4小时前 人形机器人，其实正在经历一次“去通用化”

出品：人形机器人场景应用联盟

过去两年，人形机器人最主流的叙事，是“通用”。

这一想象，很大程度上来自特斯拉对 Optimus 的定义。在其官方表述中，这是一款“通用、双足、自主”的人形机器人，目标是替代人类完成各类重复性劳动，甚至在长期规划中指向百万级产量。

不过，三年时间过去，当产品逐步走出发布会、进入工厂与仓储现场，行业的运行轨迹开始发生变化。

如果把视线从演示视频转向真实部署，会看到一个更加清晰的趋势：人形机器人正在从“通用想象”，走向“专用落地”。

01.

从“什么都能做”，到“先把一件事做成”

早期的人形机器人竞争，拼的往往是谁展示得更多。会走路、会跑、会端杯子、会叠衣服、会拿鸡蛋、会整理台面、会与人互动，这些内容在过去几年不断出现在各家公司的演示视频里。

原因也很简单，在那个阶段，行业需要先证明一件事：机器人具备跨任务迁移的潜力，具备向“通用”演进的可能。展示越丰富，越容易说明这台机器并不局限于某个单点动作，而是有机会向更复杂、更开放的任务空间延伸。

这套逻辑在传播层面很有效，也确实塑造了市场最初对人形机器人的想象。

但当产品真正进入客户现场，判断标准很快就变了。工厂并不会因为机器人会叠衣服而采购它，仓库也不会因为它能够完成自然交互就改变原有预算。

客户真正关心的事情非常具体：它能不能连续跑完一个班次，能不能把误差控制在可接受范围内，能不能对接现有产线节拍，能不能在不大幅改造场地的情况下投入使用。

于是，人形机器人的任务定义开始迅速收敛。在工业与物流场景中，最先落地的往往都是那些高频、重复、边界清晰的工作，比如搬运、上下料、分拣、简单装配、零部件转运、巡检等。

Agility Robotics的Digit走的就是类似路径。在与GXO的合作中，Digit的任务被明确限定在仓储物流中的“箱体搬运与对接传送带”等环节，工作内容高度标准化，并与 AMR 系统协同运行。其商业模式本质上也是围绕单一任务的规模复制展开。

这背后其实反映了行业叙事的一个变化。过去讲“通用”，更像是在证明机器人未来的可能性；现在讲落地，重点已经变成机器人能否先把一件事做透、做稳、做出交付价值。对于客户来说，一台机器人今天能在一个场景里持续创造价值，比它未来可能具备多少通用能力更重要。

02.

能力没有消失，只是被重新切分

如果只从表面现象看，很多人会觉得人形机器人像是在“收缩”：原来在 Demo 里展示过的那些跨任务能力，进入真实场景之后忽然少了，动作范围变窄了，应用边界也清晰了。可从工程和产品化的角度看，这种变化更像是能力结构的一次重组。

所谓“通用能力”，原本就是一个很大的集合，它包含感知、理解、决策、路径规划、运动控制、抓取执行等多个层级。

放在公开视频里，它可以被呈现成一个流畅的完整动作；放到真实场景里，这些能力就必须被拆开，重新定义它们各自的边界、精度和可复用范围。

于是，行业开始出现一种更典型的做法：把原本笼统的“通用能力”，切分成更细颗粒度的技能模块，再围绕具体任务去做针对性优化。

比如，只识别固定类型的零件，只在特定工位内规划路径，只完成有限动作组合，只应对经过约束的环境变化。这样的能力体系看上去没有那么“宏大”，却更适合进入工业系统，因为它更容易训练、更容易验证，也更容易形成数据闭环。

智元等企业提出过类似“技能库”的思路，本质上就是把复杂任务拆成可复用的元操作单元，再通过数据和场景训练不断扩展能力边界。

这个方向其实很能代表当下行业的一种共识：通用能力并没有消失，它只是没有再以“一个机器人什么都能做”的方式直接出现，而是被拆成了一组组可交付、可复用、可验证的小能力。

这也是为什么，现在越来越多公司开始讲“技能”、“任务模板”、“场景闭环”、“多机协同”、“操作库”，而不是一味强调“全场景通用”。因为对于商业化阶段的人形机器人来说，能力越具体，系统越容易稳定；边界越清晰，产品越容易真正进入客户现场。

03.

去通用化，是商业化阶段的自然选择

如果说前两年的行业关键词是“想象力”，那么到了现在，关键词已经慢慢变成了“交付”。

进入商业阶段之后，企业衡量机器人的标准其实非常朴素，无非是三件事：第一，能不能算清 ROI；第二，能不能稳定运行；第三，能不能复制部署。围绕这三个目标，产品能力自然会向更务实的方向收敛。

原因并不复杂。能力范围越大，意味着系统里需要处理的变量越多，对环境的适应要求越高，对数据量和调试能力的要求也越高。这样的系统当然更接近“通用”的终极目标，但在今天，它往往也更重、更慢、更贵，更难快速形成可复制的商业方案。

相反，当任务收敛到少数几个场景和工序，机器人需要面对的变量会显著减少，训练成本、部署成本和维护复杂度也更容易控制，客户才更有可能真正下单。

所以，我们今天看到的大量落地案例，几乎都集中在高度结构化的场景中，尤其是仓储物流、汽车制造、3C 制造等领域。

换句话说，行业今天经历的“去通用化”，并不是一次意外的偏离，更像是商业化阶段的一次主动收束。企业先把机器人从“未来的全能劳动力”收回来，变成一个个场景中的具体工具。只有当这些工具在真实业务中站稳脚跟，下一步的能力扩展才有现实基础。

04.

通用没有消失，只是被“延后”

这并不意味着“通用人形机器人”的方向已经失效。

特斯拉仍然在坚持 Optimus 的长期愿景，很多创业公司也仍在围绕世界模型、VLA、具身大模型、端到端操作等方向继续往前推。行业并没有放弃通用，只是对它的到来方式有了更清醒的判断。

今天再看这条路径，通用更像是一个分阶段实现的结果：

第一阶段，是“伪通用”：通过Demo展示跨任务能力。

第二阶段，是“去通用化”：在真实场景中做深单点任务。

第三阶段，才可能回到“真通用”：在多个已验证场景上进行能力复用与迁移。

换句话说，通用并没有消失，只是被推迟到了更靠后的时间点。

从这个角度看，“去通用化”其实是通向通用的一段中间过程。它解决的是现实问题，处理的是部署门槛，回答的是客户为什么现在就要用机器人。行业需要先通过一批具体场景建立产品、数据和商业的基础盘，之后才有机会把能力往外拓展。

而正是在这种看似“去通用化”的过程中，人形机器人第一次真正开始接近生产力本身。通用，是远方。专用，是路径。

也正是在这样的背景下，轮式人形机器人会在接下来获得更多关注。原因很直接：在很多仓储、搬运、分拣、巡检等典型场景里，轮式形态具备更高的稳定性、更低的控制复杂度，也更容易形成部署闭环。

即将在5月举行的具身轮式人形机器人场景挑战赛及相关论坛，把关注点放在搬运、分拣等真实任务上，讨论的正是行业接下来最核心的问题：当“通用”仍在远方，哪一种形态、哪一种路线、哪一种场景，更有机会先跑出规模化样本。

这或许会比“机器人到底能不能像人”更早给出答案。