人形机器人扎堆进厂“实习”：明面拧螺丝，暗地磕“手感”

作者：智讯智库分析师 陈宥文

2026年，公开可查的进厂“打工”的人形机器人，实际大多顶的都是“带薪实习生”的身份——它们的真实KPI不是拧了多少螺丝、分拣多少包裹，而是一项比完成当下工序更迫切的任务：采集高质量的具身智能数据。

2026年，人形机器人“元年”叙事全速推进，“进厂打工”成为最拥挤赛道——翻开媒体头条，是Figure 03三台轮换、连续200小时分拣近25万件包裹的神话[1]，是智元精灵G2再入龙旗工厂开启6天直播、“早八晚七”的产线验证尝试[2]，是特斯拉拉开“年产百万台Optimus”的序幕[3]；甚至小米也刚刚发布自家机器人进厂工作视频，并宣称其首次实现汽车工厂的柔性工件长时作业[4]；而即将于7月17日开幕的WAIC 2026（世界人工智能大会）将具身智能首次与智算并列为两大核心赛道，更将搬入真实汽车产线，展示人形机器人协作造车……

聚光灯之下，人形机器人似乎正朝“走出Demo、真实部署、产能替代”一路高歌猛进。

但热闹的另一面，行业内部对现状的判断却仍然克制：马斯克在年初直言Optimus进特斯拉工厂“更多是为了学习”[3]；瑞银证券审慎判断：“即便很多厂商冲万台，人形机器人也未必真正进入商业化拐点”；麦肯锡更在5月行业演讲中，将当前阶段定义为“试验炼狱”（pilot purgatory），指出“从概念验证到创造真正的商业价值，存在着巨大的鸿沟”[5]；小鹏则坦言，IRON要实现精细操作的规模化还有一段距离[6]；

在当前阶段，人形机器人“进厂打工”，是工厂买方算过ROI账、心甘情愿自掏腰包的规模化商用拐点，还是机器人厂商与投资方以真实产线为数据矿场、以具身智能数据为主要产出、把产能贡献仅当作副产品的战略投入期？

显然，答案指向后者。高盛5月底调研14家中国人形机器人产业链企业后发布的年中复盘，也支撑着这一判断[7]。

“实训”二字，正是这场宏大叙事的核心转轴。它剥去了“产能替代”的激进叙事外壳，暴露出产业真实底色：各家人形机器人急着扎堆进厂，更现实的价值，是在产线上边干边采，为模型迭代开采“燃料”——特别是包含多维触觉-力觉的具身智能数据。

在这背后，是人形机器人企业希望让理想中的“产业飞轮”转动起来：机器人进厂采数据——数据同时反哺“软件”（模型算法迭代）与“硬件”（迭代暴露的短板反向定义下一代硬件参数）——两条线在具身智能数据（以“触觉-力觉”为代表）处咬合，最终跨过长期可靠性临界点，触发规模化复购，飞轮才能越转越快。

基于此，本文选择从数据切口进入——深入分析那层决定行业下一次突破的具身智能数据——为什么具身智能光“看到”还远远不够？非得向更深一层的“手感”——也就是本文所表述的“力觉真值”——去深度挖掘？

核心判断如下：

商业化拐点仍未到来。如果以替代工人、贡献稳定产能为目标，当下多数高端人形机器人根本无法算得过工厂的ROI账。从功能定位看，它们当前的真实身份还是“带薪实习生”。现实价值是采集具身智能数据，而非贡献产能。

高质量真实世界多维数据（具身智能数据），特别是力觉真值（force ground truth，即经高精度标定、可作为模型监督信号的力/力矩真实值，处于具身智能数据金字塔尖）层级的数据，是制约具身智能模型持续提升的关键瓶颈。据高盛调研，多数产业玩家预期，行业需在部署就绪的模型基础上积累数千万小时的高质量数据，而当前供给端与之存在巨大的量级差距[6]。其中，涉及接触密集型交互（contact-rich interaction）的高保真数据尤为关键。若沿此逻辑进一步推导，力觉真值层级的数据，更是全部有效具身智能数据中稀缺度最高的子集之一，它决定未来具身智能能否真正胜任精细操作、突破泛化边界。

