今年8月，北京国家速滑馆“冰丝带”里，人形机器人又一次站到了聚光灯下。

第二届世界人形机器人运动会设置了跑步、足球、武术、自由搏击、舞蹈等项目。机器人会冲刺、射门、打拳，也会摔倒后重新爬起来。按照北京市官方公布的信息，赛事吸引666支队伍、2056台机器人报名，比赛项目从首届的26项增至51项，赛次从487场增至1301场。

最出圈的成绩单来自百米跑道：北京人形机器人创新中心的天工Ultra，决赛跑出8.64秒——比博尔特9秒58的人类纪录快了近一秒，而且从预赛的9.39秒一路刷到决赛，三度刷新赛会纪录。

这些画面很适合短视频。它们也很容易制造一种错觉：既然机器人已经能跑、能跳、能打拳，进入工厂拧螺丝、搬箱子、装零件，似乎只是时间问题。

可运动场和生产线之间，还隔着一条很长的路。

路透社近期对中国人形机器人产业的调查，把这条路上的难题摊开了：在受控环境里完成一次漂亮动作，和在工厂里稳定、连续、低成本地工作8小时，是两套完全不同的标准。

机器人会打拳，却可能还拧不好一颗螺丝。这不是一句调侃，而是人形机器人从“能动”走向“能用”必须解决的问题。

PART 01

运动会真正有价值的，不只是“炫技”

如果只看传播最广的画面，世界人形机器人运动会像一场机器人版奥运会。

但今年的赛事设计已经在主动靠近真实应用。51个项目中，有21个是场景赛，覆盖工厂、酒店、家庭、物流、应急响应等环境。灵巧手项目甚至专门设置了捡豆子、拧螺丝等精细操作，用来测试机器人末端执行能力。

规则也变得更严格。除100米和400米跨栏外，其他田径项目及竞技项目要求机器人全自主完成；100米限时从3分钟缩短到1分钟，400米从15分钟缩短到5分钟，1500米从40分钟缩短到15分钟。

这说明评价标准正在变化。

第一阶段解决的是“能不能完成动作”。

第二阶段要解决的是“能不能更快、更准、更少依赖人工”。

再往后，才轮到工厂真正关心的几个问题：能否连续运行，故障后能否恢复，换一个零件还能不能做，最终成本是否低于现有方案。

运动会不是工厂验收，但它可以把机器人的短板暴露出来。

赛场上的摔倒、偏航、动作迟缓和临时失控，并不等于技术失败。恰恰相反，这些公开失败比一段剪辑精美的演示视频更有价值。只有把机器人放进有对抗、有干扰、有时间限制的环境里，企业才知道哪些能力已经成熟，哪些能力仍停留在展示阶段。

PART 02

为什么打拳比拧螺丝更容易制造“先进感”

打拳、跳舞、后空翻看起来复杂，但很多表演动作可以在相对确定的条件下反复训练。

场地尺寸固定，动作序列提前设计，周围人员会留出安全空间。机器人只要把平衡控制、关节协调和预设动作执行好，就能呈现出很强的视觉冲击。

工厂里的螺丝却没有这么配合。

零件可能存在微小公差，摆放角度会变化，光线和反光会影响视觉识别，螺孔位置可能偏一两毫米。机器人不仅要“看见”螺丝，还要判断抓取姿态、接触位置、旋转方向和施加力度。力太小，拧不紧；力太大，可能滑牙或损伤工件。

北京通用人工智能研究院研究人员贾宝雄在路透社调查中形容，这类问题正在从“最后10厘米”缩小到“最后1厘米，甚至1毫米”。

这1毫米，正是演示和生产之间的距离。

人类工人遇到零件轻微偏移，会下意识调整手腕和力度。机器人如果训练数据中没有出现过类似情况，可能停住、抓空，或者继续执行错误动作。换一个工作台、改变灯光、调整零件表面材质，都可能让原本成功的流程失效。

大语言模型可以通过海量文本学习“下一个词”。工厂机器人则要把视觉、语言和动作连起来，在真实世界中处理摩擦、重量、形变、遮挡和碰撞。错误答案最多让聊天体验变差，错误动作却可能损坏产品、设备，甚至伤到人。

