在长春某工厂的原材料仓库
，多台轮式工业具身智能机器人正与人协作，高效完成拆垛及货物上架作业。料箱单箱重量达10至15公斤 ，最大的入库码放高度达1.6米 。

　　这样的场景，在传统的作业模式下 ，工人需要反复弯腰拆垛
、举高入库
，身体的损耗极大，在人机协同的模式下 ，机器人每小时可拆垛80箱
，24小时不间断运转
。

　　8月19日至23日，《锋面》记者在2026世界机器人大会现场走访多个展区 ，与过去更多停留在运动、跳舞 、翻跟头的展示不同
，今年的具身智能机器人开启了“全员打工 ”模式。“机器人进厂
”成为今年大会的核心亮点 。

　　然而，从“能跳舞”到“会干活 ” ，人形机器人还要跨越多道关卡
。机器人与真实工业体系
、工厂环境之间的屏障仍未消弭。宇树科技创始人、董事长王兴兴8月20日在世界机器人大会论坛发言中表示，近来 机器人没有大规模推广的最主要原因是效率与泛用性能力仍有待提高
，每当有新任务时需重新训练，整体效率低于人 。

　　量产之后 ，机器人进厂能否真正“干活
”？在大规模需求背景下
，具身智能与物理世界之间还有哪些距离有待弥合？人形机器人在工业场景的落地，究竟能解决哪些现实性问题？

　　“贵而不稳”？

　　不同于家庭陪伴 、表演迎宾等场景 ，工业场景对人形机器人稳定性的要求更为严格
。能否持续
、可靠地运行
，正成为人形机器人迈向规模化应用必须跨过的一道门槛。多位受访者向《锋面》记者表示，当前 ，核心零部件成本高、稳定性不足
，仍是行业普遍面临的难题 。

　　以人形机器人核心的零部件灵巧手为例，近期 ，中科慧灵创始人 、董事长张正涛在公司灵巧手产品发布会上表示
，当前灵巧手存在“贵而不稳 ”的痛点
。他介绍称，单只高自由度触觉的灵巧手的市场价超过十万元 ，部分产品可达八十万甚至上百万元，但在工业场景连续作业的环境下
，实际寿命仅数周至两三月。

　　张正涛向《锋面》记者介绍，灵巧手本身是高度集成的机电系统 ，需要在非常有限的空间内集成驱动
、传动、关节 、传感器
、线缆和控制单元 。自由度增加之后
，系统复杂度也会随之提升，装配误差、传动磨损 、散热、长期运行稳定性等问题都会被进一步放大。

　　“真实生产现场还可能存在粉尘
、振动、冲击 、温度变化以及非标准操作等情况 ，对于灵巧手而言
，实验室里完成一次高质量动作，与工业环境中连续完成几十万次甚至更高频次的重复操作 ，是完全不同的工程问题
。
”他表示。

　　业内普遍认为
，当前机器人的零部件稳定性表现，和工厂实际高效运转的需求之间仍存在明显差距 。聆动通用创始人兼CEO季超在接受《锋面》记者采访时表示 ，“工业现场前后都有生产节拍
。上一道工序15秒给你一个零件
，你不能30秒才完成操作，零件的位置
、姿态、光照发生变化 ，也不能马上停机。”

　　从可靠性角度而言，他认为“跑10次成功9次
，在实验室科研可能是很好的成果，但工厂生产要求的是一天几千次 、几万次的长期稳定性 ，一旦失败
，机器人必须知道自己错在哪里，能够自动恢复 ，而不是每次都叫工程师过来重新启动 。 ”

　　2026世界机器人大会期间
，一位参展商向《锋面》记者表示，展馆内不少进行作业演示的机器人 ，在持续运行后机身会明显发热
。为兼顾设备稳定性与展示效果
，部分展台不得不限定演示时长，将演示安排在固定时段。

　　上海财经大学特聘教授胡延平认为 ，机器人零部件“贵而不稳
”最根本的原因来自机器人的“人形范式” 。“以人类外形
、运动特性与操作功能为设计参照的人形机器人
，作为具身智能的典型载体，其技术难度、核心部件复杂度远高于其他形态的工业机器人 ，沉没成本高企
。 ”他说。

