夜雨聆风
本文内容基于《中国机器人 —— 实体 AI：从 NeuralAxis 架构蓝图到宇树商业化落地》（英文标题：China Robotics: Physical AI - From NeuralAxis Architecture Blueprint to Unitree Commercialisation）整理，报告发布机构：野村国际（香港）有限公司（Nomura International (Hong Kong) Ltd.），发布时间：2026 年 6 月 28 日。本文仅作产业信息交流与学术研究参考，不构成任何投资建议。文中所有观点均来自原报告，不代表本公众号立场。市场有风险，投资需谨慎。
实体 AI 的核心瓶颈根本不是大模型？
制约实体 AI 落地的核心矛盾，从来都不是大模型的推理能力不够强，而是低延迟反射层的工程化能力跟不上。野村这份关于中国机器人产业的报告，用两套互为补充的逻辑把这件事讲透了：一套是恩智浦提出的 NeuralAxis 实体 AI 架构蓝图与安全原则，另一套是宇树 WVLA2.0 具身大模型测试发布后，如何通过模型融合与软硬协同设计，把这套蓝图变成可落地的产品与商业化路线图。
NeuralAxis 一套模仿人类神经系统的分层架构
这套 NeuralAxis 神经轴架构由恩智浦提出，公司总裁兼首席执行官 Rafael Sotomayor 在 2026 年台北电脑展的主题演讲中正式对外公布。它的核心前提非常直白：实体 AI 的核心约束不是语言模型的推理规模，而是打造一套类似人类无意识反应的低延迟反射层，这个判断和莫拉维克悖论的逻辑完全吻合。
整个架构模仿人类神经系统，分成三个相互解耦但协同工作的层级。最上层是推理层，对应人类的大脑皮层，响应延迟约 300 毫秒；中间是协调层，对应小脑，负责运动控制与平衡；最底层是反射层，对应脊髓，延迟最低可以做到 40 毫秒，直接部署在靠近执行器的边缘端。三层配合，最终实现低延迟、分布式控制与高能效的组合。
这套思路对人形机器人的影响最直接。它放弃了中央大脑的思路，把反射处理器分布到关节、手部和脚部，让本地就能自主完成决策。像握力控制、脚踝平衡这类动作，还有平衡恢复、抓取、姿态调整、步态切换这一整套链式反应，都能在 40 毫秒内完成。更关键的是，推理层和运动控制层解耦之后，给机器人新增技能，也不会打乱原本稳定的行走能力。
放到无人机领域，能把端到端的画面延迟压缩到 20 毫秒以内；用到软件定义汽车上，可以把整车控制拆成推理、协调和安全关键的区域执行三个部分。
关于商业化落地，野村的行业调研显示，和传统自动化方案相比，这套架构能带来可观的制造生产效率提升，诊断机器人的销量也可能出现较快增长。
说实话，做过实体产品的人都能理解这个逻辑。机器人在真实环境里工作，先保证不摔、反应快，比能回答多少复杂问题重要得多。过去行业一窝蜂堆大模型参数，多少有点走偏了，这套分层架构相当于把工程优先级重新拉回了务实的轨道。
WVLA2.0 把架构蓝图做成可商用的产品
如果说 NeuralAxis 定义了实体 AI 的架构蓝图和安全原则，宇树的 WVLA2.0 就是把这套蓝图落地成产品的具体样本，核心靠的是模型融合和软硬协同设计。
WVLA2.0 是宇树研发两年后推出的首个可商用迭代版本。和行业里很多只押注 VLA 路线的玩家不同，它把 WMA 世界模型动作模型的预测能力，和 VLA 的端到端动作生成能力融合到了一起。升级后的架构，在高层任务理解、2D/3D 空间语义推理、满足动力学约束的动作生成，还有抗干扰能力上都有提升。
感知系统用了四路并行的视觉输入，包括一台 RealSense 深度相机、一台览沃 MID360 激光雷达，再加两个侧置相机，最终拼接成 360 度的环境感知。就算有环境干扰，位置更新的延迟也能控制在 10 毫秒以内。
软硬协同的细节更能看出落地的诚意。推理完成后的动作参数，通过 CAN 总线直接发送到 G1 机器人的 23 个自由度关节，配合宇树自研的 “小脑” 运动控制系统，单臂抓取 2 公斤以内的物体，定位误差能控制在 5 毫米以内。
算力层面也做了轻量化处理，边缘端算力控制在 100TOPS 以内，完全可以在 G1 EDU 搭载的英伟达 Jetson Orin NX 上运行，不需要依赖云端。这样一来，也就避免了网络延迟和断网导致的任务中断。
很多人聊具身智能，总想着云端大模型一统天下。但宇树的选择很务实，先把端侧的运动能力做扎实，模型能力按需嵌入，不追求花架子，先保证产品能在真实场景里稳定跑起来。
无实体数据采集正在成为行业主流
报告里还提到一个明确的行业趋势：数据采集的范式正在向 “无实体采集” 转变，逐步成为主流路径。宇树的 WVLA2.0 方案也在验证这条技术路线的可行性。
数据一直是具身智能迭代的核心瓶颈。靠实体机器人采集数据，成本高、周期长，还容易出安全问题。如果无实体采集的路线跑通，整个行业的训练成本会直接下一个台阶，模型迭代速度也会再上一个台阶。
当然，这条路线也不是没有不确定性因素。虚拟数据和真实场景的差距怎么弥合，动力学仿真的精度能不能跟上实际需求，都是接下来要解决的问题。但方向已经很明确，全行业都在往这个方向靠。
你觉得实体 AI 真正落地，反射层工程化和大模型推理能力，哪个才是当下的核心胜负手？
#实体AI、#人形机器人、#具身智能、#中国机器人产业、#NeuralAxis、#WVLA2.0、#野村、#宇树科技
免责声明：市场有风险，投资需谨慎。本文内容仅代表调研观点，不代表本公众号立场。
——END——
本期内容分享完毕。后续将持续更新行业分析、调研纪要、外资研报与市场复盘内容。
感兴趣的朋友，可自行参考文末体验通道。
