2026-10-20 人形机器人下线破万台，为什么进厂干活还要跨过五道关

作者：毛不毛     出品：具身智能前沿

下线破万台之后，真问题在停下脚步伸手的那一刻

把具身智能比作“会走路的 ChatGPT”，很容易把工程难度想小了。走路只占整件事的一小半，真正的硬仗，是机器人停在产线工位或操作台前，怎样把精密零件稳稳插进治具，或者端起水杯而不洒在地上。

单看 2026 年的产能与资本数字，赛道确实热闹。国内市场里，智元机器人在 2025 年底累计出货超 5100 台的基础上，2026 年 3 月第 10000 台下线，6 月底第 15000 台下线并交付龙旗科技产线；宇树科技将 G1 起售价压到 9.9 万元，并于 2026 年 8 月登陆科创板。海外市场里，Figure AI 在 C 轮融资后估值达 390 亿美元，超过高盛对 2035 年全球人形本体硬件市场 380 亿美元的基准预测；其 Figure 02 在宝马斯帕坦堡工厂累计运行超 1250 小时、装卸超 9 万个钣金件，参与超 3 万辆宝马 X3 生产。

但把镜头拉近就会发现，下线量不等于有效就业量。大量整机仍流向实验室、展厅与数据采集间；即便进厂，也多集中在搬运、分拣等结构化环节。

要看清卡点在哪，先把一台具身机器人拆成“三层架构加两条底座”：

•感知层：多目与深度相机、激光雷达、IMU、六维力矩与触觉传感器，把光、距离、接触力和姿态转成数字状态。

•决策层：切分为“大脑”和“小脑”。大脑管高层语义理解与规划，解决“做什么”；小脑管全身运动控制，输出实时关节力矩，解决“怎么做”。

•执行层：旋转与直线执行器、灵巧手、双足或轮式底盘及电池，负责完成物理动作。

•两条全局底座：机载边缘算力（如 NVIDIA Jetson Thor），以及“采集—训练—部署—再采集”的数据闭环。

过去两年机器人在“走得稳”上突飞猛进，靠的是小脑跑通了“强化学习（RL）为主、模型预测控制（MPC）兜底”的路线：先在并行仿真里经数百万次试错学会抗推扰步态，再用传统动力学控制锁住安全边界。可一旦停下脚步伸手干活，这台机器就会迎面撞上五道关卡。

第一关：大脑既要拆开快慢双系统，还要补上物理后果预判

传统工业机械臂能做到零点几毫米精度，但只认固定程序，换零件或挪位置就得重调。具身智能要做的是泛化——听懂指令、看懂陌生场景，直接生成动作。

2023 年 7 月，Google DeepMind 的 RT-2 首次走通 VLA（视觉-语言-动作模型）范式，把动作离散化成文本词元（token）与网页图文联合微调，将互联网常识迁移到控制上。2024 年，Physical Intelligence 的 π0 引入流匹配（Flow Matching）直接输出连续动作，消除了离散词元的顿挫。

但把 VLA 装进人形机器人，马上会遇到算力与时延冲突：负责看图识意图的视觉语言模型动辄数十亿参数，单次推理需数十到上百毫秒；而全身平衡与接触控制要求毫秒级响应。

为此，2025 到 2026 年主流架构收敛为“快慢双系统（Dual-System）”。以 NVIDIA 开源人形基础模型 Isaac GR00T N1 为例，系统在内部拆开了认知与控制的节奏：

左侧图像与语言指令先编码进入 System 2 视觉语言模型，再与左下角本体状态汇合，交由右侧 System 1 扩散 Transformer 去噪输出连续电机动作。 ｜ 来源：NVIDIA GR00T N1 论文 Figure 2

其中，System 2（慢思考）由视觉语言模型承担，负责理解画面与“拿起零件放进黄框”等指令；System 1（快反应）由轻量化扩散 Transformer（DiT）承担，接收高层语义表征与当前关节状态，高频去噪生成连续动作。Figure AI 的 Helix 同样采用快慢分层。

即便如此，纯 VLA 仍有一块短板：它只做“看当前帧、出下一步动作”的反应映射，缺乏对物理后果的内部推演。比如面对桌上叠放的一摞书，纯 VLA 容易直接抽最下面那本，不理解抽空底座后整摞书会倒塌。

这种在内部预测环境如何随动作演化的模型，就是世界模型（World Model）。不同于允许“杯子穿墙”的文生视频模型，机器人世界模型必须遵守重力、碰撞与摩擦规律。将世界模型的物理推演与动作生成融合，让机器人在动手前先“脑补”后果，正是大脑从 VLA 走向 WAM（世界—动作模型）的核心原因。

第二关：指尖触觉不能直接塞进 VLA，得先解开时钟频率错配

手伸到目标附近后，最容易翻车的是接触瞬间。手指握住物体时，相机视线常被手背遮挡；捏鸡蛋不碎、插紧线束不偏，全靠指尖在几毫秒内感知的压力变化与微滑移。

那把触觉信号也编码成词元塞进 VLA，不就有“手感”了吗？2026 年 6 月，UC Berkeley、NVIDIA、Stanford 等机构（李飞飞、Jitendra Malik、Pieter Abbeel、Jim Fan、徐丹飞等 34 位作者）联合发布的 T-Rex 论文给出了反直觉结果：在 12 项富接触灵巧操作任务中，把触觉信号朴素拼接给预训练 VLA 后，平均成功率非但没升，反而从纯视觉 VLA 的 17% 暴跌到 6%。

根源在于多模态时钟频率错配与表征干扰：视觉与语言规划是每秒更新几次的低频慢信号，接触力变化则是每秒数十至上百赫兹的高频快信号；把高频跳变的触觉词元硬塞进慢速主干，会冲垮原有的图文语义表征。

