人形机器人进工厂：试点之后，订单在哪里

开场：一条公告里的空白

2024年8月，宝马发了一条看起来相当正面的消息：在美国斯帕坦堡工厂，人形机器人Figure 02完成了为期数周的生产测试，任务是把钣金件放进焊接夹具。同一份公告里还有一句更值得琢磨的话：测试结束以后，厂里已经没有这台机器人，也没有确定它什么时候再进来。

这条公告把整期节目要讨论的问题摆到了台面上。人形机器人进工厂，新闻标题里常见的词是上岗、进厂、合作、首秀。真正决定这门生意能不能成立的，是另外几件事：车厂有没有付钱，付了多少钱，机器人一个班次能干多少活，坏了谁来修，以及同一个工位，为什么不用更便宜的机械臂。

今天只追一个可验证的问题：车企工厂里的试点，要跨过哪些门槛，才算变成订单、成本和竞争壁垒。我先给一个反解释，免得后面越听越顺。也许人形机器人根本不需要在每个工位上都比专用设备强，它只需要在产线频繁变化、工位需要柔性复用的时候，比重新改造一条专线更划算。这个说法能不能成立，得看数据，不能看发布会的剪辑。

四层证据

把公开信息按证据强度排一下，会清楚很多。最弱的一层是测试：车企开放真实产线，机器人跑几周，双方发一张合影。第二层是现场部署：机器人进入日常班次，有明确任务、明确节拍，运行时间以月计。第三层是付费合同：有采购金额、交付台数、验收条件和付款方式。第四层是复购和扩产：同一个客户在第二个工厂、第二条产线继续买。

这四层的区别不是文字游戏。测试阶段，机器人公司承担大部分成本和风险，车厂得到的是一个观察窗口。部署阶段，机器人开始占用产线时间，一旦掉链子，停线损失是真的。合同阶段，风险通过验收条款重新分配，付款节点会逼着供应商把可靠性写进产品。复购阶段，才轮到谈规模降本。很多新闻把第一层写成了第四层，听众会以为产业已经跨过了中间两道坎。

按这个尺子量，宝马和Figure目前公开到的位置，在第二层偏上，第三层还没有看到。那份测试公告说的是数周测试，任务是钣金件上料，目的是评估安全性和生产适用场景。Figure后来发布的项目复盘说，Figure 02在宝马运行超过一千二百五十小时，装载了九万多个零件，参与了超过三万辆X3的生产，部署持续十一个月。两边描述的阶段并不完全对得上。比较合理的解释是，早期测试和之后的产线部署是两段过程，只是公开页面没有给出可以逐月核对的完整时间线。

比起运行时长，我更在意Figure给出的验收口径。这个上料任务的总循环时间要求是八十四秒，其中机器人上料占三十七秒；每个班次的放置成功率目标高于百分之九十九；每个班次的人工干预目标为零。这三项放在一起，才像一个工业生产指标。节拍决定它能不能跟上产线，成功率决定质量风险，人工干预次数决定它到底省不省人。页面没有披露这些目标的最终达成值。下一步核心观察点在于：车厂或者第三方能不能给出逐班的实际分布，而不只是一个目标值。

这里有个常被忽略的细节。八十四秒是总循环时间，机器人只占其中三十七秒，剩下的时间属于夹具、输送和人工配合。这意味着人形机器人不是在跟人比谁快，它是在嵌进一个已经排好的节拍里。它慢一点，整条线等它；它快一点，也不会让整条线更快。工业客户买的不是最快的那台机器，而是最不容易拖后腿的那台。

任务解剖：先做什么，为什么

工厂里的任务，看着都是搬和放，技术门槛差得很远。上料，是把一个位置相对固定的工件送进夹具，动作路径短，失败可以回滚，旁边通常还有缓冲。搬运，是长距离移动加避障，考验导航和电池。质检，是看和判断，考验视觉和判定标准。装配，是力控加对准，容差最小，失败代价最高。四类任务，对应的产品成熟度完全不在一个阶段。

车厂先让人形机器人做上料，逻辑很清楚。这个工位边界清晰，动作可以拆成取、送、放三步，出问题时人还能接过去，不会立刻停线。它也有足够的重复性，能积累数据。对一个还没定型的产品来说，这是最合适的练兵场。真正难的任务不是做不到，而是做不到的时候没有退路。

质检看起来更简单，其实更容易被话术盖住。优必选官网宣称部分质检准确率超过百分之九十九，但页面没有同时给出测试样本、统计期间，也没有独立验证，更没有跟人工和传统视觉系统的对照。一个准确率数字，离开样本和口径，几乎无法比较。车厂内部验收质检设备时，通常要跑批次、看漏检和误检的分布，还要算复判成本。这些细节不公开，外界就只能听到一个漂亮数字。

