原标题：2026 年，机器人已经悄悄进厂打工

1936 年，电影《摩登时代》中，卓别林演绎出流水线工人无休止打螺丝的名场面。传送带不断加速，重复动作刻进肌肉本能，停工后他依旧疯狂追逐一切可拧的物件。

夸张滑稽的表演之下，也暴露出普通工人的生存困境，人要不断适应机器，最终变成流水线的一部分。

90 年后的今天，随着制造业招工越来越难、产品迭代越来越快，流水线上也有了新的执行者。那就是人形机器人。只是这场变革讨论的不是简单的替代，是它能否成为一种新的工业生产能力。

目前公开披露的案例中，全球真正在工厂上岗的机器人公司，一只手就能数得过来。似乎没人知道机器人真实部署的情况。

智元机器人率先改变了这一现状。智元机器人和它的客户龙旗集团，今年上半年陆续有 8 台智元精灵 G2 完成产线的真实部署后，已经展开两次真实产线直播。6 月 23 日 -28 日的这场连续 6 天的直播里，每天每台机器人完成 3000 次的上料、下料工作。

最忙碌时，8 台机器人为赶订单连续工作半个月，每天上岗 22 小时。上岗三个月以来，多台机器人连续工作时长已经累计超过 1500 小时。

但在龙旗看来，这些数字并不是最终答案。机器人能完成一次任务，并不意味着它能够成为成熟的工业设备。对于一座每天追求稳定交付的制造工厂而言，更重要的问题是，连续运行上万小时后，它还能否保持毫秒级响应？运控系统是否依旧稳定？故障率是否足够低？维护成本是否能够接受？

这是一场没有终点的工业级压力测试。流水线不会因为机器人是新技术而降低标准，每一分钟的运行，都在接受制造业最严苛的考验。而最有价值的部分，也恰恰是机器人在一次次失败、修正和重来中持续进步。

01   3 个月的压力测试

"58 秒太慢了 "。2025 年 12 月初，龙旗工厂和智元展开合作的 3 个月后，龙旗制造工艺 CTO 张龙对智元团队说。

58 秒，是指一台机器人完成一次上料下料的过程，看起来很简单的行为，实际上包含 32 个动作。这个 58 秒相当于人工的 6-7 倍，根本无法进入真实的产线。

机器人真实部署到产线并不容易。这不仅是对机器人的压力测试，对智元的部署团队来说，同样也是一场压力测试。为此，智元机器人部署团队把实验室从上海搬到南昌车间。双方部署团队开始了高达三个月的高密度细节讨论。

回顾这几个月，智元 Genie 业务部项目总监艾文也提到，项目落地的过程中，双方对机器人的产品，生产制造的工艺产品，所有的系统上设计的理念和标准都存在着巨大的 GAP。

相比技术，智元和龙旗更多的时间花在了认知对齐上。节拍、机器人转身动作、故障率、生产的程序、系统方案设计处理的一些接口，都需要形成统一的标准认知。而难度是，当前具身智能还没有形成工业准入标准，对于两家基因完全不同的团队而言，听谁的，是团队合作通常要面对的最 大难题。

智元的团队更多参考的是汽车供应链和质量标准，把机器人当作高可靠、长寿命、低故障的复杂硬件来做。而龙旗所在的 3C 制造现场，有自己的秩序。

它强调高节拍，能跟得上订单交付速度，容错率比汽车体系要高。但要求能快速恢复，3C 产品和工序变化频繁，也更关注机器人的快速部署和柔性切换能力。

搬到南昌龙旗制造基地后，双方团队每天泡在车间里的复制产线上，相互磨合。因为看到的是真实车间环境，而不是原来实验室的 3D 模拟场景，双方认知开始同步。

要把节拍压下来，十余人的团队天天在闷热的车间里，研究机器人腰部动作逻辑，什么时候转腰，伸手，哪些动作可以并行，哪些动作必须等待确认。这背后是一场细到毫秒级的同步工程。

机器人全力奔跑起来后，智元团队的工作量爆棚。底盘惯性、腰部转动、手臂伸展、夹爪夹持和产品对位开始互相牵连，任何一个细小参数都可能被放大成抖动、误差或节拍损失。智元团队不仅要让模型更聪明，还要让这台机器在更快的动作中保持身体稳定。算法迭代和本体调参，在真实的车间环境下快速形成闭环。

