人形机器人必答题：为什么要人形？双足、灵巧手与「玩具论」的完整回应

专用形态赢得了所有”单点最优”#

反对者的观察是对的。看几个事实：

• 扫地机器人用圆盘加滚刷的形态，在”清扫平坦地板”这个任务上碾压任何双足机器人——价格只要几百元，能效高出几个数量级；
• 仓储机器人用轮式底盘加升降货架，在”搬货”上比人形机器人快得多、便宜得多；
• 工业机械臂用固定基座加专用末端，在”焊接、涂胶、码垛”上精度和速度都远超人手；
• 波士顿动力（Boston Dynamics）的机器狗 Spot 在”巡检”上已经赚了很多年钱。

如果任务清单是固定的、可穷举的，那么最优方案永远是”为每个任务定制一个专用形态”，人形连参赛资格都没有。这正是李彦宏”机器人更像车”、马克·库班”设计蜘蛛和蚂蚁形态”、李开复”绝大多数场景不需要人形”这些观点背后的逻辑：把问题定义成一组已知任务，人形当然不是最优解。

但任务清单不是固定的#

问题在于，真实世界的任务清单无法穷举。人类环境里大概有几十万种不同的物品、几十万种不同的操作方式：开冰箱门、拧瓶盖、按电梯按钮、插充电器、开抽屉、拿螺丝刀拧螺丝、扶住梯子、把碗放进洗碗机……为每一种任务造一个专用机器人，是数学上不可能的事情——这也是”改造世界”派最大的问题：存量环境改造不起。

两笔账：

1. 环境是几十万亿的存量资产。 全球的建筑、家具、工具、交通工具都是按人体尺寸和人的操作方式设计的：门把手高度约 1 米、楼梯踏步高约 18 厘米、汽车驾驶座、键盘键距、插座位置……人形机器人不需要改造任何环境就能进入这些空间。反过来，让机器人适应环境意味着每个场景单独施工，成本以万亿计，而且永远做不完。
2. 新场景不断出现。 世界不是静态的。今天新增的每一个办公室、每一间病房、每一条产线，仍然按人体工程学设计。专用机器人永远在追赶新场景，人形机器人永远不需要追赶。

下图是宇树 G1 的官方机械尺寸图——可以看到它的身高、臂展、关节布置完全是按人体比例设计的。这不是”cosplay 人类”，而是”为了能使用人类世界的一切而精确复刻人类的空间占用”：

三根支柱：环境、工具、数据#

人形之所以成为”通用解”，靠的不是外形像人，而是三样东西在物理上对齐了：

1. 环境对齐：人类的建筑和空间是为人形设计的（上面说了）；
2. 工具对齐：人类的所有工具——螺丝刀、锅铲、键盘、门把手——是为”五根手指 + 对掌”设计的，见”夹爪与灵巧手”一节；
3. 数据对齐：互联网上有海量的人类行为视频（人做家务、人操作设备），这些数据天然带有人形身体的动作标签。如果机器人是四足或者蜘蛛形态，这些数据基本全部作废；如果是人形，人类视频就是免费的训练数据。这个论点在”数据接口”一节展开。

一句话：人形是唯一同时对齐环境、工具、数据三种接口的形态。 专用机器人对齐的只有”任务”，所以它赢单点；人形对齐的是”世界”，所以它赢覆盖。

轮式的优势是实打实的#

根据市场研究机构 Interact Analysis 的统计，过去三年有超过 60 家商业人形机器人公司发布了 100 款以上的人形机器人（不含固定式双臂），其中近 70% 是双足构型；但 2025 年以来，轮式产品明显增多。轮式的优势可以列成一张清单：

表格里每一行都真实。双足在”平坦地面”上全面落败——而人类环境的大部分地面确实是平的。那为什么还要双足？

人类环境的”不连续地形”#

关键在于人类环境并不是”平的”。一个简单的枚举：每个城市都有楼梯；每个办公楼都有台阶；工地有碎石和斜坡；家庭有门槛；工厂有楼梯间和巡检平台；农村有田埂。轮式机器人遇到一级台阶就彻底失去能力，而台阶恰恰是人类空间里最常见的垂直结构。

