人形机器人的「跑跑跳跳」困局——当狂热市场遇上窄场景现实
赛道头部公司合计估值超 $70B，但 2025 年全球全尺寸人形机器人商业出货量仅数千台。真正在工厂里干活的机器人，绝大部分只在搬箱子和拣零件。这不是贬低进展——这是需要被诚实面对的落差。
🧠 文中涉及公司的完整档案见 RobotScope 公司档案——每条事实标注来源时间。
一群人形机器人在舞台上翻跟头、叠衣服、跳集体舞，台下投资人举牌把估值推到百亿美元——另一边，真正在工厂里干活的机器人，绝大部分只在搬箱子。
用最朴素的方式陈述这个赛道的现状：Figure AI 估值 $39B，Skild AI 估值 $14B，Physical Intelligence 估值 $5.6B——三家合计超过 $58B。而 2025 年，全球全尺寸人形机器人向外部客户商业出货的总量，大约只有几千台。
这不是在贬低进展。这是一个需要被诚实面对的落差。
第一梯队：三家真正有出货的公司
把那些有真实出货数据、有外部商业客户的公司摊开看，其实只有三家。
UBTECH（港股 9880.HK，2026-05 市值约 $6B/HKD 47B）是商业化最系统的一家。2025 年全尺寸人形机器人出货 1,079 台（2024 年仅 3 台），全尺寸人形收入 ¥8.21 亿，占公司总收入 41%（注：钛媒体质疑 2024 年人形仅 3 台，业务口径调整使人形收入 22× 暴涨）。Walker S2 累计 500+ 台在工业现场运行。S3 已锁定订单约 ¥5.2 亿 / 2,890 台，客户包括 BYD（890 台 / ¥1.6 亿）、Geely（440 台 / ¥0.8 亿）、Airbus（420 台 / ¥0.75 亿）等。年化产能超 6,000 台，2026 出货指引 5,000 台。这是在干活的公司。
Agility Robotics（Series C 2025-09，累计融资 $640M，估值 $2.1B）是部署深度最高的一家。5 家 Fortune 500 客户：Amazon、Toyota、GXO、Mercado Libre、Schaeffler。GXO 站点已累计移动 100,000+ tote 商业运营。Toyota TMMC 2026-02 签 RaaS 协议，首批 7 台 Digit 在 RAV4 工厂卸载零部件 tote。Schaeffler 承诺至 2030 年在全球 100 家工厂部署 Digit。这些是实打实的商业合同，不是 demo。RoboFab 工厂产能可扩展至 10,000 台/年，目标单机成本 $35,000。
Figure AI（Series C 2025-09，累计融资 $1.9B，估值 $39B）处在从 demo 往规模化冲刺的阶段。BotQ 首批交付 350+ 台 Figure 03，产能从 1 台/天拉升到 1 台/小时（自报 24 倍提升）。BMW 工厂 11 个月部署，参与生产 30,000 台车。200 小时包裹分拣 249,560 个包裹零故障（自报/未经第三方验证，有直播链接）。人机分拣比赛中，实习生 12,924 件 vs F.03 12,732 件，机器人达人类 98.5%。Baku 第二工厂规划 4 条产线，满产 50,000 台/年。Brett Adcock 在 2026-05 采访中放出 Figure 04 家庭租赁远期目标：$400-600/月。
关键发现：估值与部署深度的反相关
把估值和部署深度放一起看，会发现一个规律——越值钱的公司，越没有真实外部商业部署。
Physical Intelligence 估值 $5.6B，收入未披露。2026-04 披露了 π0.7 模型，展示跨上下文技能重组能力，但客户数量、收入规模、续约情况均未公开。RobotScope 档案判断其”已从纯研究叙事迈向早期真实部署验证，但距离标准化大规模商业化仍有距离”。
Skild AI 估值 $14B，2025 年收入约 $30M（自报）。有 Foxconn Blackwell 产线双臂组装部署、ABB 和 Universal Robots 公开表态集成 Skild Brain，但收入可持续性、客户留存、模型交付方式均未公开。
Tesla Optimus 内部约 300 台在 Fremont 和 Giga Texas，仅用于数据采集。Musk 称 Optimus 可使 Tesla 成为 $25T 公司（自报/未经第三方验证）。项目负责人 Milan Kovac 2025-06 因设计问题与量产延迟离职，Ashok Elluswamy 接任。Musk 2026-04-19 公开承认 Gen 3 手部设计”didn’t actually work”。
