“赛博工人”造车，噱头还是真需求？

“赛博工人”进厂打工，正从概念变成车间里的日常。

日前，小米公布了其人形机器人在汽车工厂的最新进展：自攻螺母上件工站的双侧作业成功率已提升至98%，与人工作业合格率仅差1%；机器人同时在总装物流区尝试中控台侧盖板排序与料箱折叠回收，两项任务均达到90%成功率。

6月底，银河通用也公布了其人形机器人在宁德时代产线的最新应用进展。据悉，自今年 3 月在宁德 HX 基地完成验收至今，银河通用 Galbot S1已在宁德时代智慧产线的物料搬运、拣选等高强度工序，直接替代人工。

几乎同期，智元宣布自今年3月将其与上汽通用联合研发的“能仔1号”投入别克至境E7电池量产线，凭借±0.1mm的高精度定位能力，目前“能仔1号”可在1秒内完成多片电芯的二维、三维混合数据处理，达成约2秒/件的作业效率。

放在两年前，这样的场景大多还停留在Demo里。

如今，随着越来越多的机器人开始站在真实产线边、物流通道里，和普通工人同处一个空间，按节拍完成生产任务，标志着汽车制造，正逐渐从“人机隔离”走向“人机共造”。

“赛博工人”的进厂逻辑

近日，在盖世汽车主办的2026具身智能产业场景融合大会上，UQI优奇战略与产品负责人万昕预测，目前全国汽车制造从业人员超过500万，按照15%的替代率估算，未来3-5年仅中国汽车市场就将产生至少75万台的人形机器人需求，全球需求将超过500万台。

更长远来看，万昕认为人形机器人会成为和电脑、手机、新能源汽车类似的颠覆性产品，产业规模可达汽车市场的10倍以上。

图片来源：优奇

优奇是优必选与天奇股份合资创立的智慧物流子公司，目前已在全球数百个汽车制造工厂实现近万台机器人交付部署，客户包括比亚迪、极氪、领克、本田等，在汽车行业落地实战方面积累颇深。

万昕的判断，建立在汽车制造的两重困局上：人力缺口在扩大，传统自动化却填不上。

“汽车行业的人力缺口，主要集中在组装、分拣和检验这三个环节，这三类工作包含大量重复劳动，需要频繁弯腰、长时间站立，身体消耗很大，目前普遍面临招工难、人力成本持续上涨的问题。”万昕指出。

而传统自动化方案，如机械臂、无人物流车、AGV小车等虽在汽车行业已是标配，但面对组装、分拣、检验这类非结构化岗位，却难以胜任。

更何况，无论汽车电子还是3C电子行业，产线迭代都在加快，每一次换型，都可能意味着传统非标设备的一轮重改，以及更高的改造成本。

“举个典型例子：给不同车厂供货，哪怕是同一规格的电池包，标签位置这类细节都会有差异。在这种需要灵活调整的场景下，传统非标自动化很难适配，而改一条产线不仅周期很长，往往产品利润还没回本，下一次换型就来了。”北京银河通用机器人副总裁、工业事业部总经理仓玉表示。

图片来源：一汽模具

中国第一汽车集团有限公司总装技术主任鲁鹏也认为，传统的工业自动化技术更像是一个“循规蹈矩的执行者”，在实际应用中局限明显。

“第一，泛化能力弱，通常只能适配单一场景，并且依赖预设程序与固定轨迹，很难适应汽车总装等复杂多变、不断迭代的生产局面；第二，感知维度单一，缺乏环境理解能力；第三，协作受限，当前传统工业机器人乃至协作机器人，要么单独搭建封闭区域作业，要么需限速而牺牲效率，与真正意义上的人机协同仍有很大差距。”鲁鹏表示。

比较之下，具身机器人作为融合感知、决策、执行、反馈的一体化架构，无论在环境适应性、任务泛化能力，还是人机协作优势及持续学习进化能力上，都展现出传统方案不具备的优势。

特别是现阶段汽车制造工厂的数字化基础非常成熟，MES、ERP、WMS等系统的应用已经十分广泛。“机器人进入工厂，靠的不是单点智能，而是群体智能。这些成熟的数字化系统，也为机器人的协同作业打下了非常好的基础。”万昕表示。

甚至在中国车企及供应链出海过程中，具身机器人也将扮演关键角色，银河通用与宁德时代的合作便是实证。

“不管在欧洲、墨西哥还是北美，中国企业都会遇到同一个问题：人力。比如欧洲制造业大量用工来自土耳其和阿拉伯地区，这些工人会涉及宗教习俗等问题，墨西哥工人则普遍是日结薪酬制，比如世界杯期间墨西哥赢球，第二天整个工厂都没人上班。”仓玉指出。