PART 03

工厂不看掌声，只看节拍、良率和停机时间

在赛场上，机器人摔倒后爬起来，观众可能报以掌声。

在生产线上，每一次摔倒都是停机时间。

工厂评估机器人，不会先问它会不会武术，而会问它每小时能完成多少件、成功率是多少、平均多久出一次故障、出现异常需不需要工程师介入，以及三班倒运行后性能是否衰减。

这也是传统工业机器人目前仍然占据生产线核心位置的原因。

路透社调查提到，小米北京汽车工厂称其装配流程自动化率达到91%，车身车间使用700多台工业机器人完成点焊、铆接和涂胶。小米也在训练人形机器人安装螺母，但成熟的固定机械臂已经在稳定承担关键任务。

极氪与优必选曾在宁波工厂测试人形机器人，用于物料分拣、搬箱和零部件处理。不过极氪对路透社表示，当前活跃装配线上的关键任务仍由机械臂和自动导引车辆完成。

原因并不神秘。

固定机械臂不需要长得像人。它可以围绕单一任务设计，速度快、重复精度高、维护体系成熟。自动导引车负责搬运，也不需要双腿。只要厂房允许改造，专用设备往往比通用人形机器人更便宜、更可靠。

人形机器人的优势，应该出现在“不适合为机器重建环境”的地方。比如楼梯、窄通道、为人类设计的门把手和工具，或者危险、重复但经常变化的任务。它的商业价值不是模仿人的外形，而是能否直接使用人类已有的空间和工具。

PART 04

中国人形机器人很热，但需求还没有跟上产能

中国已经拥有很强的人形机器人硬件和供应链能力。

路透社援引美国银行全球研究称，2025年全球人形机器人出货约2万台，中国厂商占95%。国家发展改革委此前表示，国内人形机器人企业已超过150家。

供给在快速扩张，需求却仍处于早期。

路透社走访广西柳州一处机器人数据训练中心时看到，现场有100多台人形机器人。

训练员戴着头显、手持控制器，教机器人分拣箱子、包装面条、制作咖啡。

一名新手训练员可能尝试300次才能得到一段可用动作，熟练训练员也需要约50次。中心工作人员称，机器人完成简单任务时，速度或产出大约只有人类的20%。

这个案例说明，人形机器人目前最稀缺的未必是更多表演动作，而是高质量、可复用的真实世界数据。

同一个动作要在不同零件、不同光线、不同台面和不同节拍下反复成功，模型才可能学会泛化。

采集这些数据需要设备、场地、训练员、标注和长时间试错，成本很高，而且尚未形成稳定的商业回报。

路透社对近千项已完成政府采购进行了梳理，并指出政府采购和补贴在当前需求中占据重要位置。

这类投入可以帮助企业建立供应链、扩大训练规模，也可能让产能增长快于真实商业订单。

所以，“行业很热”和“已经大规模进厂”不能画等号。

机器人本体卖出去了，可能用于科研、展厅、教育、赛事、数据采集或示范项目。

只有进入生产现场，按合同要求持续完成任务，并且让客户愿意继续采购，才算真正形成商业闭环。

PART 05

也不能因此断言：人形机器人没有用

唱衰和追捧一样容易遮住事实。

人形机器人尚不能全面替代工人，不代表它没有落地场景。关键是先找到边界清楚、环境相对结构化、人工成本或安全成本较高的任务。

路透社报道了一个药房案例：某公司的机器人已在20多个城市的药房部署。机器人收到数字订单后，从货架上识别并抓取药品。它采用人形上半身和轮式底盘，结合摄像头、夹爪和吸盘完成取货。

机器人准备一件商品大约需要1分钟，成功率超过95%。这仍是企业口径，而且没有与人类员工做同条件计时，因此不能直接推导为“已经比人更高效”。

但这个案例提供了一条更现实的路线：先在商品种类明确、空间有限、任务重复的环境中，把一个流程做稳定。

未来一两年，人形机器人更可能先进入危险、重复、结构化的岗位，而不是突然成为“万能工人”。例如特定巡检、夜间值守、固定物料搬运、药品拣选，以及人不愿长期停留的高温、辐射或有毒环境。