装配更难。它要求机器人在几个毫米甚至更小的容差里完成对准，力控稍有不稳，零件就装不进去，或者装进去了但伤了件。人形机器人的双手在自由度上有优势，可自由度越多，控制越难，标定越复杂。所以你会看到公开案例里，装配大多停留在人机协作和辅助阶段，机器人递件、扶件，人来完成关键动作。这种分工是现实选择，也说明能力边界还在。

还有一个形态问题经常被混在一起谈。人形、轮式底盘加双臂、移动操作机器人，三种东西的工程取舍不同。双足适合跨台阶、走窄道，代价是平衡控制和能耗。轮式更稳、更便宜、续航更好，代价是地形适应差。专机最便宜、最可靠，代价是只能干一件事。车厂真正的选择不是在人和人形之间，而是在这几种方案之间，按工位一个个算账。

宝马案例的细节

工业客户对可靠性的敏感度，跟消费者完全不是一个量级。一条总装线停十分钟，损失是按辆算的。所以每班人工干预次数这个指标，比任何演示视频都重要。Figure说Figure 02在宝马运行期间机械故障较少，同时承认前臂是主要硬件故障点之一，这个经验促使其重构了Figure 03的腕部电子架构。这是供应商自己的复盘，没有独立审计数据。它至少说明一件事：真实产线会把问题逼到具体的零部件上，而不是停在整体表现良好这种描述上。

前臂和腕部成为故障点，符合工程直觉。上料动作看着简单，实际上是反复的伸展、抓取、对准、放置，腕部承受的扭矩和冲击最集中，线束和电子件又都挤在最小的空间里。这类问题在实验室里跑一万次不一定暴露，在产线上跑三个月就藏不住。所谓迭代，很多时候不是算法变聪明了，是结构件和走线被重新设计了一遍。

宝马把斯帕坦堡试点得到的经验，用到了德国莱比锡工厂的后续试点，目标是放进既有车型的生产里，同时考察电池和零部件生产的更多场景。跨厂复制是个信号，说明评估方法、安全流程、数据接口在组织内部跑通了。但信号还不是订单，莱比锡现在公开的仍然是试点。

宝马还提到两件更结构性的事。第一，它筛技术伙伴看成熟度和工业化标准，在实验室和真实生产条件下分阶段测试。第二，它的生产体系已经有统一的数据平台。第二点经常被低估。人形机器人要在多工位之间复用，靠的不只是关节和手，还要靠任务数据、工艺参数和异常处理的积累。机器人每换一个工位，都要重新教动作、重新标定、重新写安全规则。谁能把这套流程沉淀成标准接口，谁就更容易把机器人变成产线的一部分，而不是一台孤立的展品。

安全是另一道隐形门槛。人机同场作业，风险评估要覆盖机器人失控、误判、夹伤、电池热失控这些场景，还要定义速度限制、力限制和急停逻辑。车厂在这件事上极其保守，因为它面对的是监管、保险和员工三方。所以部署周期里，安全认证往往比技术调试更耗时。一个机器人公司能不能陪客户走完这套流程，本身就是能力的一部分。

中国路径与物流对照

优必选走的是另一条路。它披露Walker S进入蔚来第二先进制造基地的总装车间实训，参与人机协作的装配和质量检查。官网还列出吉利、极氪、比亚迪、东风柳汽、一汽-大众等场景，覆盖料箱搬运、物流协同、整车质检。这些是供应商自己的案例陈述，页面没有给客户付费金额，没有给量产订单规模，也没有客户确认的经济回报。案例数量说明它进得去场景，说明不了它卖得动规模。

中国这条路径的特点，是场景密度高。车企多，工厂多，产线迭代快，新车型导入频繁，给机器人公司的试训机会自然多。对一个还在找产品定义的行业来说，这是优势：同一套硬件可以在装配、质检、搬运之间反复试，快速知道哪个任务值得做。场景密度也会制造一种错觉，让人觉得合作名单长就等于商业化快。名单是入口，合同才是收入。

还有一个经常被拿来类比的案例。Agility Robotics称，Digit在2024年6月5日进入GXO亚特兰大附近的物流设施，开始商业运营，合作基于多年协议。这是商业部署，性质上和试训不同。场景是仓储物流，不是汽车总装。把它当作人形机器人商业化的证据，成立；把它当作车厂订单的证据，就偏了。不同场景对节拍、精度、安全的要求差别很大，跨场景的成功不能直接搬运。