这已经不单纯是成本问题，而是直接影响产能交付的供应链风险。

进厂能干什么？

“赛博工人”打工，进厂只是第一步。这些机器人到底能干什么、能干到什么程度，是接下来真正需要回答的问题。

一个越来越清晰的路径是：先接盘"人最不想干的活"，再向"人干不好、甚至干不了的场景"延伸。

物流搬运，是第一类被广泛提及的场景。

图片来源：银河通用

比如宁德时代产线上的银河通用 Galbot S1、一汽的人形机器人“旗小智”、上汽通用别克至境E7电池量产线上的“能仔1号”、东风猛士智能制造车间里的“荆楚”人形机器人、宝马工厂的Figure 03等，都是从物流环节起步，承接物料转运、零部件搬运、仓储分拣等重复性高强度作业。

这背后的逻辑很直接：搬运任务相对标准化，环境复杂度低，对精度的要求不像装配那样苛刻，即便失误，后果也相对可控。换言之，这是一个“容错空间较大”的切入点。

有业内人士建议，先挑简单场景切入，比如小件搬运，选那些即便零件脱落也不影响零件质量的任务，先把项目跑起来、稳定运行。“只有先跑通、能稳定运行了，后续提升节拍、全场景推广才有基础，说白了就是要有成功案例才能推广，说一万次不如实实在在做一次。”

更何况在物流场景，人形机器人也能带来实实在在的降本。

在东风奕派科技AI产品总监徐宇涵看来，通过人形机器人进行柔性搬运，可以减少通过AGV+磁轨、二维码等对于工厂进行改造的额外成本，而在分拣与码垛环节，依托人形机器人对岛式生产时的设备来料进行分拣，则可以降低机器人程序切换成本。

当然，这个前提是人形机器人的价格需要在合理的区间内。

质检，是另一个被反复提及的方向。

比如整车车身间隙面差检测，由于对精细度要求很高，1名工人检测一辆车通常要花1~2个小时，全检在人力上根本不现实，因此很多主机厂在这一环节都只做抽检。“如果改用机器人来做，整体效率会提升很多。”中国长安汽车副总工程师谭颖聪指出。

一汽集团总装工艺主任宋伟佳也认为，在一些与质量强相关、直接影响客户体验的环节，如果能用具身智能替代，将是重要突破。

如果说搬运和质检，是"人也能做但机器人更好"的场景，那么还有一类则是人干不了或最好别干，安全风险高、人机工程条件差的岗位。

图片来源：上汽

上汽通用动力科技有限公司智能设备技术负责人徐啸顺将这类场景归纳为“脏、危、难、闷”，比如电芯这类高压带电元器件的操作，总装环节的带电作业，以及涉及化工原料的作业。

“我们接触过一些供应商的测试案例：部分胶水材质特殊，需要工人现场涂覆，还得佩戴防毒面具、配套排风设备，这类作业换成机器人来完成会更好。”徐啸顺表示。

宋伟佳同样指出，无论是总装车间，还是冲焊涂环节，有不少和安全强相关的场景，比如总装电车的强电连接环节对人是有危险的，另外底盘装配工人长期仰头作业对身体伤害很大，如果能用具身智能替代这些场景，将是比较大的突破。

“总结下来就是两个方向：机器人能做的事，尽快推广机器人去做，人没法做的特殊场景，一定要开发机器人来完成。”FMC³ Robotics 联合创始人COO樊坚强直言。

不过，尽管人形机器人在汽车制造场景应用场景广泛，其最终目标并非取代传统工业机器人，而是与之互补，在传统方案够不着的地方，填补空白。

在徐啸顺看来，随着大模型技术的进步和产业链的完善，人形机器人将逐步从“最强实习生”成长为独当一面的“金牌员工”，与人类共同构建高效、安全的智能制造新生态。

“从长远来看，未来工厂中工业机器人、复合协作机器人、人形机器人和人工的占比预计将呈现7:1:1:1的格局。”徐啸顺预测。

但即便场景有了，方向对了，具身机器人在汽车制造场景大规模落地的大门，还没真正打开。

为什么还没铺开？

进入2026年，尽管具身机器人已在众多场景落地应用，今年人形机器人整体出货量大概率仍在万台级别，难以突破十万台大关。

甚至一些踏踏实实推进工业应用的团队，今年出货量可能不升反降。

“因为行业已经转为靠市场驱动了。产品要真正投放市场，需要完成大量研发和验证，还有标准、认证的问题，比如我们为了进入欧洲市场，正在办理欧洲和英国的相关认证，这类认证周期都很长。”仓玉表示。

