今年，一批人形机器人的落地标杆集中对外露出：

3台Figure 03在美国某物流仓库进行昼夜不间断包裹分拣直播；8台智元精灵G2在南昌龙旗科技平板质检产线连续6天、每日10h并行作业直播；银河通用S1在宁德时代动力电池产线实现7×24h连续作业……

图片来自：智元在龙旗南昌工厂直播

对比过去两年，人形机器人产业最容易被关注的指标是“卖了多少台”。但如果把镜头真正拉到工厂、仓库、零售门店或其他实际作业现场，会发现买到一台人形机器人，和真正获得一个能够稳定工作的“数字员工”，中间还有很长一段距离。

数据来源：MIR DATABANK

因此，人形机器人的产业化正在出现一个重要变化：产业竞争的重点正在从“谁能造出机器人”，逐步延伸到“谁能把机器人变成可复制的生产力”。

人形机器人进入真实场景后的第一个问题是：一个人的岗位，如何被拆解成人形机器人可以理解、执行和验收的任务？

过去传统工业机器人通常对应的是明确工艺，任务边界相对稳定，工程师可以通过程序、轨迹和节拍等工艺参数把动作固化。但人形机器人的价值在于，它希望进入更多原本依赖人的非结构化工作。

例如“仓库拣选货物”至少可以拆成：

识别货架和货物 → 理解商品类别 → 判断摆放位置 → 规划行走和操作路径 → 控制手臂和手指 → 抓取 → 搬运 → 判断目的地 → 处理遮挡和碰撞 → 放置 → 检查结果 → 处理异常

而不同场景中的异常又完全不同。如纸箱可能变形，货物可能被遮挡，货架可能出现空位，目标物可能被其他物品压住，放置位置可能发生变化……

因此，人形机器人落地首先做好任务定义很重要，具体定义有：任务、子任务、可复用的动作技能（如下）、异常、成功的结果、需要交给人做的情况等。这实际上是在把过去由人掌握的“岗位经验”，逐渐转换成机器人可以学习、调用和验证的机器能力。

从物理执行角度列举人形机器人主要动作技能

信息来源：MIR 睿工业收集整理

当任务被定义之后，人形机器人最终需要学习的是人在真实环境里是如何感知、判断、移动、操作并得到结果的，这意味着人形机器人部署过程中，需要不断获得真实世界的数据，更重要的是，这种数据生产正在出现专业化、规模化的趋势。

2026年9月23日，觅蜂科技正式发布“觅蜂派”物理AI数据众包平台。平台通过App组织用户佩戴采集设备，在零售、仓储、制造、家庭等多类真实环境中完成指定任务，并将真实操作转化为机器人训练数据。公开信息显示，其覆盖22大类场景、5,000多个任务和50,000多个真实环境。

图片来自：觅蜂科技“觅蜂派”发布会

印度Pearl Global 服装厂工人每日约6小时头戴Egolab AI定制摄像环录制第一人称手部缝纫操作视频数据。

该专业化、社会化、平台化的数据生产方式，可以看出当前复杂动作模型训练对真实世界数据的需求持续扩大，而数据的采集及使用将在未来出现分工：

• 场景方提供真实环境；

• 数据平台负责组织采集人员；

• 采集设备负责记录人体动作和环境信息；

• 数据工程企业负责清洗、切片、轨迹重建和质量控制；

• 模型企业负责训练；

• 最终机器人厂商或行业客户再进行后训练和落地部署；

• 部署场景也成为机器人能力持续迭代的数据源；

……

人形机器人有了数据之后，下一步是训练模型。但这里需要区分两个阶段：预训练和后训练。

预训练解决的是人形机器人的“通用能力”。通过大量真机数据、人类示范、遥操作数据以及仿真数据，人形机器人模型希望获得对环境、物体、动作和任务的基本理解，并尽可能适应不同人形机器人、不同物体和不同场景。这也是当前人形机器人基础模型竞争的核心。

但问题在于，通用模型即使已经具备很强的泛化性，如同人类的基础生活和处理常见事务的能力，仍有可能无法立刻胜任多种行业工作，仍需针对具体工作SOP、上岗培训、规则考核等完成再适配。例如，一个通用模型可能知道如何抓取一个零件，但工厂真正需要的是：识别零件型号、判断方向、完成抓取、对准装配位置、插入到位，并在出现偏差时重新调整。