结果反馈很明显。一个月后，智元精灵 G2 的节拍从原来的 58 秒，降低到 27 秒。到春节前后，降到 22 秒。因为现场真实数据反馈，负责机器人上半身的模型迭代也非常快，" 几乎两天一个版本。" 张龙说。

精灵 G2 在平板传送带前作业

尽管智元团队攻克了节拍问题，但远没到喘息的时刻，压力测试仍在继续。今年 3 月机器人真正上岗后，很多在线下跑了几百个小时都没出现的问题集中爆发，" 我们两边的人都快崩溃了。" 张龙坦言。

真实产线上几十台设备、上百台手机和平板同时发出的无线信号，对机器人通讯造成了严重干扰。机器人需要同时与测试装备、流水线、MES 系统保持毫秒级通讯，任何一次信号延迟都可能导致作业失败。

激光雷达的点云信号传输会突然出现停顿，排查了很久才发现，是总装时线束紧固不到位，跑一定时间后就会出现接触不良。还有斜坡电机刹车片偏薄导致的掉电问题，腰部结构刚性不足导致的定位偏差……

到 6 月，8 台机器人已经经历了高强度连续运转。一些设备运转了近 2000 小时，最长的接近 3000 小时。但这仍然不是终点。龙旗真正想看的，是万小时级别的稳定性。

可以预料的是，这个过程会继续出现新的问题。因为很多问题只有跑到一定数量级才会出现，比如刹车片，电机寿命，结构磨损，长期通讯稳定性，多机协同下的异常恢复，这些不是实验室里跑几百次就能看出来的。但智元有信心面对接下来的任何挑战。

02 大考背后的数据飞轮

智元 8 台机器人连续作业背后，不只是一场在工厂打工的大考，也是在持续开采真实世界的 " 数据油田 "。

一台机器人一次作业包含二十多个动作组，每天要完成 3000 次。一台机器人完成一次上下料，并不是一个简单动作。它背后包含二十多个动作组，识别、靠近、伸手、抓取、抬起、转向、放置、回撤、等待、再进入下一次循环。

每天 3000 次作业，意味着同一套动作要在真实产线的光线、节拍、误差、震动和物料变化中，被反复验证 3000 次。

直播第四天的数据

当 8 台机器人同时运行，每天产生数十万条真实作业数据，就有几万条动作轨迹。一个月下来，可能就是数十万条轨迹。这个规模并不小。要知道，当前公开的大型机器人数据集，也不过刚刚来到百万级轨迹。

这些数据放在全球来看也非常稀缺。尽管全球数采厂动辄百万、千万小时规模，但是在业内人看来，全球高质量的数据可能也不过 50 万小时。

智元这些来自真实产业线的数据质量，几乎是顶配。它不同于实验室里的仿真环境，或可穿戴设备上拍摄的人在物理世界的视频数据，而是属于高度工业化的动作稳定性数据，记录的不只是成功动作，也记录抖动、偏差、重试、节拍损失、异常恢复和设备状态变化。

正如张龙告诉我们，机器人必须在这些不完 美的条件下跑起来，数据才有价值。

实际上现在的具身大脑，无论是 VLA 还是世界模型，想要突破泛化能力，前提都是要有足够的数据。龙旗和智元的路线，就是先解决在场景用问题，再去收集数据，反哺 VLA 大模型。

不少具身行业的人都认为，当前具身大脑仍处于 ChatGPT 1.0 甚至更早期的时刻，还远未到大语言模型的万亿 token 时代。而距离 ChatGPT 3 时刻，具身行业需要千万小时甚至上亿小时的数据。

数据高度稀缺的情况下，一些具身公司开始仿照自动驾驶的闭环系统，希望打造具身的闭环。智元无疑是最有代表性的公司之一。今年 4 月以来，智元加速了模型和本体耦合的叙事，新模型迭代和部署速度双双提升。

4 月 9 日，智元发布发布新一代 VLA 基座大模型 GO-2。据官方披露，GO-2 已实现 " 预训练 + 后训练 + 数据闭环 " 的规模化部署能力，支持千台级机器人协同训练，训练效率提升约 10 倍。在工业任务中实现分钟级收敛，成功率提升 2 — 4 倍，数据需求降低 50% 以上，标志着具身智能大模型正式迈入产业化落地新阶段。