收入机会与议价权将随时间沿产业链分层迁移。短期（1-2年），具身智能数据采集商及相关硬件环节先获得收入机会，但内部也会发生快速分化；中期（3-5年），更丰厚的收入机会与议价权向能规模化生产高质量力觉真值的玩家集中；长期（5年以上），行业终局赢家则属于率先跑通“力觉真值数据-模型-硬件”完整飞轮闭环的厂商。

边界与风险提示：

本文仅聚焦工业制造场景，判断基于截至2026年7月中旬的公开信息，部分数据来自企业单方披露或行业估算，未经第三方独立审计；本文核心判断并非针对当下业绩，并非对行业趋势的评价，而是聚焦“数据资产”向“产能资产”这一跃的落点与节奏展开分析。核心风险包括：若世界模型与Sim2Real取得突破性进展，算法可绕过真机力觉真值完成工业级精细操作，则力觉真值的稀缺性需重估；若力觉数据的跨本体、跨任务迁移技术无法突破，当前采集的数据将锁死在单一机型，难以形成通用数据资产，价值大幅缩水；若当前尚未收敛的硬件路线在下一代本体迭代中发生结构性变化，今天采集的数据可能快速贬值；若两三年内无法触发工厂基于ROI的内生规模化复购，“数据飞轮通向产能替代”的逻辑可能无法兑现。这意味着当前阶段应关注“数据资产”向“产能资产”的转化节奏，而非单纯追逐本体出货量；这一跃能否兑现、何时兑现，后文四项可验证指标可逐项跟踪，任一指标长期不兑现，本文对“力觉真值”稀缺性的判断即应相应降级。

直播演示秀肌肉，账本一算是亏损

人形机器人进厂这件事，有两拨人在算两本完全不同的账。

一拨是机器人公司在算战略账、估值账。进厂是为了把真实工业场景变成可持续的数据来源与能力证明，用可量化的稳定性、可复现的任务表现去支撑下一轮融资与估值叙事：Figure秀出“耐力”，3台Figure 03轮换连续分拣包裹超200小时，累计249,560件，期间零硬件故障[1]；智元秀“并线”，将镜头架进龙旗科技南昌平板产线，以“早八晚七”开启6天直播，多台精灵G2与人类协同完成平板质检四大核心工序，试图以真实工况回应“预编程”质疑[2]；特斯拉秀出量产规划，宣布将弗里蒙特工厂ModelS/X产线改造为“年产百万台Optimus”的生产线[3]。虽然秀的方向不一样，但本质上都是为了建立“机器人长时间稳定运行”的可信度与规模化想象空间。

另一拨则是工厂在算产能账、回本账——这台设备能不能比人多干活、少出错、多久回本？

从喧嚣的媒体报道搬到工厂账本上，画风立刻冷下来，例如：Figure 03那场风光的直播里，细看仍能发现分拣速度波动、偶有卡顿，甚至存在偶发性分拣错误与短暂停滞[1]。而分拣场景与插接、装配等精细操作存在显著技术代差，前者更多依赖视觉识别，后者则对指尖级力觉精度提出更高要求。若直接将其迁移到拧螺丝、插接件等接触密集的精细活，问题就会迅速暴露：拧稍紧的螺丝会打滑、插接件对不准孔位、抓滑溜工件不是捏碎就是掉落——这些技术卡点，指向了一个软肋：缺“手感”，也就是触觉-力觉。

高盛5月底走访14家企业的调研，恰好也印证了这一判断：绝大多数头部玩家仍处于POC（概念验证，即小范围测试）到小批量测试阶段，大规模落地预计将延后至2027-2029年[7]。

此时，我们从商业角度替工厂拆解一遍“产能账”（总公式：机器人年化总成本÷有效作业小时），结论就很清晰：以“产能替代”为目标买人形机器人，眼下就是亏本买卖。

续航撑不起一个班次。主流双足机器人满电仅能连续作业2-4小时，远低于工厂8-10小时的标准班次。这意味着，要填满一个工位，工厂要么接受频繁换电带来的停机成本，要么必须配置多台机器人进行轮换——如果这样做，就会直接导致购机与维护成本成倍翻番。

停线风险敞口及试错成本极高。执行器（关节模组）是人形机器人整机BOM（物料清单）中占比最高的成本项。麦肯锡2026年4月报告估算，该部件占整机BOM的40%-60%[7]，而感知系统仅占10%-20%。其中，滚柱丝杠、减速器和轴承存在磨损风险；力/力矩传感器则面临过载损伤、漂移与重新标定风险。即便暂不考虑单个关节本身的高昂维护成本，在汽车或3C这种争分夺秒追求极致稼动率的高精密产线上，人形机器人一旦发生故障所引发的整线停工损失（数十万级），工厂根本无法承受。