Interact Analysis 的统计也显示，从已公布的产业试点看，第一个将人形机器人投入商业化运营的案例（Agility Robotics 的 Digit，见”应用场景”一节）用的就是双足构型——因为它要在人类工作的环境里移动，而人类环境包含楼梯。

下图是该公司统计的截至 2024 年底已公开人形机器人的移动方式分布，可以看到双足（bipedal）占了绝大多数，但轮式与混合方案正在增加：

双足还有一个轮式给不了的物理能力：通过调整重心进行大范围操作。人形机器人在伸手够高处的物体、弯腰搬重物、跨步转身时，是用全身的关节动态平衡来支撑动作的；轮式底盘的机器人重心固定，操作范围被限制在底盘平面附近，够不到高处、伸不进犄角旮旯。对”移动 + 操作耦合”的任务（比如把货架最上层的箱子拿下来），双足是必要条件。

诚实的部分：双足不是为效率设计的#

必须承认，双足在平地上的能量效率、速度和稳定性都不如轮子——这正是很多批评的出发点，而且这个批评是对的。人类用百万年进化出双足，却用六千年发明了轮子，本身就是”轮子更高效”的最好证明。

但注意，双足被选择的理由从来不是”效率”，而是”可达性”（accessibility）：能到达轮子到不了的地方。 一台能在仓库里跑 12 km/h 的轮式机器人，到不了二楼；一台每小时只能走 4 公里的双足机器人，哪里都能去。当任务集合从”这一个仓库”扩展到”所有人类空间”时，可达性压倒了效率。

折中方案：轮足混合与模块化#

业界并不傻，没有人强迫所有公司立刻梭哈双足。现实中出现了大量折中形态：

• 轮足混合（wheel-legged）：宇树的 B2-W、G1-D 采用轮式底盘加类人上半身，兼顾成本与操作能力；
• 模块化底座：Apptronik 允许同一台机器人选配双足或轮式底座，客户按场景付费。

下图是 Apptronik 的模块化方案示意图——同一个上半身，可以装轮式底座或双足底座：

Interact Analysis 对不同移动方式厂商的分类也印证了这个趋势——市场上既有坚定双足派（多数硬件派公司），也有坚定轮式派（多数软件派公司），还有全栈和模块化路线：

为什么双足仍然被多数公司当作长期方向？Interact Analysis 给出四个理由，都很实在：

1. 场景适配：轮式在”需要调重心、跨障碍、爬楼梯、户外复杂地形”的场景存在难以克服的痛点，而这些场景在人类环境中大量存在；
2. 技术储备：轮式是”妥协于成本和性能的过渡性选择”，开发双足能提高技术能力边界，即使未来双足构型被证伪，积累的运动控制能力也依然有价值；
3. 产品定义：双足机器人定义了”人形机器人”这个品类，获得了远超轮式的传播热度，这让客户愿意为它买单——哪怕只是为展示价值；
4. 成本收敛：双足与轮式的成本差距会随着规模效应缩小，而双足的潜在应用规模更大，规模经济反过来会拉低成本。

结论：轮式赢在今天，双足赢在明天；务实派用轮式赚现金流、验证场景，长期主义派用双足押注通用性。 两者不是非此即彼，而是时间尺度不同的两个决策。

夹爪是可靠的工程学胜利#

夹爪本质上是一个”开—合”的二态系统：它的全部任务就是”抓住”。它的优点极其突出：结构简单、成本低、控制算法成熟、可靠性高、维护便宜。在工业场景，夹爪能覆盖绝大多数”抓取—搬运—放置”类任务，而且工业客户不会为多余的功能买单。

