机器、资本与泡沫：全球工业自动化与具身智能的经济逻辑

编制：轻重智库（QingZhong Think Tank）

引言

全球机器人产业正在形成两条速度明显不同的发展轨迹。工业自动化经过数十年扩张，已经成为制造业和物流体系中的成熟资本投入，企业围绕生产率、人工成本、设备利用率和投资回收周期决定是否增加设备，市场增长持续受到订单、工资、融资条件和生产环境约束。具身智能机器人则处于从技术验证向商业部署过渡的阶段，真实销量、连续运行时间和规模采购尚未形成与传统自动化相当的产业基础，资本投入和企业估值已经快速上升。2025年全球工业及专业服务用途的人形机器人销量约为7000台，而围绕Physical AI和人形机器人的融资已经达到远高于当前商品市场规模的水平。[1] 现实生产仍按照具体工位的成本和现金流计算投资回报，资本市场已经开始按照未来更广泛的劳动替代、软件收入和产业控制权配置资金。

工业自动化长期受到柔性和系统集成成本约束，大量频繁换产、复杂操作和临时判断工作仍然依赖人工，具身智能通过视觉、模型、学习和自主控制继续向这些劳动环节推进。随着机器人产业向芯片、算力、软件、数据、能源和金融体系延伸，机器能够覆盖多少劳动与未来机器劳动由谁控制逐渐结合在同一个产业过程中。生产企业通过自动化降低部分直接劳动成本，同时增加设备、软件、模型和维护支出，技术企业围绕机器人本体和数字基础设施形成新的收入来源，金融市场则把未来收益转化为当期股权和估值。机器人产业由此同时涉及生产率、劳动结构、资本形成和资产价格，其产业规模取决于机器能否获得稳定的成本优势，其利益结构则取决于机器、模型、基础设施和资本最终集中于哪些主体。

本文从全球工业自动化的真实需求进入机器替代人工的成本边界，继而考察具身智能的技术路径、真实订单和商业化程度，并将融资、政策支持、资产价格和资本集中纳入同一分析框架。铁路、电气化、汽车、互联网和光伏等历史技术周期提供了更长的观察尺度。工业自动化还能向哪些劳动领域扩张，具身智能能否产生足以覆盖复杂成本的持续需求，资本市场提前形成的估值最终能够获得多少现实利润支撑，以及生产率增长将在劳动者、生产资本、技术资本和金融资本之间形成怎样的分配结构，构成当前机器人产业中相互联系的核心问题。

第一章 全球工业自动化的真实需求

全球制造业过去十余年的自动化扩张已经形成规模庞大的资本设备市场。本文所称工业自动化，包括机械臂、自动上下料、输送和分拣设备、机器视觉、自动仓储、数控设备、PLC以及与之配套的软件和控制系统。国际机器人联合会对制造业可编程自动化设备的统计可以作为观察这一市场资本投入强度的重要指标。2024年全球新增安装量约54.2万套，连续第四年维持在50万套以上，在运行设备存量达到约466.4万套，同比增长约9%。与十年前约22.1万套的年度新增量相比，制造业自动化设备使用规模已经扩大一倍以上，而2024年新增安装量基本保持横向运行，全球自动化正在从快速普及阶段进入高位投资与存量深化并存的时期。[2]

图1 制造业自动化设备新增安装量｜IFR

成熟市场仍然保留较大的自动化空间。PwC在2026年对24个国家和地区443名工业制造业高管的调查显示，目前高度自动化的关键流程中位比例约为18%，受访企业预计到2030年达到50%，已经处于自动化领先位置的企业则预计从29%提高到65%。涉及机器人和物理自动化投资时，78%的受访者首先期待生产率提高，只有13%主要期待收入增长。[3] Deloitte对600名大型制造企业高管的调查则显示，已经实施智能制造项目的企业平均报告生产输出提高10%至20%，员工生产率提高7%至20%，同时释放10%至15%的额外产能。[4] 自动化的现实需求由生产过程直接产生，投资主要围绕单位生产时间、产能利用率、质量稳定性、人工配置和生产连续性展开。

