大模型把语言、图像和代码变成了可以调用的能力，机器人则试图把这种能力带进工厂、仓库、医院和家庭。它们不仅要理解人的命令，还要看清环境、控制身体、承担行动后果。

围绕机器人的竞争，因而不会只发生在模型排行榜上，而会同时争夺芯片、关节、灵巧手、制造成本、动作数据、操作系统和现实世界的入口。

2026年7月5日，世界杯巴西队与挪威队比赛的中场休息时间，一名特殊的“工作人员”走进纽约新泽西体育场，把比赛用球送到裁判身边。

它是波士顿动力的Atlas。面对数万名观众，Atlas走过草地，还模仿了足球运动员的庆祝动作，整个过程只持续了很短时间，看起来像机器人时代已经提前到来。

为了这几分钟，工程团队却不得不重新处理许多在实验室里不会出现的问题。体育场里密集的手机和无线设备让普通Wi-Fi通信变得不可靠，团队为Atlas安装了专用无线电；天然草皮与实验室的平整地面完全不同，机器人走、跑和保持平衡的方式也需要重新调整。

屏幕前的观众看到的是一次轻松亮相，工程师看到的则是一长串可能让机器人摔倒、失联或停在原地的现实变量。

这正是机器人产业今天所处的位置。机器已经会走路、跳舞和端起物体，真正困难的部分却刚刚开始：它能不能在没有人为它清场、不能随时重拍、也不能轻易停机的环境中，每天把同一件事情做完。

球场上只走几十米，工厂里要走几十万次

世界杯亮相不是现代汽车为Atlas安排的终点。按照现代汽车集团的计划，Atlas将在2028年进入美国佐治亚州的汽车工厂，最初处理零部件排序，随后才逐步尝试搬运重物、重复装配等更复杂的工作。现代还计划形成每年3万台机器人的生产能力。

“零部件排序”听起来不像一项适合登上科技发布会的工作，却是工厂为新技术选择的典型起点。它重复、辛苦，结果容易检查，一旦出错也相对容易控制。

工厂不会一开始就把最复杂的装配任务交给一个刚入职的机器人，正如管理者通常不会让第一天上班的新人独立处理整条生产线。

这种谨慎背后，是汽车制造与科技演示截然不同的评价体系。发布会关心动作是否漂亮，短视频关心机器会不会翻跟头，工厂负责人关心的却是它一班能工作多久、每千次动作会失败几次、停机以后由谁修，以及最终每搬一个零件究竟比人工贵还是便宜。机器人在视频里后空翻，采购经理在表格里通常只翻成本。

波士顿动力首席执行官罗伯特·普莱特曾把工业部署需要达到的可靠性目标描述为接近99.9%，并认为机器人必须能在很短时间内学会新任务，才能适应工厂中不断变化的工作。

这个要求听上去没有跑步和跳跃那么惊艳，却更接近机器人商业化真正的门槛。

宝马先交给机器人一块钣金件

在美国南卡罗来纳州斯帕坦堡的宝马工厂，Figure 02得到的第一份正式工作，同样没有什么戏剧性。

它从料架里取出钣金件，再把零件准确放进焊接夹具。动作不复杂，却要求持续保持速度、位置精度和抓取稳定性；零件边缘较薄，工位又需要人反复弯腰和转身，是典型的重复性体力工作。

Figure披露，在为期11个月的部署中，Figure 02从周一到周五每天运行10小时，累计工作超过1250小时，搬运了9万多个零件，并参与了3万多辆宝马X3的生产。

宝马随后确认，这次部署让公司第一次在真实生产环境中观察到人形机器人可以提供可衡量的价值，而不仅是在实验室完成预设动作。

这些数字的重要性不在于9万听起来足够大，而在于它们让机器人第一次进入工厂的经营语言。一台机器完成一次抓取，只能说明算法有效；重复完成数万次，才开始涉及产能、停机率、维护和投资回报。