　　面对人形机器人进入工业场景作业时，性能 、成本
、可靠性难以同时兼顾的“不可能三角”
，行业开始逐渐摒弃对“人形范式
”的执着 。

　　《锋面》记者在大会现场看到，多数工业场景的人形机器人外观不再是仿照人形的“两足、五指”等形态 ，轮式 、两指夹具等零部件正灵活运用在拆码垛
、物流分拣等场景
。“对于灵巧手而言
，自由度越高，不一定工业价值越高。工业场景最终追求的是负载、精度 、寿命、成本和维护便利性的综合最优解 。两指夹爪能完成的任务 ，没有必要为了‘像人’一定使用五指灵巧手。 ”季超认为
。

　　数据之难

　　数据采集和训练是机器人在工厂“上岗
”前的必修课
，但对整个具身智能行业来说，真实
、有效的工业场景交互数据缺口 ，始终是机器人顺利进入工厂作业的一大阻碍。

　　机器人的数据训练过程与AI大模型类似
，都需要经过数据采集、模型训练和持续调优，模型改进及产品落地后进而获取更多数据反馈给系统 ，实现不断迭代优化
，形成“数据飞轮”效应 。

　　机器人等具身智能的数据采集难度更大，与大模型训练具备的互联网海量数据不同 ，机器人的数据采集必须通过物理交互产生
。

　　上海灵境智源科技有限公司联合创始人 、高级副总裁须海江告诉《锋面》记者，真机数据的采集是机器人适应工业场景的核心前提。他指出
，机器人若要精准抵达目标位置，必须掌握整条手臂的运动链——每一寸伸展都依赖于各个关节的协同 ，而不同机械臂的力觉传感器反馈存在个体差异 。

　　因此
，预训练阶段可以采用视频数据直接模仿人类操作，但是到后训练阶段 ，唯一的可行路径是依托真机进行实操采集
，否则在缺乏关节真实数据和力控数据的情况下，系统将无法实现准确的真机部署
。

　　“一条30秒的机器人操作轨迹 ，物理世界就需要真实运行30秒
，这决定了机器人数据采集天然是慢的。 ”季超向《锋面》记者介绍 。

　　一条具身操作数据往往同时包含视觉信息
、机器人关节状态、动作轨迹 、物理交互信息
、任务语义以及执行结果
。张正涛告诉记者，机器人的数据采集的成本与风险并存：“数据采集 ，需要机器人本体、作业场地 、物理操作对象
、专业操作人员与大量时间投入共同支撑
，综合成本与工程复杂度远高于互联网线上数据获取，采集过程中一旦出现动作偏差 ，还可能造成硬件设备损伤或任务失败。
”

　　另一重困境来自当前数据的利用效率太低 。张正涛表示，不同机器人在臂长、自由度 、关节范围
、末端结构等方面存在差异
，同一个动作不能简单直接映射到所有机器人
。季超补充道，“在工业场景下 ，数据接口开放的难度更大。产品结构、工艺 、生产节拍、缺陷数据
，本身就是制造企业的商业秘密 。”

　　2026世界机器人大会上，优必选副总裁
、具身智能与人形机器人研究院院长焦继超在接受《锋面》记者采访时表示 ，“当前我们工业场景机器人的数据采集主要依靠公司自己的数采厂
，同时也会与客户沟通，从真实的应用场景获取数据 ，同时也通过仿真环境生成数据进行训练。 ”

　　面对具身智能在工业场景数据采集环节遇到的多重困境
，行业也顺势催生出了围绕机器人专属数据训练的细分配套产业
。须海江介绍， “当前 ，具身智能机器人行业存在商业化的数据采集公司
，核心的业务有数据的采集、清洗和有效数据的提炼，并向具身智能或大模型等公司出售相关数据。有效数据的市场价值能达数百元每小时 。
”

　　在工业场景下 ，失败的数据往往更珍贵
。焦继超告诉记者，“在真实场景采集数据的过程中
，我们更多收集的是运作失败或由于环境异常变化产生的数据，来有效弥补我们训练数据库的不足。”

