人形机器人干两小时就趴窝，卡点不在算法在散热？

2026年，人形机器人站上了风口。央视在播，板块在涨，各家发布会都在讲同一句：再等大模型进化一步，机器人就能进工厂、进家里。

可这话经不起推敲。机器人确实量产了，但买回去的大多数没进工厂——躺在实验室和展厅，连产线的门都没进过。真正在工厂连轴跑起来的人形，两只手数得过来。

不是没需求，是干不了活。宇树G1连续干两三个小时就趴窝——不是卡壳，是关节烫到了触发温度保护，自己停了，得等人来换电池或者降温。工厂要的是连轴八小时不歇的工人。

相信很多人都懂点生物学。人类的大脑，整天处理海量信息，净功耗才20瓦；机器人身上跑大模型推理那块算力板，光日常规推理就要35到40瓦，要把控制频率提到流畅区间，整个算力子系统的账单得开到200瓦往上。差距不在聪明，在费电。

天花板卡在热力学

所以人形机器人的天花板，不在算法，在热力学。它卡在一个圈里：要连续干活得背块大电池，电池越重关节越累、电机越烫；要降温就得加散热，而散热器件要么增重、要么耗电，两头都在往回加码；更费电，就得背更大的电池；热到极限还得降速，又吃掉部分有效工时。这条锁，AI进化解不开。

今年那场人形半马，夺冠的机器人跑完21公里，关节稳定在32度（也有小插曲）；可去年首届，选手一路摔倒、零件脱落，工作人员得跟着跑，随时手动降温。工厂里更隐蔽——它不会摔倒，只是悄悄变慢，然后停在工位上，绿灯还亮着，活没干完。

量产了，可它不干活

先看一件事：机器人卖出去，都卖给了谁。

出货量最大的那家——宇树，2025年人形机器人的收入里，73.6%来自科研教育，工业场景只有9.01%。这两个数不是我推算的，是从它的招股书和上交所问询回复里直接引用的。也就是说，买走这些机器人的主力，是高校、是研究所、是做二次开发的团队，不是产线。

有人会说，一家公司说明不了全行业。那就看行业盘子。据高工机器人产业研究所（GGII）测算，2025年全球人形机器人销量约1.24万台，中国市场约7300台；到了2026年上半年，据Counterpoint Research统计，全球出货量已经突破2.2万台，同比增长接近300%。

量在暴涨，可结构没怎么动。同一份统计里，文娱商演引流和科教数采合计仍在六成以上，智能制造只占13%，仓储物流5%——真正进工厂和仓库干活的，不到两成。

再看政策目标。据工信部相关规划，2026年的目标是年产最高10万台。目标很提气，现实是：现在全行业一年卖出去的，也就目标的十分之一量级，而且大半不进产线。

确实有真在干活的，而且不止一家。有厂商的人形机器人客户集中在汽车和3C制造；也有机型在消费电子和汽车零部件的产线上集群部署，公开出来的成功率做到99.99%。可把这些加总，真正进工厂的仍然是那两万多台里的少数——分化本身就是结论：能进工厂的，是少数厂家的少数机型。

干两小时就趴窝，砸钱也不好使

那让它干活会怎样？答案是：干不长。

续航这一关，公开口径是2到4小时。产线要的是能连轴8小时不歇的工人。差了整整一倍往上，中间那几个小时不是靠"多背块电池"能补的——后面会讲到为什么。

比续航更要命的是可靠性。据行业公开口径，人形机器人目前的平均无故障时间（MTBF）在1000到2000小时。而汽车、3C这类主流产线的硬门槛是8000小时。差4到8倍，这是数量级上的差距，不是多调几次参数能抹平的。

有意思的是，门槛本身并没分化。汽车主机厂和3C代工厂对MTBF的要求都卡在8000小时以上，真正分化的是门槛之外的三样东西：

• 一是精度。得对齐工业机械臂级别的末端±0.1毫米。
• 二是成功率。柔性工序（比如汽车线束装配）要求99.9%——不是"大部分时候能成"，是一千次里只能错一次。
• 三是换型成本。3C换型频繁，汽车线束又是柔性装配难，每进一个新厂都要重新适配。

