2026-06-18 — views

人形机器人商业化——工厂、仓库与38万亿美元劳动力市场

人形机器人已在特斯拉、宝马与亚马逊仓库展开商业部署，瞄准估计38万亿美元的全球劳动力市场。

实体AI基准系列第86篇——人形机器人商业化：工厂、仓库与38万亿美元劳动力市场

全球劳动力市场每年规模约38万亿美元（估）。史上首次，拥有双手的机器人——能在非结构化环境中作业、抓取不规则物品、使用为人类设计的工具、在为人体打造的空间中移动——正式踏入这个市场。2025至2026年间，从展示到商业部署的转变已然开始：Tesla Optimus在Gigafactory装配线上工作，Figure AI的人形机器人在宝马斯巴达堡工厂试点，Agility Robotics的Digit在亚马逊仓储中心运行。

这不是研究展示，而是机器人史上最重要硬件品类商业部署的起点。

第一节——为何人形形态至关重要

推动人形机器人投资命题的核心洞见：实体世界是为人体设计的。门框、楼梯、车辆内部、工具手柄、货架系统——全都是为5至6英尺高的双足动物、拥有可精细控制的双手而设计。其他任何机器人形态都需要重新设计环境来配合它。理论上，人形机器人可以走入任何为人类建造的环境，无需改造。

设计选择	人形机器人	专用工业机器人
环境适应	可在人类空间作业——门廊、楼梯、车厢内部、狭窄通道	需要定制工作空间与固定安装
任务多样性	理论上可执行人类能做的任何体力任务	仅优化于一或少数特定任务
可重新配置	无需硬件变更即可重新编程或训练新任务	不同任务需重新设计硬件
劳动替代	可替代非结构化环境中的人类工人	只能自动化结构化、可预测的任务
成本轨迹	目标：2030年前每台$20K-$30K（估）	工业机械臂：安装后$30K-$200K+（估）
当前能力	早期阶段——灵活性有限、速度慢、任务范围窄	成熟——在高速、精密和可靠性方面已有验证

核心论点：全球约80%的制造任务需要人类的灵巧性与适应力（估）。现有工业机器人只能处理其中20%结构化、重复性的任务。一台能力完整的人形机器人能解锁剩余80%——在全球制造业规模下，潜在可定址市场估计达20至30万亿美元（估）。这是机器人史上最大的可定址市场。

第二节——Tesla Optimus：最具野心的量产计划

Tesla Optimus是全球知名度最高的人形机器人计划，也是唯一通过特斯拉自身Gigafactory具备直接通往制造规模部署路径的计划。特斯拉的结构性优势：它已运营地球上自动化程度最高的制造设施之一，可以在受控、已知的环境中部署Optimus，再提供给外部使用。

指标	详情
状态	截至2026年中已在Gigafactory德克萨斯投入生产使用；初始任务包括电池组处理和质量检测（估）
累计生产数量	约1,000台以上（估，2026年中）——主要用于特斯拉内部工厂使用
2026年外部供应	马斯克表示2026年起有限度对外商业供应（估）
2027年目标	5万至10万台（马斯克愿景；高度不确定）
价格目标	规模化后每台低于$20,000（长期目标）
技术架构	与FSD相同的视觉神经网络架构——摄像头，无激光雷达；端到端学习策略
Dojo训练	Optimus策略在Dojo上训练；特斯拉声称与FSD相同的数据飞轮优势
任务范围	Giga德克萨斯的电池分拣、质量检测、线缆布线（估，2026年中）
关键限制	灵巧性仍不及人类双手；任务执行速度慢；任务泛化能力窄
制造优势	可利用现有Gigafactory基础设施和供应链；Optimus许多零件与特斯拉车辆共用

数据飞轮论点是最重要的长期差异化因素。每台Optimus执行任务都会产生训练数据，更多数据带来更好的策略，更好的策略支持更多任务，更多任务在更多工厂产生更多数据。如果这个循环——推动FSD从早期失误到城市规模自动驾驶——同样适用于物理操作，特斯拉的部署规模优势将直接转化为复利式的模型质量优势。