　　基于当前机器人产业数据采集 、训练面临的共性问题 ，今年6月
，工信部
、国资委正式启动2026年度人形机器人与具身智能实景实训专项行动，专项行动聚焦工业、服务 、特种等领域重点场景 ，部署打造实景实训空间 。

　　胡延平认为
，这一举措有助于联合各方力量，调动行业资源 ，避免重复建设
，推动场景
、数据、算力复用，在降低企业试错成本的同时 ，帮助机器人产业切入产业应用纵深
，打造实际使用场景
。“机器人真机数据的高价值部分只能在实景中产生，工业级的可靠性仍然需要企业在各自产线上持续打磨 ，需要时间。 ”他说 。

　　“真干活
”

　　在规模化量产之后，机器人能否真正投入到工业场景中使用
，能够解决哪些实际问题，是产业给人形机器人的核心考题
。

　　季超认为 ，“现在行业真正的分水岭
，不是有多少机器人进了工厂，而是有多少机器人开始被厂长当成生产设备管理 ，而不是被研发部门当成科研项目管理。”

　　今年世界机器人大会的多个展台被设计成机器人的“工作车间 ”
，焦继超在“机器人车间”前向《锋面》记者介绍称，“这次我们展示的工业场景的机器人主要运用在汽车制造 、3C电子产品生产过程中的上下料和物流等场景 ，机器人进厂解决了很多客户企业存在的‘招工难’问题 。
”

　　季超分析称
，现阶段最适合具身机器人首先进入的是重复度高
、劳动强度高、招工难，同时传统自动化又不够柔性的岗位
。《锋面》记者在机器人大会现场观察到 ，今年人形机器人更多运用在仓储搬运 、上下料
、物流分拣、拆码垛 、质检等场景。“一些柔性的环节当前机器人的技术还不能完全胜任
，例如线缆在装配过程中需要捋一下，这个对机器人来说就太难了 。”须海江表示。

　　他进一步分析称 ，“将人从恶劣与危险的环境中解放出来，将适配病毒消杀、防爆要求
、危化品生产的特种机器人部署到相关高危环境中
，更适合当下的市场需求
。 ”一具身智能企业相关负责人向《锋面》记者透露，公司正在开展智能矿用机器人在矿山场景下的应用探索与产品开发工作。

　　在工厂里“真干活
”的人形机器人仍占少数 ，大量机器人仍处于实训、工艺验证 、小批量试运行阶段 。焦继超表示
，“当前机器人进入工业场景较难突破的地方在于成功率，工业场景普遍要求成功率在99%以上 ，部分更严格的场景要求百分之百准确
，这对机器人的硬件和算法的要求都比较高
。”

　　多名业内人士向记者表示，为保证机器人在工业场景下应用的安全性和可靠性 ，当前多数人形机器人仍采用远程人工控制的方式来进行校准和纠偏。

　　对于具身智能机器人如何在工业场景提升操作稳定性
，须海江将其比作像人学习一样循序渐进的过程：“当机器人推倒水瓶以后，可以感知到并将其扶正 ，这种迅速纠错的能力是十分重要的 。 ”

　　“近来 工业场景对机器人进厂工作效率的要求不是能否一次性达到人类水平的100%
，而是经过一个月
、三个月以后，机器人能否从人类水平的30%提高到60%或80% ，最后在某些标准工位上能超过人工，且这一能力能够在100台机器人上复用
。
”季超分析称。

　　2026年被行业称为人形机器人量产元年
，从“万台下线”走向“批量上岗 ”，真正要跨越的并不是某一个单独的技术节点 ，而是本体、灵巧操作 、数据
、模型、可靠性 、成本和场景共同构成的一整套工程化门槛 。

　　张正涛总结称：“机器人更需要通过一个任务一个任务地跑通
、一个场景一个场景地验证
，逐步扩大自身能够承担的工作范围，而不是在某一个时间点具备完全通用的工业作业能力
。
”(王海晴)

（文章来源：央视新闻）