人形机器人上岗前，先去读了技校

在中国北京亦庄，一座专门为人形机器人修建的「训练场」里，上百台来自不同厂商的人形机器人正在同一屋檐下学干活：分拣、搬运、质检、巡检。它们上的课只有一门——如何从发布会里的「演员」，变成产线上的「工人」。

这个画面自带一层隐喻：机器人不仅在被制造，也在被教育。

我们此前讨论人形机器人，焦点几乎都压在硬件上——关节、灵巧手、扭矩密度、成本曲线。但2025年往后，真正卡住这个行业脖子的，大概率不是身体，而是经验。一台能走路、能翻跟头的机器人和一台能顶岗干活的机器人之间，隔着一整所「技校」的距离。

这篇文章想讲清楚的判断只有一个：中国人形机器人产业的下一场仗，打在训练体系上，而不是展厅里。

🏫 一座训练场背后的产业野心

先回到那座训练场。

2024年11月，北京亦庄官方宣布建设全国首个异构人形机器人训练场，由北京人形机器人创新中心牵头，计划2025年一季度投用，可同时容纳超过100台不同厂商的人形机器人训练，覆盖分拣、搬运、质检等数十个真实场景。「异构」二字是关键——不是某一家厂商的封闭实验室，而是一个把全行业的机器人都拉来「同校就读」的公共设施。

把「机器人训练场」当成营销噱头去看，会错过重点；把它当成产业基础设施去看，才看得懂牌桌上的新玩法。这件事背后有政策明牌：工信部2023年11月发布的《人形机器人创新发展指导意见》明确提出，到2025年人形机器人整机产品实现批量生产，到2027年综合实力达到世界先进水平。批量生产的前提是什么？是批量能用。而「能用」，只能靠训练堆出来。

产业逻辑在这里很清晰：人形机器人需要一所自己的技校，就像一百年前制造业需要培训产业工人一样。一个国家工业化的起点，往往不是工厂，而是把农民变成工人的培训体系。今天的人形机器人产业，正在重演这一步——只不过这次被培训的，是机器本身。

📉 机器人不缺身体，缺的是经验

过去三年，人形机器人硬件的迭代速度有目共睹，而且已经反映在价格上：2024年5月，宇树科技发布人形机器人G1，起售价直接打到9.9万元人民币——这个数字已经低于一辆主流家用轿车。再往前，波士顿动力Atlas这类产品还是千万级的实验室设备，整机成本的下探速度远超多数人的预期。特斯拉也在同一个方向上押注：马斯克在2025年1月的财报电话会上表示，2025年Optimus的目标产量是数千台，2026年冲向5万至10万台。

硬件的问题正在被供应链快速解决，但「大脑」的问题才刚刚开始。

这里的「大脑」，指的不是算力，而是具身智能最稀缺的东西——真实场景中的操作数据与任务经验。

大语言模型可以吃互联网文本，因为互联网上文本是过剩的。但「如何把一个歪放的零件插进卡扣」「如何在颠簸的产线上稳住一件易碎品」，这类知识在互联网上几乎不存在，只能在物理世界里一遍遍试出来。这是具身智能与上一轮AI浪潮最本质的分野。

从这个角度看，能力获取的路径大致可以分成三层：

表格里的判断不难验证：发布会视频里机器人越「武艺高强」，越说明运动层已经不构成壁垒；而真正敢承诺在产线上连续顶岗的整机厂商，寥寥无几——目前公开信息里走得最靠前的，是优必选：其Walker S1已在比亚迪、极氪、富士康等工厂开展搬运、分拣等实训，据公司披露，已收到汽车工厂客户约500台的意向订单。注意关键词是「实训」而非「上岗」，这说明厂商自己也很清楚：交货之前，机器人得先上学。

稀缺的不是会表演的机器人，是有工龄的机器人。这就是为什么「训练」正在从一个动词，变成一门生意。

🏭 上岗前的最后一课，怎么上

那么机器人技校到底教什么？拆开看，一套完整的训练体系大致是这么运转的：

• 仿真预训：在虚拟环境里让机器人把任务的「骨架」先学会，摔一亿次不要钱；
• 遥操作示教：人类操作员带着真机干活，把动作轨迹和决策过程一并录下来，相当于师傅带徒弟；
• 实训上岗：把机器人放进搬运、分拣、巡检这类低风险真实场景，让它独立承担任务；
• 数据回流：上岗过程中产生的成功与失败数据，反过来喂养下一版模型。

这四步串起来，是一个典型的飞轮：

这个飞轮的残酷之处在于启动顺序：没有早期场景就没有数据，没有数据能力就上不了更好的场景。北京那座训练场一次容纳100台机器人，本质上就是在替全行业攒这个启动数据池；而优必选在车企工厂里的实训，则是在攒产线专用的数据池。

