中国银行为何“铤而走险” ？
具身智能的竞争正在进入新阶段。随着宇树科技宣布 WVLA2.0 具身大模型并完成无遥操实机演示 ，行业愈发清晰地意识到：这场竞赛的焦点壁垒 ，并非纯粹依赖模型规模 ，而是涵盖低延迟架构设计、软硬件协同整合与本体数据积累的全栈能力。据野村国际 6 月 28 日宣布研究报告 ，剖析师于 6 月 15 日实地走访宇树。演示中 ，搭载 WVLA2.0（World-model Vision-Language-Action）的 G1 机械人在受滋扰的集会室情况内 ，无需遥操控制 ，自主完成了六项连续任务 ，推理闭环约 90ms ，约合每秒十次迭代。这是宇树历经两年研发后首个具备商业安排潜力的版本。治理层将工业制造——枢纽电机装配、上下料及工装夹具处理——列为最早商业落地场景 ，并将来自全球机械人机队的大规模实体运行数据视为焦点资产。野村报告同时梳理了 NXP 在 COMPUTEX 2026 宣布的 NeuralAxis 架构框架。该框架由 NXP 总裁兼 CEO Rafael Sotomayor 主导提出 ，其焦点主张与宇树的工程路径高度契合——物理 AI 的真正瓶颈不在于语言模型的推理规模 ，而在于能否构建类似人类脊髓反射、延迟低至 40ms 的边沿控制层。上述进展对投资者的直接寄义在于：具身智能的竞争花样正从 " 谁的模型更强 " 向 " 谁的系统更完整 " 演化。宇树以全栈自研整合叠加实体数据优势构筑的护城河 ，是纯云端模型供应商难以复制的。 NeuralAxis：重新界说物理 AI 的系统架构界限NXP 的 NeuralAxis（神经轴架构）框架以人类神经系统为蓝本 ，将物理 AI 控制逻辑拆解为三个解耦却协调的层级：对应大脑皮层的推理层（延迟约 300ms）、对应小脑的协调层（卖力运动控制与平衡） ，以及对应脊髓的反射层——延迟低至 40ms ，安排于执行器四周的边沿端。对人形机械人而言 ，该框架的寄义最为深远。NeuralAxis 主张以漫衍式反射处理器取代集中式 " 中央大脑 " ——在枢纽、手部与脚部辨别安排外地自主决策能力 ，实现握力控制、踝枢纽平衡等行动的外地执行 ，并在 40ms 内完成平衡、抓取、姿态与步态的链式恢复。推理与运动控制的解耦 ，还可在连续新增技术的同时维持运动稳定性。该框架的商业延伸同样值得关注。野村行业调研显示 ，相较古板自动化计划 ，NeuralAxis 架构可带来显著的制造效率提升 ，诊断机械人销量亦有望大幅增长。别的 ，同一架构可将无人机端到端延迟压缩至 20ms 以内 ，并将软件界说汽车的控制逻辑分层至推理、协调与宁静要害区域执行。 WVLA2.0：模型融合与软硬件协同的落地路径宇树 WVLA2.0 的技术路线体现了与行业主流的明显不同。大都同类计划押注纯 VLA（视觉 - 语言 - 行动）端到端生成 ，而 WVLA2.0 将 WMA（World-Model Action）模型的预测能力与 VLA 的行动生成相融合 ，在高层任务理解、2D/3D 空间语义推理、动力学约束行动生成和抗滋扰能力上全面升级。感知层面 ，系统融合了四路并行视觉流：一个 RealSense 深度相机、一个 Livox MID360 激光雷达（LiDAR） ，以及两个侧向摄像头 ，构建 360 度空间表征 ，滋扰条件下位置更新延迟控制在 10ms 以内。在软硬件协同设计上 ，推理后的行动参数经由 CAN 总线下发至 G1 的 23 个自由度枢纽 ，借助宇树自研的 " 小脑 " 运动控制� ？� ，单臂抓取 2kg 以下物体的定位误差可控制在 5mm 以内。盘算架构上 ，WVLA2.0 将边沿算力压缩至 100 TOPS 以下 ，完整运行于 G1 EDU 搭载的 NVIDIA（NVDA US ，未评级）Jetson Orin NX ，无需云端依赖。治理层体现 ，这一设计规避了因网络延迟或断连引发的任务中断危害。 数据范式转移：" 无本体收罗 " 成主流数据收罗模式的转变是此次报告的另一重要信号。宇树演示显示 ，在无遥操介入的单次录制中 ，G1 可在受滋扰情况中自主完成连续多任务 ，意味着 " 无本体数据收罗 " 正在成为具身智能数据生产的主流范式 ，即机械人依靠自身感知和决策完成数据积累 ，而非依赖人工遥操标注。野村行业调研亦同时指出了现阶段的局限：系统仍保存盲区和后向感知缺口 ，执行速度偏慢 ，精细操作精度缺乏 ，且缺乏量化的连续乐成率基准测试数据。这些短板也划定了近期商业落地的优先界限。治理层据此制定了分阶落地路线：工业制造（枢纽电机装配、上下料、工装夹具处理）因宇树自有工厂可提供数据闭环 ，被列为最早着陆点；其次为物流分拣和柔性 3C 装配；家庭与医疗护理场景因开放非结构化情况难度显著更高 ，被列为较远期目标。 全栈整合：宇树差别化壁垒的两个维度野村报告的焦点结论可归结为一个判断：在具身智能商业化进程中 ，模型能力虽然重要 ，但其并非唯一决定性变量。宇树治理层将公司差别化竞争力界说为两个层面：其一是从感知、模型到运动控制的全栈自研整合能力；其二是依托全球机械人机队积累的大规模实体运行数据。这两项资产相互强化——自研硬件爆发独吞数据 ，数据反哺模型迭代 ，形成云端模型供应商难以介入的闭环。从市场竞争花样看 ，NeuralAxis 框架与 WVLA2.0 的落地逻辑配合指向同一结论：具身智能的焦点战场正在系统架构层和数据层同步展开。对投资者而言 ，评估赛道加入者的维度 ，需从简单的 " 模型能力 " 延伸至更完整的系统整合能力与实体数据积累规模。