而去年，全球人形机器人出货量虽首次突破万台，不可否认其中很大一部分并非来自真实市场需求。

“部分由政府买单，或者通过给供应商压货来冲量，所以去年泡沫其实非常严重。今年，一方面政府建设热情已经消退，头部厂商的招商布局也基本完成，而腰部厂商政府也看清楚了，很难突围，所以这块需求直接砍掉了，但这部分恰恰占了去年出货量的大头。”相关业内人士透露。

需求端虚火消退，技术端要啃的“硬骨头”也不少。

数据缺乏，是当前行业面临的首要难题。

据测算，要实现具备通用自主能力的具身大模型，至少需要千万小时级的高质量真实交互数据。然而截至2026年初，全球高质量真实物理交互数据总量也不过50万小时，距离行业公认的千万小时级数据需求量，缺口超95%。

“为什么数据如此急缺？原因主要有两点：首先，这个领域本身就没有现成的数据积累。其次，目前也没有任何工厂愿意公开自己的工艺制程数据。”仓玉指出。

因此，面对数据荒漠，不少企业将希望寄托于仿真生成。

但在徐宇涵看来，这条路也并不平坦：由于工业精密装配依赖微米级位移与非线性摩擦力的精确模拟，而现有物理引擎难以还原这些细节，导致仿真中表现完美的策略，在真机部署时成功率会出现断崖式下跌。

“具身智能模型训练还高度依赖海量、高多样性的失败样本，以此优化决策边界。然而，工业制造的核心法则是‘一次做对’与‘零缺陷容忍’，追求极致的生产稳定性，这从根本上与AI的试错学习模式形成对立。”

图片来源：小米技术

数据燃料不足，模型训练受限，认知决策与作业控制便成了短板。

鲁鹏指出，在多模态感知、动态决策以及算力层面，目前的能力还和车企需求、现场复杂环境的要求存在一定差距。软件方面，在复杂环境适应性与作业过程安全风险两方面，也存在不可靠因素，比如机器人仍会出现摔倒情况，存在和人类磕碰、发生干涉的风险。

硬件层面的挑战，同样不容回避。本体的稳定性、故障率，灵巧手的柔性，以及整机续航能力，都是落地中绕不开的现实问题。

“这些问题，导致我们的工艺设计在精度、效率和可动率三方面受到制约。”鲁鹏表示。

尤其灵巧手，已成为制约具身机器人发展最突出的硬件瓶颈。

目前商用的灵巧手，要么成本居高不下，难以规模化；要么在自由度、触觉感知和负载能力上，无法同时满足工业装配的复杂需求。

"现在的灵巧手，没法给大模型提供触觉和高精度力的反馈。很多企业宣传的是实验室数据，真正商品化时，成本和可靠性都是绕不开的坎。"有业内人士透露。

负载同样是硬伤。"人手可以拿10公斤的东西，拎18公斤的水都没问题。但现在的灵巧手，不管是腱绳、连杆还是其他结构方案，单手指出力基本在30N左右，对应约三公斤，这还是理想环境下的数据。实际抓取出现一点偏载，手就无法承受，很容易损坏。"

除了这些共识性难题，还有一些问题尚未形成统一答案。

比如：产品形态是否必须是人形？

早期，人形机器人的发展逻辑之一是，人类的生产场景都是按人形设计的，换成其他形态很难适配产线。但实际落地中，不少工业场景完全可以根据任务需求定制非人形结构，成本更低、效率更高。硬做人形，反而可能为了形态牺牲性能，抬高落地门槛。

因此，越来越多的观点开始质疑：在汽车制造这类场景里，双足人形或许并非最优解，尤其双足人形机器人在导航、任务规划和运动控制等方面，虽已有成熟技术支撑，但续航能力和平均无故障时间仍有待优化。相比之下，轮式双臂机器人反而更容易落地。

更有观点提出：与其为场景找人，不如为人改场景。

“目前整个工厂的运作模式，还是按照过去人类装配、制造的逻辑设计的。而机器人不管是检测精度、装配精度还是运行效率，未来都会比人类更出色。在这个前提下，从焊装、涂装到总装，各个工段的布局和动线设计，还会是现在的样子吗？我觉得到2027年，说不定就会有企业率先做出改变。"

换言之，“机器人适配现有场景”这条默认路径可能也会被改写：不再只是技术向场景妥协，场景也会因技术的进化，而被重新设计。

不过，尽管挑战重重，行业对未来的判断却出奇一致：具身机器人要真正大规模应用，可能还需要等待两三年，大约五年之后，具身机器人将开始走进家庭，承担家务、养老康养等服务工作。

这并非一个激进的预言，而是一个务实的共识。从“进厂打工”到“入户服务”，中间隔着的是数据积累的厚度、硬件迭代的精度、场景验证的深度，每一项都急不得，每一项也都绕不开。

这不是一场关于速度的竞赛，而是一场关于耐心的长跑。