具身智能的競爭正在進入新階段。隨著宇樹科技發佈WVLA2.0具身大模型並完成無遙操實機演示，行業愈發清晰地意識到：這場競賽的核心壁壘，並非單純依賴模型規模，而是涵蓋低延遲架構設計、軟硬體協同整合與本體數據積累的全棧能力。
據野村國際6月28日發佈研究報告，分析師於6月15日實地走訪宇樹。演示中，搭載WVLA2.0（World-model Vision-Language-Action）的G1機器人在受干擾的會議室環境內，無需遙操控制，自主完成了六項連續任務，推理閉環約90ms，約合每秒十次迭代。這是宇樹歷經兩年研發後首個具備商業部署潛力的版本。管理層將工業製造——關節電機裝配、上下料及工裝夾具處理——列為最早商業落地場景，並將來自全球機器人機隊的大規模實體運行數據視為核心資產。
野村報告同時梳理了NXP在COMPUTEX 2026發佈的NeuralAxis架構框架。該框架由NXP總裁兼CEO Rafael Sotomayor主導提出，其核心主張與宇樹的工程路徑高度契合——物理AI的真正瓶頸不在於語言模型的推理規模，而在於能否構建類似人類脊髓反射、延遲低至40ms的邊緣控制層。
上述進展對投資者的直接含義在於：具身智能的競爭格局正從「誰的模型更強」向「誰的系統更完整」演化。宇樹以全棧自研整合疊加實體數據優勢構築的護城河，是純雲端模型供應商難以複製的。
NXP的NeuralAxis（神經軸架構）框架以人類神經系統為藍本，將物理AI控制邏輯拆解為三個解耦卻協調的層級：對應大腦皮層的推理層（延遲約300ms）、對應小腦的協調層（負責運動控制與平衡），以及對應脊髓的反射層——延遲低至40ms，部署於執行器附近的邊緣端。
對人形機器人而言，該框架的含義最為深遠。
NeuralAxis主張以分散式反射處理器取代集中式「中央大腦」——在關節、手部與腳部分別部署本地自主決策能力，實現握力控制、踝關節平衡等動作的本地執行，並在40ms內完成平衡、抓取、姿態與步態的鏈式恢復。推理與運動控制的解耦，還可在持續新增技能的同時維持運動穩定性。
該框架的商業延伸同樣值得關注。野村行業調研顯示，相較傳統自動化方案，NeuralAxis架構可帶來顯著的製造效率提升，診斷機器人銷量亦有望大幅增長。此外，同一架構可將無人機端到端延遲壓縮至20ms以內，並將軟體定義汽車的控制邏輯分層至推理、協調與安全關鍵區域執行。
宇樹WVLA2.0的技術路線體現了與行業主流的分歧。
多數同類方案押注純VLA（視覺-語言-動作）端到端生成，而WVLA2.0將WMA（World-Model Action）模型的預測能力與VLA的動作生成相融合，在高層任務理解、2D/3D空間語義推理、動力學約束動作生成和抗干擾能力上全面升級。
感知層面，系統融合了四路並行視覺流：一個RealSense深度相機、一個Livox MID360雷射雷達（LiDAR），以及兩個側向攝像頭，構建360度空間表徵，干擾條件下位置更新延遲控制在10ms以內。在軟硬體協同設計上，推理後的動作參數經由CAN總線下發至G1的23個自由度關節，借助宇樹自研的「小腦」運動控制模塊，單臂抓取2kg以下物體的定位誤差可控制在5mm以內。
計算架構上，WVLA2.0將邊緣算力壓縮至100 TOPS以下，完整運行於G1 EDU搭載的NVIDIA（NVDA US，未評級）Jetson Orin NX，無需雲端依賴。管理層表示，這一設計規避了因網路延遲或斷連引發的任務中斷風險。
數據採集模式的轉變是此次報告的另一重要信號。
宇樹演示顯示，在無遙操介入的單次錄製中，G1可在受干擾環境中自主完成連續多任務，意味著「無本體數據採集」正在成為具身智能數據生產的主流範式，即機器人依靠自身感知和決策完成數據積累，而非依賴人工遙操標註。
野村行業調研亦同時指出了現階段的局限：系統仍存在盲區和後向感知缺口，執行速度偏慢，精細操作精度不足，且缺乏量化的持續成功率基準測試數據。這些短板也劃定了近期商業落地的優先邊界。
管理層據此制定了分階落地路線：工業製造（關節電機裝配、上下料、工裝夾具處理）因宇樹自有工廠可提供數據閉環，被列為最早著陸點；其次為物流分揀和柔性3C裝配；家庭與醫療護理場景因開放非結構化環境難度顯著更高，被列為較遠期目標。
野村報告的核心結論可歸結為一個判斷：在具身智能商業化進程中，模型能力固然重要，但其並非唯一決定性變量。
宇樹管理層將公司差異化競爭力定義為兩個層面：其一是從感知、模型到運動控制的全棧自研整合能力；其二是依託全球機器人機隊積累的大規模實體運行數據。這兩項資產相互強化——自研硬體產生獨佔數據，數據反哺模型迭代，形成雲端模型供應商難以介入的閉環。
從市場競爭格局看，NeuralAxis框架與WVLA2.0的落地邏輯共同指向同一結論：具身智能的核心戰場正在系統架構層和數據層同步展開。對投資者而言，評估賽道參與者的維度，需從單一的「模型能力」延伸至更完整的系統整合能力與實體數據積累規模。
以上精彩內容來自追風交易台。 更詳細的解讀，包括實時解讀、一線研究等內容，請加入【**追風交易台▪年度會員**】  風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。
222.58萬 熱度
850.41萬 熱度
