A股人形机器人板块走出了一波独立行情。 

10月15日，万得人形机器人指数（8841699.WI）收于10185.92点，单日下跌3.21%，为这一轮调整的低点。两天后，该指数重新上涨。

10月16日、19日指数连续两天上涨，20日该指数上涨4.16%，23日单日上涨6.16%，收于11519.18点。10月19日至23日，该指数累计上涨11.48%，同期沪深300下跌1.57%。成交额也明显放大。这一周该指数成交4666.18亿元，前一周为2839.91亿元。

10月28日板块又回升4.07%，113只成分股全部上涨，个股平均涨幅约4.7%，板块成交额约1191亿元，主力资金由前一日净流出近33亿元转为净流入约103亿元。行情由伟创电气（+18.84%）、长盛轴承（+11.23%）等设备与零部件端个股领涨，宇树科技-W（+8.74%）成交57.53亿元，最为活跃。

为什么人形机器人板块在10月下旬突然走强？

催化变了：机器人产业从讲预期走向看时间表

10月下旬的这波行情爆发由多重因素叠加影响。

最扎实的是特斯拉。10月19日，特斯拉向SEC提交的股东材料确认Optimus V3已完成大规模生产准备，首批生产线在建；10月20日股东会材料进一步披露，得州超级工厂锚定2027年夏季投产、长期年产能目标1000万台，弗里蒙特首代产线预计2026年晚些时候投产。10月21日Q3财报电话会上，马斯克首次系统给出量产节奏：年产百万台产线大部分已在弗里蒙特工厂落地，预计至少一年后达到周产2万台，2027年底前后向特斯拉以外的企业交付。此前市场对Optimus的认知停留在“方向确定、节奏未知”，这一轮首次拿到了可供追踪的中间节点。

同期，OpenAI于10月18日至19日确认自研人形机器人，招聘岗位覆盖执行器、运动控制、数据采集与供应链二十余个，明确2027年演示样机目标。大模型厂商直接下场做本体，指向的是具身智能从“学术议题”转向“工程议题”。

其次是模型公司进场，“物理AI”从行业口语升格为统一的技术框架。10月20日至22日，在英伟达GTC柏林大会，黄仁勋将物理AI、世界模型、机器人与AI工厂推至核心议程，称AI工厂部署周期最快可压缩至14天；10月21日英伟达宣布扩展Isaac开放机器人开发平台，新增人形机器人参考平台、数据集、运行时框架及机器人学习工具。

国内侧，10月22日2026世界物理AI大会暨宇树合作伙伴生态大会，宇树科技创始人王兴兴表示，随着GPT-6发布，物理AI已看到被击穿的苗头，具身智能迈过ChatGPT时刻的核心挑战是模型输入输出与真实机器人的对齐。

产业侧的政策与产能规划也在近期从“鼓励发展”下沉到“具体指标”。10月15日首批6项人形机器人国家标准正式发布，并将于2027年4月1日起实施；10月19日商务部等9部门联合发文，推动具身智能进入商贸、家庭服务、仓储物流等应用场景。上海近日正式印发《上海市加快发展新一代智能制造行动方案》，明确2028年推动8000台人形机器人进入工厂。中办、国办近期也提出在具身智能等前沿领域探索典型应用场景和可行商业模式。

资金流向了哪里？机器人产业链涨幅出现明显分化

把板块内涨幅居前的标的按产业链环节归类，一组清晰的梯度随之浮现。

从爆发周（10/16→10/23）与过去一个月的累计涨跌幅对比，可以看到感知与数据环节的代表股表现突出，核心零部件紧随其后，本体与场景落地代表股的涨幅相对温和。这表明，本轮行情虽然覆盖产业链多个环节，但不同方向的市场表现存在明显差异，资金在10月中旬的低点从“感知与数据”向“核心零部件、本体与场景落地”扩散。

数据环节的爆发对应一个刚性的产业约束——数据供给不足，正成为制约具身智能模型泛化与产业化的重要瓶颈。据行业估算，截至2026年初，全球高质量真实物理交互数据存量约50万小时，而通用具身模型训练所需数据规模被估算为至少1000万小时，现有数据规模约为这一估算需求的5%。数据供给缺口正在倒逼数采硬件进入工业级标准化采购阶段，需求端的紧迫性明显强于其他环节。

本体与场景环节的市场表现，可能反映了投资者对商业化兑现节奏的关注。IDC数据显示，2026年上半年，全球人形机器人出货量接近2.5万台，同比增长432.1%，但出货结构中科研教育、表演展示及数据采集仍占主导（占比已由2025年全年的83.8%下降至69%），工业制造与仓储物流等商业化场景多处于试点阶段。整机厂与场景落地的收入确认周期最长，因而在本轮资金分配中处于相对弱势。

从产业链内部的涨幅分化看，感知与数据环节的突出表现，背后是一个更值得关注的问题：当人形机器人从展示和单一任务走向真实场景，决定其能力边界的，除了本体硬件，还有模型对物理世界的理解，以及支撑这种理解的数据。

“感知与数据”领涨：迎接物理AI的“GPT时刻”？

机器人要理解物理世界，不能只依赖文本和图像，还需要学习物体如何运动、接触与受力，以及动作如何改变环境。真实物理交互数据因此成为具身智能模型训练的重要基础，也让数据采集从产业链中的配套环节，逐渐进入市场视野。

但数据积累能否进一步转化为模型能力的跃迁？物理AI距离类似生成式AI的“GPT时刻”，究竟还有多远？

接下来，一图看懂物理AI发展逻辑与产业链拆解。