这条路不够戏剧化，却更接近真正的产业化。

PART 06

企业判断人形机器人能不能进厂，先看六个指标

第一，看任务成功率，而不是最精彩的一次成功。

企业需要的是几千次、几万次操作后的稳定结果。演示视频可以挑选最佳片段，生产验收必须记录全部失败。

第二，看作业节拍。

机器人能完成任务，不等于能跟上生产线。单次动作慢一倍，整条线的产能就可能被拖住。

第三，看连续运行和故障恢复。

“能工作8小时”不只是电池续航。关节温升、传感器漂移、网络中断、抓取失败和软件异常都可能造成停机。企业还要知道机器人能否自主恢复，还是每次都要工程师到场。

第四，看环境变化后的泛化能力。

零件换位置、灯光变暗、地面有障碍、人员从旁边经过，机器人还能不能完成任务。只在固定工位成功，说明它更像一套昂贵的专机。

第五，看人机安全。

人形机器人会在工人身边移动和挥动手臂。速度、力矩限制、碰撞检测、急停、权限控制和责任边界都必须进入验收。

第六，看总成本。

采购价只是第一笔钱。数据采集、模型训练、场地改造、系统集成、维护、电池、备件、停机和人工接管都要算进去。若专用机械臂或自动导引车能用更低成本完成同一任务，人形外观本身没有溢价理由。

PART 07

从赛场到工厂，真正要跨过的是“稳定性”

世界人形机器人运动会最有价值的地方，不是证明机器人已经像人一样灵活，而是让不同技术路线在同一个公开环境里接受测试。

今年赛事把场景赛从6项扩展到21项，又加入捡豆子、拧螺丝、应急响应和酒店服务，方向已经很清楚：行业不再满足于“机器人能动起来”，而是开始追问它能不能干活。

下一步，赛事成绩还需要与生产指标接轨。

一个机器人拿到格斗冠军，不代表它适合装配；完成一次拧螺丝，也不代表它能连续处理不同规格的零件。真正决定订单的，是任务成功率、节拍、可靠性、安全和投入产出比。

值得注意的是，9月3日，央视《今日环球》报道了马斯克的一个激进判断：十年后，人形机器人创造的生产力可能超过所有人类生产力的总和。

真正值得关注的，不只是“超过全人类”这个吸睛的结论，而是它背后对未来生产方式的判断：当人形机器人从展示能力的样机，变成能够规模部署的劳动力，生产力的增长将不再取决于机器人会多少个动作，而取决于它能否稳定、持续地完成有经济价值的工作。

但从今天走到这个远期图景，中间还隔着一条很长的产业化道路。任务成功率能否达到99%以上，能否覆盖一个8小时班次，作业节拍能否跟上产线，平均无故障时间能否从小时级迈向工业级，安全认证能否完善，以及投入产出比能否让企业在合理周期内回本——这些才是马斯克判断能否落地的前提。

马斯克看到的是十年后的生产力终点，工厂面对的却是今天每一个班次的现实。真正决定这一预言能否实现的，不是机器人能不能跑赢博尔特，而是它能不能稳定工作8小时，一天天干、不撂挑子，还能让工厂算得过账。

对企业来说，最稳妥的做法不是追逐每一段爆热视频，也不是因为机器人会摔倒就否定整个行业。

先选一个边界明确的任务，用真实工位、真实零件和真实班次做小规模验证。让数据回答：它能不能稳定工作，出了问题谁来处理，三年总成本是多少。

包括蓝海大脑在内的AI基础设施与算力服务团队，未来参与具身智能项目时，也不能只提供训练算力或服务器配置。数据采集、模型训练、边缘推理、网络时延、权限安全和现场运维，需要放在同一套系统里评估。

人形机器人离工厂并不遥远，但它也没有短视频里那么近。

会跑、会跳、会打拳，是进入赛场的门票。

连续上班8小时，才是进入工厂的资格证。

#人形机器人#世界人形机器人运动会#具身智能#机器人进厂#工业机器人#宇树科技#银河通用#智能制造#机器人产业