人形机器人，目前虽然概念新颖，投资火爆，但也长期面临的一个困境是：能走、能跑，甚至能后空翻，但它不会工作，很多展示视频背后仍然需要大量预设程序和人工控制。

而2025年以来，AI大模型的发展开始改变这一切。过去一年，VLA模型（视觉-语言-动作）几乎是具身智能的代名词。但在这次高盛的调研发现，讨论的边界已经被明显拓宽。头部玩家开始普遍采用VLA/VTLA（加入触觉模态）+世界模型的多模态架构。在这个架构中，世界模型作为功能层，通过预测和验证动作，提升机器人在真实环境中的规划能力与鲁棒性。

不过，技术架构的演进也并未解决所有问题。高盛在调研报告中多次提到：高质量、多维度的真实世界数据，依然是当前人形机器人大规模落地的最大因素。

日前，英伟达CEO黄仁勋宣布与宇树科技合作，推出人形机器人参考设计H2+。黄仁勋直言：“对于智能体系统、机器人系统和物理AI来说，数据是最难解决的问题。”在黄仁勋看来，机器人需要第一人称视角的训练数据，但全球绝大多数视频数据是第三人称视角。

同期，山姆·阿尔特曼发布OpenAI Robotics的招聘启事，正式宣布进军实体机器人。这家在大语言模型和虚拟智能体上拥有绝对话语权的公司，如今也意识到：没有真实世界的物理交互数据，智能体就永远停留在屏幕里。