启元在10月25日迎来第5000台个人机器人下线，距Q1、T1开卖仅一个多月。量产节奏抬升，并未让机器人业务立即进入收获期。10月29日晚间，上纬新材（688585）披露2026年三季报：前三季度机器人业务研发投入约3.6亿元，尚未确认收入；受新业务投入等因素影响，上市公司合并报表归母净利润亏损4.22亿元。这组数据把物理AI当前处境摆在台面上：产品可以下线，商业化仍要穿过投入期。
上纬新材（688585）首席科学家董豪的判断更直接。他认为，具身智能不能只靠算法模型，也不能只做机器人本体，硬件、数据和模型必须同步迭代。启元的技术架构中，通用大模型与具身模型分别承担“慢脑”和“快脑”：前者负责任务理解、复杂推理、记忆和规划，后者通过视觉—语言—动作模型完成抓取、整理等动作生成与执行。若让通用大模型直接控制机械臂，模型要反复推理物体位置、抓取距离和下一步动作，执行慢、推理成本也高。
这套分工解释了机器人为何“能听懂”却未必“会干活”。真实物理世界的一次动作涉及空间位置、物体接触、摩擦和环境变化，机器人不仅要理解指令，还要稳定执行。董豪把通用大模型比作“教练”，机器人本体和动作模型更像“运动员”；教练再强，也需要运动员有足够好的本体、操作数据和训练体系。不同机器人在机械臂结构、自由度和执行方式上存在差异，短期内很难靠一个通用模型解决所有物理交互问题。中金公司（HK3908）研报认为，通用大模型在3D建模、空间推理、工具调用等方面进步，为机器人“大脑”理解空间关系、规划复杂任务提供认知与决策基础；通用大模型与具身基础模型进一步融合后，机器人“大脑”的技术落地与商业转化有望提速。
数据端的矛盾更直接。董豪提到，当前具身智能的一大瓶颈是高质量数据不足，机器人训练成本较高。传统训练通常要让真机执行任务，出现错误后再由人工接管纠正，相关数据用于模型训练。若只有一台、十台机器人，整机采集尚可接受；若要让上千台设备分布在不同城市、不同房间采集，成本和实施难度都会非常高。这也解释了数据采集设备和方法为何受到产业关注：真机遥操质量高，但成本昂贵、依赖专业操作者；第一人称数据易获取，却常受精度和触觉信息限制。
董豪团队提出的HIL-UMI机器人后训练方法，试图减少数据采集对真实机器人本体的依赖。操作人员用便携式夹爪演示抓取、整理等动作，模型同步预测自己会如何操作；当预测与人的实际动作出现明显偏差，系统识别需要重点学习的环节，再有针对性地补充训练数据。相比反复等待机器人执行、出错和人工接管，这一方法在清理桌面的对比实验中，数据采集效率达到传统真机人工接管方法的5.63倍，最终任务进度评分也有所提升。该结果仍属特定实验条件下的验证，能否在更多复杂场景保持同等效果，还需进一步研究。董豪强调，关键不是单纯增加数据，而是知道模型哪里不会，再补数据。
行业对数据缺口的判断正在形成共识。国金证券（600109）指出，数据仍是物理AI发展的核心瓶颈之一，机器人训练数据主要包括无本体采集数据和真机数据，两类路径各有优势，未来高质量数据供给将成为影响产业发展的重要因素。行业研究给出的估算更直观：截至2026年初，全球高质量真实物理交互数据总量约50万小时，而实现物理AI需要千万小时量级，缺口超过95%。这一口径反映的是产业对数据规模的迫切需求，具体供给爬坡仍取决于采集效率、成本和使用条件。启元从个人机器人切入，也有数据积累考虑。董豪透露，按现有条件和采集爬坡速度，公司2027年数据量有望进入并尽量贴近百万个小时级。机器人本体不仅是终端产品，也是产生真实交互数据、推动模型迭代的入口；在满足隐私合规、用户明确授权等条件并解决数据适配问题后，相关数据有望用于后续模型训练。
商业化要回答的问题更现实：用户为什么为机器人买单。启元已量产的Q1、T1主要面向消费（883434）级个人机器人市场，探索互动陪伴、教育娱乐等应用，并非专门围绕复杂家务作业开发。下一阶段，公司将重点推进具备更强操作能力的轮式家务机器人研发，在机械臂能力、负载及自由度等方面进一步提升。董豪认为，家庭是具身智能的重要方向，也是难度较高的场景；每个家庭布局、物品和生活习惯不同，实验室能完成的任务不意味着在不同家庭稳定运行。商业化思路是先集中资源解决一项真正有价值的高频任务，例如衣物整理不能只会叠一件衣服，而要具备收取衣物、放入洗衣机、取出、整理及归位等连续作业能力。家庭用户不会为需要频繁人工介入的半成品买单；某项家务功能只做到80%甚至90%的完成度，体验仍可能不合格，达到95%左右甚至更高才有望形成真正可用的消费（883434）级产品。
启元也在尝试让家庭环境更适合机器人工作。今年9月，启元机器人与尚品宅配（300616）共同设立的合资公司正式成立，探索“Robot（LAWR）-Ready Home（机器人友好家）”模式，通过标准化家居空间、场景适配及数据积累，降低机器人在复杂家庭环境中的应用难度。在董豪看来，机器人要真正进入家庭，需要先在具体场景建立足够可靠的作业能力，再逐步扩展到更多任务；随着模型掌握的任务增多，未来学习新任务所需的数据和训练成本也有望下降。