可靠性远未达工业级标准。作为进厂时间较长的行业标杆，Figure 02在宝马工厂运行了11个月，支持了3万辆X3生产；Figure 03也于今年6月25日正式进厂[9]。但这是“累计运行时长”，并非工业场景通用的可靠性验收指标。工业领域通用的可靠性验收指标MTBF（平均无故障工作时间），在高端工业机器人上可达数万小时级，人形机器人目前公开的运行数据与此仍存在显著差距。

三笔细账摊开来看，人形机器人的短期ROI根本算不过来。

工厂买回去就是一笔“负收益资产”——这不是否定未来的可能性，而是现阶段的商业现实。

那既然是赔本买卖，为什么亿元级订单还在不断落地？答案就在出资主体与需求主体的结构性错配中：截至2026年6月，可查的亿元级人形机器人整机订单里，地方国资主导的数据采集与实训基地项目占比较高；民营制造企业的付费则仍以单厂小批量POC、产线验证为主，尚未出现千台级、跨厂区的产能替代型规模化复购。对地方国资而言，买的是未来入场券，拿场地换数据资产、以场景换产业卡位；对民营企业而言，付费只为验证特定工位替代可行性，仍处于技术试错期。这意味着，当下产业是政策端在踩油门，但市场端尚未完全接力——引导基金有存续周期，国资场景受考核约束，若窗口期内无法证明稳定产能转化，这条路径就会面临有输血、无造血的换挡空转。

当然，还有特斯拉Optimus、小米机器人，以及吉利、现代汽车、比亚迪等车企“厂系闭环”玩家自研自用的路径——数据在自有产线回流，既不依赖外部政策催动，也无需说服第三方买单。但即便如此，它们的官方定调仍是“学习”“实习”或“测试”，产能贡献仍被视为副产品，基于ROI的内生替代需求同样未被真正激活。

这些路径看似不同，但都面临着同一道坎：都尚未真正跨入市场驱动的门槛。真正决定拐点是否到来的，不只是它们在自己工厂跑得多顺，而是当这些机器人走出自有体系、进入毫无关联的第三方产线时，能否让买方心甘情愿地自费复购——甚至，连它们自己愿不愿意在更多工位上大规模复购、部署，目前都还要打上一个问号。

所以，从现状看，从Figure 03的200小时直播到智元精灵G2进行的6天验证，演示越拉越长、场景越来越真，但人形机器人“带薪实习生”的身份尚未改变——这些验证最终沉淀的产线运行数据与故障恢复样本，或许会比完成的计件、质检数量更具现实价值。

结论很清楚：当前阶段，还不是工厂更需要人形机器人，而是人形机器人更需要工厂——去采集足以决定未来胜负的具身智能数据，去证明这套数据最终能值回票价。

人形机器人急需“进厂”采数据

为什么人形机器人当下更需要工厂？答案就指向开头提出的那一个“数据飞轮”——

进厂采集数据→数据驱动软硬件迭代→能力更强的本体再次进厂→回采更高质量的数据，循环往复，飞轮加速。

在这一闭环模型中，业界共识是：当前最大的瓶颈，卡在飞轮的起点——数据。

LLM（大语言模型）能在两三年里跑通，靠的是互联网上以PB计、近乎免费的海量图文视频素材——1PB约等于100万GB，大致相当于25万部高清电影（若一部高清电影按4GB计）。

而人形机器人需要的具身智能数据，根本没有如此海量现成的素材可用，哪怕是最基础的“视觉-动作”数据，也必须通过真机采集、仿真合成或人类视频迁移等方式专门获取。

截至2026年初，全球具身智能数据原始采集总量仅约50万小时，与行业估算的数千万小时有效具身智能数据需求相比，存在百倍以上的巨大缺口——补齐这个缺口，把可靠性、泛化性、故障恢复能力打磨到工业级标准，才有可能跨过从“试点演示”到“大规模商用”的临界点。

