宇树上市首日市值一度被推上 4449 亿元，次日收盘回落至 2700 亿元级别；同一时间世界机器人大会的展馆被塞得满满当当。技术狂飙、资金押注、政策兜底的三重奏之下，拆开过去一年机器人行业的采购大单，穿透 "订单" 叙事，回答一个朴素却昂贵的问题：这些造价几十万的具身智能设备，最后到底卖给了谁，又是谁在承担试错的成本。展馆里塞满了人，有一种错乱的繁荣感，有 Mini 足球场直播和人类比点球的，有玻璃房里双臂机器人缓慢切菜的，不下有上百个不同品牌的人形机器人冲着围观者的手机镜头眨眼招手翻跟头。重磅新闻也不少，央企牵头的机器人创新联合体宣布成立，名单里拉来了一众产业巨头。刚好晚点 LatePost 发了一篇《具身智能的金钱游戏》，比较生动地把今天中国具身智能赛道的泡沫化真相给刨开了许多 —— 具身赛道现在完全不缺钱，缺的是真需求和硬技术，一台机器人搬个箱子要 70 秒人只要 2 秒，进厂根本划不来，但资本不管这些，上半年融了超 900 亿冒出 22 家百亿级企业很多连产品都没有，投资人们抱团抬价互相承诺下一轮还投硬把估值炒上去。而且从数据看订单并不少，但宇树卖了五千多台七成面向科研，真正进工厂 "干活" 的其实很少。资本市场可以快速为产业给出价格，但真实产业当然没有这么快，机器人进入工厂要面对的不是 K 线而是采购预算、折旧、维护、停机损失，以及更现实的：已经不便宜的机器人到底能不能创造比它更高的价值。

　　过去这一年机器人公司发的新闻稿很多都带着 "大单" 两个字，上万台意向、数十亿的战略框架，配合着各类市场分析报告里那些一条直线向右上角拉升的渗透率预测模型，大规模商业化量产的预期被拉得极满。在产业早期订单是一个极具迷惑性的词，新闻通稿不会说这笔钱究竟是从甲方哪个科目的账户里划出来的，以及买回去怎么使用是进了车间还是作为展厅摆件。以目前风头最劲的优必选为例，过去大半年他们密集披露了与蔚来、东风柳汽、一汽 - 大众等头部车企的合作，人形机器人 Walker S 系列拎着检测仪在汽车总装车间里巡检的视频几乎成了行业的标配物料，这是资本市场非常喜欢听的机器人造车故事。但是如果切换到一家汽车工厂视角呢？它们的账也许非常简单，传统工业机器人已经把 OEE（设备综合效率）、故障率、维护周期和单件成本算到了极致，设备一旦进入核心产线承担的就是连续生产任务，停机一分钟损失的可能就是实实在在的产值。而今天人形机器人进入车间很多时候仍然属于 POC 测试，车企愿意拿出创新预算给新技术一个机会看看它能不能完成某项任务，但这和进入正式资本开支、承担连续生产任务中间还隔着很远距离。测试证明的是 "能不能用"，正式采购证明的才是 "值不值得用"。

　　另一个被市场反复拿来证明商业化爆发的是国家电网在 2026 年 4 月印发《2026 年具身智能发展规划》，称计划年内投入 68 亿元采购约 8500 台具身智能设备，这是具身智能机器人行业迄今规模最大的单笔采购，被誉为电力运维正式加速 "机器换人"。不过仔细看设备明细表会发现，在国家电网计划采购的约 8500 台设备中，四足巡检机器狗和双臂机器人占了 8000 台，人形机器人仅仅只有 500 台。但这绝不是为了作秀的示范采购，国网是一个背负着极高安全压力与巨额运维成本的经营主体，他们买这些设备是因为特高压电网巡检出事故是真的会出人命，高危带电作业的人工风险赔偿成本摆在那里，这 68 亿背后有着严苛的经济红线与安全双重约束。所以真实的工业巨头确实在拿着经营预算买机器人，但他们会优先采购那些形态成熟、故障率低、能够立即进入工作流的设备，这不是人形机器人没有需求，而是工业客户正在用自己的账本替整个行业筛选需求，该人形机器人拿到的暂时更多还是试点门票。