全球需求的地域结构已经高度分化。2024年亚洲占全球新增制造自动化设备部署量的74%，欧洲占16%，美洲约占9%，中国一国约占全球新增量的54%。[2] 同期欧洲新增部署下降8%，美洲下降约10%，显示制造业规模、汽车和电子行业周期、资本成本以及新工厂建设速度共同影响自动化投资。全球自动化具有典型资本品行业的周期特征，长期资本存量持续上升，年度订单则会随着制造业投资周期明显波动。

大型设备企业的经营数据进一步呈现这种分化。ABB自动化业务2025年订单约99.28亿美元，同比增长33%，其中相当部分来自少数大型项目。[5] KUKA同期订单约42亿欧元，全年收入约39亿欧元，增长相对有限。[6] FANUC相关设备业务销售额下降13.5%至约3296亿日元，中国电动车、一般工业、电子和欧美汽车投资变化均影响了需求。[7] Teradyne旗下Universal Robots和MiR所在业务2025年收入约3.08亿美元，同比下降15.5%。[8] 全球自动化市场由大型项目、设备更新、行业周期和地区投资共同组成，成熟需求与年度波动长期并存。

物流行业已经形成另一类大规模自动化市场。DHL过去三年在合同物流业务中投入超过10亿欧元用于自动化，其全球网络已经部署7500多套机器人设备、20多万台智能手持终端和接近80万个物联网传感器，超过90%的仓库至少使用一种自动化或数字化方案。[9] 然而DHL针对350名北美大型供应链企业决策者的调查显示，只有44%的受访企业已经部署仓储机器人，在副总裁和总监层级受访者中，只有34%对现有技术使用效果完全满意。[10] 自动化在物流中的扩张由高周转、重复搬运和仓储标准化支撑，同时仍然受到系统接入、空间布局、软件兼容和异常处理能力制约。

大型制造企业未来仍准备投入巨额资本进行工厂现代化。丰田2026年估算，从2028年前后开始，集团、关联企业及主要供应商用于工厂更新和自动化的年度投入可能达到约1万亿日元，折合约64亿美元。[11] 对这类制造资本而言，自动化投资最终落实在生产节拍、产能、人力配置、设备寿命和单位制造成本上。产品稳定、批量大、运行时间长的任务能够迅速摊薄设备和系统集成费用，频繁换产、小批量和大量异常处理则继续保留人工优势，工业自动化因而沿着具有明确经济性的生产环节选择性扩张。

下一阶段的成本重心越来越集中于系统集成和柔性。DHL在2026年披露，其采用新的软件集成平台以后，部分自动化系统部署速度可以达到传统定制编码方式的12倍，此前一项新的技术接入可能需要六至八周。[12] 当每一次产品变化仍需要工程师重新配置机器、夹具和流程时，自动化扩张就受到较高的边际工程成本限制。具身智能受到资本关注的现实基础由此产生于成熟自动化留下的柔性边界。

第二章 为什么机器没有全面替代人工

企业选择人工还是机器，最终比较的是一个生产任务在完整生命周期内的单位有效工作成本。机器一侧除了设备购买价格，还包括安装调试、夹具和安全系统、产线改造、软件授权、系统集成、工程人员、能源、备件、融资、维护以及故障停机造成的损失，产品变化还会增加重新编程和工艺调整费用。人工一侧主要由工资、福利、招聘、培训、管理和人员流动成本构成，同时具有直接进入现有生产环境、使用既有工具和应对异常情况的柔性。设备能否完成某项任务只是自动化投资的前提，订单规模、设备利用率、工资水平、产品变化速度和投资回收期共同决定机器能否获得成本优势。

BCG在2026年的研究估算，传统自动化项目总拥有成本中约75%与最初系统设置和后续重新工程化有关，其中包括流程配置、设备集成和产品变化后的重新调整；如果软件定义的方法能够将这部分费用降低一半，大约相当于37.5%的总拥有成本进入可压缩范围。[13] 美国国家标准与技术研究院也长期指出，将机器人接入既有设备、传感器和控制系统仍然困难且昂贵，柔性材料、精细对位、复杂装配和异常处理继续大量依赖人的经验。[14] 设备价格下降能够降低自动化门槛，却无法自动消除系统工程成本。