工业革命从来不是由某台机器完成了一次奇迹推动的，而是由它能够把无聊的动作稳定重复十万次推动的。

2026年6月底，Figure 03重新回到这座工厂，开始展示更复杂的物料操作。它不仅需要拿取较薄的零件，还要一边调整脚步和身体，一边拉动带脚轮的金属推车。

Figure把这种能力解释为全身控制的价值：固定机械臂可以在确定位置高速工作，但当任务需要机器人移动、重新站位并同时使用双手时，人形结构才可能显示出意义。

宝马的选择揭示了机器人进入工厂的一条现实路线。企业不会因为一台机器“像人”就购买它，而会先找到传统自动化不容易覆盖、人工又长期承受负担的狭窄场景。

一旦机器人在这个小场景里证明稳定性，再逐渐扩大任务范围。所谓通用机器人，商业化时往往要从一份非常不通用的工作开始。

十万只周转箱，比一次后空翻更值钱

在美国佐治亚州的一座物流设施里，Agility Robotics的Digit长期搬运周转箱。自动移动设备把装有商品的箱子送到指定区域，Digit弯腰取箱，再把它放到输送线上。

2025年11月，Agility宣布Digit在真实商业部署中累计搬运超过10万只周转箱。

这项工作甚至比宝马工厂里的钣金件更难成为热门视频。箱子不会鼓掌，输送带也没有社交媒体账号，但10万次搬运提供了工业客户真正需要的东西：机器人已经在真实班次中经历了电池衰减、位置偏差、箱体差异、现场干扰和故障恢复，而不是只在经过整理的演示区里完成动作。

Digit与物流企业GXO的合作还采用了机器人即服务模式。客户不必一次性承担完整的设备购买和技术风险，而可以按照服务方式部署，机器人公司继续负责维护、软件和系统改进。

这种模式很可能成为早期机器人商业化的重要路径，因为多数企业并不愿意为一个仍在快速迭代的身体押上全部成本。

在南卡罗来纳州谢罗的一座舍弗勒工厂里，Digit搬运约25磅重的零部件篮筐，一天重复工作八小时。此前承担这项任务的员工被调往技能要求更高的岗位，但机器人仍然被安排在隔离区域内运行，以满足安全要求。

这个场景比“机器人取代人类”的口号复杂得多：一个人的体力任务确实被机器接走了，但机器人需要新的维护、监督和流程设计，同时也改变了工厂培养和配置员工的方式。

机器人真正进入组织以后，问题通常不会以“人或者机器”的二选一出现，而是工作被重新切开。稳定、重复、可衡量的部分先交给机器，异常情况、判断和责任暂时留给人。

某些岗位会减少，另一些岗位会增加，但新旧岗位需要的技能、数量和所在地未必相同。

工厂老板不为机器人梦想付款

人形机器人得到巨大关注，一个重要原因是它看起来像未来。两条腿、两只手和接近人类的身高，让人容易想象它进入工厂、商店和家庭，直接使用人类已经建立的工具与空间。

这种想象有实际依据。楼梯、货架、门把手、操作台和生产工位大多按照人的身体设计，一台足够灵活的人形机器人，理论上可以不要求企业大规模改造环境，在多个岗位之间移动。

对于产品种类多、批量变化快、难以为每个动作安装固定设备的工厂，这种通用性具有吸引力。

但工厂经理通常不会因为机器长出了两条腿，就自动为两条腿付款。中国灵巧手企业Linkerbot的管理者在接受路透采访时提到，许多工厂发现实际任务只需要机械臂和灵巧手，于是直接把手安装到已有的机器人手臂上，不必购买完整的人形身体。

路透报道估计，领先的全尺寸工业人形机器人价格仍可能达到10万至15万美元。

这场路线之争不会简单由“人形”或“非人形”其中一方获胜。固定机械臂在高速、重复和高精度任务中依然更便宜；轮式机器人在平整地面上通常比双足机器更稳定省电；人形机器人更适合需要跨工位移动、使用人类工具、不断变化的任务。