数据上也有支撑：人手日常抓取任务中，大约 80% 只需要拇指、食指、中指三根手指的协同就能完成——这正是”三指夹爪”（如波士顿动力 Atlas 采用的三指手）的合理性所在。在”抓取”这个动作上，三指甚至两指已经足够。

但任务不只是”抓”，还有”用”#

问题在于，人类世界的大多数操作不是”抓取”，而是”使用工具”。拧螺丝刀、按键盘、切菜、倒水、拉车门、插充电线、翻书、旋钮调温、拔药瓶盖……这些动作的共同点是：物体本身是人类设计的，而人类设计物体时默认操作者是”五根手指 + 对掌（opposable thumb）”。

• 螺丝刀的握把是圆柱形，因为手掌是那样握的；
• 键盘按键是扁平排列，因为指尖是那样按的；
• 药瓶盖子需要”拇指 + 食指对捏旋转”，夹爪做不了；
• 门把手需要”握持 + 扭转”复合运动，夹爪做不了；
• 剪刀需要把手指伸进指环并施加剪切力，夹爪更做不了。

灵巧手在这个问题上的意义是：它是人类工具的”万能接口”（universal interface）。与其为每种工具设计专用末端（换一个任务换一只手），不如直接复刻人手，从而直接使用人类几千年积累的全部工具。这就是为什么智源社区整理的行业观察会指出：灵巧手被称作”人形机器人皇冠上的明珠”，占整机硬件成本的约 18%，是技术密度最高、迭代最快的核心部件。

还有一个经常被忽略的论点：人形机器人的躯干、双腿只有配上灵巧手才有意义。 如果双手连螺丝刀都拧不了，那”进工厂干活”就是空话；灵巧手决定了人形机器人能否”到岗即用”。

灵巧手的现实困境（诚实面对）#

必须承认，灵巧手目前有一堆工程问题：

• 贵：根据摩根士丹利（Morgan Stanley）的估算，灵巧手成本约占特斯拉 Optimus Gen 2 硬件总成本的 17%；
• 脆：高自由度（degrees of freedom, DoF）意味着大量微型电机、腱绳、传感器，故障率远高于夹爪；
• 难控制：一只 21 自由度的灵巧手，控制难度远超 12 自由度的机器狗，需要持续接触、切换接触点、处理遮挡和不确定性摩擦；
• 训练难：手指操作的强化学习（reinforcement learning）数据需求巨大，且当前没有任何单一方法能解决整个问题。

所以现实是：夹爪是”够用主义”，灵巧手是”通用主义”，两者在各自的场景里都合理。 特斯拉坚持五指灵巧手（下一代 22 自由度、驱动器像人一样移到前臂、通过腱绳传动），因为它押注的是”能做人能做的所有事”；波士顿动力给 Atlas 用三指夹爪，因为它押注的是”把工业任务做好”；银河通用的轮式机器人 G1 甚至用”右夹爪 + 左吸盘”的组合，那是彻底的场景务实主义。

这三家都是头部公司，却选了三种不同的手——这恰恰说明：手的选择取决于对”通用性”的押注程度，而”手”的形状本身没有绝对对错。 但对”人形”这个完整概念而言，五指灵巧手是必要的组成部分：一个双足行走、五指灵巧的机器人，才是”能做人的全部动作”的最小完备形态。

先承认批评里对的部分#

市场对宇树的质疑有大量真实依据：

• 收入结构：2025 年 1–9 月，宇树人形机器人收入中科研教育场景占比高达 73.6%，工业应用仅占约 9%；
• 订单去向：有报道称 2025 年出货的约 5500 台人形机器人中，约 4000 台进了高校实验室——“吃灰”质疑由此而来；
• 复购率下滑：2026 年初，高校市场回购率跌至 56%，工业端 30%，商用端仅 20%；
• 盈利质量：2026 年一季度营收同比增长 68.5%，但扣非净利润同比下降 52.6%；
• 行业泡沫论：有行业报道称”80% 的具身智能订单可能是假的”——2026 年 1 月国内意向订单突破 12 万台，而 IDC 统计的 2025 年全球实际出货仅约 1.8 万台。