从5000台下线到数据量目标，启元面对的不是单一技术题。上纬新材（688585）已提示，机器人业务尚处于规模化量产爬坡及商业化验证阶段，相关技术路线、模型性能和商业化能力仍存在不确定性。物理AI的竞争，最终要看机器人本体、数据和模型能否形成持续迭代的闭环；数据采集设备供不应求只是表象，背后是高质量真实交互数据供给不足、训练成本高企与商业化验证周期（883436）交织的现实考题。
上纬新材（688585）首席科学家董豪的判断更直接。他认为，具身智能不能只靠算法模型，也不能只做机器人本体，硬件、数据和模型必须同步迭代。启元的技术架构中，通用大模型与具身模型分别承担“慢脑”和“快脑”：前者负责任务理解、复杂推理、记忆和规划，后者通过视觉—语言—动作模型完成抓取、整理等动作生成与执行。若让通用大模型直接控制机械臂，模型要反复推理物体位置、抓取距离和下一步动作，执行慢、推理成本也高。
这套分工解释了机器人为何“能听懂”却未必“会干活”。真实物理世界的一次动作涉及空间位置、物体接触、摩擦和环境变化，机器人不仅要理解指令，还要稳定执行。董豪把通用大模型比作“教练”，机器人本体和动作模型更像“运动员”；教练再强，也需要运动员有足够好的本体、操作数据和训练体系。不同机器人在机械臂结构、自由度和执行方式上存在差异，短期内很难靠一个通用模型解决所有物理交互问题。中金公司（HK3908）研报认为，通用大模型在3D建模、空间推理、工具调用等方面进步，为机器人“大脑”理解空间关系、规划复杂任务提供认知与决策基础；通用大模型与具身基础模型进一步融合后，机器人“大脑”的技术落地与商业转化有望提速。
数据端的矛盾更直接。董豪提到，当前具身智能的一大瓶颈是高质量数据不足，机器人训练成本较高。传统训练通常要让真机执行任务，出现错误后再由人工接管纠正，相关数据用于模型训练。若只有一台、十台机器人，整机采集尚可接受；若要让上千台设备分布在不同城市、不同房间采集，成本和实施难度都会非常高。这也解释了数据采集设备和方法为何受到产业关注：真机遥操质量高，但成本昂贵、依赖专业操作者；第一人称数据易获取，却常受精度和触觉信息限制。
董豪团队提出的HIL-UMI机器人后训练方法，试图减少数据采集对真实机器人本体的依赖。操作人员用便携式夹爪演示抓取、整理等动作，模型同步预测自己会如何操作；当预测与人的实际动作出现明显偏差，系统识别需要重点学习的环节，再有针对性地补充训练数据。相比反复等待机器人执行、出错和人工接管，这一方法在清理桌面的对比实验中，数据采集效率达到传统真机人工接管方法的5.63倍，最终任务进度评分也有所提升。该结果仍属特定实验条件下的验证，能否在更多复杂场景保持同等效果，还需进一步研究。董豪强调，关键不是单纯增加数据，而是知道模型哪里不会，再补数据。
行业对数据缺口的判断正在形成共识。国金证券（600109）指出，数据仍是物理AI发展的核心瓶颈之一，机器人训练数据主要包括无本体采集数据和真机数据，两类路径各有优势，未来高质量数据供给将成为影响产业发展的重要因素。行业研究给出的估算更直观：截至2026年初，全球高质量真实物理交互数据总量约50万小时，而实现物理AI需要千万小时量级，缺口超过95%。这一口径反映的是产业对数据规模的迫切需求，具体供给爬坡仍取决于采集效率、成本和使用条件。启元从个人机器人切入，也有数据积累考虑。董豪透露，按现有条件和采集爬坡速度，公司2027年数据量有望进入并尽量贴近百万个小时级。机器人本体不仅是终端产品，也是产生真实交互数据、推动模型迭代的入口；在满足隐私合规、用户明确授权等条件并解决数据适配问题后，相关数据有望用于后续模型训练。
商业化要回答的问题更现实：用户为什么为机器人买单。启元已量产的Q1、T1主要面向消费（883434）级个人机器人市场，探索互动陪伴、教育娱乐等应用，并非专门围绕复杂家务作业开发。下一阶段，公司将重点推进具备更强操作能力的轮式家务机器人研发，在机械臂能力、负载及自由度等方面进一步提升。董豪认为，家庭是具身智能的重要方向，也是难度较高的场景；每个家庭布局、物品和生活习惯不同，实验室能完成的任务不意味着在不同家庭稳定运行。商业化思路是先集中资源解决一项真正有价值的高频任务，例如衣物整理不能只会叠一件衣服，而要具备收取衣物、放入洗衣机、取出、整理及归位等连续作业能力。家庭用户不会为需要频繁人工介入的半成品买单；某项家务功能只做到80%甚至90%的完成度，体验仍可能不合格，达到95%左右甚至更高才有望形成真正可用的消费（883434）级产品。
启元也在尝试让家庭环境更适合机器人工作。今年9月，启元机器人与尚品宅配（300616）共同设立的合资公司正式成立，探索“Robot（LAWR）-Ready Home（机器人友好家）”模式，通过标准化家居空间、场景适配及数据积累，降低机器人在复杂家庭环境中的应用难度。在董豪看来，机器人要真正进入家庭，需要先在具体场景建立足够可靠的作业能力，再逐步扩展到更多任务；随着模型掌握的任务增多，未来学习新任务所需的数据和训练成本也有望下降。
从5000台下线到数据量目标，启元面对的不是单一技术题。上纬新材（688585）已提示，机器人业务尚处于规模化量产爬坡及商业化验证阶段，相关技术路线、模型性能和商业化能力仍存在不确定性。物理AI的竞争，最终要看机器人本体、数据和模型能否形成持续迭代的闭环；数据采集设备供不应求只是表象，背后是高质量真实交互数据供给不足、训练成本高企与商业化验证周期（883436）交织的现实考题。