未来的工厂很可能同时拥有多种形态，正如今天的道路上既有卡车，也有轿车和叉车。

判断一种机器人形态有没有价值，最终要看它替客户省去了什么。如果两条腿让机器人可以使用现有楼梯和工位，它们可能值得购买；如果机器人始终在平坦地面搬箱子，轮子通常不会因为不够像人而感到自卑。

机器人浪潮不是从零开始

人形机器人快速走红，容易让人产生一种错觉，仿佛机器人刚刚进入工厂。事实上，传统工业机器人已经工作了数十年。

国际机器人联合会统计，2024年全球新安装工业机器人约54.2万台，连续第四年超过50万台；亚洲占新增部署的74%，中国一国安装约29.5万台，占全球的54%。

相比之下，人形机器人仍是一个很小的市场。Omdia经路透报道估算，2025年全球人形机器人出货量约1.3万台，其中中国约占90%。

这些数字的统计口径与传统工业机器人不同，却足以显示两者的规模差距：人形机器人的资本热度已经很高，真正进入现场的数量仍处在早期。

这并不削弱人形机器人的长期价值，反而说明它必须证明自己能够处理传统自动化一直没有经济解决的问题。工厂里那些位置固定、路径明确、每分钟重复数十次的任务，早已是机械臂的主场。

新一代机器人要争夺的是更零散、更灵活、更接近人工操作的“自动化最后一公里”。

因此，产业战争的核心不是把所有旧机器人替换掉，而是谁能扩大机器可以经济完成的任务边界。机器人如果只是用更昂贵的方式完成机械臂已经做好的事情，它是一件新产品；只有当它能进入过去只能依靠人的工位，它才可能开辟新市场。

真正稀缺的，不是动作视频，而是动作数据

语言模型可以从互联网获得海量文字、图像和代码，机器人却没有一座现成的“动作互联网”。

网上有无数文章解释如何叠衣服，却很少保存每根手指的运动轨迹、抓取力度、衣物变形以及叠错以后如何修正。

机器人需要的训练数据，不只是“要做什么”，还包括身体在每一瞬间“怎样做”。摄像头看到什么，手臂转动多少，手指施加多大力量，身体重心怎样变化，动作成功还是失败，都需要同时记录。

采集这些数据通常依赖人类远程操作、穿戴设备、真实机器人运行和仿真环境，成本远高于下载网页文本。

这正是宝马工厂的9万个零件和GXO仓库的10万只周转箱具有另一层价值的原因。每一次抓取和搬运都可能暴露模型的边界：零件稍微旋转后失败率是否提高，某种光线会不会影响视觉判断，箱子重量改变以后脚步如何调整。

对机器人公司而言，客户现场既是收入来源，也是一所持续产生教材的学校。

部署规模由此可能形成一条飞轮。更多机器进入现场，产生更多成功与失败的数据；数据改善模型和控制系统，成功率提升后，客户愿意部署更多机器。后来者可以购买类似的电机和摄像头，却很难快速复制数百万次真实动作中积累的经验。

机器人领域真正的护城河，可能不会出现在一次令人惊叹的演示里，而会形成于成千上万次动作被记录、纠正和重新训练的普通班次中。

英伟达不满足于给机器人提供一颗芯片

如果机器人产业只是制造金属身体，英伟达没有必要深入到动作模型、仿真训练和参考设计。2

026年5月底，英伟达发布Isaac GR00T人形机器人参考设计，把机器人身体、五指灵巧手、Jetson Thor计算平台和训练工具组合进一套开放体系，希望开发者可以在相对统一的软硬件环境中收集数据、训练模型、验证安全并部署到真实机器。

黄仁勋的战略意图与英伟达在AI服务器中的做法相似。公司不只希望出售一颗计算芯片，还希望控制从数据、模型、仿真到部署的开发路径。

一旦大量机器人公司依赖同一套工具，英伟达出售的就不只是硬件，而是机器人学习和运行的底座。

模型公司也开始走出屏幕。法国Mistral在2026年7月发布首个机器人模型Robostral Navigate，尝试让不同形态的机器人只使用一只普通摄像头和语言指令完成导航。