　　把带有强约束的工业场景剔除掉，回头看市场上剩下的大量真实成交订单还有哪些去处？刚刚交出招股书的宇树科技提供了一份极具参考价值的标本，2025 年宇树的人形机器人出货量达到 5511 台，单台均价下探到了 16.6 万元左右，这批机器人的客户结构中高校、科研机构、科技大厂的研发部门以及个人开发者占据了绝对的大头。不止是宇树，目前行业里第一梯队玩家的早期规模化交付很大一部分都走向了类似的去处：地方政府出资建设场景，高校拿课题经费购买设备用于前沿科研，大型训练基地采购几十上百台硬件外加一套极其昂贵的动捕设备和遥操作平台。这种情况下硬件进了场地，科研人员或数据标注外包团队穿上动捕服采集动作轨迹，数据流回大模型厂商去迭代算法，厂商再拿着更新了参数的模型去跑下一轮融资扩充产能。资金、数据和技术在这个圈子里高效流转，形成了 "产业内循环"。这并不是给这笔钱判定无效，恰恰相反在具身智能这个阶段它很可能是产业必须经历的基础设施建设：地方政府需要场景，高校需要设备，厂商需要数据，模型需要训练，供应链需要规模，这些事情可以同时成立。但它们仍然不等于机器人已经完成了商业化，因为基础设施解决的是 "产业能不能长出来"，而商业化最终要回答的是有没有产业之外的企业愿意持续为它创造的经济价值付钱。

　　一个不可忽视的常识是机器人大模型和基于文本的大语言模型走的是完全不同的路。大模型可以靠爬取互联网上几乎免费的千亿级 Token 在 "无菌的机房" 里日夜进化，机器人必须面对真实的物理世界，互联网上没有现成的数据集能直接教机器如何用刚好的力道捏起一个纸杯。现实极其骨感，机器必须在物理场地里成千上万次地摔倒、抓空才能缓慢地积累起带有重力、反作用力和空间几何常识的多模态数据，所以端到端的具身大模型对算力和数据的消耗非常恐怖，目前通过人工遥操作采集一条高质量的物理交互数据，人力加上设备折旧的综合成本高得吓人，一般的机器人初创公司如果全靠自己根本付不起这笔天价的数据和算力账单。向高校和大型实验室大批量卖货本质上是 "在淘金热里卖铲子"，这批企业吃到的是全社会搭建具身智能数据基础设施的早期红利。这有点像新能源汽车早期的充电基础设施，充电网络还没有形成之前单独一辆车的使用价值也很难充分释放，但有人必须先把基础设施铺起来产业才可能从少数示范走向规模化。机器人训练中心、数据采集平台和早期采购同样承担着类似的角色，它们是在替产业支付 "从 0 到 1" 的基础设施成本。基础设施铺完之后车最终还是要有人开，机器人最终也必须有人愿意持续使用，但产业内循环容易掩盖终端的真实需求，在受控的实验室环境里成功抓起一个苹果和在冲压车间粉尘飞扬的环境里干 24 小时工程难度天差地别，靠科研机构的经费或者一级市场的融资暂时能填上算力窟窿，从 1 走到 10 行业最终必须找到那些能用日常经营利润接下这笔庞大账单的外部买家。

　　比较确定的共识是在具身领域中国有最完善的低成本量产供应链和丰富的工业落地场景，美国在端到端泛化大模型的架构上保持着探索优势，而面临这道商业化鸿沟的不仅仅是中国企业。把视线拉向全球，硅谷的明星公司们同样困在同一堵墙面前，《The Information》近期发了一个调查称包括 Covariant、Physical Intelligence 以及 Figure 在内的明星企业正耗费巨资组建庞大的遥操作 "数据农场"，并花高薪雇佣操作员日复一日地录制抓取物体的视频，所以获取物理数据的艰难并非中国特供，全球的具身智能都在痛苦地撞击这堵 "物理数据墙"。很多人喜欢拿美国的标杆落地案例来反衬国内，Figure 02 被送进了宝马位于南卡罗来纳州的斯帕坦堡工厂进行底盘装配测试，马斯克的 Optimus 在特斯拉的加州工厂里分拣电池电芯，亚马逊则引入了 Agility Robotics 的 Digit 机器人进行物流测试，这些案例当然重要，它们至少证明了人形机器人已经开始进入全球最复杂、最讲究效率的真实生产环境，但 "进入工厂" 和 "完成商业化" 之间依然隔着一整套财务指标。Figure 在宝马的测试、Digit 进入物流场景、Optimus 在特斯拉内部部署都说明客户愿意给新技术一个机会，却还不能仅凭试点数量证明机器人已经形成可复制、可持续的商业回报。Figure 在宝马产线上的操作背后是重兵驻场的工程师团队在进行贴身维护、随时接管打补丁，马斯克将 Optimus 放入特斯拉产线更是自带了一块免死金牌，特斯拉既是研发方又是唯一的买单方，这种内部署模式可以无限度地容忍初期的低效、宕机和高昂成本，因为这本身也是在为公司的科技叙事服务。投行在评估这类物流和制造测试时看的不止是几万美金的硬件售价而是 TCO（全生命周期成本），所以我们会看到一些深度报道和投研分会关注一台机器买回去每年的软件集成费、停机带来的误工费、原厂工程师的驻场维修费，最终这些隐性成本加起来往往比硬件本身还要昂贵，大家其实都在答同一张卷子。

