文｜三少爷

2026 年央视春晚，宇树 G1 人形机器人登台表演《武 BOT》，以一身 " 真功夫 " 拉动具身智能再一次爆火出圈。不过，走下春晚舞台，大家掰着脚趾头也能算出来，商演可撑不起具身智能的星辰大海。

为了奔向百万亿市场的美好未来，机器人公司八仙过海、各显神通。在商业服务里，它们钻进药房柜台抓药、走进零售门店做起导购、讲解和接待；在公共服务领域，它们上街做巡逻、做起交通疏导、指挥疏散；还有的走入产业一线，进入核电站和电厂做设备巡检，或者一头扎进了制造车间。

在 " 进厂打工 " 这条路径里，汽车制造是最密集的那一个目的地。作为体量最大的制造行业，整车厂和上下游产业链构成了具身智能从演示、走秀走向真实生产力的最大试炼场。只是，这里的产线上早已布满了各种工业机械臂和专用设备，具身智能机器人要在这里找到自己的位置，凭借的就不能再是演技，而是切切实实的生产力。

密集进厂，物理 AI 员工纷纷上岗

对于拿下天量融资、迫切需要证明自己的具身智能公司而言，进厂已经不是选择题，而是必答题。

整车厂里最热闹。Figure 的机器人经过长达一年的实训后进了宝马，做钣金零件上料；优必选 Walker S 前脚在蔚来汽车工厂做完车门锁、车灯盖板的质检实训，后脚就 " 入职 " 了比亚迪总装车间；智平方与东风柳汽合作，在上下料之外还做起了外观质检；智元与上汽通用联合研发的 " 能仔 1 号 " 开上别克至境 E7 的电池量产线，干起了上下料的活。

电池厂和零部件厂也在招 " 人 "。千寻智能的机器人 " 小墨 " 已经在宁德时代中州基地的动力电池 PACK 产线规模化落地，完成电池接插件插接并进行电池包下线前的功能测试。全球汽车零部件龙头延锋国际则在 2026 年 4 月与银河通用签署战略合作，要把具身大模型和制造体系揉在一起，推动零部件产线从 " 自动化执行 " 迈向 " 自主决策与柔性作业 "。

物理 AI 员工密集上岗，新闻一条接一条，看着眼花缭乱；可扒开报道往产线上看，它们干的活儿，大致可分为三类。

一是搬运。从密集料架中分拣零部件转运到装配线旁，把电池包这类重型部件做机台间的上下料，用定制吸盘把翼子板这类薄壁覆盖件无损搬到工位上，或者做白车身冲压半成品的机台间流转，这些任务都归在这一层，这是所有人形和类人形机器人进厂的通用入口。

二是质检。这一层的活杂得很：有拿相机扫车身漆面找划痕、凹陷、桔皮纹的外观光检；有量冲压件的关键孔位、注塑件的装配面有没有跑出公差带的尺寸校验；有挨个核查螺栓拧没拧到位、卡扣卡没卡紧、线束接头插没插上的装配完整性复查；还有沿着产线多工位移动、盯设备状态和作业流程的巡检。

三是装配。电池接插件插接、线束插接、螺母上件拧紧，干的就是这些精细活。

这三类任务对应的能力要求，落差极大。它石智航丁文超提出过具身任务的 " 难度光谱 ": 搬运落在光谱最左端，装配落在最右端。这个光谱排列的底层逻辑，是对容错率和精度的不同要求。

搬运和上下料属于 " 普工场景 "。厘米级定位就够了，不需要力控，容错率高。这类任务正好能发挥 VLA 和世界模型的泛化能力，同时绕开了当前模型空间感知精度不足的短板。装配属于 " 技工场景 "。亚毫米级定位是入场券，力位混合闭环控制是基本功，还得卡住产线节拍。这类任务容错率极低，精度要求高，更关键的是，传统自动化设备也处理不好这类长程柔性任务。质检卡在两者之间。以非接触为主，靠视觉和感知能力在枯燥重复的检测任务里替代容易因疲劳而漏检、误检的人工，既要感知泛化、又要判定精准。

从搬运到质检再到装配，难度逐级攀升，这条机器人进厂的通关路线图，走的也是先易后难的通用路径。

车厂的需求，也是真实的

真正的爱从来都是双向奔赴的。机器人公司这边，需要落地场景采集数据、反哺模型、建立数据飞轮，也要靠进厂打工挣到真金白银，向资本证明自己不是吃干饭的，它对车企的爱是真真切切的。另一边，车企和零部件厂商的需求同样扎实。

首先，汽车的制造产线，正被逼着向智能化、柔性化升级。如今新车火不过三个月，迭代周期从 4-5 年一路压到 1-2 年，改款、换型的节奏越来越快，产线的柔性化程度必须跟着往上提，否则根本接不住这种快节奏。