物流和总装的区别，值得多说两句。仓储里，货箱的位置和重量相对可控，出错一次的成本是返工。总装线上，钣金件的定位精度、夹具的容差、旁边工人的动线，全部耦合在一起，出错一次可能是停线。同样一台机器人，在仓库里跑通，和在焊装夹具边上跑通，难度不是一个量级。这也是为什么车厂愿意先给上料这种相对边界清晰的任务，而不是一上来就让它做装配。

供应链的降本路径，中国和海外不太一样。中国的优势在零部件配套密度和迭代速度，执行器、减速器、传感器都能找到多家供应商，改一版设计可能只要几周。海外的优势在工程验证和客户关系，单点做得深。两种模式最后都要回答同一个问题：产量上去以后，物料成本能降多少，良率能提多少。这个数字目前没有公开版本，所以任何关于价格战的判断都还是推测。

成本、订单与替代方案

真正难的是第三层。一台人形机器人进厂，账单不止整机价格。还有系统集成、夹具改造、安全围栏和风险评估、备件库存、维护人力、能耗，以及调试期和故障期的停线损失。这些项目没有一起公开，就没法算出单位工件的成本，也就没法跟人工、固定式机械臂或者移动操作机器人做同口径比较。

为什么这件事对人形形态特别关键？因为固定式机械臂和专机在今天的大部分汽车工位上，节拍稳定、精度高、维护体系成熟，单位成本已经被压了很多年。人形机器人的优势不在单点效率，而在于它理论上可以换工位、换任务，不用为每个动作重新设计一套专机。这个优势只有在产线变化频率足够高、工位需要经常复用的时候，才会转化成钱。

换句话说，人形机器人卖的是一种期权。车厂付一笔钱，买的是未来换产线时不用重新做自动化改造的灵活性。期权值多少钱，取决于车型生命周期有多短、改线有多频繁、专用设备的残值有多低。这几个数字，不同车企、不同工厂差别很大。同一家机器人公司，在A厂拿到的是试训，在B厂拿到的是多年协议，原因往往不是谁更先进，而是工位的经济性不一样。

订单的形式，比订单的金额更值得看。买断，机器人公司拿到硬件收入，车厂承担折旧和技术过时风险。租赁或者按效果付费，收入变成持续的，供应商承担停机和产能风险。Agility和GXO的多年协议，性质上更接近服务合同。这类结构对客户友好，对供应商的现金流和可靠性要求更高。看人形机器人的商业化，先看合同怎么签，再看数字多大。

车厂这边也不是被动买家。它们有明确的成本基准：一个工位的人工成本、一套专机的摊销、一次改线的费用。任何新技术进来，都要跟这个基准比。宝马说它按成熟度和工业化标准筛伙伴，分阶段测试，这实际上是在用自己熟悉的采购流程管理一个不成熟的产品。对中国车企来说，逻辑类似，只是节奏更快，试错成本更低，愿意给的机会更多。

这也解释了一个现象：人形机器人的新闻里，车企出现的频率远高于其他行业。汽车工厂是少数同时具备三个条件的地方：工位足够多，任务足够碎，产线变化足够频繁。工位多，才有复用的想象空间；任务碎，才需要通用形态；产线变化频繁，柔性才有价值。换到一个产品十年不变的工厂，人形机器人的优势会被固定设备吃掉。

劳动力这一层，也要放进账本。汽车总装里有一批岗位重复性高、劳动强度大、招工越来越难，夜班尤其明显。人形机器人如果能顶掉其中一部分，价值不只是工资，还包括招聘成本、流失率和排班弹性。但这笔账同样需要数据：一个机器人能顶几个岗位，能不能连续跑三个班次，员工愿不愿意跟它协作。这些问题没有标准答案，只能一个厂一个厂地试。

数据归属是另一个容易被忽略的争点。机器人在产线上跑，会产生动作数据、视觉数据、故障数据，这些数据既属于设备商，也涉及车厂的工艺秘密。谁有权用来训练下一代模型，谁有权跨客户复用，合同里要写清楚。这件事处理不好，会直接影响复购。车厂不怕贵，怕的是自己的工艺经验变成供应商卖给竞争对手的资产。

竞争壁垒

把三家放在一起看，路径差别很清楚。Figure绑的是单一大客户加单一大场景，用深度部署换工程经验，好处是问题暴露得彻底，坏处是客户集中度高。优必选铺的是多客户多场景，用广度换数据，好处是产品定义能快速收敛，坏处是每个场景都难做深。Agility选的是物流，任务标准化程度更高，商业条款更容易谈成多年协议。三条路没有对错，比的是谁能先把单位经济性跑正。

