巴克萊分析稱，瓶頸在智能而非硬件，算力拉動集中在邊緣而非數據中心，Physical AI顛覆的第一波浪潮很可能根本不是人形的。

巴克萊認為，通用人形機器人的大規模部署可能要等到2035年前後，而非2030年。

在9月18日發布的最新研報中，巴克萊對人形機器人投資熱潮提出了三點判斷：瓶頸在智能而非硬件，算力拉動集中在邊緣而非數據中心，Physical AI顛覆的第一波浪潮很可能根本不是人形的。

報告中，巴克萊還圍繞着規模、算力、形態等投資者最關切的問題進行了詳細分析。

爭議一：大規模部署，2035而非2030

巴克萊在報告中寫道，當前行業中被展示的許多人形機器人能力，仍依賴預編程、遠程操控或針對特定場景的窄域自動化，距離真正的通用自主性差距顯著。

該機構認為，核心瓶頸不在硬件，在智能——感知、推理和行動所需的AI模型能力尚不成熟。硬件端則面臨規模、成本與能力之間的"雞與蛋"困境：沒有規模就沒有低成本，沒有足夠智能就無法證明商業價值，三者難以同時突破。

這一格局與自動駕駛走過的十餘年商業化周期高度相似。

由此，巴克萊認為更早期的投資機會在算力、數據和模型層——即解鎖人形機器人"GPT時刻"所需的底層基礎設施。硬件的大規模經濟部署，則需要等智能層先行突破。

爭議二：算力需求——數據中心增量有限，邊緣纔是主戰場

人形機器人對算力的拉動需要分兩個維度看：集中式的數據中心算力和分佈式的邊緣AI算力。

數據中心側，算力主要服務於兩類工作：仿真與合成數據生成（用於訓練和測試策略），以及基礎模型的訓練與後訓練（構建從感知到行動的智能）。但推理——機器人在現實中實時感知、決策和行動的環節——必須在機器人內部的專用邊緣處理器上完成，因為對延遲、功耗、可靠性和安全性有嚴苛約束。這意味着，人形機器人的推理負載不會像Agentic AI那樣直接轉化為超大規模數據中心的增量需求。對數據中心而言，人形機器人是小幅增量；對邊緣計算，纔可能是重大驅動。

不過，在一個AI數據中心產能已然緊張的行業裏，即便是增量也有分量。更關鍵的一點是：算力需求先於硬件部署擴張。開發者在機器人大規模落地之前，就需要海量算力進行仿真和模型訓練。

Figure與新型雲服務商Nscale的合作是一個典型例證。這項多年期協議初始投入約35億美元，目標規模超60億美元，可支持多達10萬塊NVIDIA Vera Rubin GPU。按每GPU約3.0-3.3千瓦的全配置機架容量估算，對應約300-330兆瓦的IT容量——在人形機器人尚未大規模上線的階段，僅開發"大腦"就已對數據中心構成可觀的增量需求。

爭議三："人形"未必是Physical AI的最優解

巴克萊認為，Physical AI顛覆的第一波浪潮，大概率不是人形的。

巴克萊所說的"還為時尚早"，特指完全自主的通用人形機器人。在此之前，針對特定任務的AI機器人已經在多個行業動起來了。協作機器人（cobots）、自主移動機器人（AMR）、AI無人機、四足機器人——這些形態各異的機器人正從"髒、悶、危"（dirty, dull, dangerous）的工種切入，覆蓋商業、工業和國防等諸多場景。

目前，亞馬遜已在運營中部署超過100萬台機器人，涵蓋移動驅動單元、AMR和AI操控系統，按任務和形態分工，沒有一台是人形的。Uber創始人Travis Kalanick旗下的Atoms近期完成17億美元孖展，方向是礦業和運輸領域的專用工業機器人和Physical AI系統。

那為何還要追求人形？巴克萊分析稱，主要邏輯在兩條：

第一，人類世界圍繞人的身體構建。樓梯、門、工具、工作台、生產線，都以人的尺度為標準，人形機器人能直接進入現有環境，不需要為機器人重新改造基礎設施。

第二，通用人形機器人提供了一種多任務平台的可能——同一台機器人搬運物料、操作工具、巡檢設備，價值在於一個平台覆蓋多種場景，而非在任何單一任務上勝過專用機器人。

但當任務和環境明確時，專用方案往往更快、更便宜、更安全。平面倉庫中輪式比雙足實用，不平整地形中四足比雙足穩定，重複操作中專用夾持器比五指手精準。形態選擇，終究由具體場景決定。