因此，基础模型之后还需要进入后训练阶段。

后训练的核心，是利用特定行业、特定任务的大量真实数据，把通用能力进一步转化成可以执行的行业能力，其中包含任务模型、规则模型、技能模型等。

可以看出，未来针对行业落地部署的竞争关键，可能不只是模型本身。谁拥有更多真实行业数据，谁更理解具体任务，谁积累了更多异常案例，谁拥有更多实际部署经验，谁就更容易把通用模型真正变成行业生产力。

客户现场永远不会完全按照训练设计的环境来准备，场所的物料、光照、工位、节拍、安全要求、设备接口等，甚至客户对“完成任务”的定义都不同。

因此，一个新的产业角色开始变得越来越重要：人形机器人二次开发和场景落地服务商，它们真正做的是将机器人的通用能力转换成客户可以使用的业务能力，具体包括传感器加装、末端执行器适配、模型后训练、模型接入、动作编排、上位机开发，以及与客户原有设备和软件系统的连接。

目前人形本体厂商需要二开生态，常见的二开厂商类型有：

人形机器人常见二开厂商类型

信息来源：MIR 睿工业收集整理

具身智能算法模型公司，核心输出跨本体的感知、任务规划、大模型交互等软件能力。本体厂商掌握底层运动控制与本体硬件资源，而算法模型公司承接上层智能能力开发，理论上二者形成天然分工，但生态博弈点集中在“二开权限边界”（如场景数据归属、训练所得技能资产所有权等），这些权责的划分直接决定各方的利益分配。

外设硬件配套公司，以灵巧手、移动底盘、机器视觉等外部硬件为载体，依托人形本体开放接口开展二开，开发外设联动逻辑、感知任务程序，实现本体与外设协同作业。这类厂商同时掌握零部件设计、底层驱动适配、感知算法能力；核心不只是硬件供货，而是通过二次开发打通“本体-外设”作业闭环。

垂直场景专业二开厂商的核心优势是行业客户资源、现场部署经验与工艺理解。这类厂商目前大多来自本体原厂的生态合作伙伴，普遍存在利益绑定关系。他们不一定自研具身大模型，但熟悉现场工程落地全流程；核心目的是把人形机器人嵌入现有业务体系，面向工业、教育、巡检、文娱等行业交付可落地的场景方案。这类厂商的挑战，在于将人形机器人能力与行业现有工作流程、自动化系统打通，实现稳定规模化落地。

目前MIR 睿工业统计人形机器人二开厂商数量超过百家。

项目多，不等于市场已经成熟。目前客户端实际多采购的是人形机器人的展示价值，而较少采购难实现的生产力价值，因此，不同下游场景展现出了不同的二开商业化成熟度。

不同下游场景二开落地现状概要

信息来源：MIR 睿工业收集整理

这三类场景项目都可能有收入，但落地部署目的不同。

娱乐表演、接待导览场景中人形机器人本身就是展示的需求内容，这类项目可以产生收入，且可以帮助客户建立市场影响力；工业和商业复杂服务场景中，客户更多是想验证人形机器人能否做事，这类项目可以落地但不一定能够快速复制；C端类作业项目目前打开市场较难，多在功能和价格之间进行权衡。

工业、商业复杂服务、C端作业类场景二开商业化难，主要因为其工艺/任务复杂度、安全成本，以及复制成本均高。其中“如何让第二个项目比第一个便宜”，是市场化推进的重点，真正成熟的二开市场，需要开始出现可复用资产：项目沉淀的数据、项目训练出的模型、项目开发的技能、项目建立的接口、项目完成的安全方案等。

而当二开厂商开始卖一个技能包、一套行业解决方案时，二开市场才开始真正具备业务规模效应。

2026年，中国人形机器人产业持续推进场景落地部署进程，并正在艰辛经历：从一个硬件产品，变成一套可以持续训练、开发、部署和运营的生产力系统。

人形机器人行业目前在回答：“机器人能不能真正干活？”而再往后，行业必须回答“这种干活能力，能不能低成本地复制到更多工厂、更多岗位和更多真实环境中？”这要求本体厂商打通“零部件、生产、数据、模型、开发部署、服务和标准等”链条，维系产业链多方协同。这套体系的成熟度，决定本体厂商能否进入真正的生产力市场。