过去几年,人形机器人最大的变化,不是“越来越像人”,而是开始越来越像一台真正能够进入生产系统的机器。

9月28日,沙利文发布《2026全球人形机器人市场研究报告》,数据显示,2025年全球人形机器人销量约3.5万台、收入5亿美元;2026年上半年销量已经达到3.6万台、收入5.4亿美元。

仅半年时间,市场收入就超过2025全年。

更值得关注的是,全球人形机器人收入排名前五的企业全部来自中国,合计收入市占率超过50%。但相比“国产机器人占据全球前五”这个结果,报告中另一个数据更值得制造业从业者关注:

具身智能产品正在贡献越来越高的市场价值

01 机器人市场正在从“数量增长”转向“智能价值增长”

报告按照智能自主程度,将人形机器人分为具身智能机型和预编程机型。2025年,具身智能人形机器人销量约0.88万台,收入3.75亿美元;2026年上半年销量达到1.05万台,收入4.48亿美元。对应的收入占比从76%提升到83.3%。

这说明一个趋势:市场开始为机器人的自主感知、任务理解和泛化能力付费。

传统工业自动化的基本逻辑是:

固定环境 → 固定流程 → 重复执行

而具身智能希望建立的是:

环境感知 → 任务理解 → 任务规划 → 技能执行 → 结果反馈 → 持续学习

两者的区别,本质上是从程序驱动走向数据与模型驱动。

02 为什么“训练”会成为工业机器人下一阶段的关键?

机器人进入工厂之后,最大的挑战并不是让它完成一个动作,而是让它能够适应不同任务。

例如,在一条制造产线上,机器人可能需要完成:

  • 工件抓取
  • 物料搬运
  • 上下料
  • 精密装配
  • 产品切换
  • 多设备协同

如果每换一个产品,都需要重新编程,那么机器人很难形成真正的规模化复制。因此,未来工业机器人需要解决的是:

  • 技能如何获取?
  • 技能如何训练?
  • 技能如何迁移?
  • 技能如何部署?

这也是具身智能区别于传统工业机器人的核心方向之一。

03 从“写程序”到“训练技能”

工业机器人传统的开发方式,更接近工程编程:

任务需求 → 动作拆解 → 程序编写 → 现场调试 → 上线运行

而具身智能进一步引入了数据和模型:

任务设计 → 行为树(BT)编排 → 数据采集 → 技能训练 → 场景部署 → 数据回流

 → 持续优化

这里的关键变化是:机器人不再只是被“写程序”,而开始被“训练技能”。

行为树(Behavior Tree,BT)可以负责任务逻辑和动作组织,数据采集提供机器人学习所需的数据基础,而技能训练则进一步将数据转化成机器人能够执行的能力。

最终,机器人可以将已经训练好的技能部署到具体生产任务中。

这套体系对于制造业尤其重要,因为工业场景天然存在大量重复但又不完全相同的任务。

04 全尺寸具身智能,正在进入真实生产环境

沙利文报告显示,2025年全尺寸具身智能人形机器人销量约0.53万台、收入2.6亿美元;2026年上半年销量约0.58万台,收入3.24亿美元。其生产作业场景收入在2026年上半年已经达到0.58亿美元,相较2025全年实现翻倍。

这说明机器人应用正在从:Demo → PoC → 真实生产 → 批量部署,逐步推进。而从工程角度来看,真正进入量产环境之后,系统需要考虑的问题远比Demo复杂。

例如:

  • 机器人如何与现有产线对接?
  • 不同产品如何快速切换?
  • 新任务如何快速训练?
  • 机器人技能如何复用?
  • 如何降低现场调试成本?
  • 如何让训练结果稳定迁移到真实设备?

因此,未来工业机器人竞争的核心,很可能不只是机器人本体,而是背后的训练、仿真、数据和部署基础设施。

05 中国机器人产业的优势:真实工业场景

中国企业能够在全球人形机器人市场快速形成产业化优势,与庞大的制造业应用场景密切相关。机器人需要数据。而高质量的机器人数据,往往来自真实任务。真实任务又来自真实工厂。因此,制造业本身就是具身智能的重要训练场。

机器人越进入真实生产环境,就越能够获得复杂的工业数据;数据越丰富,机器人技能就越有机会持续迭代。这也意味着:未来的工业机器人平台,本质上可能也是一个工业数据与技能基础设施。

06 工业富联科技服务:从机器人应用走向机器人训练与部署

在工业机器人实际落地过程中,工业富联科技服务正在围绕工业机器人及机器人训练平台探索更加完整的解决方案。以工业生产中的取放、搬运、上下料、精密组装等任务为例,机器人能力的构建可以拆解为:任务设计 → BT编排 → 数据采集 → 技能训练 → 场景部署。

其中:

  1. 任务设计:明确机器人需要完成什么工业任务。
  2. BT编排:将复杂任务拆解为可执行的行为逻辑。
  3. 数据采集:通过真实或仿真环境获取机器人执行任务所需的数据。
  4. 技能训练:基于数据训练机器人执行具体工业技能。
  5. 场景部署:将训练后的技能部署到实际机器人和生产环境中。

这样一来,机器人就不再是一个孤立的自动化设备,而成为整个智能制造系统中的执行节点。让工业机器人从“自动执行”进一步走向“自主学习”,从单点自动化进一步走向可训练、可复制、可持续优化的智能制造能力。

07 具身智能真正的产业竞争,才刚刚开始

从当前市场数据来看,人形机器人已经从实验室和展示场景进入产业化阶段。但对于制造业来说,机器人真正的价值并不在于“像不像人”,而在于:能不能完成工业任务。

而要做到这一点,机器人需要的不只是本体,还需要AI模型、数据、训练平台、仿真环境以及真实工业场景共同支撑。因此,下一阶段行业竞争的重点可能会逐渐从:“谁的机器人更先进?”转向:“谁能够让机器人更快学会工业技能,并更低成本地部署到真实生产现场?”

当机器人具备持续学习和技能迁移能力,工业自动化也将从传统的“程序驱动”,逐渐走向“智能驱动”。这或许才是具身智能真正进入制造业之后,最值得关注的变化。

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