人形机器人，开始卖工时了？

机器人圈最近流行一句话：卖设备的是乙方，卖工时的是基础设施。

这话糙理不糙。第二届世界人形机器人运动会刚刚闭幕，51个项目、1301场比赛，智元以18金16银12铜拿下双榜第一——但比奖牌更值得琢磨的，是这场比赛的出题逻辑变了：从考动作，变成了考干活。

本文的核心判断是：具身智能的竞争重心，正在从'造出一台多能打的机器'，转向'一台机器能替人干多少小时的活'。这是从卖硬件到卖服务的关键一跃，也是产业真正开始分水岭的地方。

📈 一场盲考：没有一台定制样机

通用性不是宣传页上的形容词，是赛场上被抽检的科目。

先把赛事本身的扩容看清楚。首届世界人形机器人运动会26个项目，这一届直接扩到51项、1301场比赛，新增了跳远、举重、拔河、乒乓球这些高强度对抗项目。场景赛从6项扩到21项，覆盖家庭清洁、酒店服务、工业生产、应急救援、图书管理、商超零售、办公服务、园林巡检及车辆充电九类真实环境。

素材里有个类比很妙：公元前776年第一届古代奥运会只有一个约192米的短跑，后来为了适配城邦的军事与生活需要，才逐步加入中长跑、摔跤、拳击、标枪。运动会加项目，对应的是真实世界的需求扩容——机器人运动会新增的项目，就是一个个亟待解决的产业痛点。

而这届比赛最有信息量的一点是：智元的全部参赛机型，均为正在交付的量产机，没有一台为比赛专门定制的样机。这几乎相当于一个运动员不做任何单项特训，用同一副身体同时拿下短跑、举重、体操和乒乓球冠军。

不带定制改装的'盲考'，才是技术底蕴的照妖镜。行业里样机刷榜的太多了，量产机直接上场的没几个。

🤖 灵巧手被单独拎出来：末端的胜负手

机器人的天花板，往往卡在最末端那几毫米。

这届赛事把灵巧手单独拎出来设了8个专项：钉钉固定、打螺丝、线缆连接、粉末称量、镊子夹豆、开瓶撬盖、拆箱拆包、积木搭建——专门考末端的'微操'。

为什么这么考？看看图书馆这个场景赛项目就懂了。机器人要在书架之间来回穿梭：先看清书脊上的书名和索书号，判断该不该抽、抽哪一本；再稳稳抽出、走到正确架位、插回原位；遇到错架的书还要顺手纠正。

难点全在细节里：书脊字体小，相邻书本紧贴到几乎没缝隙，抽书力度稍大就会带倒一整排，放回去时角度歪几度就塞不进去。任何一环断掉，整个任务就停在半路——这是典型的长流程作业，跟实验室里演示'抓一下再放下'完全不是一个难度量级。

顺利完成这套动作的是智元的精灵G2，属于智元精灵系列——面向工业与商用场景的交互式具身作业机器人，主攻真实工位上的长流程作业。这次大赛精灵G2拿下场景赛6金，靠的是7自由度高精度力控机械臂，兼具力控、位控与柔顺控制，算力平台也进一步升级。同样的能力已经在龙旗科技南昌平板工厂等真实产线上跑过。

产业逻辑很清楚：当身体结构够用了之后，末端微操能力决定了机器人能进入多少个真实工位。工位越细，可替换的人工工时越长，机器人的商业价值越高。

🧠 大脑战争：国内国外盯着同一层

形态会内卷，大脑才是护城河。

就在运动会闭幕前后，两条消息值得放在一起看。

第一条来自国内。9月3日，摩尔线程在2026年半年度业绩说明会上宣布，公司已打通具身智能从合成数据生成、大模型训练、仿真验证到端侧硬件部署的完整链路。其全栈具身智能仿真平台MT Lambda已经落地，还开源了基于MUSA架构的GPU加速物理仿真后端MuJoCo Warp MUSA，并完成四足机器狗和两足人形机器人的Sim2Real真机验证。同时，摩尔线程在无锡设立工业具身智能创新中心，并联合国家具身智能应用中试基地成立了具身智能算力与仿真联合实验室。

