巴克萊在9月18日釋出的最新研報中，對人形機器人投資熱潮給出了三點判斷：通用人形機器人的大規模部署可能要等到2035年前後，而非市場普遍預期的2030年；核心瓶頸在智慧而非硬體；算力拉動集中在邊緣而非資料中心；Physical AI顛覆的第一波浪潮很可能根本不是人形的。

大規模部署為何要等到2035年

巴克萊指出，當前行業中被展示的許多人形機器人能力，仍依賴預程式設計、遠端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，核心瓶頸不在硬體，而在智慧——感知、推理和行動所需的AI模型能力尚不成熟。硬體端則面臨規模、成本與能力之間的"雞與蛋"困境：沒有規模就沒有低成本，沒有足夠智慧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週期高度相似。由此，巴克萊認為更早期的投資機會在算力、資料和模型層——即解鎖人形機器人"GPT時刻"所需的底層基礎設施。硬體的大規模經濟部署，則需要等智慧層先行突破。

算力需求：資料中心增量有限，邊緣才是主戰場

人形機器人對算力的拉動需要分兩個維度看：集中式的資料中心算力和分散式的邊緣AI算力。

資料中心側，算力主要服務於兩類工作：模擬與合成數據生成（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慧）。但推理——機器人在現實中即時感知、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。這意味著，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資料中心的增量需求。對資料中心而言，人形機器人是小幅增量；對邊緣計算，才可能是重大驅動。

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

Figure與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，可支援多達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"就已對資料中心構成可觀的增量需求。

"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，大機率不是人形的。

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17億美元融資，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工平台的可能——同一台機器人搬運物料、操作工具、巡檢裝置，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。

對投資者而言，巴克萊的這份報告提供了一個重新審視人形機器人產業鏈的框架：短期看，算力、資料和模型層的基礎設施建設可能先於硬體放量受益；中期看，專用形態的工業機器人和邊緣AI算力更接近落地；而通用人形機器人的大規模經濟部署，仍需等待智慧層的實質性突破。