中国人形机器人规模产业化与利润池

副标题：从“能动”到“能赚钱”：真实部署、单位经济、企业经营系统与未来三年进入路径

研究日期：2026-09-26｜研究地域：中国为主，全球对标｜公众号：斤两十足

Executive Brief｜产业已经进入“量产验证期”，但还没有进入“通用劳动力替代期”

【事实·高】2025年全球面向工业和专业服务的人形机器人销量约7,000台。同期全球工厂新增工业机器人超过60万台，中国新增约35.4万台。两个数量级的差距说明，人形机器人已经从实验室进入商业采购，但尚未形成可与成熟自动化设备相比的生产规模。更重要的是，IFR口径显示，相当一部分人形机器人仍被研究机构和企业用于AI训练、数据采集和研发，而不是直接承担可计费的生产劳动。因此，判断行业成熟度不能看“发布了多少型号”“签了多少框架订单”，而要看机器人在真实工位上运行了多少小时、完成多少有效循环、需要多少人工接管、停机多久、产生多少报废/安全风险，以及客户是否愿意在没有补贴和示范项目的情况下续购。

【事实·高】2026年中国政策侧也在主动把评价标准从展示效果切向真实作业。工信部与国务院国资委的实景实训专项行动要求评估真实作业成功率、效率提升率、安全可靠性和经济可行性，并提出到2026年底形成百个以上高价值应用场景、带动万台级规模落地能力。这个政策信号很重要：产业政策不再只鼓励“造出来”，而是要求“用起来、算得过账、能复制”。同时，国家人形机器人产业标准体系建设指南进入征求意见阶段，说明标准、测试、责任边界和全生命周期管理开始成为产业化基础设施。

【判断·高】未来三年最值得研究的不是“人形机器人会不会爆发”，而是三个更窄的问题。第一，哪些工位能够让机器人在安全、节拍、可靠性和成本四个维度同时过线；第二，整机降价以后，利润是否仍留在整机厂，还是向执行器、精密传动、灵巧手、力/触觉传感、工业集成、数据闭环和运维迁移；第三，采购模式会不会从一次性买断转向RaaS、按小时/按任务/按有效产出付费，从而把技术风险从客户资产负债表转回供应商。

【判断·高】本报告的结论是：行业值得进入，但“进入人形机器人”不是一个有效策略。近期更有商业确定性的环节是：高可靠执行器/关节与精密传动、力/触觉传感与灵巧操作、面向汽车/3C/仓储的场景集成和验证工具、远程运维与安全审计，以及能够把机器人有效工时、故障、接管和产出变成可结算指标的软件层。整机本体仍有巨大价值，但竞争会迅速从“能走、能跑、能演示”转为良率、MTBF、维护成本、交付周期、现场成功率和现金转换。对没有运动控制、供应链、制造质量或场景渠道积累的新进入者，不建议直接做通用整机。

一、为什么今天研究：销量统计、量产审核与监管降温同时出现

2026年9月出现了一个比单纯融资或新品发布更有研究价值的组合信号。其一，IFR首次把人形机器人作为独立类别纳入长期机器人统计框架，并给出2025年约7,000台的全球专业/工业销量基线。这个数字远低于大量市场预测，但反而提高了研究价值：行业第一次有了可与传统工业机器人比较的现实分母。其二，Tesla Optimus团队被报道正在长三角对既有汽车零部件供应商进行量产审核，审核对象集中在关节模块、执行器和精密结构件，意味着供应链从“送样”向质量体系、产线一致性和量产资格切换。其三，东风等制造企业开始把人形机器人送入真实工厂做分拣和质检，并给出小批量试产时间表。其四，中国监管层对机器人企业上市和收入质量的关注升温，市场开始区分政府示范、数据采集中心订单与真正的生产性需求。

这四个信号共同指向同一件事：2026年下半年是“产业叙事”开始接受“经营证据”检验的阶段。过去行业可以用自由度、奔跑速度、跳跃、模型参数、融资额来定义进步；进入工厂以后，客户真正关心的是节拍、成功率、停机、换电、工装兼容、安全认证、备件、软件升级、故障追溯和总拥有成本。资本市场同样开始问：订单能否转收入、收入能否转毛利、毛利能否转现金、现金能否覆盖持续高研发和产线扩张。

这也是为什么本报告不采用“2030年几百万台”作为主要论据。预测可以作为情景变量，却不能替代现实基线。研究重点放在已经出现的工厂数据、企业财务、产品价格、政策验证要求和供应链量产条件。

二、行业边界与术语：人形外形不是经济价值，通用性才是成本假设

本报告把人形机器人定义为：具有人类形态或人类工作空间适配能力，能够在为人设计的环境中自主或半自主移动、感知并完成操作任务的机器人系统。按照IFR口径，腿并非绝对必要条件；这提醒我们，商业价值来自“兼容人类环境和工具”，而不是必须双足。

“具身智能”指智能体通过传感器获得物理世界状态，通过模型进行任务理解、规划和策略生成，再通过执行器作用于环境，并利用结果反馈继续修正。它和普通软件Agent最大的差别是错误具有物理成本：抓错零件可能报废产品，碰撞可能伤人，定位漂移可能停线，电池耗尽可能阻塞物流通道。因此具身智能的商业化不能只看模型benchmark，还必须看安全、实时性、可解释故障、冗余和人工接管。

“本体”包括结构、关节、执行器、传感、计算、电池、线束和热管理等硬件；“小脑”通常指运动控制、平衡、轨迹和实时控制；“大脑”通常指视觉语言动作模型、任务规划、语义理解和策略层；“灵巧手”是末端执行器的一种，强调多指、多自由度和力/触觉反馈；“遥操作/远程协助”是机器人自主能力不足时由人工提供动作示范、故障解困或任务接管。

最重要的经营术语是“有效工时”。机器人通电8小时不等于创造8小时价值。有效工时应扣除充电/换电、故障、等待物料、人工接管、重新定位、软件恢复和计划维护。对于工厂客户，真正可以和人工工资比较的是“每小时有效产出的全生命周期成本”，而不是机器人售价除以理论寿命。