对一个靠稳定节拍吃饭的产线来说，这第三样最难接受：你不是坏了一次，你是每隔几个月就要我停下来重新教一遍。

我原先以为"钱能解决"——硬件贵就砸钱降本。后来发现，钱能买来更好的电机、更轻的材料，买不来材料疲劳曲线的暴露时间。可靠性不是线性放大，它是个时间函数。

最耗电的不是电机，是那颗「大脑」

行业习惯把瓶颈归给"灵巧手""数据""算法"。可真正啃电的，不是手，是机器人身上跑大模型的那块算力板。

先把它身上的算力拆开看。不是一块芯片，是三层：最上面那层"大脑"，跑两类东西：一类是视觉-语言-动作（VLA）模型，另一类是预测环境下一步会变成什么样的世界模型；中间那层"小脑"，做实时的运动规划和力控；最底下那层"脊髓"，是关节驱动器，负责毫秒级的电流环。频率要求越高、越靠近关节，对实时性的苛刻程度就越高。而耗电大户，主要是最上面那层。

据行业实测数据显示，一个7B规模的VLA模型跑在Jetson Orin上，能做到每秒5到10次决策（实测约6.6次），这时功耗在30到50瓦；如果你想把控制频率提到每秒50到100次去追流畅，功耗会飙到200瓦以上。频率提了约10倍，功耗涨了约5倍，差额主要来自静态功耗。

在这里我必须掰开它，把它说清楚。Orin官方标的模组功耗是可调的15到60瓦，而200瓦以上超出了单颗模组的官方上限——两者根本不是一个口径。真实情况是：机器人满载工况会逼近官方上限，日常运行落在中低档位；而200瓦以上说的是整个算力子系统的账单，里面含了多板堆叠、供电和散热损耗、关节控制器这一整套。它不是"一块芯片吃了200瓦"，是"你要追流畅，这套系统的电费单得开到200瓦以上"。

这两个数字有两个限定条件，都得说清楚。

第一，不是所有任务都需要那么高的频率。多数操作任务每秒10到30次就够了，只有双足行走这种需要不停调平衡的活，才要30次往上。所以"想流畅就得烧200瓦"不是普遍命题，它是你非要用大模型去追高频控制时，才要付的代价。

第二，跑不动的是大模型，不是这个品类。可换个2B的小模型做INT8量化（一种压低模型精度来换速度的加速手段），在AGX Orin 64GB上能跑到每秒40到66次。工程上本来就摆着"换小模型"这条路。

你可能会问：那把最费电的推理扔到云端去呢？

这是条明路，而且是工程上破这个圈最现实的路径之一——端侧只留每秒10到30次的实时控制，功耗能降一个量级。但工厂产线对延迟和断网的容忍度是零：云端推理抖个50毫秒，在装配线上就是一次撞机。不是技术不行，是产线不允许。

这里得说清楚，免得被一句话反驳：对节拍极端的装配线，50毫秒不可接受；对搬运、巡检这类任务，云端分流已经是现实选项——只是这些任务本来就不需要人形。高频力控和装配线这一块，还是得端侧自己兜住。

现在回到开头那个参照。人类的大脑，净功耗20瓦；机器人这块算力板，光常规推理就要30到50瓦。这是"脑子对脑子"的比法——两边都只算思考那一块，不算身体。差的是能效，不是聪明。

一个绕不出去的圈

耗电只是这一段。真正的问题在于，它不只是一段，是个圈。

要能干活，就得背大电池；电池越重，关节越累、电机越烫；要降温就得加散热，散热器件要么增重、要么耗电，两头都在往回加码；更费电，就得背更大的电池；热到极限还得降速，又吃掉部分有效工时。这条锁，AI进化解不开。

这不是算法能解的题。算法再聪明，也绕不开物理定律——能量守恒和热力学第二定律就摆在那里。人形机器人要真正走进工厂，得先过了热力学这一关。