大塊頭已經進廠，大智慧仍在路上

花生說：

人形機器人，得學劉德華。

杜琪峰執導的《大塊頭有大智慧》里，劉德華飾演的“大只佬”，不但身材魁梧，還有擁有看透因果、洞察世事的通透智慧。

今年WAIC具身智能尤其是人形機器人火熱，媒體報道連篇累牘：“機器人進廠，班味十足啊，全面商業化，機器取代人…”

不過，在花生觀察來看，如今的具身智能和機器人，練成了“大塊頭”，還需要有真正的“大智慧”。

硬件層面，這些鋼鐵大塊頭缺少人類億萬年進化出的小腦和肢體靈活度，精細操作、姿態適配、柔性容錯能力有限，復雜工位依舊束手無策。

智能層面，所謂AI大腦，普遍能應對預設、重復的固定工況，但面對產線動態調整、突發故障、非標細微偏差，依然缺乏自主判斷與應急處置能力。

工廠流水線看似規整，實則每天充滿細碎變數。

人類工人可憑經驗、直覺、臨場應變化解問題，而當下的具身智能高度依賴數據訓練與程序限定。無論是硬件靈巧度，還是真實場景的泛化智能，仍有很大的進步空間。

在花生看來，機器人已經拿到了汽車工廠的實習崗位，但距離真正能獨立履職、扛住復雜生產壓力，仍需要不斷學習呀。

本文系新能源汽車品牌評價與促進中心約稿。

機器人樂隊合奏布魯斯，金屬舞者踩著《最后的華爾茲》節拍絲滑起舞，八角籠里的機械拳手拳拳到肉，就連乒乓球機器人都學會了在對陣嘉賓時“恰到好處”地放水。

均勝電子具身業務負責人、靈犀智能科技有限公司創始人兼CEO雷雄對筆者感慨，兩年前 WAIC 的機器人還只占會場一個角落，能動就不錯了；今年整層館都是參展企業，大家不比誰的表演更炫，都在聊落地成功率、ROI（投資回報率）、運維成本。

觀眾舉著手機叫好，投資人忙著交換名片。兩年前還寥寥數家的機器人展區，如今已有上百家企業攜完整產品亮相，甚至撐起了整座獨立展館。

比數量增長更值得注意的是角色變化：從前的機器人更像展臺藝人，靠炫技博眼球；今年的展會上，越來越多機器人開始演示上班。這使得有媒體評價，這是最有“班味”的一屆WAIC。

展臺炫技熱潮褪去，一個核心問題擺在產業面前：這些機器人真的做好進廠的準備了嗎？它們能解決什么實際問題？工廠雇主愿意為它們開工資嗎？

7月20日，工業和信息化部在國新辦 2026 年上半年工業和信息化發展情況發布會上提出，中國制造正加速涌現“新”力量，具身智能正是最受關注的新方向之一，已有超過230家企業發布400多款整機產品，全年整機產品有望突破10萬臺。

從展臺表演到真實上崗，這場技術落地的關鍵躍遷，最先在汽車產業找到了突破口。

一臺機器人真正進入產業，不是在展臺上完成一次精彩表演，而是在一條產線上穩定完成一個班次，在一座倉庫里承擔一項重復勞動，在真實世界里擁有一份能夠持續創造價值的"工作"。

從這個意義上說，今年WAIC留給產業最大的啟示，不是誰造出了最像人的機器人，而是誰率先為機器人找到了第一批工業應用場景。工業和信息化部所強調的"中國制造加速涌現新力量"，也正體現在從技術展示走向產業應用的轉變之中。

第一批“崗位”，落定汽車工廠

很多人把具身智能等同于人形機器人，這其實是行業普遍的認知誤區。具身智能是指具備環境感知、自主決策、物理執行能力，能在真實世界完成任務的智能系統，人形只是其中一種形態，機械臂、四足巡檢機器人、輪式搬運機器人都屬于具身智能的范疇。

汽車工廠，恰好是最適合具身智能落地的第一站。

原因很簡單：汽車制造擁有工業領域最標準化的作業場景，沖壓、焊裝、涂裝、總裝、物流、檢測全流程工序固定、節奏穩定，剛好匹配機器人對確定性環境的要求。

黑芝麻智能首席市場營銷官楊宇欣對筆者表示，工業場景是結構化的，不用應對復雜突發，最適合技術落地跑數據，這是當前最確定的機會。比起科研、表演，這種真實需求才能讓產業賺到錢，走得更穩。

依托多年車規級芯片研發積累，黑芝麻將車載成熟AI算力體系延伸至機器人賽道，推出SesameX算力平臺，覆蓋從輕型巡檢到人形機器人的全算力區間，把汽車領域高可靠、低功耗硬件標準復用在工業產線機器人上。展會現場，搭載其自研芯片的工業具身工作流已演示廠區托盤識別、安全帽檢測、區域入侵監控等高價值場景。

