大摩在最新发布的报告中指出，全球机器人行业正迎来两大关键转变：一是机器人应用场景从工厂向家庭、城市、太空等非结构化环境“逃逸”，二是训练重点从传统AI“大脑”转向“身体”。

　　大摩指出，这一转变将驱动边缘算力需求爆发，实时推理芯片、模拟技术、机器人传感器等领域或成核心投资主线。报告强调，物理世界的复杂性正倒逼技术路线从“纯软件优化”转向“软硬协同”，而分布式边缘计算可能重塑全球算力基础设施格局。

　　摩根士丹利预测，到2050年全球将售出14亿台机器人，这将推动边缘AI算力需求达到数百万个B200芯片当量，重塑全球计算基础设施的分布格局。

　　机器人“逃离工厂”：从结构化牢笼到复杂现实世界

　　传统工业机器人被局限于工厂的“结构化牢笼”：任务单一、环境可控、无需感知与学习能力。

　　大摩指出，AI赋能的新一代机器人正突破这一限制，开始进入家庭、农场、城市街道、深海甚至太空——例如自动驾驶汽车在拥挤路段导航、服务机器人在家庭中抓取物体、无人机在复杂地形巡检。

　　报告以“抓取冰箱中的瓶子”为例说明物理世界的挑战：

　　人类看似简单的动作，实则涉及手指精确位置、身体平衡调整、握力控制、环境湿度对摩擦力的影响等多重变量。

　　大摩指出，这意味着机器人必须具备实时感知、动态决策与精细动作控制能力，而非仅依赖预设程序。

　　训练范式转变：从“大脑”优化到“身体”控制

　　报告称，早期机器人训练聚焦“大脑”，如通用

　　据大摩研究，与大语言模型主要训练文本和图像数据不同，机器人模型需要大量真实世界的物理操作数据，这使得数据收集和模型训练变得更加复杂且昂贵。

　　该行指出，特斯拉、英伟达、谷歌等科技巨头正在通过远程操作、模拟训练和学习三种主要方式收集训练数据。

　　远程操作：人类通过动作捕捉控制机器人，使其模仿行为。但该方法耗时、扩展性差，未来或逐步被替代。模拟训练：通过数字孪生在虚拟环境中无限复现复杂场景，结合强化学习优化动作。游戏引擎公司已深度参与，NVIDIA的Omniverse平台正是基于其游戏GPU技术积累。学习：从人类行为中提取动作模式，无需物理交互即可训练模型。谷歌DeepMind的Genie 3、Meta的V-JEPA 2等“世界模型”均采用类似思路，可预测物体运动轨迹与物理交互结果。边缘算力需求爆发：实时推理与分布式计算

　　随着机器人“逃离工厂”后，云端中心化计算的延迟问题凸显，边缘算力成为刚需。大摩指出，边缘算力将呈现两大趋势：

　　1. 专用边缘芯片普及

　　英伟达的Jetson Thor是典型代表，作为边缘实时推理设备，每套件价格约3500美元，已被波士顿动力、亚马逊机器人等企业采用。其核心优势在于低功耗下实现高算力，满足机器人对实时性的要求。

　　特斯拉提出“机器人即算力节点”的构想：若全球部署1亿台具备2500 TFLOPS算力的机器人，50%利用率下可提供125000 ExaFLOPS算力，相当于700万颗NVIDIA B200 GPU。这种分布式模式不仅降低对数据中心的依赖，还能通过机器人间协同提升整体效率。

　　据摩根士丹利预测，到2030年全球机器人边缘计算需求将大幅增长，人形机器人、自动驾驶汽车、无人机等各类机器人形态都将贡献显著的算力需求。到2050年全球将售出14亿台机器人，将推动边缘AI算力需求达到数百万个B200芯片当量。