这些批评指向一个真实的问题：人形机器人的收入目前主要来自”研究设备”市场，而不是”生产力工具”市场。 这一点没有任何辩护空间，数据摆在面前。

但”跳舞”和”玩具”是两个不同的指控#

把”跳舞”拿出来单独分析，因为它被误解得最深。

第一，跳舞不是”无用”，它是运动控制（motion control）的极限压力测试。 舞蹈需要全身 30+ 个关节的高频协调、动态平衡、快速起停、精确的力控制——这正是人形机器人最难的技术。波士顿动力的工程副总裁 Aaron Saunders 在 IEEE Spectrum 采访中说得很直接：“舞蹈和跑酷固有的技能，如灵活性、平衡和感知能力，是各种机器人应用的基础。“2020 年 Atlas 与 Spot 合跳《Do You Love Me》的视频在 YouTube 播放量超过 2400 万次，但更重要的是：教机器人跳舞的技术栈——动捕（motion capture）数据、强化学习、全身控制——与训练它做工业任务的技术栈是同一套。 波士顿动力自己明确说过：“舞蹈动作和仓库任务来自相同的训练栈。”

第二，跳舞确实不需要大模型——但这不是缺陷。 这个批评隐含了一个误解：以为人形机器人的价值在于”大脑”。实际上，舞蹈展示的是”身体”：运动控制、关节执行器、平衡算法。这些恰恰是机器人本体厂商（如宇树）的核心能力，而”大脑”（大模型）是英伟达、谷歌、Physical Intelligence 这些公司在做的另一层。用”跳舞不需要大模型”来否定宇树，相当于用”发动机不会写文章”来否定一家发动机厂商。2026 年 6 月，英伟达与宇树联合发布开放式人形机器人参考设计——英伟达提供”大脑”（Jetson AGX Thor 算力平台），宇树提供”身体”（H2 Plus），这个分工本身就说明行业清楚各自的价值所在。

第三，“跳舞”正是人形机器人当前的商业变现方式之一。 现实地说：在工业应用还没跑通之前，展示、表演、教育市场是人形机器人公司为数不多的真实收入来源。波士顿动力被现代汽车（Hyundai）收购后，2025 年让 Atlas 在世界杯中场秀跳舞并递送比赛用球——有分析认为这”不是穿着工程外衣的营销，而是穿着营销外衣的工程验证”：在数十亿观众直播、场地混乱、无法预演的真实环境下完成动作，相当于把几个月受控现场试验的研发工作压缩进一场演出。对宇树来说，2025 年春晚扭秧歌的 H1 带来的品牌效应，直接转化成了 C 端和海外订单——2025 年前三季度宇树 C 端收入占比升至 42.3%，京东单渠道 Go2 已售出超 3000 台。

台积电董事长魏哲家曾公开评价”一直弄机器人跳来跳去蹦蹦跳，没用，好看头而已”——这句话在工程上不算错，但需要补充一点：展示是早期技术市场的必需品，不是可有可无的营销。 人类接受一项新技术，首先需要”看得见的证据”。创新扩散（diffusion of innovations）理论把采用者分为创新者、早期采用者、早期大众、后期大众、落后者五类；人形机器人今天正好处于”创新者”阶段——这个阶段的客户是科研院所和发烧友，他们买的本来就不是”生产力”，而是”可能性”。用早期大众的标准（“能不能回本”）去要求创新者阶段的产品，是错位的。

宇树的真实商业逻辑：机器狗养人形#

回到”玩具厂商”这个帽子。宇树的商业模式其实比”玩具”更清楚，它可以概括为：用已经赚钱的四足机器人（quadruped robot）业务，养还在赔钱的人形机器人业务。