“商業化的核心問題永遠是誰掏錢。”雷雄告訴筆者，做產品不從技術往下找場景，而是從客戶需求往上倒推技術，先把上下料、分揀這些簡單場景跑通，再逐步攻線束插接這類高精度工序。

高盛在走訪14家中國機器人企業后發布的報告中指出，近期行業的核心落地機遇集中在分揀、物料搬運、取放、檢測等標準化或半結構化流程中。

汽車產業契合這些需求。具身智能“上崗”，既能緩解整車廠一線招工缺口，又比傳統固定機械臂適配多車型柔性混線生產，產線改造成本更低。

WAIC現場也有實景產線演示：它石智航把1:1還原的汽車環形線束流水線搬進了展館。

線束裝配是汽車制造里的公認難題，線束柔性無固定形態、亞毫米級插接精度、容錯率極低，傳統自動化設備難以適配，長期屬于依賴熟手，行業招工缺口持續擴大。

該方案已在國內線束供應商天海電子規模化落地。在“模登時代·智造坊”展區，一條復制的新能源整車產線正演示電池組裝、車燈精密裝配和線束制造等五道工序，這些工序均取自實際落地項目。

展館之外，人形機器人已投入實際生產。小米機器人在其汽車工廠完成中控臺蓋板排序及料箱折疊，成功率90%；特斯拉在德州和上海工廠部署逾千臺Optimus Gen3，負責電池分揀、部件轉運與視覺質檢，依托FSD視覺模型自主導航；Figure AI的Figure 03已在寶馬美國工廠接手物流分揀；優必選Walker S系列則與奧迪一汽、比亞迪等車企合作，從事分揀與質檢實訓。

當然，并非所有工序都適合機器人替代。智元合伙人、覓蜂科技董事長姚卯青認為，車內多角度內飾裝配需要靈活人體姿態，當前機器人柔性不足，投入產出比偏低，這類復雜工位短期仍以人工為主。

由此可見，行業落地節奏，是即優先覆蓋高重復、標準化工序，再逐步攻克柔性復雜場景。

具身智能“上崗”需跨越四重門檻

在本屆WAIC世界模型“六小龍”論壇上，諾貝爾經濟學獎得主Thomas J. Sargent點出了AI底層認知缺陷：人工智能只能從高頻重復事件中習得規律，面對物理世界低頻、突發、從未預演的工況，極易陷入認知空白，這恰好戳中具身智能規模化落地的核心軟肋。

大曉機器人董事長王曉剛解釋稱：“數字世界模型的失誤僅影響圖文生成，而物理場景下智能體的預判偏差，將產生不可逆的真實損失。機器人掌握的關鍵信息越多，對控制充分狀態的理解就越準確，行動的試錯成本就越低。”

落地的方向已經清晰，但真正要規模化上崗，行業仍要跨越多重門檻。

第一道坎是數據。

不同于大模型可抓取海量互聯網文本，機器人的物理交互數據幾乎從零起步。

姚卯青告訴筆者：“行業現在有三道墻：數據墻，真實物理交互數據極其稀缺；表征墻，不同場景、不同本體的經驗沒法通用；閉環墻，真實場景試錯成本高，反饋慢，很難規模化迭代。”

極智嘉本屆發布的 Gravity 4D 世界模型也印證了這一邏輯：傳統視覺模型僅預判畫面，極易出現機械臂穿模、物體懸空等違背物理的問題，4D 表征同時收錄空間結構、運動軌跡，大幅提升復雜工況抗干擾能力，而這套模型迭代高度依賴產線真實數據積累。

業內普遍認為，當前具身智能的數據儲備，僅相當于 ChatGPT 發展初期水平。

第二道坎是隱性成本。

很多企業測算ROI（投資回報率）只算機器人本體價格，卻忽略了隱性支出：一是換型重訓成本，更換產品或場景就要停線適配；二是駐場支持成本，上線初期故障頻發需要專人盯守；三是備件耗材成本，末端執行器、減速機等核心部件壽命有限；四是組織磨合成本，一線員工的抵觸會讓設備淪為擺設。

更深層的矛盾，是兩套體系的邏輯差異。機器人技術更接近汽車與自動駕駛的迭代邏輯，而工廠沿用的是傳統工業自動化標準：普通工廠設備允許存在故障時間，但產線對機器人的要求是連續一個月無單點故障，可靠性標準完全不在一個量級。

物理層面的瓶頸同樣現實。執行器的功率密度、電池的能量密度，直接決定了機器人的作業能力與續航。功率密度不足，就無法在有限體積內兼顧力量與精度；能量密度不夠，“干一會兒就充電”會讓經濟性大打折扣。最終的產品，必須在平衡性、能效、智能水平、安全性、經濟性五個維度找到綜合最優解。