智元的模型迭代节奏一直处于行业前列。4 月 17 日智元合作伙伴大会上，智元宣布新一代基座大模型 GO-3 也将于三季度发布。邓泰华称，GO-3 模型融合 ViLLA 架构和世界模型架构，具备了规划推演能力和备复杂任务的推理执行能力，数据规模达 GO-2 的数十至百倍。

智元的另一位创始人彭志辉判断，2026 年智元的数据飞轮开始加速转动。据了解，智元在工业场景部署的机器人，预计在 2026 年超过上百台。

这意味着，来自真实车间的数据将是巨量级别的。

03 未来制造业的分水岭

数据闭环的意义，其实不止于机器人本身。对龙旗来说，智元精灵 G2 真正被期待的，是它在移动部署、柔性切换、数据互通，以及未来智能制造系统中的平台角色。某种程度上，它可能成为未来制造业的一道分水岭。

龙旗不是简单买几台设备，是和智元一起摸清 " 机器人的边界到底在哪里 "。过去这一年，双方反复讨论后形成的一个共识是，相比只能承担单一固定任务的机械臂，具备 " 大脑 " 和泛化能力的人形机器人，理论上可以覆盖产品生产流程中的更多环节。

张龙把未来智能制造拆成三个条件：信息互通，完成当前工序任务，以及具备快速部署的柔性能力。工业机械臂虽然能完成动作，但它往往固定在一个位置，接口也不统一，很难在不同厂商、不同系统之间形成一致的数据闭环。与此同时，机械臂速度快，却缺少力反馈，面对复杂现场时适应性仍然有限。

龙旗看中人形机器人的地方，正在于它有可能同时具备机械臂、AGV 和 " 大脑 " 的能力。

更长远看，龙旗对人形机器人的热情，不只是为了提升眼前的效率，更是在思考一家企业未来制造业的壁垒到底该怎么建。过去一年的合作里，龙旗投入到智元精灵 G2 部署的人力，也从最初的几人，逐渐增加到数十人。

双方在真实产线上落地的项目，也远不止直播里展示的平板量产质检工段——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高精度检测任务。

当外界将目光聚焦在机器人进场的成本核算时，龙旗内部已经明确，他们要搭建一套适配未来人形机器人进厂打工的系统架构，可以承接未来的智能制造。

从如何选场景、如何设计系统架构、如何定义作业单元、如何实现人与机器人、机器人与自动化设备之间的协同等，提前布局的经验可以快速复制到更多产线，形成制造业的真正壁垒。

智元和龙旗已经为未来三年的合作制定了清晰的发展规划。2026 年，更像是规模化部署经验形成期。重点不是一下子铺开几百台机器人，而是在一个成熟场景里把技术、节拍、稳定性、部署工具链和数据闭环跑通。当前 3C 平板质检工段就是一个样板。场景需求真实，节拍要求稳定，任务边界清晰，且具备复制价值。

第 一次并线大约需要 48 小时，后续工序迁移基本压缩到 24 小时。这意味着，智元和龙旗开始形成可复用的部署工具链，动作原子化、任务编排、现场数据回流、模型快速迭代、异常处理机制，以及多台机器的一致性调试。

2027 年，规划重点会从单一场景、单一任务，走向多场景、多任务。最近直播的 G2 已经验证上下料这一单一任务的迁移能力，双方已经在实验室探索 G2 多任务的泛化，应用到比如更多工段、更多产品、更多任务上。比如从平板扩展到手机，从质检上下料扩展到装配、搬运、包装，甚至与仓储系统、测试系统、工艺系统联动。

到 2028 年，龙旗希望这种形态能在更多场景验证。那时，机器人可能不只是一个执行设备，而是智能制造平台的一部分。Agent 与 Agent 之间协作，工程人员更多做系统盘点，一线人员对机器人和数据进行维护反馈。

机器人真正部署到实际作业，还有很远的路。很多场景不是模型想到了就能做。电机扭矩密度、末端执行器、力控、精细操作、长期磨损，都会限制机器人进入更复杂工序。

目前的 G2 在直播场景里上下料节拍，只是人力的 1/2，但已经达到电机的极限。人形机器人要规模化，必须从单一任务走向多任务，从单一工序走向多工序，这要依赖大量真实场景数据。

真实产线不是机器人秀场，而是一场永不停机的压力测试场。在龙旗的南昌制造基地里，一群来自智元的年轻算法团队，已经围绕一群还不成熟的机器人，正在摸索一种新的工业秩序。这或许正是具身智能真正开始的地方。