正是这种数据供给的量级差距，构成了具身智能模型与大语言模型之间最核心的能力鸿沟。

为了给具身智能模型开采数据“燃料”，资金正朝着这一环节快速涌进：在优必选2025年拿下的13亿元Walker系列订单中，自贡数投（1.59亿）、广西防城港（2.64亿）、江西九江（1.43亿）、广西（1.26亿）等公开披露的地方国资大单，明确指向要建设数据采集或训练中心[10]。智元机器人自建了超4000平米的数据采集基地，日均产出3～5万条数据。京东更是官宣要建全球最大的数采中心，计划动员内部10万员工+外部50万各行业人员，两年内采集1000万小时人类第一视角示教视频数据[11]。

纵观这些产业实践，能够发现，整个行业存在着两条并行的数据采集路线：

集中式数据采集：新建封闭场地，人工搭建多场景，不负责产出产品，专用于采集具身智能数据，目前多由政府或国资支持。此类设施内部通常混合部署多种采集方式——既包含真机自主采集线（机器人本体在模拟工位自主运行），也包含遥操作采集台（人工远程操控真机记录轨迹），部分场地还配置人类动捕/触觉手套采集棚（快速积累人类操作先验数据）。具体产出数据类型取决于内部部署的采集方式。

分布式数据采集：

真实产线嵌入：机器人直接进入汽车、3C等现有工厂的辅助级工位，在真实工况中“边干边采”——这就是新闻中常见的“人形机器人进厂打工”，产出的是真机自主（本体部署）数据（带全身动力学耦合与失败-恢复样本数据）。

轻量化场景采集：通过穿戴手套、UMI手持设备等装备，在家庭、办公室等碎片化场景中采集。不靠真机本体即可执行，产出的是以人类身体为中心映射的数据（成本低、可跨本体复用，但缺乏机器人动力学特性）。

从具体的采集方式来看，可分为以下几种：

可见，具身智能数据的采集，构成了一条陡峭的“成本-质量”金字塔曲线：底座的人类视频与仿真数据成本趋近于零，但完全无法采集真实物理交互中的力觉信息；越往上，数据质量越接近工业级的力觉真值，成本也呈数量级攀升。行业各玩家斥资数十亿打造采集中心、走进工厂实训，正是在这座金字塔中分层布局——底座以规模化堆量摊薄单位成本，顶层则以真机实训硬磕力觉真值瓶颈。

而在其中，决定当前机器人柔性泛化操作能力上限的，正是指向接触密集型交互（contact-rich interaction）的高保真数据——位于数据金字塔尖的力觉真值（force ground truth，即经高精度标定、由本体传感器直接测得的力/力矩信号）。它必须在物理世界的真实交互中反复触碰摩擦，并叠加硬件折旧、传感器损耗、人工标定与停机时间等一系列成本，才能一帧帧积累而成。

需要说明的是，虽然人类视频（Ego-centric）、仿真合成、UMI（通用操作接口）手持采集等不依赖机器人本体的轻量化方案，是当前行业降低采集成本、扩大数据规模的主流手段，真机力觉真值尚属高成本少数派；但从价值密度看，后者是不可压缩的硬约束——恰恰因为它无法被上述低成本方案替代，让本体真机在真实接触中持续产出可回流的力觉真值，才是突破精细操作能力的关键。

这一不可替代性，在拧瓶盖这类接触密集型任务中暴露得最为直观。具身模型只看视频或许能学会手型与方向，但绝对采不到手指与瓶盖之间的接触力分布；人类视频缺失力觉、触感与关节状态等关键控制变量，纯视觉信息不足以支撑精细操作的物理理解；仿真合成数据或许能批量生成拧动轨迹，但物理引擎对接触力、摩擦力的建模与真实世界存在系统性偏差——Sim2Real鸿沟在接触密集型场景中尤为显著，柔性物体的形变与“打滑”瞬间的摩擦力难以被精确模拟；因为它的力矩是模拟计算出来的，而非真实触碰产生的。UMI等手持采集方案虽实现了低成本与跨本体复用，但采集精度有限，且同样无法获取机器人本体在真实交互中的六维力觉反馈。

换言之，低成本方案解决的是“量”的规模化，而力觉真值解决的是“质”的硬边界——在接触密集型精细操作中，没有力觉真值的模型，永远学不会那零点几牛的阻力突变意味着什么。