这形成了一种奇特的反相关：估值最高的几家公司，恰好是外部商业部署最少的。
「跑跑跳跳」到底算不算进展？
翻跟头、折叠衣服、跳集体舞——这类 demo 在过去两年大量涌现。它们存在的价值是什么？
一个准确的描述是：这些是工程能力展示，不是商业可复制的部署。前者证明的是运动控制算法和机电一体化的天花板，后者要求的是在一个明确任务上做到足够可靠、足够便宜。
Figure 的多机器人协作铺床 demo 和 249,560 包裹零故障（自报）分拣之间，存在一条从 demo 到 POC（概念验证）再到商业部署的递进线。铺床是前者，BMW 工厂 11 个月参与生产 30,000 台车是后者。两者都需要存在，但不能混为一谈。
宇树科技 G1 年度发货 5,500+ 台、产销率超 95%，Omdia 全球出货排名第一。但这家公司的 R&D 占收入比从 2022 年约 21% 降至 2025 年 1-9 月 7.7%（钛媒体质疑与科创板”硬科技”定位的张力），且产品定价极低——双臂机器人躯干 ¥26,900 起（约 $4,290），更像是在卖硬件平台而非完整解决方案。王兴兴亲自驾驶 GD01 载人机甲（¥390 万起 / $574K）的实拍视频火爆全网，但这些产品面向的是消费和营销场景，与工厂里的”干活”是两条线。
效率的真实数字
当人形机器人真正进入工厂，它和人类工人比，到底差多少？
UBTECH 的 Walker S2 在 2026-01 的工作效率约为人类的 45%（自报/未经第三方验证），全年已提升 50%，目标 2026 年底突破 60%。这个数字意味着：一台机器人干同样的活，目前只有人的不到一半效率。要达到经济可行性，要么效率追上来，要么成本降下去，或者两者同时发生。
Figure 的人机分拣比赛中，F.03 输给了实习生——12,732 vs 12,924，差距 1.5%。这个结果说明机器人在一个高度受控、重复性极强的任务中可以接近人类，但依然差一点。而且这是 Figure 推送的营销级比赛，实习生是否代表”最优人类”、机器人是否接受了针对该场景的专项优化，都是未知的变量。
这些数字本身不差，但如果目标是”替代人”，现在还远没到那个点。
为什么窄场景不是贬义词
在这个行业，“窄场景”常被当作贬义词使用——仿佛搬箱子就不够性感，不够”通用”。但回头看工业机器人的历史，第一台商用工业机器人 Unimate 1961 年进入通用汽车工厂时，干的也是一件极其窄的事：从压铸机上取下零件。它花了将近二十年才从汽车焊接扩展到其他制造业场景。
Agility Robotics 目前做的事情——在 GXO 仓库里移动 tote、在 Toyota 工厂卸载零部件 tote——就是在重复这个逻辑。UBTECH 在 BYD、Geely、Airbus 产线上的部署，同样是这个逻辑。这些任务不够”通用”，但它们能形成商业闭环。Schaeffler 承诺到 2030 年在全球 100 家工厂部署 Digit，这恰恰说明窄场景的规模化路径是存在的：先在一个任务上跑通，再扩到其他工厂的同类任务，然后慢慢扩展任务类型。
当下的真战场
RobotScope 的判断：现在的问题不是”能不能做”，而是**“能不能在单一任务上做到比人便宜”**。
45% 的人类效率可以是一个起点，也可以是天花板——取决于技术迭代速度和成本下降曲线。UBTECH 累计亏损超 ¥50 亿（2022-2025），Figure 融了 $1.9B 还没盈利，Skild AI $30M 收入撑 $14B 估值——这个赛道不缺钱，缺的是在单一场景下证明 ROI 为正的商业案例。
Agility 的 RaaS 模式（机器人即服务）、Figure 的 $400-600/月家庭租赁远期目标、UBTECH 的 S3 从 ¥40-50 万/台降至 ¥18 万/台起——都指向同一个方向：降低单机成本、提升单机效率、在一个足够窄的场景里先跑通单位经济。
通用是远期故事。窄场景的商业闭环，才是当下的真战场。
那些融资最多的公司——Physical Intelligence、Skild AI——在模型层面推进，可能最终成为赋能者而非直接部署者。而真正在工厂里干活的队伍——UBTECH、Agility、Figure——正在用搬箱子的方式，一点点回答那个最朴素的问题：造一台机器人来干活，到底能不能比雇一个人便宜。
这个答案目前还不是”是”。