2026-06-18 — views

人形機器人商業化——工廠、倉庫與38兆美元勞動市場

人形機器人已在特斯拉、BMW與亞馬遜倉庫展開商業部署，瞄準估計38兆美元的全球勞動市場。

實體AI基準系列第86篇——人形機器人商業化：工廠、倉庫與38兆美元勞動市場

全球勞動市場每年規模約38兆美元（估）。史上首次，擁有雙手的機器人——能在非結構化環境中作業、抓取不規則物品、使用為人類設計的工具、在為人體打造的空間中移動——正式踏入這個市場。在2025至2026年間，從展示到商業部署的轉變已然開始：Tesla Optimus在Gigafactory裝配線上工作，Figure AI的人形機器人在BMW斯巴坦堡工廠試點，Agility Robotics的Digit在亞馬遜倉儲中心運行。

這不是研究展示，而是機器人史上最重要硬體品類商業部署的起點。

第一節——為何人形外觀至關重要

推動人形機器人投資命題的核心洞見：實體世界是為人體設計的。門框、樓梯、車輛內部、工具手柄、貨架系統——全都是為5至6英尺高的雙足動物、擁有可精細控制的雙手而設計。其他任何機器人形態都需要重新設計環境來配合它。理論上，人形機器人可以走入任何為人類建造的環境，無需改造。

設計選擇	人形機器人	專用工業機器人
環境適應	可在人類空間作業——門廊、樓梯、車廂內部、狹窄通道	需要客製化工作空間與固定安裝
任務多樣性	理論上可執行人類能做的任何體力任務	僅優化於一或少數特定任務
可重新配置	無需硬體變更即可重新程式或訓練新任務	不同任務需重新設計硬體
勞動替代	可替代非結構化環境中的人類工人	只能自動化結構化、可預測的任務
成本軌跡	目標：2030年前每台$20K-$30K（估）	工業機械臂：安裝後$30K-$200K+（估）
當前能力	早期階段——靈活性有限、速度慢、任務範圍窄	成熟——在高速、精密和可靠性方面已有驗證

核心論點：全球約80%的製造任務需要人類的靈巧性與適應力（估）。現有工業機器人只能處理其中20%結構化、重複性的任務。一台能力完整的人形機器人能解鎖剩餘80%——在全球製造業規模下，潛在可定址市場估計達20至30兆美元（估）。這是機器人史上最大的可定址市場。

第二節——Tesla Optimus：最具野心的量產計畫

Tesla Optimus是全球知名度最高的人形機器人計畫，也是唯一透過特斯拉自身Gigafactory具備直接通往製造規模部署路徑的計畫。特斯拉的結構性優勢：它已運營地球上自動化程度最高的製造設施之一，可以在受控、已知的環境中部署Optimus，再提供給外部使用。

指標	詳情
狀態	截至2026年中已在Gigafactory德州投入生產使用；初始任務包括電池組處理和品質檢測（估）
累計生產數量	約1,000台以上（估，2026年中）——主要用於特斯拉內部工廠使用
2026年外部供應	馬斯克表示2026年起有限度對外商業供應（估）
2027年目標	5萬至10萬台（馬斯克願景；高度不確定）
價格目標	規模化後每台低於$20,000（長期目標）
技術架構	與FSD相同的視覺神經網路架構——攝影機，無光達；端到端學習策略
Dojo訓練	Optimus策略在Dojo上訓練；特斯拉聲稱與FSD相同的數據飛輪優勢
任務範圍	Giga德州的電池分揀、品質檢測、線纜佈線（估，2026年中）
關鍵限制	靈巧性仍不及人類雙手；任務執行速度慢；任務泛化能力窄
製造優勢	可利用現有Gigafactory基礎設施和供應鏈；Optimus許多零件與特斯拉車輛共用

數據飛輪論點是最重要的長期差異化因素。每台Optimus執行任務都會產生訓練數據，更多數據帶來更好的策略，更好的策略支持更多任務，更多任務在更多工廠產生更多數據。如果這個循環——推動FSD從早期失誤到城市規模自動駕駛——同樣適用於物理操作，特斯拉的部署規模優勢將直接轉化為複利式的模型品質優勢。