三、Quantitative Backbone｜先把现实规模钉住

1）【事实·高】2025年全球工业机器人安装量约603,000台，同比增长11%，在役存量超过500万台。中国2025年安装约354,000台，同比增长20%，占全球约59%。这说明人形机器人进入的是一个已经高度自动化、供应链成熟、客户有严格ROI纪律的工业市场，而不是一片没有替代方案的空白市场。

2）【事实·高】2025年全球工业/专业服务用途人形机器人销量约7,000台。与603,000台工业机器人相比，人形机器人销量约为其1.2%。这个比值不能直接代表产值，但能说明成熟度。

3）【事实·高】优必选2026年上半年全尺寸具身智能人形机器人产品及服务收入约5.903亿元，同比增长约1,445%；销量921台，同比增长约1,947%。按简单除法计算，该分部平均确认收入约64.1万元/台，但这不是纯硬件ASP，因为分部口径包含产品及服务，不能直接与宇树G1零售价比较。

4）【事实·高】宇树G1官方起售价8.5万元，23–43个关节电机；海外官方商店G1起价13,500美元。价格已经进入中小企业研发预算甚至个人高端设备预算，但工业生产版本需要更高可靠性、末端执行器、传感、安全、集成和服务，成交成本会显著高于基础科研版。

5）【事实·中】优必选披露2025年底全尺寸人形机器人年化产能超过6,000台；公司2025年人形机器人订单金额超过14亿元的说法亦被公开报道引用。产能和订单不是出货，更不是客户生产性使用，需要与交付、验收和回款分开。

6）【事实·高】智元机器人在真实平板电脑生产线的官方直播披露：多台机器人累计运行超过64小时，完成64,828次产线任务，任务成功率99.99%，参与4类以上流程，并对应17,625台产线产出。这是少数给出连续真实产线指标的公开案例之一，但数据来自供应商官方披露，仍需要客户侧长期成本数据交叉验证。

7）【事实·高】中国2026年实景实训专项提出百个以上高价值应用场景和万台级规模落地能力，并要求评估成功率、效率、安全和经济性。政策目标是产业推进指标，不等于市场自然需求。

8）【事实·中】供应链资料普遍显示执行器及其内部电机、减速器、丝杠是硬件BOM最大项，常见估计超过50%。这一比例会随机器人自由度、线性/旋转关节方案、灵巧手和传感配置显著变化，因此本报告只把“执行器是最大成本池”作为方向性结论，不把单一比例当作行业统一事实。

三个结论敏感变量是：有效工时率、机器人全生命周期成本、客户场景中可被机器人真正替代的人工/设备成本。如果有效工时率从80%掉到50%，即使硬件价格不变，每单位有效产出的成本也会增加60%；如果设备寿命从5年缩短到3年，资本成本会显著上升；如果机器人只能替代人工工作内容的30%，剩余工作仍需人工，所谓“替人”ROI会被双重配置成本侵蚀。

四、机制一：为什么“能做任务”不等于“能进产线”

实验室任务成功的目标是证明能力边界；生产线的目标是把方差压到客户可接受范围。制造现场通常有固定节拍、物料波动、工装公差、人员穿行、网络抖动、油污粉尘、反光、遮挡、设备维护和班次切换。一个演示中99%的成功率，在每天数千次循环的工位上仍可能意味着几十次异常。异常如果需要工程师到场，单次恢复时间就可能吞掉节省的人工。

因此工业人形机器人的第一个核心机制是“可靠性复利”：成功率、MTBF、平均恢复时间、人工接管率和备件可得性共同决定有效工时。把机器人价格从20万元降到10万元当然重要，但如果故障和接管导致有效工时从80%降到40%，单位产出成本反而可能更高。供应商真正需要构建的不是一台聪明机器人，而是一个可以监控、诊断、恢复、升级、回滚和审计的机器人车队运营系统。

真实案例中，智元在龙旗生产线公开连续运行和任务成功率，是比舞台演示更强的证据；但仍需观察更长周期的MTBF、维修、备件和人工协助。BMW/Figure等海外案例的价值也在于给出累计小时、搬运件数和实际生产参与，而不是单次演示。反例则是大量“进厂”新闻只披露机器人进入工厂，没有披露连续运行小时、有效循环和成本，无法证明商业闭环。

经济模型可写成：单位有效工时成本 =（设备折旧 + 融资成本 + 集成摊销 + 软件订阅 + 运维备件 + 能源 + 远程协助 + 安全合规）/ 有效作业小时。只有当该值持续低于“人工全成本 + 招聘/流失 + 工伤/夜班溢价 + 质量波动成本”或低于专用自动化的等效成本，客户才有自然扩张动力。

五、机制二：通用性是一种“避免重新改造环境”的经济价值

传统工业自动化擅长稳定、高节拍、长期不变的任务。机械臂、输送线、AGV/AMR、专机在确定性任务上通常比人形机器人更便宜、更快、更可靠。人形机器人的机会来自另一类工位：环境已经为人设计、任务经常变化、空间狭窄、需要移动+操作组合、产线改造成本高，或者工位生命周期不足以摊销专机。

因此“人形”真正的价值不是外观，而是对人类基础设施的兼容：门、楼梯、货架、工具、工作台、周转箱、按钮和现有工艺布局。如果机器人能使用现有工装，客户可以减少重新设计产线的资本开支，并把自动化从“工程项目”变成“可迁移劳动力资产”。这也是汽车、3C和仓储成为早期场景的原因：工序多、SKU变化快、人员密集、已有MES/WMS和标准作业数据，且客户有自动化工程团队。

但通用性存在反向成本。越追求一台机器人覆盖更多任务，机械结构、传感器、模型、验证矩阵和安全边界越复杂。工业客户最终可能选择“80%通用本体 + 20%场景末端/工装”，而不是完全通用的人形。利润池因此可能向标准本体平台、可快速换装末端、技能软件和场景工程工具分层，而不是由单一整机厂全部吃掉。

六、机制三：降本速度会很快，但价格战不等于利润池消失

中国机器人供应链拥有汽车、电机、减速器、伺服、精密加工、锂电池、消费电子和工业自动化的交叉基础，这使得BOM下降速度可能快于欧美。宇树G1已经把基础人形产品价格拉到8.5万元起，说明“硬件可负担性”不再是唯一瓶颈。供应链资料显示无框力矩电机、谐波减速器等部件价格近年明显下降，虽然不同规格不可直接横比，但趋势明确。

