成本来自光机电分立元件的手工装调——每根激光发射—接收对都需要独立标定，成本结构本身存在缺陷。

芯片化设计打破了这个结构。速腾聚创通过ASIC芯片替代FPGA，MX产品成本已降至200美元以下；万集科技采用VCSEL+SPAD方案结合自研算法，相比传统方案器件种类降低60%以上、器件数量降低80%以上、生产工序减少30%。这是本质性的降本，与出货量无关。只有芯片化完成之后，规模效应才真正开始发挥——模具摊薄、流片成本分散、自动化产线利用率提升。两件事性质不同，要分开看。

田丰将这个过程归纳为清晰的三阶段：工程降本、规模降本、制程降本。当前行业正处于第二阶段向第三阶段的过渡期。激光雷达单颗成本已从数万元降至2000至3000元区间；Flash方案（速腾E1、禾赛ET25系列）2025年已在多款量产车型配套，单颗售价500至1200元。

第三阶段的关键变量是制程迭代。当SPAD芯片流片工艺从28nm向16nm乃至12nm推进，像素密度可以翻倍，每颗芯片的制造成本因制程成熟下降30%至40%。田丰援引了一个具有参照价值的历史数据：索尼Exmor图像传感器，2010年代初5000万像素旗舰产品售价超过200美元，2023年同等像素传感器已降至30美元以下，13年下降85%。激光雷达SPAD芯片与CMOS制程迭代路径并不完全相同，但降本的方向性规律具有参照意义。

摩尔定律在激光雷达领域的实现方式，是3D堆叠，而非简单的晶体管密度倍增——将感光层（SPAD阵列）、时间数字转换层（TDC）、处理层（DSP/SRAM）垂直键合，每一代堆叠工艺成熟，像素密度翻倍而面积不增加。禾赛第4代芯片已采用3D堆叠技术，实现单板集成512个通道，内置256核智能点云解析引擎；速腾聚创的数字SPAD-SoC支持大面阵数字信号输出，在分辨率和探测距离上具备结构性优势。

真正的规模效应来自跨场景复用。禾赛科技2025年机器人领域激光雷达预计达20万台；速腾聚创2026年第一季度机器人业务销量达18.55万台，同比飙升1458.8%，销量占比达56.2%，首次超越车载业务成为公司第一大增长动力。车载、机器人、割草机、无人机共用同一颗芯片平台，使单一芯片的流片成本摊薄至多个下游市场——这是激光雷达行业独有的"跨场景规模效应"，与手机芯片靠单一市场规模降本的逻辑不同，每新增一个应用场景，就等于增加一个流片量分摊池。预计到2028年，当年产能达千万级别时，主激光雷达ASP可降至500至800元区间，真正进入消费电子的成本范畴。

按照技术迭代节奏推演：2025年千线级已进入量产，2027至2028年万线级（图像级）进入量产验证，2029至2030年图像级激光雷达成本有望下穿1000元，届时物理AI感知系统将具备与RGB摄像头相当的像素密度，同时保有主动深度信息的独特优势。

四、"1主+N补"：物理约束决定的感知标准

成本大幅下降，是否意味着一颗"超级雷达"可以统一一切？

答案是否定的，原因是物理约束，而非技术能力的不足。

Flash激光雷达（VCSEL面阵发射+SPAD阵列接收）2025年单颗售价已降至500至1200元，进入量产区间。但Flash替代MEMS主雷达的路径，在当前阶段仍然遥远：主雷达需要150至250米的探测距离，Flash在眼安全功率约束下无法达到这一指标。这是激光器出射能量密度与人眼安全阈值之间的物理约束，短期内没有工程解法，与成本无关。主雷达和补盲雷达之间的功能鸿沟，在单光子探测技术进一步突破之前，无法靠单一产品填平。这是"1主+N补"格局固化的技术根基：功能分工是刚性需求，而非配置的堆砌。

补盲雷达专注于近距离（20至50米）车身感知，支持高帧率（>20Hz）和宽视场角（>75°），有效解决传统长距离激光雷达在车身周围视场角不足、成本过高的问题。L4级别自动驾驶预计前向后向各配置一颗长距激光雷达，周边需要4至6颗补盲激光雷达，以确保360度全覆盖并消除盲区——这是安全冗余的工程必要条件。

这条路径与摄像头的普及历程有一定相似性，但复杂度更高。摄像头在汽车上从1颗倒车影像演进到8至11颗多路感知，历经约10年，驱动力是三重叠加：功能扩展（倒车→360°→前视感知）、CMOS制程红利带来的成本下降，以及欧美法规对后视摄像头的强制要求。激光雷达的普及走着相似路径，但摄像头各颗之间仅做视角补充，算法融合压力较小；激光雷达的主补配置则需要时间同步、坐标系标定、异构点云融合，系统整合难度远超摄像头。

