机器人，正在加速进入产业和资本赛道。

8 月 19 日，宇树科技正式登陆科创板。作为 A 股第一个以人形机器人整机为主业的上市公司，它的定价和二级市场表现成为了整条赛道的估值标尺。从 3 月 20 日受理到 6 月 1 日过会仅 73 天，到 7 月 2 日注册生效共 104 天，是科创板预先审阅机制落地以来最快纪录。

政策端在用审核速度和制度包容性，助力市场内的企业抢占人形机器人产业化的时间窗口。

数据的标尺则更为直观。相关资料显示，2026 年上半年中国人形机器人出货量已超过 4 万台，全球占比继续提升；过去一年，国内超过 140 家企业发布了 330 多款人形机器人产品。仅今年前 2 月，全球具身智能领域融资额累计超 370 亿元，国内百亿估值企业扩容至 9 家。

数字繁荣的另一面是一个正在显现的结构性矛盾：供给端已经开始谈量产和产能，需求端仍然在追问运行时间、故障率、人工干预频次和投入产出比。罗兰贝格 2026 年报告判断，人形机器人行业的软件与数据生态成熟度落后硬件大约三到五年。

机器人进了工厂，并不意味着商业化落地。从 " 做出来 " 到 " 跑起来 " 之间，隔着一层被长期低估的基础设施——部署。

8 月 20 日的世界机器人大会上，也就是宇树登陆科创板的第二天，一家不做本体的具身公司抢先布局：光轮智能正式发布了 RoboStack 真实场景部署与反馈平台，并提出支撑一亿台机器人终身学习的平台愿景。

  1

  被低估的 " 最后一公里 "

要理解光轮智能 RoboStack 的重要性，首先得从机器人部署现状说起。

传统工业机器人已经是成熟的生产资料。国际机器人联合会（IFR）《World Robotics 2025》显示，全球工业机器人年安装量达 54.2 万台，连续第四年超过 50 万台，亚洲占新增部署的 74%。但具身智能机器人面对的是另一类问题：更长的任务链、更复杂的接触关系、更不稳定的环境。

一个任务换到另一种本体上，动作空间和控制接口要重新适配；同一台机器人换到另一条产线，物体材质、摆放位置和人员动线也会改变原有执行条件。

工厂客户不会只看一个成功率数字。他们关心四件事：一轮任务需要多长时间，连续运行多久会停下来，出现异常时是否必须派人现场处理，版本升级后能否证明系统确实变好了。对于要交付几十台、几百台机器人的项目，还要再加一个问题——第一台积累的经验，能不能复用到下一台和下一个场景。

但现实并不乐观。就目前的行业案例而言，部分物流机器人在实验室 99% 的任务成功率，进入真实仓库后掉到 85% 左右；世界模型实时推理成本可占人力成本 30% 以上；每进入一个新仓库往往需要数周数据采集和微调。

Bain 在 2025 年发布的《Humanoid Robots: From Demos to Deployment》中也给出了相似判断：当前人形机器人多数仍处于试点阶段，并依赖人工监督；近期更可能率先进入封闭、半结构化的工业任务。灵巧操作、电池续航、安全认证和员工接受度，将共同决定商业化速度。

这意味着，部署从来不是把模型安装到机器人、机器人放置在产线中就结束——任务定义、现场适配、运行监控、人工接管、故障定位和版本回归，缺一不可。

  2

  失败与回流才是稀缺资产

真正有价值的部署数据，是失败。

Figure 在宝马美国斯帕坦堡工厂的案例提供了一个观察视角。Figure 官方披露，第二代人形机器人 Figure 02 在宝马经历了 11 个月部署，从进场到进入实际装配线用了不到 10 个月，随后每个工作日运行 10 小时班次，累计运行超过 1250 小时，完成 9 万多个零件装载，参与生产 3 万多辆 X3。

Figure 没有只展示一段视频，而是设置了三个工厂管理式的指标：一个循环多长时间、三块钣金件能否在容差内准确放置、每个班次需要多少次人工暂停或重置——钣金件必须在 2 秒内放置完成，允许误差仅 5 毫米。

更关键的是，Figure 把现场故障带回了下一代产品。6 个月日常运行后，团队发现前臂是最容易出问题的部件之一，Figure 03 随后重新设计了腕部电子系统，减少电路板和动态线缆的复杂度。