实验早已验证了力觉模态的价值：在七项力敏日常任务上，将触觉信号锚定到真实接触力的“触觉-力觉对齐”方法，比仅把触觉当作另一张图像的“触觉-视觉对齐”方法，平均成功率高出22%[14]；在插接件等接触密集型任务中，把六维力/力矩作为与视觉、语言并列的“一等模态”参与决策，平均成功率较纯视觉基线提升约23%，标准插接任务最高可达约80%[15]。尽管这些结果均来自实验室特定机械臂和任务条件，不能直接外推为工业产线通用性能——工业级产线对“合格率”的定义还包含节拍、MTBF（平均无故障工作时间）、故障恢复等维度。但这至少证明，真正的差距，一定不在于手型模仿得像不像，而在那零点几牛的阻力突变是否被模型真正理解——力觉真值不只是理论性叙事，而是在接触密集任务中展现出了可量化的性能增益。

能“看”的终究不会稀缺，手感才是下一程的关键变量——对具身智能模型来说，视觉数据的边际收益或许正在递减，触觉/力觉数据的边际收益正在上升。当行业逐步意识到力觉真值所代表的手感（触觉-力觉）数据的重要价值，模型侧也随之迎来了范式升级：

从“视觉主导（VLA）”向“多模态（VLTA, Vision-Tactile-Language-Action）”跃迁：例如帕西尼感知发布OmniVTLA2.0全模态大模型，将高精度触觉感知升级为核心决策模态；开普勒发布VTLA全感知原生力触觉全栈数采方案Kepler-OmniTac™，同样将力触觉模态拔高到与视觉同等重要的地位。

从"触觉-视觉对齐"向"触觉-力觉对齐"跃迁：前者把触觉当作又一张图像，后者才把触觉信号锚定到真实接触力（即力觉真值）上；实验表明，在七项力敏日常任务上，后者较前者将任务成功率平均抬高了约22%[14]。

必须说明的是，一般情况下，产业界常把触觉和力觉合在一起讲——但对应的传感器、能采的数据维度、能干的活其实不同；若细加拆解，涉及手感（触觉/力觉）的数据，其难度、价值本身也有高低。具体来看：

在精细操作任务中扮演关键角色的是第三层：指尖力觉真值（由指尖触觉阵列与腕部六维力传感器协同标定，共同构成“力-触觉-动作”数据），是数据采集环节中目前最“稀缺”的部分之一——它既缺在硬件技术门槛高、价格昂贵，导致采集成本居高不下；更缺在尚无统一的行业标准：由于传感器形态各异、接口与量纲不一，数据难以对齐，跨本体、跨任务的数据无法直接复用，这直接成为了制约模型泛化能力与精细操作水平提升的关键瓶颈。

厘清力觉真值数据的不可替代性，同时需要戳破两个常见迷思。

迷思一：仿真能替代真机采集？

仿真能覆盖预训练阶段“视觉主导+简单接触”的规模化需求，却无力满足高精度接触密集型任务在模型微调阶段的精度要求。

尽管“虚实结合”是行业采集具身智能数据的主流手段——行业流传的“99%仿真数据”之说[17]尚有待验证——NVIDIA官方GR00T N1模型据称为85%仿真+15%真机微调，且这15%恰恰集中在力觉相关的接触场景。更准确的判断是，仿真能解决80%的视觉识别与粗运动规划问题，当前主流物理引擎仍跨不过最后20%接触密集型任务的毫牛级力觉鸿沟——即Sim2Real面临的“毫牛级力控”精度偏差（能感知0.001牛顿级别、大约一张A4纸重量的力的变化）——这是物理引擎的底层局限，也是最新研究反复验证的结论。仿真能教会手型形似拧螺丝，却仍然不足以教会机器手停在刚好密封的位置。

近期，部分仿真平台与开源工具在视觉主导任务上展现出较强的Sim2Real迁移能力，反向印证视觉层的数据瓶颈正加速瓦解。但迁移到3C插接器装配、汽车精密装配等接触密集型的精细操作任务中，毫牛级力觉真值仍是仿真合成数据难以绕过的硬约束；换言之，仿真在视觉任务上的进步越显著，视觉层的数据壁垒瓦解越快，行业焦点就越向接触密集型任务集中，真机采集的力觉真值稀缺性反而会被进一步推高。

迷思二：协作臂能替代人形真机自主采集？

协作臂能替代的是固定基座下的单臂操作，不能替代的是全身动力学耦合下的力觉映射。人形机器人是一个复杂的浮动基座系统，其指尖接触力是全身20多个关节协同的结果；末端力与关节力矩的映射关系远比固定机械臂复杂——后者可通过经典雅可比矩阵精准计算，而人形机器人作为多关节耦合的浮动基座系统，力控复杂度高出数个量级[20][21]。涉及全身平衡与多触点交互的复杂工位，只有人形真机自主采集的数据具有不可替代的复用价值。