降价会产生两种相反作用。第一，扩大试点预算，更多客户可以从“百万级项目审批”降到“部门级试验预算”；第二，压缩整机硬件毛利，把竞争转向软件、集成、服务和规模制造。汽车行业已经演示过类似路径：核心零部件国产化和规模制造使硬件价格下降，但利润向电池、功率电子、智能驾驶、渠道和服务重新分配。

对供应链企业而言，最危险的是把“单机价值量高”误当成“长期利润高”。当整机年产从千台上升到万台，OEM会推动二供、国产替代、设计降本和年度降价。能够守住利润的部件需要至少满足一项：性能直接决定整机能力；失效成本高且验证周期长；工艺良率难复制；需要软硬件联合调校；拥有持续数据反馈；切换供应商会触发重新安全认证或长期可靠性验证。

七、机制四：RaaS会把行业从卖设备改造成“风险定价”

工信部专项明确鼓励“人形机器人即服务”，通过按效用付费、经营性租赁降低客户投入门槛。这不是简单的金融创新，而是商业模式的风险再分配。一次性卖设备时，客户承担利用率、故障、技术过时和残值风险；RaaS下，供应商承担更多风险，因此供应商必须真正掌握可靠性、运维、备件、远程协助和资产融资。

如果供应商按“有效工时”收费，机器人停机就不能收费；如果按“完成任务数”收费，失败和返工直接侵蚀收入。这会迫使行业从演示指标转向经营指标。长期看，RaaS有可能形成更高质量的经常性收入，但前提是机器人寿命和维护成本可预测，否则它会把亏损隐藏在资产负债表里。

[FRAME] 假设工业机器人设备+集成投入20万元，3年折旧，每年2,000小时理论运行，资本折旧约33元/小时。若有效工时率70%，仅资本折旧就约48元/有效小时；再加运维、软件、远程协助、融资和场景工程，可能达到70–100元/有效小时。若客户目标岗位人工全成本只有40–60元/小时，项目很难仅靠“替人”成立；若是夜班、高流失、高工伤风险、招工困难或质量损失大的岗位，综合价值可能超过100元/小时，商业闭环就更容易成立。因此早期场景选择比整机降价更重要。

八、Profit Pool｜每100元客户支出最终留在哪里

利润池必须区分“客户支出”“供应商收入”“毛利”和“现金”。[FRAME] 以一个成熟后的工业部署项目每100元全生命周期客户支出为例，可以把55元理解为本体及硬件折旧，15元为集成与场景工程，12元为维护/备件，10元为远程协助/车队运营，8元为安全、保险、认证与其他。这个分配只是用于分析，不代表行业统计事实。

本体55元内部又不是均匀分布。执行器、减速器/丝杠、电机、编码器、驱动和灵巧手占据最大硬件价值量；传感器、计算、结构件、电池和线束占剩余部分。随着规模上升，结构件、电池、通用电机和标准控制器更容易商品化；高性能线性执行器、滚柱丝杠、六维力传感、触觉阵列、高可靠灵巧手和高功率密度关节可能更长时间保持稀缺性。

整机厂的利润取决于四件事：采购降本速度是否快于售价下降；制造良率和返修是否稳定；软件/服务收入能否提高毛利；应收和库存是否吞掉现金。零部件公司的利润则取决于客户集中度、年降压力、扩产折旧、良率和技术切换风险。集成商表面轻资产，但如果每个项目都高度定制，工程师投入会使收入难以规模化。

最有可能形成长期利润池的不是“价值量最大”的单一部件，而是“价值量 × 技术壁垒 × 验证粘性 × 复用半径 × 售后数据”的乘积。按这个逻辑，执行器集成、灵巧手/触觉、工业安全与可靠性工具、车队运维平台、技能数据闭环具有更好的结构性位置；普通结构件和低差异化装配容易进入价格竞争。

九、代表企业证据卡：看商业化能力，不看发布会数量

优必选：2026H1全尺寸具身智能人形机器人产品及服务收入5.903亿元、销量921台，较上年同期大幅增长，是目前少数能够用上市公司财务口径观察人形业务收入的企业。优势是工业客户、整机+软件栈、汽车制造场景和产能建设；风险是高研发投入、交付/验收节奏、订单转收入、毛利和现金流质量。2025年底披露年化产能超过6,000台说明制造准备度提升，但产能不是销量。

宇树科技：G1 8.5万元起的公开价格建立了行业成本锚点。其优势是运动控制、成本工程、供应链和产品化速度；风险是科研/展示型销量与生产性部署的结构差异，以及低价硬件能否覆盖工业级服务成本。公开价格对全行业最大的影响，是迫使竞争者解释为什么工业版本要贵几倍：贵出的部分必须对应可靠性、末端能力、认证、软件、集成和服务。

智元机器人：真实产线连续直播提供了64小时、64,828任务、99.99%成功率等公开指标，证明多机器人在真实节拍中工作已经不是纯概念。优势在模型、本体矩阵、数据与场景推进；风险是供应商自披露指标仍缺少客户侧成本、维护和长期停机数据。

Tesla Optimus：最大的潜在优势不是某个关节，而是汽车制造供应链、内部工厂场景、视觉/AI工程、规模制造和资本。近期对中国供应商的量产审核若持续推进，意味着产业链会被汽车级质量体系重塑。风险是内部部署数据披露有限、量产时间表多次变化，不能把目标产能当作已实现出货。

Figure/Agility/Apptronik等海外企业提供了重要对照：真正高价值的公开证据来自客户现场的累计运行小时、搬运件数、班次和商业协议，而不是机器人动作视频。海外单位成本可能高于中国供应链，但在安全认证、客户联合验证、RaaS和运营证据方面具有参考意义。

传统工业机器人企业同样是潜在竞争者。它们拥有安全、渠道、集成商网络、控制系统和工业客户信任。人形机器人若不能在柔性和环境兼容性上创造显著增量，传统机械臂+AMR仍是更强替代方案。

十、Enterprise Anatomy｜一家工业人形机器人公司的经营系统

组织上至少需要：产品战略、机械/结构、关节与驱动、电子电气、感知、运动控制、具身模型、数据、仿真、工业解决方案、制造工程、供应链、质量、售后运维、安全合规、销售与项目管理、财务与融资。真正困难之处在于这些部门不能串行工作：模型能力改变传感器需求，关节温升影响动作策略，电池影响班次，客户节拍改变路径规划，安全要求改变速度和力限制。