这条链路为什么重要？因为具身智能需要AI计算、物理仿真、图形渲染和端侧推理协同——过去机器人公司要在七八家供应商之间拼积木，现在全功能GPU想把整条栈包圆。

第二条来自海外。OpenAI今年创立机器人部门，招聘信息显示正在定制机电执行器、仿真流程和机器人数据采集。奥尔特曼在Sources Podcast上明确表态：'我们肯定会研发人形机器人。'他的逻辑是：现实世界很大程度上就是为人类设计的，人们按照自己的身体结构设计了电脑、汽车，所以人形机器人服务人类是合理的。

但他同时补了一句关键的话：'机器人的形态并不是最重要的，真正关键的是机器人大脑。'近期应用上，他更看好数据中心建设维护等工业场景，个人通用机器人是长期目标。

国内算力厂商做全栈平台，海外模型巨头做本体加大脑——两边看似赛道不同，实际上在抢同一层：谁掌握机器人的'脑'，谁就掌握定价权。

🔄 从卖设备到卖工时：商业模式的切换点

设备是一次性买卖，工时是持续现金流。

把前面的信息拼起来，商业模式的变化就浮出水面了。

'卖设备'逻辑下，机器人公司是典型的制造业：出货、验收、结款，收入止于交付现场，之后的利用率跟厂商没半毛钱关系。而'卖工时'逻辑下，机器人变成基础设施：按完成的作业量、替代的人工小时计费，收入和机器人的真实表现直接挂钩。

运动会为什么是风向标？因为场景赛考的九类环境——工业生产、酒店服务、商超零售、应急救援——全都是按工时付费逻辑存在的市场。图书馆项目里那套抽书、归位、纠错的完整流程，对应的就是图书管理员的一个个班次。机器人每多搞定一个长流程工位，'卖工时'的账本上就多一行可计算的数字。

智元拿量产机去'盲考'，本质上也是在为这个叙事背书：正在交付的机器在赛场赢，意味着交付到客户现场也能干。精灵G2在龙旗科技平板工厂的真实工位跑通，就是'工时'开始被计价的前置证据。

⚠️ 别急着喊落地：工时化还有三道坎

叙事很性感，账本很骨感。

当然，'卖工时'不是喊出来的，得一步步扛过去。

第一道坎是长流程稳定性。图书馆那种紧贴书缝、力度敏感的作业，一次失手就整单中断。赛场赢一次容易，现场连续跑八小时不失误才是硬指标。

第二道坎是算力与成本。摩尔线程强调AI计算、物理仿真、图形渲染和端侧推理的协同，恰恰说明'大脑'的算力开销不小。端侧部署成本压不下来，工时单价就没法跟人工打平。

第三道坎是数据闭环。奥尔特曼说形态不重要、大脑才重要，但大脑要进化，靠的是真实场景里的数据回流。OpenAI自建执行器、仿真流程和数据采集管线，就是在自己修这条闭环。国内厂商谁先把'真机作业—数据回流—模型迭代'转起来，谁就能在工时定价上拿到超额利润。

一句话总结：通用性和泛化能力是入场券，数据闭环和成本曲线才是决定谁能吃到工时红利的底牌。

从公元前776年只有一个短跑项目的奥运会，到如今51个项目的机器人运动会，'加项目'从来都是需求侧在推动。当赛场开始按真实工位出题、当厂商敢拿量产机去盲考、当算力厂商把全栈链路打通、当OpenAI都亲自下场造本体——具身智能的商业故事，正在从'我有一台很厉害的机器'，切换成'我有一群不知疲倦的员工'。

下半场，盯住一个指标就够了：这台机器人，到底替人干了多少个小时的活。