第三节——Figure AI：宝马试点

Figure AI是领先的风险投资支持的人形机器人公司，拥有将OpenAI语言模型直接整合至机器人控制的独特战略合作关系。宝马斯巴达堡工厂试点代表了迄今为止在外部客户设施中最具商业意义的第三方人形机器人部署。

指标	详情
公司	Figure AI——2022年成立；总部位于加州桑尼维尔
融资	已筹集约7.5亿美元（估）；投资方包括微软、OpenAI、英伟达、Jeff Bezos、Archer Aviation
估值	约26亿美元（估，最近一轮）
机器人	Figure 01、Figure 02——双足人形机器人
宝马试点	南卡罗来纳州斯巴达堡宝马工厂——全球按产量计最大的宝马工厂；Figure机器人在车身车间执行零件处理任务（估）
OpenAI合作	整合OpenAI视觉语言模型用于自然语言任务理解
微软Azure	Azure提供云端训练和推理基础设施
核心差异化	自然语言界面——操作员可以用日常英语指导机器人
商业状态	试点阶段——尚未普遍商业供应
限制	早期灵巧性限制；当前试点任务范围较窄

OpenAI整合是最具决定性的架构选择。与其要求工程师明确编程每个任务，Figure的方式允许工厂操作员用自然语言描述任务。这降低了任务导入成本，是通往通用机器人的路径——相同硬件可服务许多不同使用场景，无需为每个场景进行特定软件工程。

第四节——Agility Robotics：亚马逊仓库部署

Agility Robotics的Digit代表迄今最成熟的商业人形机器人部署——在真实的亚马逊仓储中心以有意义的规模运行。亚马逊收购Agility让后者拥有约1,000个仓储中心的潜在客户（估），以及持续训练和改进Digit的运营数据。

指标	详情
公司	Agility Robotics——2015年成立（俄勒冈州立大学衍生）；2024年被亚马逊收购（有报道，估）
机器人	Digit——双足人形机器人；专为仓库物流设计
亚马逊部署	Digit部署在亚马逊仓储中心执行托盘和容器处理任务；迄今规模最大的商业人形机器人部署（估）
设计理念	功能优先于拟人——更简单的腿部设计，夹持手优化用于包裹处理
任务	将空托盘从输送系统移至储存区域——重复、结构化，理想的首个商业用例
亚马逊优势	最大的潜在客户兼所有者——在规模下拥有无可比拟的真实世界运营数据
制造	俄勒冈州塞勒姆的RoboFab设施——美国首个专门建造的人形机器人制造设施（估）
规模	数十至数百台在商业运行中（估，2026年中）

Digit的部署反映了蓄意的战略选择：从仓库环境中最结构化、最可预测的任务开始，产生运营数据，提升可靠性，然后逐步扩展任务范围。这与登月式方法相反——是那种倾向于产生持久商业技术的枯燥、系统化路径。

第五节——人形机器人劳动替代的单位经济

商业人形机器人的投资论点建立在单位经济上。以目标定价，对比人力劳动的回收期以月计，而非年计。

指标	人工仓库工人（估）	规模化Digit（估）	规模化Tesla Optimus（估）
年度劳动成本	$40,000-$60,000（薪资+福利，美国）估	$3,000-$8,000/年（租赁/服务费）估	$2,000-$5,000/年（租赁/服务费）估
每日工作时间	8-10小时（含休息、加班限制）	20-22小时（仅充电和维护）估	20-22小时估
任务速度vs人类	100%基准	初期30-70%（估）；随AI进步接近100%	类似轨迹估
回收期	不适用	以目标租赁定价，1-3年vs人力（估）	低于$20K售价+$3K/年服务，1-2年（估）
重新配置成本	$2,000-$5,000训练人类从事新任务	软件更新——数周训练新策略（估）	类似（估）
福利和人事管理费用	包含在劳动成本中	无	无