场景方的态度也在这一两年明显转向：不再问「机器人能不能跳舞」，而是问「能不能稳定干满一个班次，坏了谁兜底」。问句变了，行业就真落地了。

🧩 从训练场到车间，产业链多了新角色

把视角拉远，机器人训练场的出现，其实是在人形机器人产业链里插入了一个此前不存在的新环节。

传统工业机器人的产业链是清晰的：上游核心零部件，中游本体与系统集成，下游终端工厂。这条链的隐性前提是——下游自己懂工艺，系统集成商负责翻译。汽车厂知道焊接该怎么做，只需要机器人当工具。

人形机器人的逻辑完全不同。它的目标场景是半结构化、多变的，工艺知识没有现成答案，必须有人替机器人「积累工作经验」。于是链条上多出了一个角色：

这个新环节，可能是未来几年产业里最有想象力的位置之一：

资金也在投票。据公开报道的不完全统计，2024年国内人形机器人赛道融资事件超过百起，且大额融资明显向「本体+场景落地」的方向集中。同时，远期预期的量级足够大：高盛2024年2月的报告预测，2050年全球人形机器人市场规模约380亿美元、累计出货约140万台；摩根士丹利2025年的预测则更为激进——2050年全球人形机器人保有量或达10亿台，市场规模约5万亿美元。两家的分歧集中在时间表和渗透速度上，但方向一致：这是一个以十亿美元为下限、以万亿美元为上限的赌局，而所有模型里最大的变量，都是「训练速度」。

一个可以放进备忘录的判断：当本体价格战打到没有差异化时，训练与数据服务就是新的溢价来源。卖机器人早晚变成卖「干过活的机器人」——工龄，会成为定价的一部分。

⚠️ 技校能救多久，冷思考三问

当然，把希望全押在训练体系上，也有需要泼冷水的地方。

第一问：训练场模式的天花板在哪？搭建训练场景本质上是「表演型投入」，展示价值高于生产价值。它们适合当练手场，但不构成商业闭环。真正的规模化拐点，必须出现在工业与物流场景——那里有明确的工时成本可以对比，ROI算得过来客户才会掏钱。马斯克给Optimus定的数万台产量目标能否兑现，最终也不取决于演示视频，而取决于产线上算得过来的账。

第二问：数据闭环的所有权归谁？机器人在客户现场干活产生的数据，属于整机厂、运营方还是场景方？这是未来几年一定会吵起来的问题。今天不把数据权属谈清楚，明天飞轮转起来就是一地鸡毛。北人形机器人创新中心把训练场做成公共设施而非单一厂商的私有资产，某种程度上正是在提前应对这个问题——但公共训练场只能解决训练数据从0到1，客户现场产生的在岗数据权属，仍要在每一份商业合同里逐单谈判。

第三问：安全与标准跟上了吗？机器人从围栏里的工业臂，变成在开放空间与人共处的人形机体，安全边界的定义需要整个行业重建。机器人训练场教机器人干活，也得有人教行业定规矩。标准建设慢一步，落地就要多绕一年。

三问归三问，方向本身出错的概率不高。硬件卷完卷数据，数据卷完卷场景，这是每一个AI细分领域都重演过的剧本，人形机器人不会例外。

结语：先上学，再上班

回到亦庄那座训练场里并肩学干活的上百台机器人。

它们今天做的可能只是分拣和搬运，但在产业视角里，那是一批正在积累「工龄」的准劳动力。机器人训练场真正贩卖的不是课程，而是一套把硬件变成劳动力的方法论。

未来两到三年，判断人形机器人公司成色，别再只看发布会视频里的翻跟头，去看三样东西：它锁定了多少真实场景、沉淀了多少在岗数据、飞轮转得有多快。

身体决定它能不能上场，经验决定它能干多久，而训练体系，决定这个产业的规模化何时真正开始。机器人先上学，再上班——这个顺序，可能就是下一个产业周期的时间表。

编辑说明：原稿中「Wuji」导览机器人及「某机器人学校」场景经核查无法找到可验证的公开信源，按修改建议予以删除，替换为可核实的北京亦庄异构人形机器人训练场案例。全文新增可查证的量化数据包括：①北京亦庄训练场可容纳超100台机器人同时训练（2024年11月亦庄官方发布）；②宇树G1起售价9.9万元（2024年5月发布会）；③工信部《人形机器人创新发展指导意见》2025/2027年目标（2023年11月发布）；④优必选Walker S1在比亚迪、极氪、富士康实训及约500台意向订单（公司公开披露）；⑤特斯拉Optimus 2025年数千台产量目标（2025年1月财报电话会）；⑥高盛2050年380亿美元/摩根士丹利2050年5万亿美元预测（高盛2024年2月报告、摩根士丹利2025年报告）。原稿中「业内私下评价」「据多位接近产业链的人士透露」「据业内流传的说法」等不可核实信源已删除或改写为基于公开事实的分析。