该模型由8B参数组成，主要解决移动而非抓取，但它传递出的产业信号非常清楚：大模型公司不再满足于生成文字和代码，而开始争夺机器怎样观察和穿过现实空间。

机器人行业的下一轮竞争，很可能类似智能手机操作系统形成之前的混战。每家公司都有自己的身体、关节、传感器和控制接口，为一台机器训练出的动作未必能直接交给另一台。

谁能降低这种碎片化，让开发者更容易把一种技能部署到不同机器上，谁就有机会占据“机器人安卓”的位置。

但机器人的操作系统比手机复杂得多。手机应用崩溃时，用户重新打开即可；机器人控制程序出错，可能让几十公斤重的身体倒向一名员工。

平台真正的竞争力不仅是支持多少机器，也包括客户是否敢让这些机器在有人工作的现场持续运行。

中国争制造，美国争平台，欧洲争工厂入口

机器人产业战争并不是一场简单的国家排行榜，不同地区正在利用各自最擅长的能力。

美国在计算平台、基础模型、风险资本和创业公司方面具有优势。英伟达争夺开发底座，Google DeepMind参与机器人模型研发，Figure、Agility和Apptronik则尝试率先建立商业部署。

2026年2月，Apptronik又获得5.2亿美元融资，参与者包括Google、梅赛德斯-奔驰和卡塔尔投资局，公司的重点仍然是让Apollo进入制造和物流场景。

中国的优势更多来自完整制造体系、零部件供应链和快速降低成本的能力。电机、电池、减速器、传感器和电子制造可以在较短距离内找到供应商，企业也拥有大量工厂场景进行验证。

2026年北京第二届机器人半程马拉松吸引了70多个团队和300多台机器人，参赛数量远高于上一年，比赛地形也从平路扩大到坡道和公园路面。赛事中仍然出现摔倒和故障，但与其把它只当作表演，不如把它看成一场公开的工程压力测试。

中国的风险同样来自速度过快。路透Breakingviews在2026年6月底指出，大量企业争相上市、地方政府积极扶持，人形机器人行业可能出现产能和资本同时扩张、真实客户却没有同步增长的局面。中国可以快速制造机器人，下一道题是找到足够多愿意长期付款的工厂。

欧洲没有同等规模的基础模型平台，却拥有汽车、机械和工业客户。德国零部件企业舍弗勒计划到2032年在全球工厂部署1000至2000台Humanoid公司的机器人，同时与对方签订至少百万级关节执行器供应协议。它既想成为机器人使用者，也希望成为关键部件供应商。

这种布局说明，机器人产业的胜负不会只由谁的机器走得更快决定。平台公司需要工厂验证模型，机器人公司需要零部件降成本，制造企业则希望通过真实订单影响产品路线。

最终的赢家，很可能不是单独拥有最好“大脑”或最好“身体”的公司，而是能够把模型、硬件、客户和供应链组织在一起的企业。

一段漂亮视频，与一笔订单之间隔着多少人

机器人演示通常会隐藏很多人。工程师提前整理场地，远程操作员帮助采集数据，现场团队准备备用设备，视频剪辑则负责让失败留在画面之外。真正进入工厂以后，这些隐藏在镜头后面的人会重新出现，而且会进入成本表。