以每台$20K和每年$3K服务费计算，一台人形机器人对比每年$50K的仓库工人，在不到18个月内回收成本（估）。按规模计算，每增加一台机器人花费$20K资本，每年节省$47K劳动力——首年资本回报率235%（估）。即使以人类任务速度的一半运行，经济效益仍然令人信服：以6-16%的人力成本实现50%的人力产出，意味着这套论点在结构上具备持久性。

这正是使人形机器人成为实体AI中最引人注目的资本配置案例的单位经济：不是自动驾驶汽车（受监管、扩张缓慢），不是工业机器人（已成熟），而是人形机器人首次进入估计38万亿美元的劳动力市场（估）。

第六节——任务泛化挑战

制约商业人形机器人部署的关键未解难题：当前系统可以执行特定训练任务，但无法在不进行大量重新训练的情况下泛化到新任务。这个瓶颈将部署限制在任务集合可预测且受控的环境中。

能力	当前状态（估，2026年中）	目标状态（2028-2030年估）
从固定位置拾取已知物体	在试点环境中基本解决	在规模下可靠
从可变位置拾取新型物体	早期阶段；演示中70-90%成功率（估）	目标95%+（估）
双手灵巧操作	有限；仅限简单抓握	与人类相当的灵巧度
自然语言任务指令	Figure AI+OpenAI整合显示早期前景	自然语言界面成为标准
在新环境中导航	可行但缓慢；在意外地形上跌倒	在任何人类可进入空间中流畅导航
以小时（而非数周）学习新任务	研究阶段；实验室中的少样本学习	商业通用机器人的目标

Physical Intelligence（PI）是最直接针对这一泛化问题的公司——构建一个可以用最少示范数据微调到新任务的「机器人操作系统」。如果PI成功，人形机器人硬件公司（Figure、Agility、Apptronik）可以授权PI软件层，创造类似移动设备中Android的平台动态：硬件商品化，软件栈捕获大部分价值。

泛化问题根本上是数据问题。积累最多真实世界操作数据——跨越最广泛环境和任务——的公司将拥有最大的训练优势。这正是亚马逊拥有Agility在直接部署之外更重要的原因：每个Digit在每个仓储中心移动的托盘都是一个训练数据点。

第七节——关于本系列

这是实体AI基准系列第86篇。前85篇涵盖了斜坡指数、人形机器人竞赛、单位经济、全球竞争、高清地图、软件和OTA更新、消费者需求、竞争护城河、安全数据、Waymo第6代、Optimus制造、评分卡快照、2030年预测情景、投资者框架、城市扩张管线、Tesla FSD州级审批地图、AV天气和气候限制、监管日历、机器人出租车费率定价、人形机器人部署追踪、供应链分析、消费者采用需求指数、估值和IPO分析、实体AI 2026年中盘点、AV每英里成本分解、AV数据飞轮比较、实体AI供应链、AV车队运营、AV保险和责任演变、全生命周期环境成本、无障碍层、地图架构比较、中国AV竞赛、模拟和合成数据训练、实体AI投资格局、AV城市规划和城市影响、自动驾驶卡车货运经济、欧洲AV竞争格局、AV传感器技术辩论、AV安全指标、AV人才战争、全球AV监管地图、AV财务可持续性燃烧率、Tesla Cybercab对比Waymo第6代机器人出租车（第84篇），以及AV网络安全攻击面（第85篇）。

本篇增加了商业人形机器人部署维度：为何人形形态能解锁现有机器人无法处理的80%制造任务、Tesla Optimus、Figure AI和Agility Robotics各自的商业部署方式、使人形机器人成为实体AI中最引人注目资本配置的单位经济，以及仍是关键瓶颈的任务泛化挑战。

注意： 部署数据、单位数量、估值和财务预测均为估计，基于截至2026年中公开可用的公司披露、投资者公告和行业分析。数据不确定之处标记为「（估）」，应视为方向性估计而非确认数据。本文不构成投资建议。