能不能走、会不会跳，产业界现在更关心的是：它能否进入真实岗位，稳定干活，并让客户算得过来账。

　　热潮之下，短板仍然明显。核心部件受制约、真实场景应用不足、标准体系尚未统一，仍是产业规模化必须跨过的门槛。与此同时，市场预期与商业化进度之间的落差，也让“泡沫论”持续升温。近期宇树科技市值大幅回调，更让这一争议成为行业焦点。

　　9月17日，由中国机电一体化技术应用协会主办的第九届中国峰会在杭州举行。现场披露的数字依然亮眼：今年上半年具身智能赛道融资超过900亿元；珞石称其仿人机械臂出货超过1万台；星海图称已获得超过千台规模订单。

　　多位与会专家认为，产业早期适度的泡沫能够吸引资金、人才和技术资源，但高预期最终仍要靠真实产出来消化。随着核心零部件、具身模型和端侧算力持续进步，行业需要合理管理预期，把“场景派”与“技术派”结合起来，以大脑定义能力、以场景驱动迭代，让机器人从展台走进实景实训，真正转化为现实生产力。

　　工信部赛迪研究院科技处处长董凯认为，新兴产业在一定程度上需要泡沫。社会关注度上升后，资金、人才、知识、数据和算力加速涌入，触觉传感器、执行器等过去投入不足的环节，也因此获得了更快的迭代机会。

　　“在浪来的时候有泡沫，是应该的。在浪退去的时候，留下的才是真实。”珞石机器人执行董事、副总裁宋斌表示。对具身智能这样的长周期产业而言，泡沫的危险不在于是否有热度，而在于企业能否把热度转化为产品和交付能力。

　　眼下，技术进步已经开始从单点突破转向系统工程。宋斌介绍，珞石累计出货约50万个力控一体化关节。工业在关节、力控、精度和实时反馈上的积累，正被迁移到仿人机械臂。董凯提到，珞石机械臂较早通过了MTBF 8万小时认证。相比翻跟头、跳舞等直观演示，平均无故障运行时间不够吸睛，却更接近工厂的真实要求：不仅要完成动作，还要在既定节拍下长期、稳定、可维护地工作。

　　具身模型同样在快速进步。星海图总监沈鑫称，过去一年多，全球具身大脑开源模型密集发布，模型在零样本泛化、通用抓取和长程任务等能力上不断取得突破。

　　但模型能力并不等同于产业能力。沈鑫认为，具身智能不能存在明显短板，从电机、整机、遥操作、数据到模型，五个环节必须全部打通。在星海图的判断中，一个合格的产业级模型至少需要100万小时的数据积累。这揭示了具身智能落地的一道现实门槛：机器人每一次决策最终都要作用于物理世界，模型中的误差可能直接导致摔倒、停线甚至引发安全事故。

　　这也解释了为什么“会演示”不等于“会生产”。浙江大学机器人研究院院长朱世强直言，目前不少机器人“会干点活，实际上干不好”，有的只能在特定条件下完成动作，表演之后就“趴窝”。

　　华睿智普创始人兼CEO蔡镇辉也提到，部分物流客户测算后发现，当前装卸机器人的人效比仍然不及工人，成本敏感的企业因此不会采用。模型在云端跑通后，还要面对端侧算力、功耗、实时控制和重复部署调试等问题；真机数据稀缺且昂贵，仿真数据在机器人训练和控制效果上，与真机数据相比还有差距。

　　在所谓的“泡沫”之下，量产不能只看一年下线了多少台机器人，还要看产品是否可制造、可交付、可验收、可持续运行。只有能够在真实岗位上创造稳定产出，技术进步才会转化为现实生产力，并成为挤掉“泡沫”之后留下的产业价值。

　　当硬件逐渐跨过“能动起来”的门槛，产业矛盾开始向上转移：机器人是否知道自己该做什么，能否在环境发生变化后继续完成任务，以及失败后能否根据反馈调整动作。

　　“场景派”从具体任务出发，能够较快形成商业闭环，但在单一环境中训练出来的能力往往泛化不足。一旦设备、物料或空间发生变化，机器人可能需要重新训练，复制成本随之上升。“技术派”则追求更强的自主决策、通用性和跨场景能力，但研发周期更长、投入更高，商业化速度也相对较慢。

　　单一方向都很难同时解决技术进化和商业落地的问题。两条路径的结合点，是用“大脑”沉淀可以迁移的能力，再由真实场景提出任务、提供数据并检验效果。

　　朱世强介绍，浙江大学机器人研究院以“无际大脑”为基础，开办了机器人学校，试图把两条发展路线合二为一，两个多月前该学校已正式开学。

　　据悉，上述大脑覆盖交互、定位、认知、分析、决策、行为设计、评估反馈、记忆、知识和作业等能力，并将人类安全、伦理法律、周边物体安全和机器人自身安全设为基本原则。

　　想“入学”的机器人需要先接受本体软硬件“体检”，再进入不同场景实训和技能考核。进入真实作业环境后，机器人还要根据任务结果和用户反馈继续迭代。机器人学校围绕着不同赛道，设立了一系列课程体系。每门课都是一个封装好、接口标准可复用的功能模块。

　　朱世强称，一台导览样机进入机器人学校后，约半个月即可上岗；面对新的展馆内容，不到一天可以完成部署。在工业领域，机器人学校正在训练面向船舶制造的焊接机器人。按照朱世强的设想，这类机器人由人带到现场后，可自主寻找焊缝并实施焊接。

　　值得一提的是，在不久前的JDD京东全球科技探索者大会上，京东物流发布了五款“狼族”机器人全新产品和技术。宋斌透露，珞石参与了相关机器人项目，比如在分拣场景规模化应用落地的具身灵巧臂“异狼”。

　　宋斌认为，第一人称采集数据、线Real数据需要结合起来，形成垂直领域的高质量数据集。这意味着机器人在、上下料、零售分拣等岗位执行任务时，也在不断生成“环境—动作—结果”的反馈。数据反哺模型，模型泛化能力提升后，又能降低下一个场景的部署成本。

　　某种程度而言，“大脑定义、场景驱动”正在成为产业共识：大脑决定机器人能够理解什么、迁移什么，场景决定哪些能力值得训练、什么样的成本可以接受。

　　短期来看，流程相对清晰、价值容易量化、适合人机协同的工业和岗位，更可能率先跑通。长期来看，企业的竞争壁垒不只是本体参数或模型榜单，更是能否持续形成“部署—作业—反馈—再训练”的循环。

　　人形机器人量产元年开启的，不只是产能竞赛，更是一场生产力资格赛。融资、订单和出货量可以制造声量，但能否满足客户对节拍、可靠性、安全性与成本的要求，并最终带来复购，才是产业价值的真正尺度。只有越来越多机器人在真实岗位上持续稳定作业、形成可复制的商业回报，“量产元年”才能从行业口号变成产业事实。