核心流程可拆成：客户场景筛选→工位价值测算→现场数据采集→任务分解→仿真验证→硬件配置→末端/工装设计→技能训练→安全风险评估→样机部署→节拍调试→异常库建立→小批量验证→客户验收→规模复制→车队监控→故障诊断→备件/维修→OTA升级→效果复盘→续费/扩容。任何一环失败都可能让“机器人能做”变成“客户不买”。

关键数据对象包括：机器人序列号、硬件BOM、固件/模型版本、任务技能版本、工位ID、物料SKU、动作轨迹、力/扭矩、视觉帧、异常码、人工接管、故障工单、备件、有效循环、节拍、质量结果、安全事件、能耗、充换电、客户验收和计费记录。若这些对象没有统一ID和时间戳，企业无法做根因分析，也无法把现场数据反馈到研发。

KPI不能只看出货量。经营层至少需要同时看：订单转化率、交付周期、验收周期、单机毛利、项目毛利、应收天数、有效工时率、任务成功率、人工接管率、MTBF、MTTR、备件成本/小时、每千次任务异常、客户扩容率、RaaS续约率和每有效小时贡献毛利。

十一、完整E2E链｜从客户工位到回款，不漏掉异常和责任

以汽车工厂“料箱搬运+线边上下料”为例。

商流/权利：客户提出自动化需求并定义节拍、负载、安全区和验收指标；供应商进行现场勘察和ROI测算；双方签PoC/试点合同，约定机器人数量、工位、成功率、连续运行时间、人工接管上限、故障责任、数据权限、验收和付款节点。试点通过后才转规模框架协议。

实物流：整机从工厂完成装配、老化、校准和出厂测试，运至客户现场；末端执行器、充电/换电设备、备件和网络设施同步交付。现场完成地图、工位、料箱、通道和安全区域配置。

数据流：MES/WMS下发任务或由边缘系统读取工位需求；机器人调度系统分配任务；机器人感知物料和人员；策略层生成动作；控制层执行；结果回写任务状态、节拍、质量和异常。所有版本必须可追溯，否则出现质量事故无法定位是模型、硬件、物料还是环境变化。

资金流：常见结构可能是预付款+到货款+验收款+质保尾款；RaaS则转为月度基础费+有效工时/任务计费。应收风险集中在验收：如果客户验收口径模糊，机器人已在现场但收入和现金都可能延后。

异常链：抓取失败→本地重试→降级策略→请求远程协助→人工接管→任务恢复→记录异常样本→判定是否硬件/软件/环境→生成工单→必要时换件→模型或规则更新→回归测试→灰度OTA→客户确认。安全异常必须有更严格的停机、隔离、调查和复位权限。

责任流：整机厂负责系统级性能；核心部件供应商负责器件规格和寿命；集成商负责工位适配；客户负责现场环境和生产规则；云/模型供应商负责约定的软件服务。商业合同必须把“模型做错动作”“网络中断”“物料超公差”“人员进入安全区”等异常的责任和恢复机制写清楚。

十二、Digital / AI Economics｜真正值钱的是把“人工接管”变成可下降的曲线

场景一：异常诊断与预测维护。机器人车队产生电流、温度、振动、力矩、错误码和动作轨迹。模型可以识别关节磨损、减速器异常、传感漂移和电池衰减，提前安排维护。价值不是“用了AI”，而是减少非计划停机和备件浪费。预算所有者通常是制造/设备/运维负责人；验收指标是停机小时、MTBF、备件成本和故障提前量。

场景二：视觉-语言-动作技能学习。目标是减少每个新工位的人工编程和示教时间。若一个新工位原本需要5名工程师两周调试，技能迁移把它压到3天，价值来自工程成本和上线周期，而不是机器人本体价格。最大风险是泛化失败导致现场不可预测，因此必须有仿真、回归集、动作边界和人工兜底。

场景三：远程协助调度。短期内完全自主不现实，关键是把“1人盯1台”降到“1人支持10台、30台甚至更多”。远程协助平台需要异常分类、优先级、上下文回放、低延迟控制、权限和审计。其经济价值可以直接用“人工接管分钟/机器人小时”计算。

场景四：车队级任务优化。把MES/WMS任务、机器人电量、位置、技能、健康状态和工位优先级联合优化，减少空走、等待和充电冲突。价值体现在有效工时率和产线吞吐。

不建议方向：通用企业聊天机器人式“给机器人加一个大模型助手”但没有动作闭环、评测集、安全边界和现场数据。语言能力提升并不自动转化为物理任务ROI。

AI Value公式：人工节省 + 周期价值 + 产出/质量提升 + 资本占用下降 + 风险损失下降 − 软件 − 集成 − 模型/算力 − 治理 − 错误成本。对人形机器人尤其要把错误成本和远程协助成本显式加入，否则ROI会系统性高估。

十三、场景优先级：先自动化“脏、累、险、夜、缺”，再谈家庭通用

近期最适合人形机器人的任务具有六个共同特征：环境为人设计且改造成本高；任务需要移动+操作；节拍不是极端高速；人工成本或流失成本高；错误后果可控；可以通过规则和安全区限制动作空间。汽车/3C的料箱搬运、上下料、SPS分拣、质检辅助、仓储拣运因此排在前面。

复杂装配的价值很高，但对精度、触觉、双手协同和异常处理要求更高；如果专用工装可以低成本解决，专机仍占优势。家庭服务看似市场巨大，却面临开放环境、儿童宠物、安全责任、隐私、任务长尾和售后上门等问题，近期商业闭环反而更难。

特种场景如巡检、危险环境操作可能具有高支付意愿，但人形并不总是最佳形态。轮式、四足、机械臂平台如果更稳定，就不应为了“人形”而人形。判断场景必须从任务经济性出发，而不是从产品形态出发。

十四、未来三年 Base / Bull / Bear

Base情景：2027–2029年人形机器人继续快速增长，但规模化集中在汽车、3C、仓储、能源巡检等有限工业场景；整机价格持续下降，客户采购从科研/示范转向以有效工时和任务量验收；头部整机厂形成数万台级制造能力，但行业总体仍远小于传统工业机器人。利润池向高可靠执行器、灵巧操作、传感、安全、集成和运营软件分散。