补盲雷达已形成独立市场：2025年单颗价格降至300至500元，进入高端车型标配区间。未来3年，随着Flash SPAD补盲雷达继续降本，将从豪华车配置下沉至15万元级车型。这是继摄像头之后，第二个在汽车上实现"逐步标配"的主动传感器品类，市场规模独立于主雷达存在。

五、从"眼睛"到"脑子"：激光雷达厂商的角色重构

谢阗地在展会现场说了一句话，颇具深意："我们之前是给机器人做'眼睛'，现在一方面做'眼睛'，另外一方面也在帮机器人做'脑子'。"

这句话背后，是产业定位的根本性迁移。基于SPAD-SoC的新型融合传感器，正在从单纯的硬件产品演变为"物理AI数据入口"，替代单纯的硬件售卖，成为更大产业图景的核心节点。

大量做数据采集的公司开始找激光雷达企业买传感器，带着雷达去采集，出来的数据既有物体的精确位置信息，又有画面信息。先用人的动作示范抓取过程，机器人学习的效率更高、数据质量更高。激光雷达厂商由此从卖硬件转向销售"数据训练的接口"，深度介入数据采集与模型训练环节。

这一转变有更深层的技术驱动力。当前具身智能的训练范式，正从"点云→语义模块→规划"的串行架构，向端到端模型直接消费传感器原始数据演进——未来，传感器数据可能不再生成点云或地图，而是直接输入端到端大模型，输出电机扭矩。图像级激光雷达输出的结构化2.5D/3D数据，在格式上与RGB图像高度对齐，可以直接进入视觉—语言—动作（VLA）模型的输入层，无需额外的点云预处理模块。谁先输出"AI可直接消费"的图像级点云，谁就更快进入端到端训练闭环，获得数据飞轮优势。

传统多传感器融合方案的痼疾，在于时间不同步——激光雷达帧率10至25Hz、摄像头30至120Hz、IMU 200Hz以上，三类传感器时间戳不一致，融合时需要时间插值补偿；空间坐标系不一致，需要外参标定，精度误差约0.1至0.5°；数据格式不一致，还需专门的融合算法层。

禾赛"6D全彩激光雷达"与速腾"图像化"方案，本质上指向同一技术方向：在探测器层面直接集成彩色感光能力，输出原生彩色点云，省去激光雷达与摄像头融合的标定、同步与对齐环节——从系统级"后融合"跃迁至芯片级"前融合"，信息在物理层面已经对齐，无需算法补偿时间和空间误差。卡帕西曾描述视觉系统的核心价值："它用光子投票，每个像素都是一次关于世界状态的独立采样。"融合传感器让每个像素同时采样颜色和距离，信息密度翻倍，不增加时间代价。

奥比中光的Gemini系列双目结构光相机已入驻NVIDIA Isaac Sim仿真平台，提供物理级准确的传感器模型，与NVIDIA Jetson Thor系统级模块实现从感知输入到计算决策的完整链路打通，极大缩短了从仿真测试到物理部署的迭代周期。融合传感器输出的彩色点云格式与仿真环境的数字孪生输出格式高度对齐，使"Sim-to-Real"的数据迁移成本大幅下降——机器人在真实场景采集的RGBD数据，可以直接与仿真环境生成的合成数据混合训练，无需额外的域适应处理。这是融合传感器相比单一激光雷达、单目摄像头最根本的系统级竞争力：它不只是更好的感知硬件，而是物理AI训练基础设施的关键节点。

在多模态维度上，行业已从文字、图像扩展到视频，未来还将融入声音、深度和触觉等信息，VLA模型正在加速吸纳更丰富的感知维度。多模态融合的真正难点在于底层芯片的"前融合"——让每个像素同时采样颜色与距离，用一颗芯片输出干净统一的多模态数据结构，而非算法层面的事后拼接，从根本上解决"叠床架屋"的系统冲突问题。触觉感知是下一个确定性方向，但现实中触觉数据几乎要从零开始构建，挑战远比深度感知更大。

技术的演进，从来不是孤立的硬件升级，而是系统认知边界的重新划定。

从128线到4320线，从卖雷达到卖数据接口，从展示跳舞到真实场景干活——这条线串起来，指向同一个事实：机器人产业的竞争，已深入到感知芯片的像素密度、训练数据的立体精度，以及端到端模型的信息格式兼容性这些底层变量。

"无论多厉害的技术，到最后都需要形成一个可交易的产品。"邱迪聪这句话，在2026年的上海，被翻译成了更具体的工程语言：可交易的，是一个能在每一帧里准确感知深度、且让AI直接消费这个信息的完整系统。

Z轴置信度，是物理AI跨越的那道门槛。跨过去，机器人才能真正拿起那杯水。

参考文章：《WAIC观察 | 机器人训练缺高质量数据 激光雷达等硬件厂商抢“数据训练接口”》，每日经济新闻记者 胥帅

畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》

出版社：人民邮电出版社

作者：田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。