　　2022 年经济学家卡萝塔・佩蕾丝出版了演化经济学著作《技术革命与金融资本：泡沫与黄金时代的动力学》，这本书解答了为什么每次重大技术革命都必然伴随着金融泡沫与崩盘，并建立了一个解释 "技术–经济" 长周期的宏观理论框架：任何通用技术的爆发都经历导入期与部署期。导入期新老范式交替金融资本占据主导，从新技术萌芽、核心成本大幅下降、创投机构开始疯狂押注再到全社会资金涌入脱离实体经济形成巨大的金融泡沫，这时候大概率迎来一个关键拐点并导致崩盘与重组，泡沫破裂暴露出纯金融投机的弊端，社会呼唤规则与监管。到了部署期新技术成为普遍的社会基础设施，生产资本占据主导，而且进一步在各行各业深度扩散，生产率真实暴涨，经济迎来健康繁荣直到最后的成熟期走向红利耗尽市场饱和。毫无疑问今天的 AGI 革命仍然处于导入期，大模型、GPU 算力、具身智能都如此，今天机器人产业的种种狂热与困惑都在其中，而科研机构的采购、产业基金、扩充的丝杠产能与高估值都在合力把产业推向规模临界点。有泡沫是真的但其实还好，回看互联网时代泡沫破裂之前铺设的大量跨洋光缆后来反而成为下一轮互联网繁荣的基础，今天不断出现的训练基地、数据中心和机器人产能扩张也未必都是浪费，真正值得警惕的不是 "提前建设"，而是把 "为未来建设基础设施" 误认为 "未来已经到来"。

　　判断产业是否跨越转折点需要回到基础的商业常识。审视那些 "大单" 时可以关注的是：这笔钱来自财政专项、科研基金、车企的创新测试经费还是实体工厂日常的生产设备技改预算？购买的目的是为了公关展示、采集数据还是切实降低某条产线的制造成本？使用结果是在车间测试几周后闲置还是卡进流水线投入了真实连续的工作流？最核心的是谁在承担试错的财务风险。在产业初期为了打消客户对泛化能力的疑虑，机器人公司往往会采用 RaaS（机器人即服务）模式，工厂根本不买资产而是按时长租用劳动力，这会带来部署量快速增长的数据幻觉 —— 机器人进入工厂并不意味着客户已经承担了机器人的全部经济风险，穿透资产负债表在 RaaS 模式下硬件折旧、维修和技术迭代贬值的风险并未转移给工厂而是全部重重地压在了机器人公司或融资租赁方账上。对使用方而言一旦发现机器人的效率不如熟练工人或需要频繁上门维修，止损动作就是极其干脆的退租拒付，退回的机器瞬间变成厂商账上的不良资产。因此真正的观察指标不仅是机器人有没有拍进厂视频更是客户是否持续续约以及供应商能否在这个价格体系下获得正向经济回报。真正的商业化是机器人不好用时客户会冷酷地停止复购，当机器真的为产线抠出净利润时他会主动要求翻倍部署。机器人有没有卖出去是订单问题，机器人有没有真正创造价值是利润问题，客户愿不愿意继续买才是商业化问题。所以真正值得盯的不是下一份 "万台订单"，而是越来越多与机器人厂商没有资本关系的实体企业在算清账之后愿意把它写进下一年的资本开支并在第二年继续追加，那才是机器人真正走出产业内循环的时刻，也是 "具身智能的金钱游戏" 进入产业真实的时刻。