招股书数据是这么说的：

• 2022–2024 年，四足机器人收入常年占六成以上，2023 年曾高达 75.78%（人形仅占 1.88%）；
• 2024 年宇树首次全年扭亏为盈（归母净利润 0.95 亿元），当时机器狗仍是第一大营收来源；
• 2025 年人形机器人收入 8.68 亿元（占比 51.78%）首次反超四足的 6.98 亿元（占比 41.62%）；
• 2023–2025 年营收分别为 1.59 亿、3.93 亿、16.99 亿元，三年复合增长率 226.78%；
• 四足机器人累计出货超 3 万台，2022–2024 年占全球市场约 69.75% 的份额，教育版机器狗已进入欧美 2000 余所高校实验室；
• 2025 年人形机器人出货 5500 台，全球第一（市占率 32.4%），截至 2026 年 7 月累计生产下线约 1.8 万台。

下面这张是宇树 G1 的官方产品图——它 9.9 万元的售价本身就是”价格屠夫”策略的体现：把实验室买得起的价格打出来，换取数据、生态和规模：

这套逻辑的弱点也很明显：科研教育市场的天花板有限，复购率在掉，人形业务能不能从”实验室设备”变成”工厂设备”，是决定宇树长期价值的关键变量。2026 年上半年，智元机器人以 8400 台的出货量反超宇树的 5900 台登顶全球第一，而且智元主要面向汽车工厂、3C 产线等工业场景——市场对”谁能先跑通工业落地”的投票已经开始了。

所以对”宇树是不是玩具厂商”的完整回答是：

宇树的产品（跳舞、代步、宠物皮肤）确实带有明显的展示属性，这是早期市场的现实；但宇树的公司不是玩具厂商——它用四足业务赚钱、用价格策略换规模、用科研市场换数据和生态，人形业务是其对”通用机器人”的长期下注。真正值得追问的不是”它是不是玩具”，而是”它的工业落地能不能跑通”——这需要看下一代产品的付费客户结构，而不是看它跳不跳舞。

已经付费的商业案例（截至 2026 年年中）#

1. Agility Robotics 的 Digit × GXO 仓库（美国，首个付费商用案例）

Digit 从 2024 年 6 月起在 GXO 运营的佐治亚州仓库里为 Spanx 品牌搬运周转箱（把空箱从自主移动机器人转移到传送带），这是被业界公认的第一个正式商用的人形机器人部署，采用多年期机器人即服务（Robot-as-a-Service, RaaS）协议。截至 2025 年 11 月，Digit 累计搬运超过 10 万个周转箱。亚马逊随后部署了 700 多台 Digit 到美国履约中心，测试 18 个月后任务成功率达到 98%，运营成本约 10–12 美元/小时，而同等人力成本约 30 美元/小时。2026 年 2 月，Agility 又与丰田汽车加拿大制造公司签订商用协议，让 Digit 进入生产线和供应链作业。

2. Figure × BMW（汽车制造，从试点到规模化商用）

Figure 02 在宝马南卡罗来纳州斯巴达堡工厂跑了 11 个月试点：约 1250 个小时的运行、完成 9 万多次钣金件装载、参与 3 万台以上宝马 X3 的生产、单班成功率 99% 以上。2026 年 7 月 1 日，Figure 03 正式进入该厂 52 号厂房投入商业运行，承担物料搬运、零部件运输、仓储分拣、容器卸载等作业，据报道已有 50 多台在运营，采用约 25 美元/小时的 RaaS 模式（对比人力综合成本 40–50 美元/小时）。下图是新闻配图中的 Figure 03 在宝马工厂的照片：

3. Tesla Optimus（工厂内部自用）

Optimus Gen 3 已在特斯拉弗里蒙特工厂和得州超级工厂内部部署 1000 台以上，从事电池分拣、零部件搬运、厂内物流，2026 年 1 月开始量产；特斯拉目标 2026 年产量 5–10 万台。这是”自研自用”路线——没有外部客户，但规模是最大的。

4. 宇树/智元的工业探索

宇树的人形机器人已进入部分巡检和工厂场景（但占比很小，见上节）；智元 2025–2026 年以 8400 台的出货量反超宇树，主要面向汽车工厂和 3C 产线。中国市场的特点是出货量大、付费场景分散，从核电巡检到酒店服务都有试点。

