人形机器人量产元年来了：“泡沫”争议之下，现实生产力成破局点

21世纪经济报道记者邓浩

2026年已被业内视为“人形机器人量产元年”。但比起机器人能不能走、会不会跳，产业界现在更关心的是：它能否进入真实岗位，稳定干活，并让客户算得过来账。

热潮之下，短板仍然明显。核心部件受制约、真实场景应用不足、标准体系尚未统一，仍是产业规模化必须跨过的门槛。与此同时，市场预期与商业化进度之间的落差，也让“泡沫论”持续升温。近期宇树科技市值大幅回调，更让这一争议成为行业焦点。

9月17日，由中国机电一体化技术应用协会主办的第九届中国机器人峰会在杭州举行。现场披露的数字依然亮眼：今年上半年具身智能赛道融资超过900亿元；珞石称其仿人机械臂出货超过1万台；星海图称已获得超过千台规模订单。

多位与会专家认为，产业早期适度的泡沫能够吸引资金、人才和技术资源，但高预期最终仍要靠真实产出来消化。随着核心零部件、具身模型和端侧算力持续进步，行业需要合理管理预期，把“场景派”与“技术派”结合起来，以大脑定义能力、以场景驱动迭代，让机器人从展台走进实景实训，真正转化为现实生产力。

对于具身智能行业是否存在泡沫，产业内部并不回避。

工信部赛迪研究院科技处处长董凯认为，新兴产业在一定程度上需要泡沫。社会关注度上升后，资金、人才、知识、数据和算力加速涌入，触觉传感器、执行器等过去投入不足的环节，也因此获得了更快的迭代机会。

“在浪来的时候有泡沫，是应该的。在浪退去的时候，留下的才是真实。”珞石机器人执行董事、副总裁宋斌表示。对具身智能这样的长周期产业而言，泡沫的危险不在于是否有热度，而在于企业能否把热度转化为产品和交付能力。

眼下，技术进步已经开始从单点突破转向系统工程。宋斌介绍，珞石累计出货约50万个力控一体化关节。工业机器人在关节、力控、精度和实时反馈上的积累，正被迁移到仿人机械臂。董凯提到，珞石机械臂较早通过了MTBF 8万小时认证。相比翻跟头、跳舞等直观演示，平均无故障运行时间不够吸睛，却更接近工厂的真实要求：机器人不仅要完成动作，还要在既定节拍下长期、稳定、可维护地工作。

具身模型同样在快速进步。星海图总监沈鑫称，过去一年多，全球具身大脑开源模型密集发布，模型在零样本泛化、通用抓取和长程任务等能力上不断取得突破。

但模型能力并不等同于产业能力。沈鑫认为，具身智能不能存在明显短板，从电机、整机、遥操作、数据到模型，五个环节必须全部打通。在星海图的判断中，一个合格的产业级模型至少需要100万小时的数据积累。这揭示了具身智能落地的一道现实门槛：机器人每一次决策最终都要作用于物理世界，模型中的误差可能直接导致摔倒、停线甚至引发安全事故。

这也解释了为什么“会演示”不等于“会生产”。浙江大学机器人研究院院长朱世强直言，目前不少机器人“会干点活，实际上干不好”，有的只能在特定条件下完成动作，表演之后就“趴窝”。

华睿智普创始人兼CEO蔡镇辉也提到，部分物流客户测算后发现，当前装卸机器人的人效比仍然不及工人，成本敏感的企业因此不会采用。模型在云端跑通后，还要面对端侧算力、功耗、实时控制和重复部署调试等问题；真机数据稀缺且昂贵，仿真数据在机器人训练和控制效果上，与真机数据相比还有差距。

在所谓的“泡沫”之下，量产不能只看一年下线了多少台机器人，还要看产品是否可制造、可交付、可验收、可持续运行。只有能够在真实岗位上创造稳定产出，技术进步才会转化为现实生产力，并成为挤掉“泡沫”之后留下的产业价值。

当硬件逐渐跨过“能动起来”的门槛，产业矛盾开始向上转移：机器人是否知道自己该做什么，能否在环境发生变化后继续完成任务，以及失败后能否根据反馈调整动作。

朱世强将当前的产业路线概括为“场景派”与“技术派”。

“场景派”从具体任务出发，能够较快形成商业闭环，但在单一环境中训练出来的能力往往泛化不足。一旦设备、物料或空间发生变化，机器人可能需要重新训练，复制成本随之上升。“技术派”则追求更强的自主决策、通用性和跨场景能力，但研发周期更长、投入更高，商业化速度也相对较慢。

单一方向都很难同时解决技术进化和商业落地的问题。两条路径的结合点，是用“大脑”沉淀可以迁移的能力，再由真实场景提出任务、提供数据并检验效果。

朱世强介绍，浙江大学机器人研究院以“无际大脑”为基础，开办了机器人学校，试图把两条发展路线合二为一，两个多月前该学校已正式开学。

据悉，上述大脑覆盖交互、定位、认知、分析、决策、行为设计、评估反馈、记忆、知识和作业等能力，并将人类安全、伦理法律、周边物体安全和机器人自身安全设为基本原则。

想“入学”的机器人需要先接受本体软硬件“体检”，再进入不同场景实训和技能考核。进入真实作业环境后，机器人还要根据任务结果和用户反馈继续迭代。机器人学校围绕着不同赛道，设立了一系列课程体系。每门课都是一个封装好、接口标准可复用的功能模块。

朱世强称，一台导览样机进入机器人学校后，约半个月即可上岗；面对新的展馆内容，不到一天可以完成部署。在工业领域，机器人学校正在训练面向船舶制造的焊接机器人。按照朱世强的设想，这类机器人由人带到现场后，可自主寻找焊缝并实施焊接。

值得一提的是，在不久前的JDD京东全球科技探索者大会上，京东物流发布了五款“狼族”机器人全新产品和技术。宋斌透露，珞石参与了京东物流相关机器人项目，比如在分拣场景规模化应用落地的具身灵巧臂“异狼”。

宋斌认为，第一人称采集数据、真机生产数据和Sim2Real数据需要结合起来，形成垂直领域的高质量数据集。这意味着机器人在物流、上下料、零售分拣等岗位执行任务时，也在不断生成“环境—动作—结果”的反馈。数据反哺模型，模型泛化能力提升后，又能降低下一个场景的部署成本。

某种程度而言，“大脑定义、场景驱动”正在成为产业共识：大脑决定机器人能够理解什么、迁移什么，场景决定哪些能力值得训练、什么样的成本可以接受。

短期来看，流程相对清晰、价值容易量化、适合人机协同的工业和物流岗位，更可能率先跑通。长期来看，企业的竞争壁垒不只是本体参数或模型榜单，更是能否持续形成“部署—作业—反馈—再训练”的循环。

人形机器人量产元年开启的，不只是产能竞赛，更是一场生产力资格赛。融资、订单和出货量可以制造声量，但能否满足客户对节拍、可靠性、安全性与成本的要求，并最终带来复购，才是产业价值的真正尺度。只有越来越多机器人在真实岗位上持续稳定作业、形成可复制的商业回报，“量产元年”才能从行业口号变成产业事实。