机器人需要集成工程师连接现有系统，需要安全人员划定工作区域，需要维护团队处理故障，也可能需要远程操作员在机器无法判断时接管。

一个号称可以替代一名员工的机器人，如果长期需要两名工程师和一名操作员陪伴，首先创造的可能是机器人服务岗位，而不是成本节约。

企业因而会计算完整的任务成本，而不是只比较机器人价格与员工工资。设备采购、软件订阅、现场改造、维护、人工接管、停机损失和融资成本，都要分摊到每一次合格动作中。

一台机器人卖10万美元并不一定昂贵，只要它每天稳定工作并承担高价值任务；一台只卖2万美元的机器如果经常停机，也可能是工厂里最便宜但最令人烦恼的同事。

机器人即服务模式有助于把这笔复杂账单变得更清楚。供应商按照运行时间或完成任务收费，并继续承担设备更新和维护责任，客户则可以观察机器人是否真正产生回报。

这个模式也会逼迫机器人公司从展示“能力上限”，转向管理“服务下限”：客户不会为最好的一次表现长期付款，只会为每天都能达到的水平付款。

当机器人站到人身边，安全不再是免责声明

传统工业机器人通常被固定在地面上，并与人员通过围栏隔开。人形和移动机器人却希望穿过厂房、改变路线，并与人共享空间。

它们需要主动保持平衡，一旦失去电力或控制，身体本身就可能成为危险物。

国际标准组织正在制定ISO 25785-1，专门针对需要主动维持稳定的工业移动机器人，包括双足、四足和自平衡轮式设备。标准需要处理机器人在断电、失去平衡、地面变化和可预见误用情况下可能产生的风险。

它目前仍处于制定过程中，这本身也说明技术推进速度已经快于既有安全规则。

安全不仅会决定事故概率，也会直接影响商业模式。如果机器人只能长期关在围栏里，它能承担的任务和移动范围都会受限；如果企业希望机器人真正与人协作，就必须建立速度限制、人员识别、紧急停止、动作日志、权限控制和事故追溯。

聊天机器人说错一句话，用户可以删除；机器人推错一个人，不能点击“重新生成”。AI拥有身体以后，可靠性不再只是产品体验，而成为劳动安全和法律责任。

机器人会先取代任务，再重写岗位

企业推广机器人时，通常强调机器会承担危险、重复和体力负担大的工作，这种描述并非没有依据。

宝马选择的钣金件工位需要反复弯腰和精准放置，现代汽车也计划让Atlas优先处理高风险和重复任务。

但只要机器能够以更低成本稳定完成工作，它就会改变岗位数量和工资结构。变化未必表现为机器人某天走进厂房，所有员工同时离开，更可能是岗位内部的任务逐渐被拆分：搬运、上下料和简单检查交给机器，异常处理、维护和质量判断留给人。

这种转型最容易被忽视的问题，是新岗位不会自然属于原来的员工。让一名长期搬运零件的工人转向机器人维护，需要培训、时间和收入保障；企业购买机器人只需要签订合同，人的能力转换却不能通过软件更新完成。

机器人公司和制造企业经常承诺，新的维护、训练和工程岗位会抵消部分传统岗位减少。这个判断可能在总量上成立，却不能自动解决个体处境。新增岗位可能出现在另一座城市，要求完全不同的教育背景，数量也未必与消失的岗位相同。

真正需要讨论的不是“机器人会不会抢工作”这个过于宽泛的问题，而是生产率提高以后，转型成本由谁承担，工人是否有时间和机会进入新的分工，以及机器创造的收益如何在资本、企业和劳动者之间分配。

普通人会先生活在机器人周围

短期内，多数家庭不会像购买冰箱那样购买一台人形机器人。工厂和仓库仍然会是主要落地场景，因为那里的任务更标准、回报更容易计算。机器人产业的发展依然会通过商品、工作和公共空间进入普通人的生活。

如果机器降低生产和物流成本，汽车、家电和快递服务可能更便宜，供应链也可能更稳定。若企业为不成熟的设备支付高昂试错费用，成本也可能进入产品价格。

消费者未必看得见仓库里的Digit，却会通过送货时间和商品价格感受到它是否有效。

老龄化社会还会推动护理和辅助机器人需求，但医院和家庭比工厂复杂得多。机器人不仅要避开家具和宠物，还要理解人的身体状态、隐私和情绪。搬运一个标准箱子可以用成功率衡量，扶起一名老人却不能只看平均数据。