Bull情景：关键关节寿命、灵巧手可靠性和具身模型泛化在两年内跨过门槛，远程协助比率快速下降；RaaS让客户无需大额CAPEX，机器人每有效小时成本降到制造业夜班人工以下；汽车和3C客户从几十台试点转向数百/数千台复制。此时供应链进入真正规模制造，零部件年降加速，但优质供应商凭良率和验证粘性扩大份额。

Bear情景：大量订单停留在政府示范、数据中心和科研采购；真实工厂部署因故障、接管、安全和集成成本无法形成ROI；整机价格战快于成本下降，企业持续烧钱；客户转回机械臂+AMR等成熟方案。监管对安全事故和收入质量加强审查，融资收缩，行业发生整合。

三个情景的分水岭不是发布多少新品，而是五个可测变量：有效工时率、人工接管分钟/小时、MTBF、每有效小时全成本、客户从试点到规模复制的转化率。

十五、进入路径与Stop Conditions

路径A：高可靠关节/执行器平台。客户是整机厂和工业机器人厂；价值是功率密度、寿命、一致性和集成调试。需要电机、减速/丝杠、编码器、驱动、热设计和测试能力。验证周期通常长于普通零件，因为失效会导致整机停机。Stop Condition：两年内无法进入2家以上量产客户，或年降导致毛利无法覆盖扩产折旧。

路径B：力/触觉+灵巧手。客户是需要精细操作的整机厂和集成商；价值是把任务从搬运扩展到插装、装配、质检和工具使用。核心不是自由度数量，而是寿命、力控、触觉标定、抗冲击和可维护。Stop Condition：客户长期停留在科研采购，工业工位没有形成持续复购。

路径C：工业场景集成与验证平台。面向汽车、3C、仓储客户提供工位建模、仿真、技能部署、安全验证、数据采集和验收工具。资本强度低于整机，但需要深行业知识。Stop Condition：每个项目高度定制、工程师人均收入无法提升、项目毛利长期低于传统系统集成。

路径D：车队运维/远程协助/安全审计SaaS。把不同本体的状态、异常、接管、版本和安全事件统一管理，形成“机器人控制塔”。如果行业多品牌并存，这一层有机会成为中立平台。Stop Condition：整机厂封闭接口导致第三方无法获得关键遥测，或客户拒绝为独立软件付费。

不建议路径：没有核心运动控制、供应链、制造体系或工业客户资源，却从零开始做“全栈通用人形整机”。该路径同时承担硬件、模型、制造、销售、集成、售后和融资风险，且会直接面对价格快速下降的头部厂商。

十六、Red Team｜最强反方证据与Kill Thesis

反证一：全球2025年只有约7,000台专业/工业人形机器人销量，而且很多用于研发和训练。这说明行业的真实生产性需求远小于媒体曝光度。任何以“百万台预测”推导当前估值和产能的模型都应降级。

反证二：成熟工业机器人2025年全球安装超过60万台，中国35.4万台。客户已有机械臂、SCARA、协作机器人、AGV/AMR和专机等大量成熟替代方案。人形机器人不是和“人工”单独竞争，而是和所有自动化方案竞争。

反证三：监管和资本市场开始关注收入质量。政府示范、数据采集中心、科研采购可以帮助技术成熟，但若占比过高，收入不代表可复制的终端ROI。

Kill Thesis 1：到2027年底，头部工业部署仍无法公开证明>70%的有效工时率、可接受MTBF和显著下降的人工接管率，则“通用工业劳动力”假设应推迟。 Kill Thesis 2：若机器人全生命周期每有效小时成本在2028年前仍持续高于同工位人工/成熟自动化方案30%以上，且没有安全、招工或质量方面的补偿价值，则规模部署经济性不成立。 Kill Thesis 3：若头部客户的试点→百台级复制转化率长期低，订单主要来自科研、政府项目和数据采集中心，则行业需求质量不足。 Kill Thesis 4：若执行器、灵巧手和传感器在快速年降中无法建立验证粘性，零部件“高价值量=高利润”逻辑失效。 Kill Thesis 5：若出现重大人机协作安全事故并引发严格责任/保险约束，部署节奏可能显著放缓。

Red Team后的结论因此不是“行业必然爆发”，而是：产业已经越过纯概念阶段，进入真实部署和量产验证阶段；未来三年的胜负由经营指标决定。行业值得跟踪和选择性进入，但必须把“出货”进一步拆成生产性部署、有效工时、客户扩容和现金回款。

十七、12–36个月监测仪表盘

建议持续跟踪十个指标：①全球/中国专业工业人形机器人真实销量及统计口径；②头部整机厂生产性客户占比；③客户侧累计有效运行小时；④人工接管分钟/机器人小时；⑤MTBF与MTTR；⑥工业版成交价和全生命周期每有效小时成本；⑦试点转百台级部署比例；⑧执行器、灵巧手、六维力/触觉传感的价格、良率和寿命；⑨RaaS收入占比、续约率和资产回报；⑩安全事故、标准、保险和责任规则。

真正值得上调行业判断的信号是：同一客户在没有补贴情况下连续扩容；供应商披露客户侧有效工时和维护数据；RaaS单机贡献毛利转正；远程协助比率持续下降；多个行业出现可复制模板。需要下调判断的信号是：出货快速增长但应收、库存和现金流恶化；项目高度依赖政府采购；硬件价格下降快于良率和运维改善；安全事故频发；客户试点结束后不续购。

关键来源（公开资料）

1. International Federation of Robotics, World Robotics 2026 / President’s Report, 2026-09-24.
2. Reuters, “Humanoid robot sales tally hit 7,000 globally last year”, 2026-09-21.
3. 工业和信息化部、国务院国资委：《关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知》，2026-06-08.
4. 工业和信息化部：《国家人形机器人产业标准体系建设指南（2026版）》征求意见，2026-08-25.
5. 工业和信息化部等七部门：2026年工业和信息化领域创新任务揭榜挂帅，人形机器人与具身智能专题.
6. UBTECH Robotics 2026 Interim Results / 2025 Annual Report.
7. AGIBOT：Longcheer真实工厂连续直播运行数据，2026-06-29.
8. Unitree G1官方产品与价格页面.
9. ISO 10218-1:2025 / ISO 10218-2:2025.
10. Reuters：UBTECH-Airbus工业制造合作，2026-01-21.
11. Reuters：China slows humanoid robot IPO rush as hype outruns reality, 2026-09-21.
12. 公开供应链资料用于BOM方向性校验；涉及未审计成本的数据均按[FRAME]/中低置信度处理。