第三節——Figure AI：BMW試點

Figure AI是領先的風險投資支持的人形機器人公司，擁有將OpenAI語言模型直接整合至機器人控制的獨特策略合作關係。BMW斯巴坦堡工廠試點代表了迄今為止在外部客戶設施中最具商業意義的第三方人形機器人部署。

指標	詳情
公司	Figure AI——2022年成立；總部位於加州桑尼維爾
融資	已籌集約7.5億美元（估）；投資方包括微軟、OpenAI、英偉達、Jeff Bezos、Archer Aviation
估值	約26億美元（估，最近一輪）
機器人	Figure 01、Figure 02——雙足人形機器人
BMW試點	南卡羅來納州斯巴坦堡BMW工廠——全球按產量計最大的BMW工廠；Figure機器人在車身車間執行零件處理任務（估）
OpenAI合作	整合OpenAI視覺語言模型用於自然語言任務理解
微軟Azure	Azure提供雲端訓練和推論基礎設施
核心差異化	自然語言介面——操作員可以用日常英語指導機器人
商業狀態	試點階段——尚未普遍商業供應
限制	早期靈巧性限制；當前試點任務範圍較窄

OpenAI整合是最具決定性的架構選擇。與其要求工程師明確編程每個任務，Figure的方式允許工廠操作員用自然語言描述任務。這降低了任務導入成本，是通往通用機器人的路徑——相同硬體可服務許多不同使用場景，無需為每個場景進行特定軟體工程。

第四節——Agility Robotics：亞馬遜倉庫部署

Agility Robotics的Digit代表迄今最成熟的商業人形機器人部署——在真實的亞馬遜倉儲中心以有意義的規模運行。亞馬遜收購Agility讓後者擁有約1,000個倉儲中心的潛在客戶（估），以及持續訓練和改進Digit的運營數據。

指標	詳情
公司	Agility Robotics——2015年成立（俄勒岡州立大學衍生）；2024年被亞馬遜收購（有報導，估）
機器人	Digit——雙足人形機器人；專為倉庫物流設計
亞馬遜部署	Digit部署在亞馬遜倉儲中心執行托盤和容器處理任務；迄今規模最大的商業人形機器人部署（估）
設計理念	功能優先於擬人——更簡單的腿部設計，夾持手優化用於包裹處理
任務	將空托盤從輸送系統移至儲存區域——重複、結構化，理想的首個商業用例
亞馬遜優勢	最大的潛在客戶兼所有者——在規模下擁有無可比擬的真實世界運營數據
製造	俄勒岡州塞勒姆的RoboFab設施——美國首個專門建造的人形機器人製造設施（估）
規模	數十至數百台在商業運行中（估，2026年中）

Digit的部署反映了蓄意的策略選擇：從倉庫環境中最結構化、最可預測的任務開始，產生運營數據，提升可靠性，然後逐步擴展任務範圍。這與登月式方法相反——是那種傾向於產生持久商業技術的枯燥、系統化路徑。

第五節——人形機器人勞動替代的單位經濟

商業人形機器人的投資論點建立在單位經濟上。以目標定價，對比人力勞動的回收期以月計，而非年計。

指標	人工倉庫工人（估）	規模化Digit（估）	規模化Tesla Optimus（估）
年度勞動成本	$40,000-$60,000（薪資+福利，美國）估	$3,000-$8,000/年（租賃/服務費）估	$2,000-$5,000/年（租賃/服務費）估
每日工作時間	8-10小時（含休息、加班限制）	20-22小時（僅充電和維護）估	20-22小時估
任務速度vs人類	100%基準	初期30-70%（估）；隨AI進步接近100%	類似軌跡估
回收期	不適用	以目標租賃定價，1-3年vs人力（估）	低於$20K售價+$3K/年服務，1-2年（估）
重新配置成本	$2,000-$5,000訓練人類從事新任務	軟體更新——數週訓練新策略（估）	類似（估）
福利和人事管理費用	包含在勞動成本中	無	無