概言之，真机自主采集的真正壁垒，不是“有机器人在场”，而是能拿到三样别处难复制的力觉真值样本：

无人工干预的自主接触力数据。摆脱了遥操作中人类操作员主观修正带来的轨迹偏差，力觉序列自然连续。

真实环境中随机触发的失败与恢复样本。例如滑丝、密封失效前的阻力突变，是模型最稀缺的长尾数据（corner cases）。

规模化无人值守下的连续序列。连续作业既能摊薄单位时间的采集成本，又能覆盖越丰富、越不可预测的长尾接触场景。

既然真机力觉真值是当下不可替代的硬约束，商业机会就不会平均洒向整条产业链——它会沿着数据金字塔的层级，分阶段向不同环节集中。

收入机会先流向谁?

淘金热里最先稳定赚钱的，往往不是淘金客，而是卖铲子的人。人形机器人行业同样如此。

QYResearch测算，全球具身智能数据采集工厂的市场规模将从2024年的7.53亿美元，增长到2031年的67.52亿美元，年复合增速高达36.8%[22]。

基于此前对具身智能数据、特别是力觉真值数据的判断，本文认为，谁能率先把“力觉真值”的采集做成可持续复用的产线级数据引擎，谁就握住了下一程的入场券。

基于此，可以形成短中长期三级判断：

短期（1-2年）：低端视觉数据壁垒瓦解，触觉/力觉硬件获得结构性溢价——“卖铲子”的逻辑在这个阶段最有效。

随着XRZero-G0等设备将不依赖机器人本体的数采成本压至1/20，银河通用OpenWBT、傅利叶ActionNet、智元AgiBotWorld相继开源，视觉-动作数据集正快速去壁垒化。下一步，要提升人形机器人完成高精度、接触密集型任务的成功率，采集带力觉真值标注的三元组（视觉-力觉-动作）数据的重要性急剧凸显。

真正的估值溢价和核心利润，将率先向采集力觉真值的硬件层集中：2025年中国人形机器人六维力传感器出货量同比激增约510%[25]，其中，蓝点触控以约80%的国内人形机器人六维力传感器市占率领先，出货量放量直接转化为业绩——近三年销售收入翻倍且已实现正向现金流，成为本轮“卖铲子”逻辑中最先兑现的硬科技标的；他山科技在2025年国内人形机器人阵列式触觉皮肤细分领域占据80%出货量[17]，凭借AI触觉芯片的技术稀缺性，一年内连续获得多轮大额融资，头部资方密集入局，估值溢价显著。

这也部分解释了资本为何愿意继续为眼前“负ROI产能”的人形机器人买单：单台机器看似是一笔负资产，但若它能在产线上通过传感器持续采回可复用的力觉真值数据，就相当于将硬件成本摊薄为每小时的高价值数据资产——当然，最终回报取决于数据能否真正转化为模型性能提升。

中期（3-5年）：收入机会与议价权向力觉真值数据集与工业级VTLA模型集中

随着硬件降本曲线兑现（据贝恩测算，行星滚柱丝杠与六维力/力矩传感器作为成本占比最高的零部件，未来降本幅度可达70%-80%[26]），触觉/力觉传感器本身的溢价将逐步稀释，此时，更厚的利润和议价权，将向具身智能数据的金字塔顶端集中：一类是规模化采集高质量力觉真值数据集的数据服务商，如帕西尼感知、海天瑞声（688787.SH）；另一类是能够将力觉真值作为核心决策模态，训练出工业级VTLA模型的头部机器人本体厂商，如开普勒（Kepler-OmniVTLA）、智元（AgiBot World+千觉触觉方案）等。

力觉真值真正的价值兑现，不在今天的搬运分拣等低门槛任务里，而在机器人切入拧螺丝、插接器、精密装配等高价值、非标化工位的那一刻——这大概率会发生在高盛判断的2027-2029年，即行业攒够数千万小时高质量具身智能数据、模型达到可部署质量之后[7]。

