大块头已经进厂，大智慧仍在路上

花生说：

人形机器人，得学刘德华。

杜琪峰执导的《大块头有大智慧》里，刘德华饰演的“大只佬”，不但身材魁梧，还有拥有看透因果、洞察世事的通透智慧。

今年WAIC具身智能尤其是人形机器人火热，媒体报道连篇累牍：“机器人进厂，班味十足啊，全面商业化，机器取代人…”

不过，在花生观察来看，如今的具身智能和机器人，练成了“大块头”，还需要有真正的“大智慧”。

硬件层面，这些钢铁大块头缺少人类亿万年进化出的小脑和肢体灵活度，精细操作、姿态适配、柔性容错能力有限，复杂工位依旧束手无策。

智能层面，所谓AI大脑，普遍能应对预设、重复的固定工况，但面对产线动态调整、突发故障、非标细微偏差，依然缺乏自主判断与应急处置能力。

工厂流水线看似规整，实则每天充满细碎变数。

人类工人可凭经验、直觉、临场应变化解问题，而当下的具身智能高度依赖数据训练与程序限定。无论是硬件灵巧度，还是真实场景的泛化智能，仍有很大的进步空间。

在花生看来，机器人已经拿到了汽车工厂的实习岗位，但距离真正能独立履职、扛住复杂生产压力，仍需要不断学习呀。

本文系新能源汽车品牌评价与促进中心约稿。

机器人乐队合奏布鲁斯，金属舞者踩着《最后的华尔兹》节拍丝滑起舞，八角笼里的机械拳手拳拳到肉，就连乒乓球机器人都学会了在对阵嘉宾时“恰到好处”地放水。

均胜电子具身业务负责人、灵犀智能科技有限公司创始人兼CEO雷雄对笔者感慨，两年前 WAIC 的机器人还只占会场一个角落，能动就不错了；今年整层馆都是参展企业，大家不比谁的表演更炫，都在聊落地成功率、ROI（投资回报率）、运维成本。

观众举着手机叫好，投资人忙着交换名片。两年前还寥寥数家的机器人展区，如今已有上百家企业携完整产品亮相，甚至撑起了整座独立展馆。

比数量增长更值得注意的是角色变化：从前的机器人更像展台艺人，靠炫技博眼球；今年的展会上，越来越多机器人开始演示上班。这使得有媒体评价，这是最有“班味”的一届WAIC。

展台炫技热潮褪去，一个核心问题摆在产业面前：这些机器人真的做好进厂的准备了吗？它们能解决什么实际问题？工厂雇主愿意为它们开工资吗？

7月20日，工业和信息化部在国新办 2026 年上半年工业和信息化发展情况发布会上提出，中国制造正加速涌现“新”力量，具身智能正是最受关注的新方向之一，已有超过230家企业发布400多款整机产品，全年整机产品有望突破10万台。

从展台表演到真实上岗，这场技术落地的关键跃迁，最先在汽车产业找到了突破口。

一台机器人真正进入产业，不是在展台上完成一次精彩表演，而是在一条产线上稳定完成一个班次，在一座仓库里承担一项重复劳动，在真实世界里拥有一份能够持续创造价值的"工作"。

从这个意义上说，今年WAIC留给产业最大的启示，不是谁造出了最像人的机器人，而是谁率先为机器人找到了第一批工业应用场景。工业和信息化部所强调的"中国制造加速涌现新力量"，也正体现在从技术展示走向产业应用的转变之中。

第一批“岗位”，落定汽车工厂

很多人把具身智能等同于人形机器人，这其实是行业普遍的认知误区。具身智能是指具备环境感知、自主决策、物理执行能力，能在真实世界完成任务的智能系统，人形只是其中一种形态，机械臂、四足巡检机器人、轮式搬运机器人都属于具身智能的范畴。

汽车工厂，恰好是最适合具身智能落地的第一站。

原因很简单：汽车制造拥有工业领域最标准化的作业场景，冲压、焊装、涂装、总装、物流、检测全流程工序固定、节奏稳定，刚好匹配机器人对确定性环境的要求。

黑芝麻智能首席市场营销官杨宇欣对笔者表示，工业场景是结构化的，不用应对复杂突发，最适合技术落地跑数据，这是当前最确定的机会。比起科研、表演，这种真实需求才能让产业赚到钱，走得更稳。

依托多年车规级芯片研发积累，黑芝麻将车载成熟AI算力体系延伸至机器人赛道，推出SesameX算力平台，覆盖从轻型巡检到人形机器人的全算力区间，把汽车领域高可靠、低功耗硬件标准复用在工业产线机器人上。展会现场，搭载其自研芯片的工业具身工作流已演示厂区托盘识别、安全帽检测、区域入侵监控等高价值场景。

