伯恩斯坦2026年6月研报:人形机器人真正的护城河分析速读

写在前面：

Bernstein 伯恩斯坦2026年6月发布亚洲新兴机器人专题研报《Humanoid Robotics: The True Moats》（人形机器人：真正的护城河），提供了投行研报视角：OEM 层暂无真护城河，后来者优势显著。本文内容以这篇研报为基础。

技术领先 ≠ 护城河

伯恩斯坦判断：人形机器人赛道竞争加剧，但真正的护城河尚未出现。

比如OEM 层（理解为人形机器人整机企业）：技术领先只能提供1-2 年窗口期，若路线图押错或创新不持续，优势会被快速侵蚀。光伏、新能源车的剧本正在人形上重演。

2024 年只有少数公司运动控制能打，今天已成行业基线；荣耀做人形不到一年，在人形半马就可以包揽前六。

这也说明，人形机器人领域的核心瓶颈已从“硬件+运动控制”切换到“大脑”；基础算法来自学术、人才流动扩散快、通用数据易得，汽车/消费电子/互联网巨头凭既有资源生态仍有机会切入超车。

整机企业的 4 条潜在护城河

1️⃣ 高价值数据——最具战略意义的资产

随着scaling law在机器人领域的适用性证据增加，数据资产重要性上升。技术路线收敛后，真正难复制的护城河是“实际部署中积累的实世界操作数据”，数据覆盖稀有物体、复杂环境、非常规指令、corner case等核心内容。

只有卖出去并部署了的机器人，才能产生数据，这需要庞大的供应链能力、资金实力和销售渠道。已经部署在客户现场的机器，每一分钟都在产生竞争对手拿不到的数据。

报告把数据分了层：

① Corner Cases（长尾）：不是机器人走平路的数据，而是它摔倒了怎么爬起来、遇到没见过的物体怎么抓、突然有人冲过来怎么避让的数据。

② 真实交互数据：机器人与人、与环境互动的数据，而不是实验室里的理想数据。

③ 失败数据：机器人搞砸了的数据，这比成功数据更珍贵，因为它告诉模型“哪里不行”。

一个很形象的类比：新手司机 vs 老司机。

新手在驾校学的都是标准动作（通用数据），但老司机应对突发状况的经验（高价值数据）才是安全驾驶的关键。机器人也一样，95% 的场景大家都能做，难的是那5%的意外。这些更稀有的数据，决定了是否可以把机器人可靠性从95%推向近100%，且竞对难以获取。

Galbot银河通用已把这类数据放在其“数据金字塔”顶端。

NVIDIA英伟达GR00T N1模型预训练所使用的数据也遵循类似逻辑：真实机器人轨迹、合成数据以及人类视频。

2️⃣ 生态——最强护城河之一，自增强、正反馈

一个未决的关键问题：

未来生态主导权，是纯人形公司建独立新生态，还是苹果/华为等巨头把机器人并入既有生态？这也是报告认为“行业巨头扩张潜力不可低估”的核心原因。

3️⃣ IP 与品牌——进家庭后价值凸显

人形进家庭，用户障碍不只是技术，还有情感/心理门槛。早期功能有限时，迪士尼（Olaf 等）IP 能提供即时情感共鸣与信任，显著提高用户对早期缺陷的容忍度。

报告还提了 K-pop IP 的可能性，从艺人中心品牌进化为全球粉丝驱动平台，可作为人形商业化的独特切入点。

4️⃣ 成本领先——大众化普及的基础前提

参照中国新能源车全球成本优势，第一家把人形做到大众市场价格带的，将获显著竞争优势。

零部件供应商的护城河

伯恩斯坦判断零部件层比整机的护城河更易建立，有三方面的可能性：

报告举了双环传动的案例。这家是“罕见资产，已初步建立护城河”，扫地机器人整机厂联合开发定制执行器切入关键客户 → 进荣耀供应链 + 北美头部机器人公司合作，多垂直领域份额持续扩张。

Omniverse是典型的数据飞轮：仿真平台用户越多 → 产生的反馈数据越多 → 仿真与现实差距越小 → 吸引更多用户。sim-to-real gap 仍是限制实世界性能的关键瓶颈，生态规模优势在缩小此 gap 上有独特壁垒。

部署更多的机器人到真实场景干活，机器人在干活过程中产生海量真实数据用这些数据去训练和优化 AI 模型，让机器人变得更聪明、更可靠；更聪明的机器人能干更复杂的活，从而被卖出去更多，或者被部署到更多场景……如此循环。

ZBlogIt