家用和服务机器人还会收集比手机更深入的现实数据。它们可能看见家庭空间、记录人的动作、听见谈话，并将这些信息用于训练。

谁拥有这些数据、可以保存多久、能否用于其他模型，将成为机器人时代的重要权利问题。

普通人最终面对的并不是要不要主动购买机器人，而是进入一个越来越多工作场所、医院、商店和公共设施默认与机器共存的世界。就像今天的人很难完全避开算法推荐，未来也可能很难避开自动执行行动的机器。

人类正在工业化“行动”

大模型带来的第一轮冲击，是让写作、分析、设计和部分判断变成可以通过数据中心调用的能力。

机器人带来的变化更进一步：它试图把行动本身变成一种可以训练、复制和远程升级的工业能力。

过去，一家公司扩大操作能力，需要招聘、培训和管理更多人。未来，一项新技能可能先在仿真环境中训练，通过真实现场验证，再被推送给整个机器人车队。今天搬箱子的机器，明天更换工具和模型后，可能进入另一道工序。

当这种体系成熟，劳动能力会在一定程度上变得像软件。动作可以被记录，技能可以被下载，机器可以集中管理，更新能够在多地同时发生。

谁拥有最大的机器人车队，谁就能获得最多真实动作数据；谁控制训练和部署平台，谁就可能决定哪些技能可以被安装到机器身上。

这正是机器人为什么会成为下一场产业战争。它争夺的不是一款消费电子产品，而是现实世界中的劳动基础设施。

芯片公司希望成为机器的大脑，零部件企业争夺关节与灵巧手，模型公司想提供通用智能，制造企业则握有最宝贵的工厂场景和数据。

这种权力一旦集中，也会产生新的依赖。今天一家企业依赖云平台，最多影响软件和数据；未来如果仓库、产线和物流依赖少数机器人平台，一次价格上涨、服务中断或技术限制，可能直接影响现实生产。

机器人带来的最高层问题，因而不是机器最终能否像人一样走路，而是当行动能力可以被少数平台生产、分发和更新时，谁控制这些机器，谁决定它们优先服务什么任务，以及人是否仍然保留介入、拒绝和停止的权利。

真正的战争发生在没有镜头的地方

世界杯球场上的Atlas只需要在中场休息期间完成一次任务。工程团队可以提前检查草地、准备通信，动作完成以后，机器人便可以离场。观众看到的是未来突然走进现实的一刻。

真正进入工厂以后，Atlas不会再拥有这样的待遇。零件每天略有差异，推车不会永远停在标准位置，员工可能突然经过，电池需要更换，系统也可能在最忙的时候报错。产线不会因为机器人正在创造历史，就愿意多等十分钟。

Figure在宝马搬运9万个零件，Digit在仓库移动10万只箱子，真正证明的都不是机器人已经拥有了人的全部能力，而是机器开始接受工业世界最严格的考验：没有掌声，没有剪辑，每一天都要把事情做完。

未来几年，人形机器人仍会不断出现在马拉松、发布会和短视频中，也会继续摔倒、停机和被人扶起来。与此同时，更重要的竞争会发生在镜头之外。

工厂经理选择哪一个任务，工程师怎样降低一次故障，工人如何学会与机器协作，供应链能否把关节成本再降一点，平台公司是否让不同机器人共享技能，这些不够戏剧化的细节，才会决定产业最终属于谁。

AI走出屏幕之后，错误不再只是一段不准确的文字。机器会移动物体、改变流程、占据空间，并参与现实世界的结果。它带来的生产率提升可能比聊天机器人更大，社会需要承担的责任也会更具体。

机器学会走路，是工程史上的重要进步。真正决定这个时代方向的，却不是它能走多快，而是人类把它带进哪一座工厂、交给它什么权力，又为那些与它并肩工作的人留下怎样的位置。

机器人产业的胜负，最终不会发生在发布会的灯光里，而会发生在那些不能重拍、不能轻易停机、每天都必须把工作完成的现场。

作者雁明：前资深媒体人，AI产业变局的长期观察者，投资人。