“商业化的核心问题永远是谁掏钱。”雷雄告诉笔者，做产品不从技术往下找场景，而是从客户需求往上倒推技术，先把上下料、分拣这些简单场景跑通，再逐步攻线束插接这类高精度工序。

高盛在走访14家中国机器人企业后发布的报告中指出，近期行业的核心落地机遇集中在分拣、物料搬运、取放、检测等标准化或半结构化流程中。

汽车产业契合这些需求。具身智能“上岗”，既能缓解整车厂一线招工缺口，又比传统固定机械臂适配多车型柔性混线生产，产线改造成本更低。

WAIC现场也有实景产线演示：它石智航把1:1还原的汽车环形线束流水线搬进了展馆。

线束装配是汽车制造里的公认难题，线束柔性无固定形态、亚毫米级插接精度、容错率极低，传统自动化设备难以适配，长期属于依赖熟手，行业招工缺口持续扩大。

该方案已在国内线束供应商天海电子规模化落地。在“模登时代·智造坊”展区，一条复制的新能源整车产线正演示电池组装、车灯精密装配和线束制造等五道工序，这些工序均取自实际落地项目。

展馆之外，人形机器人已投入实际生产。小米机器人在其汽车工厂完成中控台盖板排序及料箱折叠，成功率90%；特斯拉在德州和上海工厂部署逾千台Optimus Gen3，负责电池分拣、部件转运与视觉质检，依托FSD视觉模型自主导航；Figure AI的Figure 03已在宝马美国工厂接手物流分拣；优必选Walker S系列则与奥迪一汽、比亚迪等车企合作，从事分拣与质检实训。

当然，并非所有工序都适合机器人替代。智元合伙人、觅蜂科技董事长姚卯青认为，车内多角度内饰装配需要灵活人体姿态，当前机器人柔性不足，投入产出比偏低，这类复杂工位短期仍以人工为主。

由此可见，行业落地节奏，是即优先覆盖高重复、标准化工序，再逐步攻克柔性复杂场景。

具身智能“上岗”需跨越四重门槛

在本届WAIC世界模型“六小龙”论坛上，诺贝尔经济学奖得主Thomas J. Sargent点出了AI底层认知缺陷：人工智能只能从高频重复事件中习得规律，面对物理世界低频、突发、从未预演的工况，极易陷入认知空白，这恰好戳中具身智能规模化落地的核心软肋。

大晓机器人董事长王晓刚解释称：“数字世界模型的失误仅影响图文生成，而物理场景下智能体的预判偏差，将产生不可逆的真实损失。机器人掌握的关键信息越多，对控制充分状态的理解就越准确，行动的试错成本就越低。”

落地的方向已经清晰，但真正要规模化上岗，行业仍要跨越多重门槛。

第一道坎是数据。

不同于大模型可抓取海量互联网文本，机器人的物理交互数据几乎从零起步。

姚卯青告诉笔者：“行业现在有三道墙：数据墙，真实物理交互数据极其稀缺；表征墙，不同场景、不同本体的经验没法通用；闭环墙，真实场景试错成本高，反馈慢，很难规模化迭代。”

极智嘉本届发布的 Gravity 4D 世界模型也印证了这一逻辑：传统视觉模型仅预判画面，极易出现机械臂穿模、物体悬空等违背物理的问题，4D 表征同时收录空间结构、运动轨迹，大幅提升复杂工况抗干扰能力，而这套模型迭代高度依赖产线真实数据积累。

业内普遍认为，当前具身智能的数据储备，仅相当于 ChatGPT 发展初期水平。

第二道坎是隐性成本。

很多企业测算ROI（投资回报率）只算机器人本体价格，却忽略了隐性支出：一是换型重训成本，更换产品或场景就要停线适配；二是驻场支持成本，上线初期故障频发需要专人盯守；三是备件耗材成本，末端执行器、减速机等核心部件寿命有限；四是组织磨合成本，一线员工的抵触会让设备沦为摆设。

更深层的矛盾，是两套体系的逻辑差异。机器人技术更接近汽车与自动驾驶的迭代逻辑，而工厂沿用的是传统工业自动化标准：普通工厂设备允许存在故障时间，但产线对机器人的要求是连续一个月无单点故障，可靠性标准完全不在一个量级。

物理层面的瓶颈同样现实。执行器的功率密度、电池的能量密度，直接决定了机器人的作业能力与续航。功率密度不足，就无法在有限体积内兼顾力量与精度；能量密度不够，“干一会儿就充电”会让经济性大打折扣。最终的产品，必须在平衡性、能效、智能水平、安全性、经济性五个维度找到综合最优解。

