机器人停止表演、开始工作的一年

过去十年的大部分时间里，人形机器人是一场魔术。2026年，这场魔术变成了一份工作。

从演示视频到装配线

如果你稍微关注过机器人领域，你一定知道那类视频：一个人形机器人做后空翻、叠衬衫、倒饮料。画面确实令人惊艳，但作为衡量任何东西的标准都毫无意义，因为演示只是一次最佳镜头。真正的问题从来不是"机器人能在镜头前做一次吗？"，而是"你能造出一万台吗，会有人付钱来运行它们吗？"

今年，第二个问题开始有了答案，而且答案是以台数而非播放量来呈现的。宇树（中国）在2025年交付了约5,500台人形机器人，如今正瞄准2026年的20,000台目标——并推出了一款售价约4,290美元的人形机器人。Figure AI的工厂据报以约每小时一台的速度生产Figure 03。特斯拉Optimus在弗里蒙特工厂突破千台，执行实际生产任务。

这些都不是后空翻，而是包裹分拣、重复装配、物料搬运——经济中朴实无华的中间环节。这恰恰是关键。今年的转变不在于机器人变得更壮观，而在于它们变得更朴素，而朴素的东西才能规模化。

瓶颈悄然转移了

今年机器人报道中有一句话让我印象深刻：瓶颈已经从制造人形机器人转向了大规模寻找买家。

多年来的限制因素是机器本身——执行器太贵、平衡太脆弱、双手太笨拙。工程是那堵墙。如今一家中国公司能以不到五千美元卖出人形机器人，意味着这堵墙已经移动。困难的部分不再是制造机器人，而是证明它能在真实工厂里赚回成本。这是比物理学问题更健康的问题——正是接纳了个人电脑和条形码扫描仪的那条普通的产业增长曲线。

为什么是现在：发生在仿真中的那部分

把功劳归于更好的电机或廉价的中国制造很容易，两者也确实重要。但今年机器人变得有用的更深层原因，是大多数人从未看见的——它发生在机器人开机之前的计算机里。

教机器人的老问题在于数据。为人形机器人采集真实世界的训练数据既慢又贵。解决办法是仿真：构建一个物理精确的虚拟世界，让机器人在一夜之间练习某个任务一千万次，然后把学到的东西迁移到实体机器上。

难题一直是"仿真到现实的鸿沟"——在仿真中完美运行的策略，到了混乱的真实世界往往就崩溃。今年的进展在于这道鸿沟正在迅速缩小。一种方法据报让仅在仿真中训练的策略在真实世界的准确率提升了约41倍。廉价、无限的练习终于能可靠地迁移到实体上了。

第一波浪潮刻意朴素

巴克莱将其描述为两波浪潮。第一波，大致延续到这个十年末，落地在结构化、可预测的场景——制造、物流、仓储、农业、建筑。地面平整、任务可重复的地方。

能帮你叠衣服的机器人是个困难得多的问题，因为家庭比仓库通道混乱得多。如果你想象明年有个人形机器人帮你煮咖啡，请调整时间预期。如果你想象的是一个机器人在配送中心搬运货盘、而一个人通过平板监管三台，那你看到的大约就是当下。

这对我们其余人提出了什么要求

我每天写软件，看着自己所在领域的重心移动，会有一种特别的感受。具身AI正在成为一门融合硬件与软件的学科——一边是运动学、传感器、执行器；另一边是强化学习与模仿学习、计算机视觉。

如果你想真正学习它，入门门槛比人形机器人的价格所暗示的要低得多。现代机器人"仿真优先"的特性意味着你完全可以不拥有机器人就做真正的工作：英伟达的Isaac Lab或开源的MuJoCo让你在笔记本上训练和测试控制策略。

而对于孩子——作为家长我会想到这一点——入门方式美妙地具体。乐高Spike、VEX或micro:bit套件教的正是十亿美元人形机器人项目所依赖的核心直觉：感知世界、做出决定、采取行动、注意哪里出错、再试一次。硬件终于追上了演示。如今有趣的问题是：我们选择用它来建造什么。

常见问题

这些机器人现在真的在取代人类工人吗？

在一些结构化场景中——仓库、某些装配线——它们正在接管特定的重复性任务，通常由一个人监管多台机器。迄今为止更普遍的模式是对狭窄、可预测岗位的增强，而非全面取代。

为什么宇树这样的中国公司在价格上领先？

制造规模、电机与执行器的深厚供应链，以及激进的定价策略共同作用。两年前，售价低于5,000美元的人形机器人几乎不可想象。不过低价格与在非结构化场景中真正有用，仍是两回事。

如果我是做软件的，该学机器人吗？

如果这个交叉领域让你感兴趣，时机不错——这个领域需要同时精通物理与学习两侧的人才，而这种组合目前稀缺。最便宜的起步方式是在仿真中，那里不需要硬件。

对那些数万亿美元的市场预测该信几分？

把宏大的市场预测当作方向性的热情，而非时间表。可验证的事实——下降的成本、真实的生产线——是扎实的。趋势是真实的；确切的规模和时机尚不可知。