长期（5年以上）：“力觉真值-模型-硬件”闭环决定终局格局——“卖产能”的逻辑最终验证，但前提是前两个阶段的数据飞轮已经跑通。

当行业步入成熟期，最终的赢家属于跑通“力觉真值采集-模型迭代-硬件迭代”完整飞轮的头部本体厂或生态主导者。在这个终局阶段，行业叙事将返璞归真，回到前面所讲的“产能账”。人形机器人必须走出政策驱动、国资兜底的初期阶段，凭借可靠的精细操作能力与正向的产能效益，让工厂心甘情愿自掏腰包，规模化复购。

当然，在文章的最后，还必须考虑一种可能颠覆整条逻辑的情形：算法进步会不会绕过真机自主力觉真值数据采集？

如果世界模型与Sim2Real在高泛化高精度场景取得突破性进展，让模型不必依赖昂贵的真机力觉真值采集、靠仿真和视频就能学会毫秒级、毫牛级的精细力控，那么真机力觉真值数据的稀缺性就会被“绕过”。

如果出现以下任一信号，则需要对力觉真值的价值兑现判断进行降级或推迟：

技术侧，有头部厂商宣布仅靠仿真合成数据即实现了人形机器人的工业级精细装配（含毫牛级力控）；

供应链侧，六维力传感器等关键零部件因标定算法或材料瓶颈，单价未按预期降至千元级，国产替代停滞；

商用侧，若三年内，具身智能在拧螺丝、插接器、精密装配等接触密集型精细操作上的泛化能力提升，并未吸引来工厂形成自掏腰包的规模化复购，产业仍停留在补贴驱动与国资支持的阶段——这意味着覆盖力觉真值层级的数据，尚未转化为可计费的产能，“数据通向规模化商用”的逻辑无法兑现。

未来，当我们再次在媒体头条看到“某某机器人宣布进厂打工”的新闻时，不妨抛掉宣传滤镜，用以下四项指标去判断，它究竟是在作秀，还是在真正落地：

看节拍：是否敢于公开真实的生产节拍数据，而非只展示剪辑过的成功动作？效率是否达到了同工位人类工人的可对标水平？

看干预：是否披露人工干预频率与故障恢复机制，而非只展示成功率？

看可靠性：是否有第三方验证的MTBF（平均无故障运行时间）数据，而非只晒模糊的"累计运行时长"？

看闭环：是是否披露与力觉真值数据服务商的实质性订单或合作，以及六维力/力矩传感器采购增速是否持续高于本体出货量增速？

在人形机器人的这场宏大征程中，真正需要突破的从来不在手型有多像人类，而在那零点几牛的阻力突变，是否被模型真正理解——谁能把力觉真值数据的采集成本真正压下来、接管高难度的接触密集型任务、并让工厂心甘情愿为机器人的产能掏钱买单，谁才是这条万亿赛道里能走到最后的终局玩家。

【声明】本文基于截至2026年7月的信息撰写，部分数据来自企业单方披露或行业估算，未经独立审计。文中观点仅代表产业观察与逻辑推演，不构成任何投资建议、个股推荐或买卖依据。

    参考资料：

[1] IT之家. Figure 03二百小时全自动作业直播.（2026-05-25）. 

https://ithome.com/0/955/056.htm.

[2] 中国证券报/中证网. 智元精灵G2开启为期6天的真实产线作业直播.（2026-06-23）. 

https://jnzstatic.cs.com.cn/zzb/htmlInfo/125754.html.

[3] Electrek. Musk Admits No Optimus Robots Are Doing Useful Work at Tesla.（2026-01-28）. 

https://electrek.co/2026/01/28/musk-admits-no-optimus-robots-are-doing-useful-work-at-tesla-after-claiming-otherwise/.

[4] 小米技术官方微博. （2026-07-14）. 

https://weibo.com/6486870325/5320599417391970.

[5] 虎嗅. 2026年人形机器人量产破万台但商业化仍面临挑战.（2026-04-21）；中国新闻网（中新社）转载,（2026-05-19）. 

https://www.huxiu.com/article/4852535.html；https://www.chinanews.com.cn/cj/2026/05-19/10624482.shtml

[6] 36氪（经机器之心授权）. 全网都吵疯了，小鹏的人形机器人，是不是真人.（2025-11-06）. 

https://m.36kr.com/p/3541045140353153.

[7] Goldman Sachs. China Humanoid Robot—Mid-year Check-in[R].（2026-05-26）.