上一代在产线上的每一个小时、每一个零件、每一次干预，都成为下一代硬件的设计输入。

而亚马逊的经历则进一步说明，规模化部署后企业需要建设一套能够把运行数据转化为持续工作能力的体系。2025 年，亚马逊运营中的机器人达到 100 万台，分布在全球 300 多个设施，并推出 DeepFleet 协调仓库机器人移动，称新模型可让车队行进时间改善 10%。亚马逊机器人副总裁 Scott Dresser 将其比作 " 拥堵城市中的智能交通管理系统 "。目前，机器人已参与亚马逊约 75% 的客户订单处理。机器人不仅没有让运营系统消失，反而让运维和数据能力变得更重要。

两个案例都在向外界证明：现场产生的故障、干预和效率数据这些 " 最后一公里 " 问题，必须回流硬件设计、调度和模型的持续优化。

机器人商业化的关键，是让每一次部署都为下一次部署积累经验。更重要的是，如果这些信息没有被记录成统一格式，最终只会变成某位工程师的个人经验，无法回流到模型训练和评测系统。

而光轮智能此次发布的，正是一条从现场到模型的持续回流平台。

  3

  部署回流，定义标准

作为物理 AI 数据与评测基础设施企业，光轮智能对 RoboStack 的定位，正是真实场景部署与反馈平台。它连接机器人与医院、工厂、仓储等各类真实场景，支持多场景适配、多本体兼容、规模化部署和远程接管：不同场景可以模块化适配，轮式、人形和复合本体可以统一接入，百台级机器人集群可以统一编排和下发，现场人员也可以进行人工远程接管和即时纠正。

现场问题因此可以被还原为具体原因，并回流支撑下一轮定向数据采集与模型训练。

以医院场景为例，在一项消毒供应中心骨科器械分拣流程中，同一类任务同时涉及搭载夹爪的轮式机器人和搭载灵巧触觉手的 Unitree H2；对客户而言，本体、末端执行器、控制方式和适配条件同时变化，RoboStack 要做的是把这些差异连同运行结果、人工接管和异常原因一起沉淀，为下一轮复现和验证提供依据。

光轮智能体系化的产品能力，得以让部署功能最大化实现——人类示范采集、仿真评测、真机部署、失败样本回流、补采补训和复测，最后回到成功部署——这个顺序意味着部署不是研发流程的最后一步，而是下一轮学习的第一步。

这个闭环的商业意义，在于改变交付成本结构——任务可复用，失败模式可复现，版本可回归，工程经验从单机能力变成平台资产。

资本已经在用真金白银为这个逻辑定价。

2026 年 3 月，光轮智能完成 A++ 及 A+++ 轮累计 10 亿元融资，成为全球首家具身数据独角兽；5 月由蚂蚁集团领投的一轮将估值推过 20 亿美元；6 月 23 日再获 10 亿元战略融资，三周内两轮合计约 20 亿元，投资方包括中关村科学城基金、四川发展科创基金、巨人网络、宇信科技、宝通科技等政府基金与产业资本。近数月，光轮智能业务更是迎来爆发式增长，已成功服务 30 余家头部模型企业、具身机器人企业及互联网大厂，单家客户数据需求超 20 万小时。

更深的护城河在标准层面。光轮是唯一加入开源物理引擎 Newton 技术指导委员会的中国企业，与英伟达、谷歌 DeepMind、迪士尼研究院、丰田研究院共同推动下一代仿真标准；在国内已主导或参编 20 项国家及行业标准，此次世界机器人大会还作为参编单位，出席《高质量数据集具身智能触觉数据采集技术要求》立项仪式。

从 " 卖工具 " 到 " 定标准 "，是基础设施玩家区别于数据服务商的关键。

如今，机器人行业正在从 " 谁先把机器做出来 " 转向 " 谁能把机器稳定地用起来 "。资本市场可以为整机企业提供放大器，工厂却会用运行时间、人工干预频次和维护成本做最后的筛选。在 2030 年产线机器人预计达到千万台、单台机器人起码迭代十次的背景下，光轮智能的 RoboStack 将持续支撑过亿次部署。

真正有价值的基础设施，从来不是承诺机器人 " 永不出错 "，而是让错误能被看见、被解释、被修复，最终降低下一次出错的成本。

光轮智能和其部署与反馈平台 RoboStack 所处的，正是这条持续学习闭环中关键的一层——也是资本和产业客户必须认真考量的一层。

@投稿专线   微信：cyzqx2013