（来源：价值目录）

7 月 17 日到 20 日，2026 世界人工智能大会（WAIC）在上海办完了，超过 1000 家企业参展，摩根士丹利的工业团队跑去逛了一圈，回来交了一份 9 页的纪要。

标题：More Physical AI ——更多的实体人工智能。

摩根士丹利 7 月 20 日报告：WAIC 2026 要点——更多实体人工智能

这届大会的信号意义不一般。高层首次在 WAIC 发表主旨演讲，谈的是全球 AI 治理—— "AI 不应该是一个国家的独角戏，而应该是全球合作的产物 "，还宣布成立 WAICO、为发展中国家提供 5000 个培训名额。政策层面对 "AI+" 行动和产业生态的支持，表态给得很足。

大摩这篇报告的价值在于，它不是坐在办公室里看 PPT 写的，而是跟展商、销售、技术人员一家家聊出来的。核心结论可以压缩成一句话：中国的实体 AI ——工业 AI 方案、人形机器人、新 AI 硬件——正在快速迭代，带动各个环节的增量需求，支撑工业资本开支。站长读完的感觉是，这届 WAIC 最明显的变化，是 AI 从 " 能聊 " 变成了 " 能干 "，展厅里比拼的不再是谁的模型会写诗，而是谁的机器人能上线干活。

要点如下：

1）最挤的赛道是机器人，四分之一的展商都在做

先看参展结构。据科技智库 Jazzyear 的统计，机器人和智能硬件是最拥挤的领域，占参展企业的 24%；其次是算力、芯片和基础设施，占 20%；行业 AI 应用占 13%。人挤人的地方，往往就是钱和预期最集中的地方，这个排序本身就很能说明市场的注意力分配。

2）工业 AI 开始落地：从 " 帮着看 " 到 " 帮着干 "

工业领域的 Agent（智能体）方案是一个新兴方向。大摩观察到，工业 AI 已经从概念阶段走向可部署的智能体系统，目前集中在运营监控和决策支持，正在逐步向工程自动化扩展。现阶段这些系统主要是辅助而非取代人的决策，这点说得挺克制。

报告里给的案例都很具体：中油管道（PipeChina）用世界模型和数字孪生帮工程师监控和预测管网系统；卡奥斯（Cosmoplant）的 BaaS 工业大脑把设备和生产流程的数据聚合起来，部署正在向 3C 电子、家电和机械行业扩展，这种模式落地相对容易，因为一般不需要设备厂商额外授权，只要终端用户愿意开放运营数据。西门子的 Eigen 工程智能体用自家庞大的装机数据训练，能听懂自然语言、自动支持 PLM 和 HMI 编程，把工程师从重复劳动里解放出来。

部署速度的变化更值得注意。微亿智造（Microintelligence）的 AI 质检方案，给带摄像头的机械臂自动规划拍摄角度，新场景的训练后部署时间已经压到一个月以内；IndustrialNext 的柔性制造模型结合了 ViT 和 VLA，能在不同客户、不同产品之间自适应切换，切换时间最低只要 8 小时。放在两年前，这种转产效率是不敢想的。

3）一个绕不开的现实：老设备接不上 AI，得先花钱升级

这是报告里一条很有含金量的产业链判断。大摩跟方案商聊下来发现一个反复出现的约束：中国大量在役工业设备联网能力有限，跨设备互通性也差，AI 部署需要的数据层 " 并不是现成的 "。怎么办？客户的设备得先数字化、先升级，才能采集到足够的数据去训练和部署模型。

这个约束反过来成了机会。大摩的推演是：随着 Agent 方案在各行各业证明可量化的价值，采用需求会反过来驱动设备升级，可能支撑一轮持续更久的工业资本开支周期。说白了，AI 落地的前置条件是设备换代，这对工业自动化和设备厂商是个结构性的利好逻辑。

4）商业模式在变：从一次性项目费，转向订阅制

工业 Agent 的收费方式正在迁移：从一次性项目费，转向按年续费的订阅制。逻辑很顺——硬件销售叠加持续的后训练模型，模型推理要持续消耗 token，天然适合按周期收费。

大摩也承认这个转变还在早期，但判断随着方案能力拓宽和客户规模上量，服务收入的占比会持续提升。对投资者来说，这意味着这类公司的收入质量可能从 " 项目制的看天吃饭 " 慢慢变成 " 可预测的经常性收入 "，估值逻辑会跟着变。

5）AI 走出屏幕：眼镜、桌面宠物，实体化的早期形态

报告里有个挺生活化的观察：AI 正在向日常生活渗透，不再只是纯软件。展会上智能硬件明显增多，比如 AI 眼镜（阿里通义、科大讯飞都有展出），还有 AI 宠物和桌面陪伴设备。

大摩把这定义为实体 AI 的早期阶段，演进路径是：先有感知层和本体（embodiment），再到执行层——不管是机器人还是其他形态的硬件。换句话说，现在这些看起来有点玩具属性的东西，可能是具身智能大规模落地前的 " 练手产品 "。