为解开这个死结，T-Rex 设计了异步双速率的混合 Transformer 专家架构（MoT）：

上方为共享注意力下的潜变量专家、低频动作专家与高频触觉专家分工，左下方为两阶段级联去噪，右下方展示动作专家约 5Hz 与触觉专家约 20Hz 的异步执行节奏。 ｜ 来源：T-Rex 官方项目页架构图

对照图中结构，三类专家各司其职：左上方的潜变量专家（Latent Expert）在预训练阶段吸收 22,889 小时第一视角人类视频，学会预测未来视觉隐状态；进入真机执行时，动作专家先结合图文上下文，以约 5Hz 的慢节奏完成前 6 步粗粒度去噪，定下移动方向；随后触觉专家直接复用缓存的图文上下文，配合时空触觉编码器，以约 20Hz 的高频对中间动作做后 4 步快速微调。

仅凭这套架构配合 100 小时触觉同步遥操作数据的中期训练，T-Rex 就将 12 项真机接触任务（拧灯泡、翻书页、挤牙膏等）的平均成功率从最强基线的 35% 拉升到 65%。这说明给机器人补手感，难的不是贴传感器，而是重建异步消化高频力觉信号的架构与数据管道。

第三关与第四关：灵巧手寿命、执行器成本与两小时续航的硬件账

算法指令最终要落到物理身体上。拆开一台 10 万元量级的国产双足人形机器人，物料清单（BOM）成本与卡点一目了然：

这张账单对应着硬件本体的两道硬关卡。

第三关，是灵巧手寿命与新工艺良率。一只灵巧手要在巴掌大空间塞进十几个微型电机、减速器、丝杠和触觉传感器。2025 到 2026 年，主流灵巧手主动自由度从 6 个向 12 到 17 个以上演进，传动也从易磨损断线的“绳驱”转向更皮实的电机直驱加微型丝杠或连杆。但实验室里捏鸡蛋十次，与产线上连续抓握几十万次不坏、触觉不漂移，完全是两码事。特斯拉在财报会中也坦言，灵巧手耐用性与新部件量产一致性仍是 Optimus 的主要瓶颈。电机与谐波减速器能靠规模降本，而行星滚柱丝杠和灵巧手只能等加工良率爬坡。

第四关，是 2 到 4 小时的续航天花板与底盘取舍。双足人形全身有 40 到 70 个自由度，哪怕站在工位前拧螺丝，下肢十几个大电机也得时刻输出力矩维持动态平衡。受限于躯干电池仓体积，双足人形单次续航普遍只有 2 到 4 小时，撑不满 8 小时标准班次，只能靠 Apptronik Apollo、普渡 D7 等采用的热插拔换电折中。

把“下肢占近半成本”和“站立白耗续航”合起来算，就能看懂 2026 年的形态务实化：双足的价值是不改造环境跨台阶、进窄道；而在地面平坦的工厂与仓库，换成轮式底盘加双臂与灵巧手，既省去双足平衡开销与下肢成本，又能塞进大电池、稳住作业基座。这也是智元精灵系列、银河通用 Galbot 等轮式双臂机型能率先在搬运码垛、快递分拣、高压线束插接等 3D 工种（脏污、高危、枯燥）算清回本账的原因。

第五关：走出数据不可能三角，真正的壁垒在产线闭环飞轮

跨过模型、触觉、灵巧手和续航后，所有公司最后都会撞上同一堵墙：数据从哪来。

大语言模型有互联网万亿免费文本，但网上没有现成的关节力矩与指尖触觉信号。当前具身数据获取只有三条路，构成“高质量、大规模、低成本”难以兼得的不可能三角。NVIDIA 在 GR00T N1 报告中将其画成三层金字塔：

底层是规模最大但无本体动作标签的互联网图文与人类视频，中层是仿真与合成数据，顶层是成本最高、本体特异性最强的真机遥操作数据。 ｜ 来源：NVIDIA GR00T N1 论文 Figure 1

•底层（互联网图文与人类视频）：规模最大、成本最低（如 Ego4D、EPIC-Kitchens），能像前面 T-Rex 那样训练潜变量与场景常识，但缺少力矩与触觉标签，且人手与机器手存在形态映射鸿沟（Embodiment Gap）。

•中层（仿真合成数据）：在 Isaac Lab、MuJoCo、Newton 等环境中单卡可并行跑上千个虚拟机器人；但零件油污、软体形变带来的 Sim-to-Real（虚实迁移）鸿沟，常让仿真里 95% 成功率的策略迁回真机后打四到六折。为此，英伟达 Cosmos 与李飞飞 World Labs 的 R2S2R（真实扫描重建—仿真训练—真机迁移）正尝试用世界模型生成逼真物理环境，缩小虚实裂缝。

•顶层（真机遥操作数据）：操作员穿戴 VR、外骨骼或主从手引导真机采集，物理质量最高，但极慢、极贵且难跨机型复用。采集 1 小时原始多模态流，后台要花数小时做对齐、分割与去噪，单小时综合成本动辄上千元；且不同自由度构型的数据难以直接借用。更关键的是，决定产线连续运行不宕机的，恰恰是采集间很难摆拍出来的“抓滑扶正、插偏微调”等长尾纠偏数据。

看懂这五道关，再看相差百倍的市场预测——高盛看 2035 年 380 亿美元只算人形本体硬件，摩根士丹利看 5 万亿美元算的是含供应链与劳务替代的广义生态——就不会被口径游戏晃花眼。硬件决定了机器人能不能上场，真实产线里的数据飞轮决定了谁能留在场上。造出一万台站在展厅挥手的机器没有复利；只有率先在工业与物流场景干满班次、把每次失败修正回传成模型燃料，才算真正走通从“造出来”到“用起来”的闭环。