人形机器人叠衣26分钟夺冠，为何换条连衣裙就失灵？

人形机器人叠衣26分钟夺冠，为何换条连衣裙就失灵？

科技棱镜

人形机器人家庭场景赛的化验单出来了：冠军队伍26分钟完成叠衣晾衣全流程，但换一条连衣裙、换一套户型，成功率就断崖式下跌。

人形机器人在模拟家庭环境中整理衣物

这不是某个企业不行，而是整个行业在家庭场景上的集体体检结果——泛化能力不足与家庭环境非标准化的根本冲突，把人形机器人挡在了千家万户门外。

症状：能拿金牌，但进不了你家门

先看本届世界人形机器人运动会家庭场景赛的真实表现。这场首次设立的家庭赛，38支队伍参赛，赛题是洗衣晾衣、收纳整理、随机突发任务——全是真实家务。冠军队伍用26分钟完成全部流程，全程自主操作，看起来已经相当能干了。

但化验单上的异常指标出现在同一个地方。银河通用创始人兼CTO王鹤在赛事访谈中说得直白：机器人在赛场上能熟练处理牛仔裤、Polo衫，是因为赛前专门针对这几类衣物采集了适配数据。

一旦换成连衣裙，作业成功率就大幅降低；在这套户型里跑得顺，换到布局、杂物完全不同的另一套房子，任务失效就很常见。

同场对比更扎眼。工业、物流、酒店、图书馆等B端场景的获奖机型，全部是已在真实产业中完成大规模部署的量产机型，赛前没有做特化改装，赛事评分规则直接对接着下游企业的采购验收标准。

智元精灵G2在宁波均胜电子汽车零部件工厂已经完成了产线全指标验证并投产，工作节拍最快12.97秒，成功率超过99%。工业赛道上的量产机，下了赛场就能直接进工厂上工，比赛成绩就是商用验收的预考分数。

人形机器人在智能工厂产线上执行作业

家庭赛的冠军，走出那套作为赛场的实景住宅，进了你家，连你家沙发上的抱枕都认不全。

病因：不是干不了，而是干不起

问题出在哪儿？王鹤的总结一针见血：不是"不能干"，而是"干不起"。

这句话具体怎么理解——

家庭场景是非标准化的。没有两户人家户型一样、家具摆放一样、杂物分布一样、衣物款式一样。工业场景里，一条产线的环境参数、物料规格、操作流程全部固定，单次适配后，同一套方案可以批量复制到同标准产线，边际成本趋近于零。

家庭场景不存在"批量标准化部署"这个前提，每新增一个用户、每遇到一类未见过的新物品，都得单独投入研发资源采集真机适配数据。

目前完成单任务适配需要约2天的数据采集工作量。也就是说，一个机器人要进你家，得先花两天时间在你家采集数据、训练模型，才能相对稳定地工作。

而这期间消耗的时间、研发资源成本，已经高于这款机器人对应家政服务的实际市场价值——单用户经济模型直接倒挂，企业做一单亏一单，没法规模化复制。

对比B端，已出现多笔千台级、亿元级批量采购订单。优必选获3000万元工业人形机器人采购合同，星尘智能达成工业/物流场景千台级部署，星动纪元物流方案在全国5个省市10余个物流中心常态运营。

B端单次适配可支撑万台级部署，成本迅速摊薄；家庭端每新增一个用户都需要重复适配投入，成本线根本降不下来。

外因是家庭环境天然非标准化，这是客观事实，等不来风变。内因才是决定性的——具身智能的泛化能力还处在GPT-2级别的稚嫩阶段。

宇树科技创始人王兴兴在2026世界机器人大会主论坛上用了一个精准的比喻：大语言模型的输入输出在数字向量空间内运行，基本没有偏差和信息损失；但机器人的每一次物理输入输出都会产生偏差，到了"最后几厘米甚至最后几毫米"的精度上，机器人无法自主修正细微误差，导致任务成功率断崖式下跌。

王鹤的判断更直接：如果把具身智能放到大语言模型的坐标系里，当前基础模型能力大约只相当于GPT-2阶段，预计到2028年前后才能达到GPT-3.5到GPT-4之间的水平。在那之前，机器人在陌生环境里"举一反三"的能力，根本撑不起家庭场景的千变万化。

预后：这个病能治，但分阶段

这个行业是阶段性调整还是结构性衰退？答案是：阶段性瓶颈，有明确的时间表和突破路径，但有条件。

关键变量是具身基座模型的进化速度。王鹤的预判是：现在完成一项任务需要采集两天的数据，半年后或许只需要5小时，两年后有望做到零样本适配——看一眼或者听到任务描述就能执行。

当适配成本降到今天的千分之一，执行速度提2到4倍，单用户经济模型就从"倒挂"翻转为"成立"，批量落地的前提才真正具备。

时间节点上，行业共识在2028-2029年附近。王兴兴给出了"两个80%"的临界点判断标准：在80%的陌生场景中，通过语音指令，机器人能自主完成80%的日常任务——快则两三年，慢则五到十年。在那之前，家庭服务场景仍处于单家庭试点验证阶段，不是批量落地的前置准备期。

但这里有一个重要的分层判断："全场景通用家庭人形机器人"和"特定细分家庭场景"是两回事。

反例已经出现。星海图R1系列在康养驿站类家庭场景稳定运行，环境变量有限，未受高成本适配的制约。卧安机器人的人形家庭机器人onero H1已实现商业化交付，中标深圳市首个具身智能数据基础设施项目，金额4495万元，该订单也是目前具身智能家庭场景最大订单。

养老陪护机器人为机构内老人递送餐食

南京蔚蓝智能BabyAlpha系列机器狗累计销量2.5万台，家庭用户占比90%，在家庭陪伴场景规模化落地，该场景下泛化与适配成本根本不是瓶颈。

这些反例的共同特征是：任务单一、环境变量有限、不需要全场景非结构化泛化能力。真正的制约，是冲着"一台机器人搞定所有家务"这个全场景通用目标去的。如果你只要求机器人专注做好儿童陪伴、助残陪护、细分照护这几件事，门槛已经跨过去了。

还有一路解法是改变环境而非改变机器人。本次家庭场景赛的场地提供方栖息地，推的就是标准化智能住宅的逻辑——统一空间尺寸、家具布局、物品配置，把家庭从"非标准化"变成"半标准化"，人形机器人进场就无需高成本适配。

多台人形机器人部署在标准化智能住宅空间

这个思路没错，但天花板也明显：它解决的是新房市场，对已有的千差万别的存量住宅不起作用。

综合来看，家庭服务人形机器人的大规模落地，核心制约不是价格、不是安全法规、不是人形形态选型——虽然这些因素确实存在，隐私保护和物理安全也是行业共识中的现实门槛——但真正卡住规模化命门的，是泛化能力与家庭环境非标准化属性之间的根本冲突，以及由此引发的适配成本倒挂、单用户经济模型不成立、无法批量复制这一整条传导链。

预计2028-2029年具身基座模型实现小样本甚至零样本适配后，这条链上最核心的结会开始松动。在那之前，家庭场景的落地形态，大概率是细分场景先行、通用场景继续熬基座模型。