[8] McKinsey & Company. Turning Humanoid Supply Chain Constraints into Billion-dollar Wins[R].（2026-04）. 

https://www.mckinsey.com/industries/industrials/our-insights/turning-humanoid-supply-chain-constraints-into-billion-dollar-wins.

[9] BMW Group. BMW Group advances the use of physical AI in production with Figure 03 project in Spartanburg.（2026-06-25）. 

https://www.press.bmwgroup.com/global/article/detail/T0458778EN/bmw-group-advances-the-use-of-physical-ai-in-production-with-figure-03-project-in-spartanburg?language=en

[10] 证券时报. 优必选中标2.64亿元人形机器人项目.（2025-11-25）. 

https://stcn.com/article/detail/3510005.html.

[11] 快科技. 京东宣布已形成全链路具身智能生态将建全球最大具身数据采集中心.（2026-05-19）. 

https://news.mydrivers.com/1/1123/1123338.htm.

[12] 鲁网/新浪财经. 开普勒以数据驱动工业机器人新征程.（2026-04-28）. 

https://finance.sina.com.cn/jjxw/2026-04-28/doc-inhvzwqh7341482.shtml.

[13] ZHANG C, HAO P, et al. VTLA: Vision-Tactile-Language-Action Model with Preference Learning for Insertion Manipulation[J]. arXiv:2505.09577, 2025.

[14] HUANG Y, et al. TaF-VLA: Tactile-Force Alignment in Vision-Language-Action Models for Force-aware Manipulation[J]. arXiv:2601.20321, 2026.

[15] YU J, LIU H, YU Q, et al. ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation[J]. arXiv:2505.22159, 2025.

[16] 李浩然, 陈宇辉, 崔文博, 等. 面向具身操作的视觉−语言−动作模型综述[J]. 自动化学报, 2026, 52(1): 18-51. DOI: 10.16383/j.aas.c250394.

[17] NE时代. 触觉传感融资密集落地，戴盟、他山科技引领人形机器人“指尖革命”.（2025-12-02）. 

https://www.ne-time.cn/web/article/37240.

[18] NVIDIA Developer Blog. Spotlight: Galbot Builds a Large-scale Dexterous Hand Dataset for Humanoid Robots Using NVIDIA Isaac Sim. 

https://developer.nvidia.com/blog/spotlight-galbot-builds-a-large-scale-dexterous-hand-dataset-for-humanoid-robots-using-nvidia-isaac-sim/

[19] 国泰海通证券. 物理AI时代的数据“卖铲人”，具身数据采集开启下一代数据基建浪潮[R].（2026-05-07）.

[20] SENTIS L, KHATIB O. Control of Free-Floating Humanoid Robots Through Task Prioritization[C]//Proceedings of the 2005 IEEE International Conference on Robotics and Automation. IEEE, 2005: 1718-1723. DOI: 10.1109/ROBOT.2005.1570361.

[21] PARK J. The Relationship between Controlled Joint Torque and End-effector Force in Underactuated Robotic Systems[J]. Robotica, 2011, 29(4): 581-584. DOI: 10.1017/S0263574710000391.

[22] QYResearch. Global Embodied Intelligence Data Market Report[R].（2025）.（商业报告，需购买）

[23] 荣格工业资源网. 高盛调研14家中国机器人公司：具身智能距规模化落地还有多远？.（2026-06-05）. 

https://www.industrysourcing.cn/article/477016.

[24] 海天瑞声. 2025年年度报告.（2026-04-18）. 

https://finance.sina.com.cn/jjxw/2026-04-18/doc-inhuvzun1867494.shtml.

[25] 高工机器人产业研究所（GGII）. 2025中国人形机器人六维力传感器市场分析报告[R].（2025-11）.

[26] 证券时报. 贝恩：人形机器人成本十年内将下降70%.（2025-11-27）. 

https://www.stcn.com/article/detail/3514006.html.

[27] The Robot Report. Here's What It Could Cost to Hire a Digit Humanoid.（2024-11-04）. 

https://www.therobotreport.com/heres-what-it-could-cost-to-hire-a-digit-humanoid/.

[28] 中金在线. 具身数据出海“破冰”，帕西尼拿下首单.（2026-06-01）. 

http://auto.cnfol.com/cheshidongtai/20260601/32266006.shtml.

[29] 36氪（经智东西授权）. 这个广东00后，已经融资20亿.（2026-03-10）. 

http://www.36kr.com/p/3716918109730432.