47.48萬 熱度
2201.05萬 熱度
101.41萬 熱度
宇樹驗證一個新趨勢：具身智能的核心戰場，不只是模型
具身智能的競爭正在進入新階段。隨著宇樹科技發佈WVLA2.0具身大模型並完成無遙操實機演示，行業愈發清晰地意識到：這場競賽的核心壁壘，並非單純依賴模型規模，而是涵蓋低延遲架構設計、軟硬體協同整合與本體數據積累的全棧能力。
據野村國際6月28日發佈研究報告，分析師於6月15日實地走訪宇樹。演示中，搭載WVLA2.0（World-model Vision-Language-Action）的G1機器人在受干擾的會議室環境內，無需遙操控制，自主完成了六項連續任務，推理閉環約90ms，約合每秒十次迭代。這是宇樹歷經兩年研發後首個具備商業部署潛力的版本。管理層將工業製造——關節電機裝配、上下料及工裝夾具處理——列為最早商業落地場景，並將來自全球機器人機隊的大規模實體運行數據視為核心資產。
野村報告同時梳理了NXP在COMPUTEX 2026發佈的NeuralAxis架構框架。該框架由NXP總裁兼CEO Rafael Sotomayor主導提出，其核心主張與宇樹的工程路徑高度契合——物理AI的真正瓶頸不在於語言模型的推理規模，而在於能否構建類似人類脊髓反射、延遲低至40ms的邊緣控制層。
上述進展對投資者的直接含義在於：具身智能的競爭格局正從「誰的模型更強」向「誰的系統更完整」演化。宇樹以全棧自研整合疊加實體數據優勢構築的護城河，是純雲端模型供應商難以複製的。
NeuralAxis：重新定義物理AI的系統架構邊界
NXP的NeuralAxis（神經軸架構）框架以人類神經系統為藍本，將物理AI控制邏輯拆解為三個解耦卻協調的層級：對應大腦皮層的推理層（延遲約300ms）、對應小腦的協調層（負責運動控制與平衡），以及對應脊髓的反射層——延遲低至40ms，部署於執行器附近的邊緣端。
對人形機器人而言，該框架的含義最為深遠。
NeuralAxis主張以分散式反射處理器取代集中式「中央大腦」——在關節、手部與腳部分別部署本地自主決策能力，實現握力控制、踝關節平衡等動作的本地執行，並在40ms內完成平衡、抓取、姿態與步態的鏈式恢復。推理與運動控制的解耦，還可在持續新增技能的同時維持運動穩定性。
該框架的商業延伸同樣值得關注。野村行業調研顯示，相較傳統自動化方案，NeuralAxis架構可帶來顯著的製造效率提升，診斷機器人銷量亦有望大幅增長。此外，同一架構可將無人機端到端延遲壓縮至20ms以內，並將軟體定義汽車的控制邏輯分層至推理、協調與安全關鍵區域執行。
WVLA2.0：模型融合與軟硬體協同的落地路徑
宇樹WVLA2.0的技術路線體現了與行業主流的分歧。
多數同類方案押注純VLA（視覺-語言-動作）端到端生成，而WVLA2.0將WMA（World-Model Action）模型的預測能力與VLA的動作生成相融合，在高層任務理解、2D/3D空間語義推理、動力學約束動作生成和抗干擾能力上全面升級。
感知層面，系統融合了四路並行視覺流：一個RealSense深度相機、一個Livox MID360雷射雷達（LiDAR），以及兩個側向攝像頭，構建360度空間表徵，干擾條件下位置更新延遲控制在10ms以內。在軟硬體協同設計上，推理後的動作參數經由CAN總線下發至G1的23個自由度關節，借助宇樹自研的「小腦」運動控制模塊，單臂抓取2kg以下物體的定位誤差可控制在5mm以內。
計算架構上，WVLA2.0將邊緣算力壓縮至100 TOPS以下，完整運行於G1 EDU搭載的NVIDIA（NVDA US，未評級）Jetson Orin NX，無需雲端依賴。管理層表示，這一設計規避了因網路延遲或斷連引發的任務中斷風險。
數據範式轉移：「無本體採集」成主流
數據採集模式的轉變是此次報告的另一重要信號。
宇樹演示顯示，在無遙操介入的單次錄製中，G1可在受干擾環境中自主完成連續多任務，意味著「無本體數據採集」正在成為具身智能數據生產的主流範式，即機器人依靠自身感知和決策完成數據積累，而非依賴人工遙操標註。
野村行業調研亦同時指出了現階段的局限：系統仍存在盲區和後向感知缺口，執行速度偏慢，精細操作精度不足，且缺乏量化的持續成功率基準測試數據。這些短板也劃定了近期商業落地的優先邊界。
管理層據此制定了分階落地路線：工業製造（關節電機裝配、上下料、工裝夾具處理）因宇樹自有工廠可提供數據閉環，被列為最早著陸點；其次為物流分揀和柔性3C裝配；家庭與醫療護理場景因開放非結構化環境難度顯著更高，被列為較遠期目標。
全棧整合：宇樹差異化壁壘的兩個維度
野村報告的核心結論可歸結為一個判斷：在具身智能商業化進程中，模型能力固然重要，但其並非唯一決定性變量。
宇樹管理層將公司差異化競爭力定義為兩個層面：其一是從感知、模型到運動控制的全棧自研整合能力；其二是依託全球機器人機隊積累的大規模實體運行數據。這兩項資產相互強化——自研硬體產生獨佔數據，數據反哺模型迭代，形成雲端模型供應商難以介入的閉環。
從市場競爭格局看，NeuralAxis框架與WVLA2.0的落地邏輯共同指向同一結論：具身智能的核心戰場正在系統架構層和數據層同步展開。對投資者而言，評估賽道參與者的維度，需從單一的「模型能力」延伸至更完整的系統整合能力與實體數據積累規模。