以每台$20K和每年$3K服務費計算，一台人形機器人對比每年$50K的倉庫工人，在不到18個月內回收成本（估）。按規模計算，每增加一台機器人花費$20K資本，每年節省$47K勞動力——首年資本回報率235%（估）。即使以人類任務速度的一半運行，經濟效益仍然令人信服：以6-16%的人力成本實現50%的人力產出，意味著這套論點在結構上具備持久性。

這正是使人形機器人成為實體AI中最引人注目的資本配置案例的單位經濟：不是自動駕駛汽車（受監管、擴張緩慢），不是工業機器人（已成熟），而是人形機器人首次進入估計38兆美元的勞動市場（估）。

第六節——任務泛化挑戰

制約商業人形機器人部署的關鍵未解難題：當前系統可以執行特定訓練任務，但無法在不進行大量重新訓練的情況下泛化到新任務。這個瓶頸將部署限制在任務集合可預測且受控的環境中。

能力	當前狀態（估，2026年中）	目標狀態（2028-2030年估）
從固定位置拾取已知物體	在試點環境中基本解決	在規模下可靠
從可變位置拾取新型物體	早期階段；演示中70-90%成功率（估）	目標95%+（估）
雙手靈巧操作	有限；僅限簡單抓握	與人類相當的靈巧度
自然語言任務指令	Figure AI+OpenAI整合顯示早期前景	自然語言介面成為標準
在新環境中導航	可行但緩慢；在意外地形上跌倒	在任何人類可進入空間中流暢導航
以小時（而非數週）學習新任務	研究階段；實驗室中的少樣本學習	商業通用機器人的目標

Physical Intelligence（PI）是最直接針對這一泛化問題的公司——構建一個可以用最少示範數據微調到新任務的「機器人作業系統」。如果PI成功，人形機器人硬體公司（Figure、Agility、Apptronik）可以授權PI軟體層，創造類似行動設備中Android的平台動態：硬體商品化，軟體棧捕獲大部分價值。

泛化問題根本上是數據問題。積累最多真實世界操作數據——跨越最廣泛環境和任務——的公司將擁有最大的訓練優勢。這正是亞馬遜擁有Agility在直接部署之外更重要的原因：每個Digit在每個倉儲中心移動的托盤都是一個訓練數據點。

第七節——關於本系列

這是實體AI基準系列第86篇。前85篇涵蓋了斜坡指數、人形機器人競賽、單位經濟、全球競爭、高清地圖、軟體和OTA更新、消費者需求、競爭護城河、安全數據、Waymo第6代、Optimus製造、評分卡快照、2030年預測情景、投資者框架、城市擴張管線、Tesla FSD州級審批地圖、AV天氣和氣候限制、監管日曆、機器人計程車費率定價、人形機器人部署追蹤、供應鏈分析、消費者採用需求指數、估值和IPO分析、實體AI 2026年中盤點、AV每英里成本分解、AV數據飛輪比較、實體AI供應鏈、AV車隊運營、AV保險和責任演變、全生命週期環境成本、無障礙層、地圖架構比較、中國AV競賽、模擬和合成數據訓練、實體AI投資格局、AV城市規劃和城市影響、自動駕駛卡車貨運經濟、歐洲AV競爭格局、AV傳感器技術辯論、AV安全指標、AV人才戰爭、全球AV監管地圖、AV財務可持續性燃燒率、Tesla Cybercab對比Waymo第6代機器人計程車（第84篇），以及AV網路安全攻擊面（第85篇）。

本篇增加了商業人形機器人部署維度：為何人形形態能解鎖現有機器人無法處理的80%製造任務、Tesla Optimus、Figure AI和Agility Robotics各自的商業部署方式、使人形機器人成為實體AI中最引人注目資本配置的單位經濟，以及仍是關鍵瓶頸的任務泛化挑戰。

注意： 部署數據、單位數量、估值和財務預測均為估計，基於截至2026年中公開可用的公司披露、投資者公告和行業分析。數據不確定之處標記為「（估）」，應視為方向性估計而非確認數據。本文不構成投資建議。