附录A｜工业部署验收清单

对每一个工位，必须同时记录任务定义、目标节拍、负载、可接受位置误差、可接受力误差、环境光照、人员交互、物料公差、连续运行时间、任务成功率、人工接管率、MTBF、MTTR、能耗、换电时间、软件版本、硬件版本、安全事件、返工、报废、停线损失和每有效小时成本。任何只给“成功率”而没有样本量、连续时间和异常定义的数据，都不足以支持采购决策。

附录B｜采购决策矩阵

客户应先比较四套方案：继续人工、专机/机械臂、AMR+机械臂、人形机器人。比较维度包括初始CAPEX、产线改造、部署周期、任务变化适应性、理论节拍、实际有效工时、维护、人员技能、安全、残值和三年NPV。只有当人形机器人在“柔性价值+环境兼容+人工短缺/风险”上弥补其可靠性和成本劣势时，才应部署。

附录C｜供应商尽调问题

整机厂需要回答：过去12个月生产性客户数量是多少；科研/政府/数据采集收入占比多少；订单转收入平均多久；验收失败率多少；单机平均现场工程师工时多少；最常见三类故障是什么；MTBF/MTTR分布如何；远程接管率如何变化；备件成本/小时是多少；客户二次扩容率是多少；RaaS单机贡献毛利是否为正；库存和应收是否随出货同步恶化。不能回答这些问题的企业，商业成熟度应显著折价。

附录D｜利润池判断公式

结构性利润潜力 = 单机价值量 × 技术壁垒 × 量产良率壁垒 × 客户验证粘性 × 复用半径 × 售后数据价值 ÷ 年降压力 ÷ 客户集中度 ÷ 资本强度。该公式是[FRAME]，用于避免“BOM占比高所以利润高”的简单推断。执行器价值量高，但若二供充足、客户年降强、扩产资本大，利润可能被压缩；安全验证软件价值量小，却可能因跨品牌复用和经常性收入获得更好的资本回报。

附录E｜研究边界

本报告不把军用、医疗、纯消费娱乐机器人纳入主要市场规模；不把四足机器人、普通AMR和固定机械臂计入人形销量，但把它们作为替代方案。对没有公开客户验收和运行数据的“订单”只作为需求线索，不作为生产性部署事实。对厂商自披露的成功率、产能和订单，除非有客户或审计口径交叉验证，否则降低置信度。所有2030年及以后出货预测只用于情景，不用于证明当前市场规模。

十八、执行器与精密传动：最大BOM不自动等于最大利润

人形机器人需要把电能转换成受控的旋转或直线运动。旋转关节通常由无框力矩电机、减速器、编码器、驱动器、轴承、力矩感知和结构壳体构成；线性执行器还可能引入行星滚柱丝杠等高精密传动件。其难点不是单个零件能不能做出来，而是功率密度、回差、温升、噪声、寿命、冲击承受、重量和成本之间的系统平衡。一个关节在实验室运行几百小时和在工厂连续两班运行两年，对材料、润滑、装配一致性和测试体系的要求完全不同。

【推断·高】规模化以后，执行器企业的竞争会从“参数竞争”转向“良率×寿命×成本×交付”。假设某关节售价从2,000元降到1,200元，看似收入缩水40%；但如果自动化装配、测试和供应链降本把制造成本从1,500元降到700元，毛利反而可以从500元升到500元、毛利率从25%升到41.7%。反过来，如果客户年降快于良率改善，扩产折旧又高，价值量最大的部件也可能成为低回报制造业。

客户验证粘性是这一环节最容易被低估的变量。关节一旦进入整机，运动控制参数、热模型、故障诊断、结构接口和安全边界都会围绕它调校。更换供应商不是简单换一个采购料号，而可能需要重新标定、耐久测试、EMC/安全验证和软件适配。因此真正能进入头部整机量产BOM的供应商，通常比只拿到送样资格的供应商更有价值。

但这种粘性并非永久。整机厂会主动做双供甚至三供，避免核心零件受制于人；同时整机架构也可能从旋转关节转向更多线性执行器，或反过来。供应商如果只押一种机械路线，会承担架构切换风险。因此更优策略是掌握电机、传动、驱动、编码和测试中的两到三个关键能力，并具备联合设计能力。

十九、灵巧手与触觉：最容易产生“高价值、高故障、高售后”的部件

灵巧手决定机器人能否从搬箱子进入装配、工具使用和非结构化抓取。自由度增加会扩大任务空间，却同时增加电机、减速、线束、传感、控制和故障点。工业客户并不为“像人手”付费，而为“能稳定完成原来需要人手的任务”付费。因此评价灵巧手不能只看自由度，而要看抓取成功率、指尖力、重复精度、抗冲击、寿命、换指/维修时间和每万次动作维护成本。

触觉传感的价值来自把视觉无法解决的接触状态变成闭环数据。例如插接件装配中，摄像头能看见位置，却很难仅凭视觉判断卡扣是否真正到位；力/触觉可以识别接触、滑移、卡滞和插入力曲线。其商业壁垒不只在传感器硬件，还在标定、温漂补偿、信号处理、数据集和控制策略。

【推断·中高】灵巧手可能成为未来三年利润率分化最大的环节之一：科研版产品可以高价低量，工业版则必须同时承受降价和寿命要求。能把手、触觉、控制算法和技能数据打包的供应商，可能比只卖单一微型电机的公司更有议价能力。但如果工业场景最终大量采用两指夹爪、吸盘和专用末端，而不是五指灵巧手，那么“每台人形都需要高价值灵巧手”的市场假设会被证伪。

