人形机器人正在工厂里站稳脚跟

人形机器人正从"展台明星"变成"工厂员工"。这个转变的速度，可能比大多数人预想的都要快。

2024年4月，加州创业公司Figure AI把第二代人形机器人Figure 02送进了宝马美国南卡罗来纳州斯帕坦堡工厂。这不是概念验证，不是展会演示，是真实的、每周5天、每天10小时的工厂轮班。整整11个月后，这批机器人交出了一份成绩单：累计工作1250小时，协助生产超过3万辆宝马X3，搬运零件超过9万件，在厂内行走了约320公里。放到任何一条汽车产线上，这都是一个值得记一笔的数字。

Figure 02在宝马产线上做过一件特别的事：连续20小时不停机压测。不是为了拍视频，是为了验证热管理、线缆寿命和运动稳定性是否扛得住真实工厂的强度。这些数据后来全部被喂进了Figure 03的设计迭代里。到2025年底，这批机器人正式退役——不是因为坏了，而是因为它们的使命已经完成。Figure 03接棒，准备进入更大规模的部署。

宝马没有把鸡蛋放在一个篮子里。2026年，宝马集团宣布将在德国莱比锡工厂启动人形机器人试点项目，合作方是瑞典公司Hexagon。Hexagon于2025年6月发布了首款人形机器人AEON，同年12月在宝马莱比锡工厂完成首次测试部署，计划2026年夏季进入正式试点。这是欧洲汽车制造商首次在本土量产线上规模化测试人形机器人。

与此同时，宝马沈阳生产基地也在推进人形机器人在物料收发、零件抓取、搬运与放置等核心生产场景的全面测试，为新世代BMW iX3长轴距版的量产做准备。沈阳基地围绕"Physical AI"理念，将数字AI与真实机器人系统深度融合，使智能系统能够在复杂的真实工业环境中自主执行生产任务，并通过持续的数据分析与学习不断优化作业精度。物料收发、零件抓取、精准放置——这些听起来基础的工序，恰恰是整车生产流程中最消耗人工、最影响品质的环节。传统人工操作受体力、注意力影响容易出现偏差，而人形机器人可以保持毫米级的精准放置，始终稳定。

为什么这波人形机器人浪潮在2026年集中爆发？答案要从两个方向说起。

第一个方向是"大脑"的成熟。Figure 02搭配了NVIDIA Omniverse模拟平台和视觉-语言模型，用六颗RGB摄像头进行感知与决策训练，在真实工厂环境里积累数据。而Figure 03更进一步，搭载了自研的VLA模型Helix，官方披露在较少训练数据下展现了极强泛化能力，训练效率显著提升。关键是：每一台在运行的机器人同时也是一台数据采集终端——在不同场景中遇到的新任务、新情况，都会成为下一代模型的训练素材。机器人卖得越多，模型迭代越快，成本进一步下降，形成正向飞轮。

第二个方向是硬件成本的悬崖式下降。Figure在2025年发布了模具化生产基地BotQ，用注塑、压铸等工艺替代传统CNC加工，单零件成型时间从一周缩短到20秒。2025年量产1000台，聚焦工业客户；2026年提升至1万台，拓展新行业；2027年扩大至5万台，优化成本；2028年目标年产10万台，覆盖家庭服务场景。这是Figure的路线图。如果顺利，届时人形机器人成本有望落在3到15万美元区间——放在汽车工业里，已经不是天方夜谭。

1X Technologies正在走一条截然不同的路。这家挪威公司的人形机器人NEO没有先去工厂"卷"，而是直接进入真实家庭：整理衣物、收拾厨房、递送物品。1X的核心判断是：家庭才是最复杂的训练场——比工厂更非结构化、任务更多变、数据更多样。家庭环境里的每一项看似简单的任务，对机器人的感知、决策和执行能力要求其实更高。

1X在2026年发布了世界模型1XWM，机器人可以通过观看视频学会新动作，不需要逐个任务编程。给它看一段叠衣服的视频，它就能尝试模仿类似动作。遇到不会做的事，操作员可以远程接管，手把手教它，等它学会后再独立完成。这套机制的本质，是把家庭变成一个持续生成数据、持续训练模型、持续迭代能力的真实环境。1X还获得了OpenAI的投资——被视为OpenAI在具身智能和人形机器人方向的重要外部押注。NEO的售价方案为2万美元买断，或每月499美元订阅，首年1万台产能已售罄。

亚马逊则在仓库端率先实现了商业化落地。Agility Robotics的人形机器人Digit在亚马逊华盛顿州Spanaway履约中心的部署规模在2026年4月扩大到了75台，并新增了托盘卸载任务。Digit单个成本不到25万美元，设计寿命2万小时——放在仓储物流场景里，已经可以和人工成本正面对比。Digit主要负责将商品从周转箱中取出、搬运到传送带这类高重复性工作，这类任务在电商履约中心占比极高，也是人员流动最大的工种之一。

这些进展背后，隐含着一条新的竞争逻辑。人形机器人的竞争，已经不是单纯比谁的机器人跑得更快、跳得更高，而是三个维度的综合较量：谁能真正把"AI大脑"和"机器人身体"打通？谁能在物理世界积累足够多、足够真实、足够多样的数据？谁能把机器人从 demo 变成可制造、可交付、可持续迭代的产品？

贝恩咨询估算，Agentic AI自动化市场规模已达千亿美元量级。这个数字背后，是制造业、物流、仓储等多个行业对"机器换人"的真实需求——不是消灭人类工作，而是补充那些真正高强度、高重复、高危险的工位。工厂里仍然需要人来管理设备、维护系统、判断异常、处理边缘场景。人机协作不是单选题，而是一场生产关系的渐进调整。

中国机器人行业这几年跑得很快，在供应链、成本、工程化和量产速度上都有明显优势。但当竞争维度从"本体能力"升级到"Physical AI"，差距就会体现在新的层面：模型能力、数据闭环、芯片算力、软件栈、以及真实场景的验证密度。中国信通院、优必选、宇树科技等正在联合推动《人形机器人智能化分级》团体标准，试图在行业标准层面占据位置——这是对的思路。在新兴领域建立标准，往往比追赶产品更重要。

真正值得关心的不是"机器人会不会抢工作"，而是"机器人什么时候、以什么节奏进入我们的生产场景"。Figure 2028年的目标是年产10万台。如果这个目标实现，"机器同事"进入日常经济的窗口，可能比想象中近得多。准备好迎接这个变化，可能比讨论它会不会发生更有意义。

实际上，具身智能的竞争已经在三个不同维度同时展开。第一层是基础模型：谁能训练出泛化能力更强、样本效率更高的视觉-语言-动作模型，谁的机器人就能用更少的数据完成更多任务。第二层是硬件工程：关节自由度、灵巧手设计、传感器集成、续航能力——这些决定了机器人能否在真实环境中稳定运行。第三层是数据闭环：有多少台机器人在真实场景中运行，运行中产生了多少有效数据用于下一代模型训练。这三个维度缺一不可，单独在某一层领先都不足以形成全面竞争优势。

这也解释了为什么这一波浪潮里出现了有趣的玩家分化：Tesla、Figure、1X都在做整机，但技术路线和产品节奏差异巨大；NVIDIA、AMD等芯片公司在底层算力竞争；贝恩、麦肯锡等咨询公司在帮传统企业做转型规划；AWS、亚马逊云则在物流和数据层面布局。同一个赛道里，每家公司都在寻找自己最舒服的站位。对观察者来说，这意味着人形机器人的机会不是只有造机器人这一种。

你怎么看这波人形机器人浪潮？欢迎留言。