上半年人形机器人出货约2.2万台 进厂作业成功率与经济性成上岗门槛
要点
把机器人送进展厅和把机器人留在产线，是两件不同的事。前者只需把样机搬上台、把动作跑顺；后者要回答一个很具体的问题：在会有人走动、会被光照角度影响、会被临时换料打断的生产环境里，这台设备能否连续重复、并且在成本上比现有用工划算地做完一整段工序。把2026年上半年的出货去向拆开，答…
把机器人送进展厅和把机器人留在产线，是两件不同的事。前者只需把样机搬上台、把动作跑顺；后者要回答一个很具体的问题：在会有人走动、会被光照角度影响、会被临时换料打断的生产环境里，这台设备能否连续重复、并且在成本上比现有用工划算地做完一整段工序。把2026年上半年的出货去向拆开，答案就摆在那里——全球出货约2.2万台，同比增长近300%，但真正进入智能制造和仓储物流的分别只占13%和5%，导览导购占19%，文娱商演、科教与数据采集合计超过六成。造出设备与用好设备之间的落差，就落在剩下这不到两成里。
由新华社中国经济信息社与中国信通院上海工创中心联合编撰的产业报告提供了一个解释框架。报告用”XYZ曲线”描述产业演进：X曲线对应2022年至2025年的开发尝鲜期，解决的是本体能否稳定运动、能否规模化制造；Y曲线对应2026年至2030年的部署成长期，标志是从”完成动作”转为”稳定完成任务”；此后的Z曲线才以通用能力跃升与智慧涌现为特征。按此划分，眼下正处在从开发态转入部署态的起点，而衡量进展的尺子也随之更换——不再看发布了多少产品、下线了多少台，而是看多少台机器人在工厂、仓库和商店里持续交付了任务。相应地，该报告联合编撰方的中国信通院上海工创中心首席专家郑忠斌给出的判断，直接回答了企业为何不敢放手让机器人顶岗：演示所呈现的是最优表现，而部署要求的是在最不利情形下依然满足产线标准。他指出当前最吃紧的门槛不在单点技术突破，而在可靠性工程化，具体涵盖任务链条切分、失败兜底与降低人工介入三项。这条界线的含义是明确的——受控环境下的一次漂亮动作，并不构成这台设备可以投入生产的证明。
可靠性账本的残酷程度可以从一道简单推演中看出。单个动作的成功率即便达到99%，连续十个动作全部不出错，其概率也会滑落到九成上下。这组数字同样出自上述产业报告。它解释了为什么一些亮眼的单项指标进展难以直接换来上岗许可：产线考核的从来不是峰值精度，而是整段动作链在长时间连续运行下的综合稳定性。设备在台上把一个动作做对只需要几秒，而在产线上把同一个动作重复几千次，任何一次偏差都会被计入分母。
已经进入真实产线的案例提供了对照。报告记录，智元在龙旗科技南昌工厂的一段测试中，8台精灵G2于6天内累计作业超过64小时、达成64828次作业，综合作业成功率稳定在99.99%。这组被评价为略显枯燥的数字，反而更贴近产业真正在意的三个问题——能否稳定运行、人工需要介入多少、综合成本是否划算。在2026全球开发者先锋大会暨国际具身智能技能大赛的商超赛道，考核被设定为零碰撞、零货损，参赛机器人要在30分钟里连续完成盘点、补货、价签核验、拣货与试吃服务转运等一整串任务。这类看似苛刻的指标，实质是把笼统的可靠性要求翻译成了可以验收的形式。
硬件侧要另算一笔账。目前高自由度触觉灵巧手的市价大致落在十几万元到几十万元区间，而在工业连续作业条件下实际寿命只有几周甚至两三个月；有企业负责人提到，某款灵巧手抓取5公斤的物品约50次之后就报废了。价格与寿命放在一起折算，单次抓取成本会被放大到何种量级，答案并不乐观。效率端的账同样难看：某机器人品牌在第2万台下线之后公布的大屏数字，是产出效能比0.5至0.7，据此推算，机器人每小时的有效产出仅相当于人类标准作业工时的30至42分钟。这组数字解释了为什么机器人在产线上至今多以小批量试点形态存在——并非做不到，而是把设备购置、折旧、看护人工与产能一并计入之后，账还没算平。
不过把视角从厂内挪远一些，”试岗”本身正被组织成一套有目的的机制。国家发展改革委在2026年8月例行新闻发布会上提出，统筹布局具身智能实训场与应用中试基地，让机器人在真实场景中迭代技术、围绕真实需求形成应用闭环，并明确要求防止盲目跟风、一哄而上。工业和信息化部与国务院国资委启动的2026年度人形机器人与具身智能实景实训专项行动，把考核落在作业成功率、可靠性与经济性三项上，并推动产品在仓储物流、餐饮零售、家庭服务等300多个重点场景加快验证部署。工业和信息化部科技司在10月19日国新办发布会上介绍，上半年我国人形机器人整机产品突破400款、产量超4万台，全年预计突破10万台，下一步将鼓励商贸企业开放场景、协同开展实训验证。把开放真实场景写进专项行动的任务清单，这本身就说明当前瓶颈不在技术供给侧，而在场景侧缺少足够密度与标准化程度的验证条件。
企业的应对方式也在从”买一台”转向”造数据”。京东把旗下京东MALL、七鲜超市与京东物流仓库改造为实景训练场，让机器人在门店承接理货、导购、咖啡制作，在仓库完成搬运与码垛，在无人药房开展药品打包测试，并在真实客流中沉淀视觉、动作与环境的多模态数据，形成训练、验证、迭代的闭环；其具身数采已覆盖100余个细分生产服务场景、采集超10万真实作业任务，规划两年内累积超过1000万小时人类真实场景视频与超过100万小时机器人本体运行数据。仿真侧也在补位，京东自研的物理仿真引擎在已完成测试中，仿真评测与真实评测的一致性约为90%，评测效率达到真机评测的3.2倍。这类投入的意义不在于立刻造出一台能顶岗的机器人，而在于把零散的”试岗”变成可累积、可复用的数据资产——只有样本足够多，跨任务的成功率才可能稳定地越过产线验收线。
在具体行业里，”试岗”的边界也清晰可见。浙江一家机电企业的产线上，人形机器人已能稳定承担汽车零部件的上料工序；广东东莞的部分塑胶工厂开始试点，让人形机器人接手注塑件修毛边这类重复且高危的工位；重庆一家摩托车企业的制造车间里，人形机器人开展拧螺丝装配实操训练，把老师傅的操作经验转写为可复用的机器动作数据。这三个场景的共同特征是任务边界清晰、结果可量化，且原有人工作业存在安全或体力代价——这正是当前技术条件下最容易被判定为经济可行的区间。相对地，那些需要处理柔性物体、应对非标来料、在多个任务之间频繁切换的工位，机器人仍难以独立承担。
结论并不悲观，只是需要把标准换对。人形机器人距离”上班”确实已经很近了，在搬运、分拣、巡检、上下料这些单点工位上，它已能交付；离让人放心把一整条产线交出去，差的不是又一场演示，而是最不利情况下依然达标的工程细节：一只在粉尘与振动中连续运转三个月不坏的灵巧手，一组在光线变化与零件偏移时仍然稳定的操作数据，以及足够低的人工介入率。按产业内给出的判断，这个临界点不会以一声宣告的方式到来，它更像一道缓慢抬升的及格线——线抬到哪一天，工厂愿意把夜班交给机器人，那天才算数。