二十、订单质量：从“合同金额”走到“可回款生产性收入”至少经过六道门

行业最容易被误读的数据是订单。第一道门是意向/框架协议，通常只说明双方愿意合作；第二道门是明确PO和数量；第三道门是生产排期；第四道门是到货；第五道门是客户验收；第六道门是回款。对于需要现场集成的机器人，验收可能是最难的一道门，因为客户会用连续运行、节拍、成功率、安全和异常恢复来判断是否达标。

因此分析机器人公司时，应把订单分成四类：科研教育订单、政府/示范项目、数据采集/训练用途、生产性部署。前两类可以提供现金和数据，却不能直接证明工厂ROI；数据采集订单可以帮助训练模型，但如果客户本身就是机器人产业链参与者，收入的外部需求含义较弱；生产性部署最有价值，因为客户最终用经营预算而不是研发预算付款。

财务上要同时观察合同负债、存货、应收、经营现金流和毛利率。如果出货增长100%，应收和库存增长300%，经营现金流恶化，说明“规模”可能在消耗现金。反之，如果客户预付款增加、验收周期缩短、复购提升，收入质量明显更好。对RaaS企业还要看机器人资产折旧、维修准备、融资成本和残值，不应只看订阅收入增长。

二十一、制造良率：机器人行业的隐藏利润表

整机由几十个关节、传感器、线束、控制器和结构件组成，任何一个关键部件的一致性问题都可能导致整机返修。假设一台机器人有30个关键关节，每个关节出厂一次通过率99%，如果故障独立，整机“所有关节一次通过”的理论概率约为0.99^30≈74%。现实中企业会通过返工、筛选和模块化测试提高整机良率，但这个简单计算说明：多自由度系统会放大零件良率问题。

因此量产能力不能只用“年产能”衡量。更关键的是FPY（一次通过率）、返工工时、老化测试失败率、现场早期失效率和批次一致性。产能从1,000台扩到10,000台，如果良率没有同步改善，返工和售后会指数式侵蚀利润。

制造工程的数字化机会非常明确：每个关节和整机需要序列号级追溯；装配扭矩、标定参数、测试曲线、供应商批次和软件版本需要关联；现场故障回流后可以定位到生产批次。这套数据闭环既是质量系统，也是AI训练资产。未来真正的“机器人制造AI”可能首先体现在异常检测、参数漂移、良率预测和故障根因，而不是让大模型直接控制生产。

二十二、工厂ROI敏感性：什么时候机器人真的比人便宜

[计算·框架] 设机器人含集成成本C=180,000元，使用3年；每年理论运行2,500小时；有效工时率U；年度维护和软件M=30,000元；远程协助与现场支持R=20,000元。忽略融资和残值，则每有效小时成本 = (C/3 + M + R)/(2500×U)。

U=80%时，成本约55元/有效小时；U=60%时约73元；U=40%时约110元。这个模型揭示：有效工时率比设备售价更敏感。把机器人售价降低30%，但如果因为可靠性差使有效工时率从80%降到50%，客户仍然可能更贵。

人工对比也不能只用工资。一个月薪8,000元的工人，企业还承担社保、招聘、培训、管理、流失、夜班、工伤和休假，实际小时成本可能显著高于简单工资除以工时；但机器人也有集成、维护和停机成本。最合理的比较是“完成同样合格产出的全成本”。

如果工位需要两班或三班、招工困难、劳动强度高、质量波动造成报废，机器人可接受成本上限会提高；如果工位白班单班、人工稳定、专机便宜，则人形机器人很难成立。这意味着行业早期应该追求高价值场景密度，而不是追求覆盖场景数量。

二十三、RaaS现金流：经常性收入背后是重资产风险

RaaS让客户把CAPEX转为OPEX，却让供应商成为“设备制造商+租赁公司+软件公司+运维公司”。假设一台机器人制造和部署成本15万元，供应商每月收8,000元基础费，另按有效工时收费。若一年收入12万元，看似回收期约15个月；但扣除销售、融资、折旧、维护、备件、远程协助和闲置期后，真实回收期可能延长到2–3年。

RaaS最危险的情况是“收入确认快、现金回收慢、资产扩张更快”。企业为了增长不断购置/制造机器人投放客户，资产负债表膨胀；如果客户利用率低或退租，残值下降，现金链会承压。因此RaaS必须有资产融资能力、标准化部署、跨客户再部署能力和可预测的维护曲线。

最优的RaaS合同应把客户和供应商激励对齐，例如基础可用性费+有效任务量；同时定义最低使用量、现场条件、异常责任和升级窗口。完全按结果付费虽然最能证明价值，却会把几乎所有技术和运营风险压给供应商，只有可靠性足够高后才适合大规模采用。

二十四、安全与责任：人形机器人商业化的“隐形税”

ISO 10218-1:2025和10218-2:2025为工业机器人本体和应用集成提供安全框架，但移动、双足、具身AI和开放人机交互会带来传统固定机械臂没有覆盖完整的新组合风险。服务机器人标准也在更新。中国正在推进人形机器人标准体系，说明安全测试、功能安全、数据、接口和应用规范会逐渐制度化。

安全成本会以四种形式进入利润表：硬件冗余和安全传感器；验证测试和认证；降低速度/力带来的效率损失；保险和事故责任。一个动作能力很强的机器人如果为了安全只能在人员靠近时频繁停机，其理论节拍不能直接转化为实际产能。

企业应建立“安全事件账本”：近失事件、碰撞、跌倒、误抓、越界、急停、感知失效、通信失效、模型异常和人工违规都要记录。模型OTA后必须重新做风险评估和回归验证，因为软件更新可能改变物理行为。未来安全审计、仿真验证和版本治理本身可能形成独立软件/服务市场。

二十五、数据飞轮：真机数据有价值，但“采得多”不等于“学得好”

具身模型需要视觉、语言、动作、力觉、触觉和任务结果数据。真机数据昂贵，因此遥操作、仿真、合成数据和视频学习被广泛采用。数据飞轮的关键不是TB数量，而是是否覆盖失败边界、是否有高质量动作标签、是否能把现场异常转成训练样本，并通过回归集证明模型更新没有破坏已有技能。

对工业客户而言，数据还有所有权和保密问题。生产节拍、工艺、物料、质量缺陷和厂区地图可能属于敏感经营信息。机器人供应商若要求把全部原始视频上传云端，会遇到数据合规和商业秘密阻力。因此边缘训练/推理、脱敏、权限、数据最小化和客户可控的留存策略会成为销售能力的一部分。

