◎记者 孙小程

6 月 28 日，智元第 15000 台具身智能机器人——精灵 G2 完成下线，并于当日交付至龙旗科技工厂，即将在一线展开作业。

当天也是 8 台精灵 G2 在龙旗科技的质检产线，按照 " 早八晚六 " 的节奏直播打工的最后一天。在为期 6 天的时间里，精灵 G2 并入流水线，独立完成多媒体界面测试、音频测试、辐射杂散发射测试和耦合测试等多道高精度检测任务，生产产品达 17625 件，作业成功率达到 99.99%。

其中的意义不止于数字本身，它意味着人形机器人第一次有了足够大的量产体量去拉动供应链，也意味着终端厂商开始考虑将机器人引入真实产线。进一步来看，15000 台量产改变了什么？终端厂商为何买单？大规模部署还卡在哪里？

压力开始给到供应链

15000 台，放在汽车或消费电子行业或许不值一提，但在相对 " 稚嫩 " 的人形机器人领域，却是一个足以让供应链感受到压力的数字。

压力不仅来自数量本身，还在于速度。智元在 2023 年仅有 6 台原型样机，2024 年 8 月开始进行规模化量产，2025 年 1 月量产突破 1000 台，同年年底达 5000 台，2026 年 3 月顺利跨越万台大关。

虽然与汽车供应链存在一定程度的复用，但要在如此短的时间内大规模造出上万台人形机器人，仍然需要重点培育和打磨供应链。

智元合伙人、高级副总裁、具身业务部总裁姚卯青回溯了量产爬坡的两个阶段：一是 Tier 1 供应商跟着扩产能的阶段，" 上人、扩场地很吃力 "；二是到了 5000 台、10000 台、15000 台三个阶段，压力传导到更上游的 Tier 2、Tier 3，公司要考虑的问题包括如何保供、保证质量、完成交付等。

姚卯青举了个例子，精灵 G2 的某个核心零部件，2025 年初才开始筛选供应商，当时几乎没有完全符合标准的产品——性能、产能、质量体系都够不上。" 我们派了一名 SQE（供应商质量）工程师，直接驻扎在供应商处 3 个多月。结果供应商能力有了很大提升，产能 3 个月提升了 5 倍，一次通过率从不到 60% 提升到 95% 以上。"

到了万台级别，人形机器人甚至开始与其他行业正面争夺供应链资源。" 从芯片到 PCB，到电池，到传感器等，都有这方面的挑战。" 姚卯青说，" 尤其是芯片，今年以存储为主的这一波产能紧张，对我们产生了不小的影响。"

为此，智元提前一到两个季度给供应链明确的产量指引，让对方提前备料、规划产能节奏。

由此可见，15000 台量产的重要意义在于，它让本体厂商有了足够的体量去 " 催熟 " 上游供应链和配套产业，逐步让机器人性能和成本都达到可以被终端场景用户接受的程度。这是人形机器人能够从实验室演示进入真实场景的重要前提。

" 早八晚六 " 直播 6 天

终端厂商逐渐开始买单

" 我们肯定不会为造而造，为了秀肌肉而造不现实，不然库存也是很大的经营压力。" 姚卯青说，之所以快速推进量产，是受到了市场需求的催促。

此次第 15000 台的客户——龙旗科技，正是下游客户之一，其正在加速将人形机器人引入产线。

今年 4 月，记者在龙旗科技位于江西南昌的工厂看到，4 台精灵 G2 站在工位上，各自熟练地从传送带上抓起一台刚组装好的平板，随后滑动几步，转腰不转身，俯身将产品塞进身后的测试柜里。几秒后，测试完成，G2 将刚刚的过程倒着做一遍。

此前，这个工序主要由年轻工人来做。他们要来回走动、反复弯腰，在狭窄的空间里甚至要日行几万步。

步入 6 月，4 台精灵 G2 变成 8 台，工作内容融入了更多环节，覆盖整条平板量产质检工段，贴合工厂生产节拍，与产线工人同步协同作业。在 " 早八晚六 " 上班的 6 天里，8 台精灵 G2 任务成功率达 99.99%。

智元 Genie 经理业务部项目总监艾文介绍，实践发现，这批机器人的工作效率和人类基本持平，目前来看整机成本偏高，未来会逐步下降。

这也意味着，对于拥有众多品类要代工的 OEM 厂商而言，人形机器人在经济上的账，有望尽快算 " 平 "。

与人类相比，人形机器人胜在更能适应枯燥工作。艾文说，龙旗科技工厂有七八千人，每年要招聘超过 2 万人。按照设想，工厂未来大规模引入人形机器人，一方面是填补劳动力缺口，另一方面是把人从高强度重复劳动中解放出来，去做异常处理和设备运维。

与使用传统机械臂的产线相比，人形机器人胜在灵活。龙旗科技机器人业务部总经理李龙表示，传统自动化设备刚性强、产线换型周期长，很难适配多品类平板混线检测需求。精灵 G2 凭借高柔性操作能力，可无缝承接多道差异化检测工序，有效补齐传统产线短板。

大规模部署面临哪些堵点？

李龙透露，4 台到 8 台不是简简单单把数量堆上去，联合团队列了长清单，逐一攻克各个问题。接下来，双方要再部署更多的人形机器人到工厂，覆盖更多场景、更多产线。

从龙旗产线上的 8 台机器人，到更多场景、更多工序的规模化部署，中间隔着几道尚未完全跨过的门槛。

综合多位产业人士的观点来看，大脑、灵巧手分别是软硬件层面的最大堵点。艾文认为，当前具身模型的水平连 ChatGPT 的 1% 都还没有达到，全行业积累的数据量大约在百万小时级别。实际上，要有上亿小时的数据，才能实现模型的涌现。

李龙坦言：" 当下的问题是，机器人的大脑什么时候能迎来 Scaling Law 的时刻，让它看一眼就知道应该怎么干了。但这不是短时间能解决的。"

硬件层面，目前人形机器人能胜任的是夹爪操作，例如抓取、放置、上下料。更精细的作业，灵巧手还撑不起来，结构的一致性、稳定性、散热、寿命等都有待攻克。

场景复制也并非一蹴而就。李龙说，从测试工位往精密装配、包装工序延伸，每一个环节都需要联合团队论证机器人的边界到底在哪。" 不要去挑战边界，找到边界更容易实现。我们不是 Demo，也不是技术预研，是真的要让机器人去产线和人一起共事，所谓硅基、碳基生命共同工作。"

量产不是目的，只是过程中的必经之路。从 4 台到 8 台，从单点到多点，人形机器人必然会实现大规模部署，但这条路依旧很长。