竞争壁垒会出现在哪里？不在机器人会不会走路。双足、轮式、底盘，这些是形态选择，客户不为形态付溢价。壁垒更可能出现在三个地方：一是任务库，也就是同一台机器能覆盖多少种工位，切换要多久；二是现场服务网络，机器人坏了，多久能有人到厂；三是与车厂制造系统的对接深度，能不能直接读工艺指令、回传质量数据。这三样都不性感，但都是复购的理由。

政策与供应链

政策给出的是一张时间表。2023年10月，工信部发布人形机器人创新发展指导意见，提出到2025年初步建立创新体系，到2027年综合实力达到世界先进水平。这是产业目标，性质上属于方向指引。它会影响资本、地方产业园和供应链投资的节奏，不会替车厂决定某个工位到底用不用人形机器人。把政策目标当成需求预测，是这类题材最常见的误读。

政策真正的作用，可能在中间层。人形机器人要降本，需要执行器、减速器、传感器这些部件上规模，而上规模需要稳定的订单预期。产业政策能给的就是这个预期，让零部件厂愿意开模、扩产、压良率。整机厂拿到的是一张更便宜的物料清单，车厂拿到的是更低的试用门槛。这条传导链很长，中间任何一环卡住，终端价格都下不来。

反假设

现在回到开场那个反解释。如果目标工位长期稳定，固定设备能以更低的全生命周期成本满足节拍和质量要求，人形机器人又需要高频人工干预或者专门改造，那车厂最理性的选择就是保留试点、不扩单。这个结果对产业不是灾难，只是说明人形形态的落点不在标准化工位，而在多品种、小批量、换线频繁的场景。

反过来说，如果人形机器人能在多个差异很大的工位之间快速切换，把专机的重复投资省掉，那它的账本会好看得多。这时候竞争的关键就变成了切换成本：从搬箱子切到质检，需要多久，需要几个人，需要改多少夹具。切换成本降不下来，通用性就只是宣传语。切换成本降下来，人形才真正成为一种可以摊销的资产。

还有一个可证伪的条件。如果未来两年，公开出现车厂对人形机器人的采购合同，条款里包含可用率承诺、响应时间和按班次考核的成功率，并且同一个客户在第二个工厂复购，那么商业化就从故事变成了生意。反过来，如果案例数量继续增加，合同披露始终缺席，部署一直停在边缘工位，那更合理的判断是，这个行业还在找产品市场匹配，没有进入规模交付。

观察点与结论

要验证哪一种判断成立，接下来看五个具体指标就够了。第一，有没有车厂公开采购合同，金额、台数、验收条件写到什么程度。第二，每个班次的人工干预次数和远程操作时长，是不是真的往零走。第三，综合可用率和故障恢复时间，跟同工位的传统方案比是什么水平。第四，订单里有没有持续的服务费、软件订阅和备件条款，这决定收入是一次性的还是可以复利的。第五，同一个客户有没有在第二个工厂复购。

这五个指标里，最难拿到的是第三个。它需要车厂披露自己产线的对照数据，而这属于生产机密。所以外界的判断，很多时候只能靠间接信号：车厂愿不愿意扩大部署面积，愿不愿意把机器人放进主生产线而不是边缘工位，愿不愿意在下一个车型导入时继续用。这些动作比任何公关稿都诚实。

时间维度也要看。人形机器人的部署周期，通常包含进场评估、安全认证、任务调试、试运行、正式纳入班次，每一段都可能拖几个月。宝马从斯帕坦堡到莱比锡，跨的是工厂和国别，流程要重新走一遍。复制不是拷个程序那么简单，组织能力本身就是门槛。对供应商来说，能不能陪客户走完这些流程，比参数表更能决定成败。

再补一个观察角度：看车厂把机器人放在哪个工位。边缘工位，比如物流周转、料箱搬运，失败影响小，适合试。主生产线工位，比如焊装、总装的关键节点，失败就是停线，敢放说明信心不同。工位的位置，比部署台数更能说明问题。十台在仓库，和一台在主线上，含义完全不一样。

人形机器人进工厂这件事，现在最准确的描述是：场景已经打开，指标开始被写清楚，商业闭环还没有被公开证据合上。车企愿意开放产线，是因为它们想看清楚这东西在真实节拍下值多少钱；机器人公司愿意接受这种挑剔，是因为车厂的验收标准会反过来定义下一代产品。

真正决定格局的，不是谁先拍出进厂的照片。是谁先把每班干预次数压到零，把单位工件成本算清楚，并且让同一个客户愿意签第二份合同。做到这三件事的公司，才配谈壁垒。做不到的，会停在试点名单里，年复一年地发新的合影。