可传统产线靠的是 " 工业机器人 + 人工 " 的老搭档，这套组合偏偏最怕一个 " 换 " 字。传统工业机器人服务的是固定工位、单一任务、靠人工编程的刚性场景，产线一换型，就得重新编程、重做夹具，周期长、成本高，频繁改款下几乎跟不上趟；人工这头也吃力，每换一款车、每调一道工序，工人都得重新培训、从头磨合，熟练度得重新爬坡，而且人的状态有波动，多品种混线时一致性差、更容易出错。一个不够灵活，一个难培养又不稳定——两块短板恰恰都撞在 " 柔性 " 这道坎上。

具身智能机器人，正好能一次补上这两块短板。对比传统工业机器人，它免编程、自学习、能多工位自主移动，不必一换型就推倒重来；对比人工，它上手快、状态稳，换型时技能快速迁移，不用一遍遍从头培训。车企渴求的那种 " 免编程、自学习、多工位自主移动 " 的新生产力，终于有了答案。

其次，是实打实的用工荒。人社部数据显示，2026 年一季度制造业求人倍率达到 1.8:1，每 1.8 个岗位只有 1 个人应聘，装卸、搬运这些重体力岗一工难求。

放到汽车制造这一行，这种拧巴更明显：一边是大量工序仍死死依赖人工——线束装配这类柔性物料加亚毫米精度的精细活、多规格零部件抓取、软包物料搬运，传统自动化够不着，只能靠老师傅一双手；另一边，恰恰是这些精细装配和重体力岗位越来越招不到人，一线老龄化、招工难、用人成本一路攀升。有活、缺人，这道缝隙正是具身智能机器人最该顶上来的地方。

说到底，产线要柔性、用工有缺口，这两股力量拧到一起，把 " 机器人进厂 " 从车企的可选项，推成了必答题。车企的需求不是机器人公司 " 讲 " 出来的故事，而是绕不开的真实痛点——这也是为什么在这场双向奔赴里，车企站得同样坚定。

车企，不仅是机器人公司的场景方

进厂打工，车厂并不是这些机器人唯一能去的地方。但跟其他场景方相比，车企是更能赋能机器人公司的那股力量。

这份赋能，首先落在 " 训练大脑 " 上。具身智能之所以还不大会干活，卡就卡在大脑上。模型架构、算法、训练框架上能做的工作不多了，现在真正的瓶颈是数据。而数据来自场景——车企的制造工厂，工序冗长、工位繁多，搬运、质检、装配各式各样的活儿搅在一起，天然就是一座数据富矿。这里既有机器人公司梦寐以求的场景丰富性和数据多样性，更藏着真实产线里那些 " 不完美数据 " ——失败、碰撞、纠错——恰恰是世界模型最缺的养料。

其次是量产的赋能。跨界车企能不能走到具身智能的终局不好说，但由它一手培育起来的汽车零部件供应商们将成为机器人赛道的重要力量。现在，机器人公司最缺的不是 Demo 能力，而是把 " 能演示 " 推到 " 能量产 " 的制造功力。汽车供应链企业成熟的制造能力、极致的降本能力与车规级技术沉淀，能实打实帮机器人整机企业降成本、保质量，跨越量产鸿沟。

最后是市场的赋能。没有稳定的大订单，机器人公司永远只能在小打小闹阶段打转。和其他产品的制造产线相比，汽车在整车尺寸、零部件数量和集成复杂度的综合维度上，绝对是最高的那一档。论复杂，它比不上飞机，但飞机一年才造多少架；论产量，它比不上手机，但手机产线对设备种类和工艺深度的要求远不及汽车。两头都够高——既足够复杂、又足够大规模——只有汽车制造产线才是最大的甲方，没有之一。

这么多机器人涌进车厂，不是去走秀的。它们分拣、上下料、做外观质检、插电池接插件，干的是产线上的真工序，落地的是实打实的场景——和春晚舞台上的武 BOT、商场里的导购，根本不是一回事。

但也要泼一盆冷水：能稳定地扛住节拍、容错率、精度压力的机器人产品依然屈指可数。一条整车产线上有上百个不同的工位，车企目前放出来的，只是其中有限的几个、恰好与现有机器人水平相匹配的工位，让它们试水而已。从试水到真正扛起产线，中间隔着的是行业 know-how 的一点一滴累积，是真实工况对大模型的反复淬炼。

人形机器人们，世界是你们的，也是我们的，你们就像早晨八九点中的太阳，建设丰饶社会的希望寄托在你们身上，道阻且长，且努力奋斗吧！