王晓刚还点出了另一个核心短板：当前行业真正欠缺的是未知场景下的泛化能力。很多惊艳的演示都在预设场景中完成，一旦进入真实复杂的生产环境，机器人就会遇到大量从未见过的突发情况，应对能力大幅下降。

高盛报告预测，只有行业积累数千万小时高质量工业交互数据，2027年至2029年才会迎来全行业规模化商用窗口期。在此之前，ROI是客户决策的硬指标，也是企业能否穿越周期的关键。

汽车产线标准化、高频作业的属性，恰好是行业最优的数据训练场。

产业共识

制造业结构性用工矛盾，是车企主动引入具身智能底层动因。

笔者走访多家制造企业发现，一线用工的挑战正在加剧：一方面，新工艺、新产品对工人技能要求越来越高，熟练技工缺口持续扩大；另一方面，年轻人就业进厂不再是首选，半蹲作业、高危工序、高温高湿环境的岗位招工尤其困难。

在电池工厂的恒温恒湿工序，工人必须按时轮岗离岗，无法长时间驻守；很多重型机械作业岗位，长期存在工伤风险。从这个意义上说，具身智能的价值不只是降本增效，更是把人从枯燥、危险、损害健康的工序中解放出来。

对工厂端而言，他们的诉求非常务实：要开箱即用、稳定可靠、成本可控，还要能跟着产线升级持续迭代。

行业也正在向这个方向靠拢。随着具备成熟制造能力的企业入局机器人赛道，叠加创业公司持续加大本体研发投入，业内普遍预计明年机器人本体价格将大幅下降，性能同步提升。一位行业人士直言：“今年大家的目标是跑通工厂场景，算账是明年的事。”

真正要实现规模化落地，上海理工大学机器智能研究院执行院长李清都认为，行业必须先构建三项核心能力：

第一是可复制的部署方法论。不能每个项目都重做一遍系统工程，要沉淀出标准化的任务模板、开发工具链与测试流程，让新工位能在有限工程投入下快速落地，否则仅工程成本就会直接击穿 ROI。

第二是体系化的运维能力。人形机器人是持续学习、持续更新的复杂系统，不是 “一装了之” 的设备。现场工程师培训、远程监控诊断、安全滚动迭代、备件周转体系，这些看似细节的服务，才是商业模式成立的关键变量。

第三是既要软硬技术融合能力。一端要像汽车一样经得起长期运行、供应链与安全考验，另一端又要像手机一样依托操作系统和生态持续更新。只会做样机、做不好运维，或者只会做算法、做不好可靠性的企业，都很难扛住规模化应用的压力。

极智嘉创始人兼 CEO 郑勇直言，具身智能的价值，最终要在客户现场兑现。

而汽车制造凭借标准化产线、完整产业链、海量真实工况数据，成为具身智能第一批稳定工作场景。

短期来看，机器人仅能承接分拣、转运、简易装配等标准化工序；长期视角下，车企与机器人企业双向赋能：整车工厂为 AI 提供真实训练场景，具身智能反过来协同一线工人，改善制造业人力结构。

从政策层面，工业和信息化部正通过一套系统性政策组合，从数据到标准，从成本到供应链，四重杠杆同步发力，为具身智能从实验室走向工厂车间铺平道路。

比如，人形机器人在智能制造工厂完成电池模组装配。这是工业和信息化部推动的“实景实训”专项行动的一部分。该行动鼓励企业在真实生产环境中积累高质量数据，同时通过专项资金和政府奖励，降低企业前期投入。

工业和信息化部还明确强化国家人工智能产业投资基金的支持力度，并倡导“按效用付费”或经营性租赁等模式，以削减用户的使用成本。

在数据层面，工业和信息化部新设的数据标准工作组正着手制定训练数据管理要求，以规范数据采集、清洗与共享流程，试图解决行业长期面临的“数据饥渴”。

标准体系则加速成型。2025年年底成立的人形机器人与具身智能标准化技术委员会，已发布覆盖全产业链的2026版标准体系，并推出首份具身智能基准测试行业标准，为技术评估提供了统一标尺。

供应链的协同被置于关键位置。工业和信息化部鼓励用户单位、整机企业与零部件供应商及科研院所组建创新联合体，以此加速关键部组件的迭代。同时，北京、上海等地已获批建设具身智能创新中心，中试基地的设立则旨在打通从研发到量产的“最后一公里”。

这些举措的目标明确：到2026年底，推动人形机器人在百个以上高价值场景中完成验证，并形成万台级的部署能力。

技术迭代、数据积累、行业标准完善仍需要协同，但方向已经明确。汽车工厂的“机器工人上岗试验”，也将为中国制造智能化转型探索出一条全新路径。

文 | 李皙寅·花生 周洲