6）人形机器人：落地是共识，但市场注定是碎片化的

今年行业的关键词只有一个：deployment（部署落地）。这跟大摩 2026 年展望里的判断一致——今年是真实场景部署之年。集成商的产品线铺得很全，全尺寸和半尺寸双足人形、轮式人形、四足机器人都有。

主流应用场景高度集中：搬运拣选类任务是优先级最高的方向，包括物料和箱子搬运、物流分拣、公用设施巡检。新场景的探索也在推进—— Tars 的人形机器人队列已经在线束车间干活，线束和插接任务是人形机器人攻克的难点；Psibot 的人形机器人进入了 CPO 产线，做插件、真空封装和装箱。家用方向也有玩家，Futuring Robot 和傅利叶（Fourier）在押注情感陪伴和一些家务能力。

但大摩泼了盆冷水：这个市场注定是碎片化的。原因是泛化能力有限、部署高度依赖工程师，早期阶段不同集成商服务不同客户，谁也吃不了通吃的盘子。站长觉得这句判断很值钱——它意味着短期别指望出现 " 一个机器人包打天下 " 的赢家。

7）数据是公认的瓶颈，也是新的生意

大摩见到的几乎每一家公司都在强调同一件事：数据是机器人基础模型进步的关键约束。而且比数据量更要命的是数据的多样性和质量，这直接决定模型的泛化能力。

行业的解法变了：不再只靠人形机器人本体去采集数据，而是转向第一人称视角视频（egocentric）和 UMI（通用操作接口）方案，绕开机器人直接采数据。这催生了一批 " 数据基建 " 公司，专门提供外包的数据采集服务，政府层面也在推动数据积累。

不过大摩对这个新生意的评价很犀利：这些初创公司提供的服务大同小异、差异化有限，是一个会快速商品化的环节——言下之意，数据价格会快速通缩。真正的护城河在别处：集成商和模型公司的专有数据管线，包括数据标注、把复杂动作拆解成单个任务、分析动作上下文、给数据质量评级。卖水的人多起来了，但会炼水的人才值钱。

8）大厂正在围猎：蚂蚁最积极，但还没真下场

报告里最具前瞻性的观察是大型科技公司的动向。蚂蚁集团看起来是最活跃的一个：旗下子公司 Robbyant（灵波）推出了覆盖视觉 - 语言 - 动作（VLA）、视觉 - 动作（VA）和世界模型的全系列模型组合，支持在 20 多个机器人硬件平台上部署，还在从数据基建公司手里外购数据来丰富训练集。

其他玩家也没闲着：京东通过 JoyInside 和其投资组合公司切入，腾讯一边跟越疆（Dobot）合作一边内部自研，连大模型初创阶跃星辰（StepFun）都联手 Dexmal 踏进了具身智能。

但注意大摩的定性：这些大厂目前主要是在卡位前沿研究、搭建早期生态，而不是直接参战。真正的变局在于——一旦技术路线开始收敛，资金雄厚的大厂可能更激进地进场，而且大概率会聚焦在 " 大脑 / 能力层 "。现在做本体的公司，未来可能都要面对一个灵魂拷问：你的大脑是自己的，还是租来的？

9）世界模型很热，但眼下更实用的是 VLA+ 强化学习

世界模型是这届 WAIC 的大主题，头部玩家几乎家家都宣称有自研的世界模型或世界 - 动作模型。但大摩跟销售和技术人员聊完发现，VLA 模型结合强化学习，仍然是当下更务实的部署路线。

两者的取舍很清晰：世界模型理论上泛化能力更好，早期研究也确实显示出更强的零样本任务表现；但 VLA 叠加真实世界的后训练和强化学习，在具体任务上的性能和效率更好。大摩判断，在行业积累到足够数据、让世界模型实现泛化突破之前，混合路线会一直持续。

另外一个冒头的新方向是视触觉传感——用摄像头捕捉指尖凝胶或硅胶垫的形变来获得触觉信号，理论上分辨率高、还能复用计算机视觉的现有成果。不过成本偏高，耐用性、尺寸、与现有算法的兼容性都还没解决，目前的落地场景仅限于高端灵巧手。方向性感，但离普及还有段距离。

总结

通篇读下来，大摩这份 WAIC 纪要的底色其实很朴素：AI 的竞争正在从 " 模型聪明不聪明 "，转向 " 能不能在物理世界里干活 " ——工业智能体从看数据走向编程序，人形机器人从翻跟头走向搬箱子和插线束，而卡脖子的东西从算力变成了数据。

站长觉得报告里最有分量的一句话是那句关于资本开支的推演：

老设备接不上 AI，所以 AI 落地的每一步，都得先给设备升级买单——实体 AI 越往前走，工业自动化的蛋糕就摊得越大，这或许比展厅里任何一个会跳舞的机器人，都更值得认真记住。

文本参考研报：

《摩根士丹利 - 中国工业：2026 世界人工智能大会要点：更多实体人工智能 -WAIC 2026 Takeaways：More Physical AI-20260720【9 页】》