总量与预测#

根据 HumanoidIntel 的统计，截至 2026 年全球处于商用/工业部署状态的人形机器人约 4000–6000 台，其中汽车制造占约 40%，仓储物流约 750 台以上。德意志银行 2026 年预测：全球人形机器人出货量 2026 年接近 5 万台，2030 年增长至约 70 万台，2050 年达到年出货 7000 万台。

经济账：成本交叉点#

付费案例之所以出现，核心是经济账开始成立。人形机器人的每小时成本可以写成一个简单的式子：

其中 $P_{\text{robot}}$ 是整机采购价，$Y$ 是使用寿命（年），$8760$ 是一年的小时数，$u$ 是利用率（机器人可以 24 小时工作，但实际会有维护和换线时间，取 0.5–0.8），$C_{\text{energy}}$、$C_{\text{maintenance}}$、$C_{\text{software}}$ 分别是能耗、维护和软件服务成本。代入数据：一台 10 万美元的机器人、5 年寿命、70% 利用率，仅折旧一项就是每小时约 3.3 美元，加上能耗、维护和软件，总成本约 5–10 美元/小时——这正是亚马逊用 Digit 时看到的数字（10–12 美元/小时），也是 Figure 对宝马的报价（25 美元/小时，含利润）。

各大机构对成本曲线的预测高度一致：

• IDTechEx：人形机器人平均售价从 2024 年的约 11.5 万美元降至 2030 年的约 3.7 万美元；高利用率工业场景下，2030 年前后运营成本可降至 5 美元/小时以下；2026 年高利用率场景的投资回收期可缩短至约 6 个月；
• 贝恩（Bain & Company）：人形机器人单位成本在 2022–2024 年间下降约 40%，预计 2030 年机器人每小时运营成本等于或低于美国工人的平均时薪；
• William Blair：规模量产后期单位成本降至 2–3 万美元，2030 年代初运营成本可降至 10 美元/小时以下，工业部署 2027–2028 年展开；
• 富邦金控：2022 年均价超 25 万美元，2025 年降至约 13 万美元，2030 年约 6.8 万美元；2030 年机器人等效每小时成本约 7.7 美元（按 24 小时运作），已低于美国入门级劳动时薪 15–20 美元。

机构们把这个时间点叫做成本交叉点（cost cross）——机器人每小时成本曲线与人力成本曲线相交的时刻。美国人力成本每年上涨约 4–5%，机器人成本每年下降约 30–40%，两条曲线的交点大致在 2028–2030 年。交叉点之后，用人形机器人不是”情怀”，而是”划算”。下图是行业整理的美国部分轮式人形机器人的公开价格——轮式方案已经出现 1–2 万美元级别的产品，价格曲线下降的速度比多数人想象得快：

诚实的另一半#

但必须把”乐观预测”和”当下现实”分开：

• 全球部署 4000–6000 台，对比全球 3 亿制造业工人，是 0.0001% 级别；
• 大部分”订单”是意向订单，2026 年 1 月国内意向订单 12 万台 vs 2025 年全球实际出货 1.8 万台，中间的差距就是”订单虚火”；
• 已经付费的场景集中在汽车、物流这类任务标准化、边界清晰、人力成本高的行业，距离”家庭管家”还差一个数量级以上的可靠性、成本和安全性突破；
• IDTechEx 也提醒：较短的回收期不等于保证盈利，机器人交付工作的”有效价值”才是核心变量。

结论：应用场景不是”没有”，而是”很少但正在从零到一”。 2024 年之前，人形机器人付费商用案例为零；2024 年出现第一个（Digit × GXO）；2026 年出现第一个规模化部署（Figure 03 × BMW，50 台以上）。这个节奏慢吗？慢。但方向是单向前进的：案例数量、部署台数、付费金额都在单调递增。