数据的商业价值最终要通过“新工位部署时间下降、接管率下降、成功率上升”体现。如果模型训练成本持续上升但现场KPI不改善，数据飞轮只是成本飞轮。

二十六、为什么中国供应链有优势，也为什么优势不是终局

中国具备全球最大的工业机器人应用市场之一、完整的电机/减速器/伺服/电池/消费电子/汽车零部件产业链，以及大量愿意开放场景的制造企业。2025年中国工业机器人安装35.4万台，占全球约59%，意味着机器人集成、维护和自动化人才密度高。人形机器人可以复用这些能力。

但供应链完整不等于每个高端环节都领先。滚柱丝杠、高端传感、部分精密轴承、芯片、开发工具和安全认证仍可能存在瓶颈；更重要的是，全球工业客户需要本地服务、责任保险、认证、数据合规和售后网络。中国企业如果只输出低价硬件，海外利润可能被本地集成和服务商拿走。

真正可持续的全球化需要“产品+认证+备件+远程运维+本地工程师+合同责任”整体输出。机器人不像消费电子，售后故障可能直接造成客户停线，因此服务半径会限制扩张速度。

二十七、竞争格局会从“百模大战”收敛为四类公司

第一类是全栈整机平台，掌握本体、控制、模型、制造和场景，目标成为通用机器人OEM。第二类是低成本硬件平台，把机器人做成开发者和科研基础设施。第三类是场景型公司，围绕物流、汽车、3C、巡检等有限任务做深，牺牲部分通用性换可靠性。第四类是核心部件/软件基础设施公司，为多个整机品牌提供执行器、传感、灵巧手、仿真、数据、车队运维或安全工具。

最终行业不太可能由一个“机器人苹果”吃掉全部价值。工业客户的场景差异、责任边界和本地服务会保留多层生态。整机平台可以获得品牌和数据优势，但供应链中具有跨平台复用能力的部件/软件企业可能获得更稳定的资本回报。

二十八、最终决策含义

如果从产业投资角度看，最应该避免的是把“行业增长”直接映射为“所有公司增长”。人形机器人销量即使未来三年增长十倍，价格下降、竞争加剧、研发和售后投入也可能让多数整机厂难以盈利。相反，某些关键部件即使收入规模较小，只要进入多个头部平台并形成验证粘性，现金质量可能更好。

如果从企业数字化/AI服务角度看，机会不在做一个泛化聊天入口，而在进入机器人经营闭环：工位数字孪生、技能版本管理、异常库、远程协助、预测维护、质量追溯、安全审计、任务计费和ROI仪表盘。这些系统连接真实动作和财务结果，更容易形成可验收价值。

如果从制造企业采购角度看，应采用“观察→辅助→受限行动→规模复制”的四阶段路径。先选低风险高价值工位，要求供应商用真实有效工时和成本证明价值；再扩大到相邻工位；只有当故障、接管和维护曲线稳定后才大规模部署。不要因为供应商承诺未来通用能力而一次性改造大量产线。

行业当前最准确的定位是：技术已经足以进入真实生产验证，供应链已经足以支持万台级扩张尝试，但经济性、可靠性、收入质量和安全标准仍在形成。未来三年会出现真正的赢家，也会出现大量“有技术、无经营闭环”的淘汰者。判断谁能留下利润，必须从机器人会不会走，转向机器人能不能持续工作、客户会不会复购、供应商能不能收回现金。

二十九、失败模式库：规模化真正会被什么卡住

失败模式一是“成功率看起来很高，但异常恢复太慢”。99%的任务成功率如果每失败一次需要工程师处理20分钟，在高频工位上仍可能无法接受。验收必须同时记录失败频率和恢复时间。失败模式二是“机器人本体便宜，但场景工程太贵”。如果每增加一个工位都需要重新采集数据、写接口、改工装、训练数周，规模复制会退化成传统项目制。

失败模式三是“模型升级造成能力回退”。具身系统不是静态设备，OTA可能改善一个任务却破坏另一个任务，因此需要版本化技能、回归测试和可回滚机制。失败模式四是“供应链批次漂移”。实验样机使用精选部件，量产后供应商批次、装配和标定波动可能导致性能分布变宽。失败模式五是“客户现场变化没有进入模型”：灯光、地面、物料包装、工装位置和人员习惯改变都可能导致原本稳定的策略失效。

失败模式六是“销售承诺超过工程边界”。为了拿订单承诺过多任务，最终形成大量定制和驻场，收入增长但工程师人均产出下降。失败模式七是“售后网络跟不上出货”。机器人是生产设备，停机一天可能比设备本身折旧贵；没有备件和现场服务，低价产品反而更难进入关键工位。失败模式八是“安全责任不清”：整机、模型、集成商和客户之间若没有明确责任，事故后会出现长时间停机和法律争议。

这些失败模式共同说明，行业壁垒最终会从单点技术迁移到系统工程和运营体系。一个能在展会上完成复杂动作的团队，不一定能管理一万台分布在不同客户现场、不同软件版本和不同硬件批次的机器人。

三十、从“万台落地”到“百万有效工时”：更合理的产业里程碑

用出货台数衡量行业有天然缺陷：一台在实验室每周运行2小时的机器人和一台在工厂每天运行16小时的机器人都计为一台。更合理的产业成熟度指标应是“生产性有效工时”。如果10,000台机器人平均每天只有1小时有效生产，全年约365万有效小时；如果只有3,000台但每天12小时有效生产，全年约1,314万小时，后者创造的经济价值更大。

因此建议把行业里程碑改写为：第一阶段看生产性客户数和真实工位数；第二阶段看累计有效工时和任务成功率；第三阶段看客户扩容和RaaS续约；第四阶段看每有效小时贡献毛利和自由现金流。只有走到第四阶段，行业才从技术产业真正变成成熟商业产业。

对于投资和战略进入，这种口径也能过滤噪声。企业宣布“交付1,000台”时，应继续追问其中多少台进入生产工位、平均每天工作多久、客户是否续购、供应商是否赚钱。未来真正具有信息含量的新闻，不会是机器人又完成了一个新动作，而会是某客户把机器人从20台扩到500台，并披露了有效工时、停机和成本。