王曉剛還點出了另一個核心短板：當前行業真正欠缺的是未知場景下的泛化能力。很多驚艷的演示都在預設場景中完成，一旦進入真實復雜的生產環境，機器人就會遇到大量從未見過的突發情況，應對能力大幅下降。

高盛報告預測，只有行業積累數千萬小時高質量工業交互數據，2027年至2029年才會迎來全行業規模化商用窗口期。在此之前，ROI是客戶決策的硬指標，也是企業能否穿越周期的關鍵。

汽車產線標準化、高頻作業的屬性，恰好是行業最優的數據訓練場。

產業共識

制造業結構性用工矛盾，是車企主動引入具身智能底層動因。

筆者走訪多家制造企業發現，一線用工的挑戰正在加劇：一方面，新工藝、新產品對工人技能要求越來越高，熟練技工缺口持續擴大；另一方面，年輕人就業進廠不再是首選，半蹲作業、高危工序、高溫高濕環境的崗位招工尤其困難。

在電池工廠的恒溫恒濕工序，工人必須按時輪崗離崗，無法長時間駐守；很多重型機械作業崗位，長期存在工傷風險。從這個意義上說，具身智能的價值不只是降本增效，更是把人從枯燥、危險、損害健康的工序中解放出來。

對工廠端而言，他們的訴求非常務實：要開箱即用、穩定可靠、成本可控，還要能跟著產線升級持續迭代。

行業也正在向這個方向靠攏。隨著具備成熟制造能力的企業入局機器人賽道，疊加創業公司持續加大本體研發投入，業內普遍預計明年機器人本體價格將大幅下降，性能同步提升。一位行業人士直言：“今年大家的目標是跑通工廠場景，算賬是明年的事。”

真正要實現規模化落地，上海理工大學機器智能研究院執行院長李清都認為，行業必須先構建三項核心能力：

第一是可復制的部署方法論。不能每個項目都重做一遍系統工程，要沉淀出標準化的任務模板、開發工具鏈與測試流程，讓新工位能在有限工程投入下快速落地，否則僅工程成本就會直接擊穿 ROI。

第二是體系化的運維能力。人形機器人是持續學習、持續更新的復雜系統，不是 “一裝了之” 的設備。現場工程師培訓、遠程監控診斷、安全滾動迭代、備件周轉體系，這些看似細節的服務，才是商業模式成立的關鍵變量。

第三是既要軟硬技術融合能力。一端要像汽車一樣經得起長期運行、供應鏈與安全考驗，另一端又要像手機一樣依托操作系統和生態持續更新。只會做樣機、做不好運維，或者只會做算法、做不好可靠性的企業，都很難扛住規模化應用的壓力。

極智嘉創始人兼 CEO 鄭勇直言，具身智能的價值，最終要在客戶現場兌現。

而汽車制造憑借標準化產線、完整產業鏈、海量真實工況數據，成為具身智能第一批穩定工作場景。

短期來看，機器人僅能承接分揀、轉運、簡易裝配等標準化工序；長期視角下，車企與機器人企業雙向賦能：整車工廠為 AI 提供真實訓練場景，具身智能反過來協同一線工人，改善制造業人力結構。

從政策層面，工業和信息化部正通過一套系統性政策組合，從數據到標準，從成本到供應鏈，四重杠桿同步發力，為具身智能從實驗室走向工廠車間鋪平道路。

比如，人形機器人在智能制造工廠完成電池模組裝配。這是工業和信息化部推動的“實景實訓”專項行動的一部分。該行動鼓勵企業在真實生產環境中積累高質量數據，同時通過專項資金和政府獎勵，降低企業前期投入。

工業和信息化部還明確強化國家人工智能產業投資基金的支持力度，并倡導“按效用付費”或經營性租賃等模式，以削減用戶的使用成本。

在數據層面，工業和信息化部新設的數據標準工作組正著手制定訓練數據管理要求，以規范數據采集、清洗與共享流程，試圖解決行業長期面臨的“數據饑渴”。

標準體系則加速成型。2025年年底成立的人形機器人與具身智能標準化技術委員會，已發布覆蓋全產業鏈的2026版標準體系，并推出首份具身智能基準測試行業標準，為技術評估提供了統一標尺。

供應鏈的協同被置于關鍵位置。工業和信息化部鼓勵用戶單位、整機企業與零部件供應商及科研院所組建創新聯合體，以此加速關鍵部組件的迭代。同時，北京、上海等地已獲批建設具身智能創新中心，中試基地的設立則旨在打通從研發到量產的“最后一公里”。

這些舉措的目標明確：到2026年底，推動人形機器人在百個以上高價值場景中完成驗證，并形成萬臺級的部署能力。

技術迭代、數據積累、行業標準完善仍需要協同，但方向已經明確。汽車工廠的“機器工人上崗試驗”，也將為中國制造智能化轉型探索出一條全新路徑。

文 | 李皙寅·花生 周洲