跳舞的机器人，今年没人看了

去年工博会，机器人靠跳舞围拢三层人；今年，没有一台机器人在跳舞。买家只问三件事：部署几天、成功率几个9、多久回本。这不是观众审美疲劳，而是机器人赛道完成了一次集体转身——从才艺叙事切换到工程叙事。当智元机器人交出99.99%的并线成功率、节卡机器人把部署周期压到57天、如祺出行开始卖真实数据，这个行业的门票就不再是视频里的后空翻，而是车间里跑得出的数字。

🏭 展台没有舞者了：买单的人换了问法

变化最直观的地方，是展台上的空气安静了。

10月12日，第26届工博会在上海开幕，31万平方米展区、3200多家展商，规模创历届之最。但真正的风向标不在规模，而在国家会展中心第一次搭起的1200平方米实景车间：复刻汽车制造、3C电子装配、物流搬运三个场景，机器人被直接按进工位——拆垛、码垛、插拔光模块、搬运料箱。动作谈不上好看，但没有一台在表演。

据多位到场采购商的说法，往年围着看后空翻的人，今年开口就是三个问题：部署要几天？成功率有几个9？多久能回本？

这三个问题，恰恰是工业采购的三个生死门槛。部署周期决定产线停机成本，成功率决定良品率，回本周期决定采购立项能不能过会。当买家开始用这三把尺子量机器人，意味着机器人从「科技展品」变成了「生产设备」——而工业客户对设备，从来只看账本。

工博会历来有「工业发展风向标」之称。风向标的转向，往往比融资新闻更诚实——钱可以追热点，产线不会。

📈 把成功率干到99.99%，靠的不是运气

今年最硬的展品，是那些已经带着工资条上岗的机器人。

智元机器人把精灵G2直接拉来「上岗」，一口气接下光模块插拔、工业搬运、缸盖装配、精密上下料四类任务。光模块插拔是精密制造里最细的活，插拔精度要求毫米级，还不能刮伤接口上的金手指，精灵G2靠力控臂和关节扭矩传感器完成。更关键的是，这台机器人在龙旗科技的南昌工厂跑出了量化成绩：36小时完成集成并线，单班次处理约3000台，6天连续并线任务成功率99.99%。9月24日，智元机器人刚宣布第2万台通用具身机器人量产下线——从第1万台到第2万台，只用了约半年。

节卡机器人全球首发的重载轮式人形机器人Kargo50，单臂负载30公斤、双臂50公斤。它的兄长Kargo10已在汽车零部件和高端电子工厂批量作业，单箱作业节拍从105秒压缩到28秒，新场景部署周期缩短到57天。节卡的Skill体系把工业工艺写进技能逻辑：薄壁件要避开边缘，线束要预先拨开，约2分钟的连续装配任务，用200条左右训练数据就能把成功率做到85%以上。

乐聚机器人首发的通用灵巧手，重复定位精度0.03毫米，不到一根头发丝直径的一半，比行业常规的0.2毫米高出一个量级。

产业的逻辑很朴素：玩具看花活，设备看良率。当一组机器人在真实工厂里连续跑出几个9的成功率，具身智能才算真正跨过了从Demo到产线的那道坎。

🔬 1933篇IROS论文：大模型没有吃掉机器人学

如果工博会代表产业侧的转向，学术侧的信号同样清晰。

有研究团队系统分析了1933篇IROS论文，得出一个反直觉的结论：大模型并没有「吃掉」机器人学。学界没有把宝全押在端到端大模型上，感知、控制、机构设计这些传统方向依然在稳定产出——机器人学正在变成「大模型+经典工程」的双轨结构。

这和工博会上的展品逻辑完全对得上。精灵G2的毫米级插拔，靠的是力控臂和关节扭矩传感器这些硬件底座；节卡机器人的Skill体系，本质是把工艺know-how结构化，再用少量数据微调——200条数据、85%成功率，这是典型的工程化路径，而不是堆算力堆数据的暴力路径。

换句话说，具身智能不会是「一个大模型解决一切」的故事，而是模型能力向下锚定在机构、传感器、控制算法上的分层架构。谁只讲模型叙事、不讲工程叙事，谁就交不出买家要的那三个答案。

象限图能说明一件事：今年真正的分化不在「谁的人形更像人」，而在「谁的工程成熟度和落地验证能同时往右上方走」。

📊 如祺出行的算盘：物理AI最缺的是数据管道

热闹的展台之外，还有一条不那么性感的路径值得关注。

过去一年，「物理AI」成了自动驾驶与机器人公司共同争夺的船票，世界模型、具身大模型层出不穷。如祺出行却选择不自己训练大模型，而是做模型背后的数据基础设施。如祺出行COO韩锋透露，公司2023年就推出智驾数据工具链，几年下来搭完了从采集、预处理、标注、质检到评测导出的完整数据闭环——一端连接驾驶员、Robotaxi和城市道路，另一端服务自动驾驶模型的训练迭代。

在韩锋看来，具身智能的数据和自动驾驶不完全相同：前者主要在二维道路空间完成感知决策，机器人要进入三维空间处理抓取、搬运和精细操作。但两者背后的数据处理流程高度相似，底层工具链可以复用。

针对当下流行的「用世界模型生成合成数据」路线，韩锋给出了一个冷静的判断：世界模型能力越强，真实数据的重要性并不会因此降低。合成数据能以真实长尾案例为基础，扩展难以反复采集的危险和临界场景；真实数据则记录交通参与者不可预设的行为和传感器的物理响应，负责发现问题、校准验证。两者构成「真实数据发现与验证、合成数据定向扩展」的互补闭环。

据多位接近如祺出行的人士，这套生意的护城河不在算法，而在运营网络的物理存在：只有常态化跑在路上，才能以较低成本持续获得真实、连续、规模化的数据。用韩锋的话说，三年后他希望外界仍把如祺看作出行公司，但同时视为AI数据生态里的基础设施。

当下不缺模型公司，缺的是能长期通过真实场景稳定获取数据、并把原始数据加工成可用资产的组织能力——这句话，可能是今年物理AI赛道最被低估的产业判断。

小结

从工博会展台上的安静，到IROS论文里的双轨结论，再到数据基础设施被摆上台面，机器人行业的共识正在收敛：买家不买概念，只买部署周期、成功率和回本周期。会跳舞的人形机器人和能干活的人形机器人，正在被市场分成两个物种。下一个分水岭会很具体——谁能把部署周期从57天压到个位数天数、把85%的成功率逼近几个9，谁就能在从展台到车间的最后一公里里，拿到真正的订单。