图2 人工插件与AI视觉自动化｜BCG

人的成本优势尤其集中在柔性较高的任务。生产任务发生变化时，熟练工人可以通过观察、培训和现场调整转向新的产品，对位置变化、物料差异和异常状态作出判断，而机器需要通过视觉、传感器、控制软件、数据和工程配置获得相应能力。工资较低、订单变化频繁、产品生命周期较短和批量较小的生产环境因此长期保留大量人工岗位。资本在这些场景中购买劳动力，同时获得了感知、移动、操作和临时判断能力，而机器需要通过多套技术系统分别建立这些能力。

工资变化会直接改变机器与人工之间的成本边界。Brynjolfsson等人利用1992年至2021年美国制造业企业和自动化设备进口数据发现，最低工资提高10%以后，企业采用相关自动化设备的概率相对于平均采用率提高约8%。[15] 工资持续上涨以后，经常性劳动成本积累加快，机器的固定资本投入可以在更短周期内获得回收，过去缺乏经济性的自动化项目随之进入资本预算。设备价格下降、设备利用率提高和融资成本降低具有同样方向的作用。

企业规模进一步影响自动化采用。美国国家科学基金会与人口普查局数据显示，2021年拥有2.5万名以上员工的企业中约33%使用自主系统和机器人相关技术，而1至9人微型企业的比例约为4%。[16] 大型企业拥有更稳定的订单、更完整的工程团队和更强的风险吸收能力，中小企业则需要在有限现金流下同时承担设备购置、生产中断和技术失败风险。ARM Institute完成48次制造企业现场访问并设计27套定制自动化方案后，最终实施率约为50%。[17] 技术可行性进入企业以后，还需要接受资本预算和经营风险的第二次筛选。

成熟协作自动化的商业表现可以看到这一筛选后的结果。Universal Robots自2008年商业化以来累计销售超过11万台协作机械臂，Teradyne估计适合场景中的平均投资回收期约为12至18个月。[8] 同一业务2025年收入仍出现两位数下降，体现出自动化项目即使能够形成良好ROI，整个市场仍然受到制造业资本开支周期和客户投资节奏影响。自动化扩张的速度取决于能够达到这种回报水平的任务数量。

随着机械结构和基础控制技术成熟，柔性成为继续扩大自动化范围的主要成本。工件位置、材料状态、产品型号和生产顺序发生变化以后，视觉、路径、夹具和控制程序往往需要重新配置。BCG因此把Physical AI近期的产业价值集中在感知和灵巧操作能力上，机器能够处理混杂物料、位置变化和不同产品以后，过去因工程成本过高而被排除在自动化之外的任务才可能进入投资范围。[13] 具身智能的商业前景也由此取决于它能否有效降低这一部分成本。

第三章 具身智能为什么会出现：资本究竟在赌什么

传统自动化面对多品种、小批量、频繁换产、随机物料和复杂接触任务时，需要不断增加视觉、夹具、传感器和工程调试。具身智能将一部分原本由专用机械工程承担的适配工作转移到软件、计算和数据，使机器能够通过感知环境、识别物体和调整动作处理更多变化。KUKA在2026年提出“Automation 2.0”时，已经把机器人、数字孪生、AI模型和产线协调纳入同一技术体系，任务执行开始从逐步编程向更高层级的目标控制发展。[18]

这种能力目前仍具有清晰的成熟度差异。BCG把实时视觉感知和部分灵巧操作列入近期能够形成产业价值的能力，而自主规划完整工作流程、因果推理和长期物理规划仍处于更早阶段。[13] Stanford《2026 AI Index》记录的测试结果显示，机器人在软件仿真的RLBench操作任务中成功率达到89.4%，进入真实家庭环境后的综合任务成功率约为12%。[19] 制造车间和仓库的环境通常比家庭更加结构化，因此物流搬运、料箱处理、零件上下料、机器看护和部分装配构成当前具身智能最集中的早期市场。Gartner预计，到2028年全球真正进入制造和供应链生产阶段的人形机器人企业仍少于20家。[20]

图3 RLBench操作任务成功率｜Stanford HAI

人形结构的潜在经济价值来自现有生产环境对人体尺度的长期适配。仓库货架、楼梯、门、工具、工作台、车辆和大量操作界面都围绕人的身体结构建立，一套能够在这些环境中移动、使用工具并切换任务的机器可以降低重新设计工作空间的需要，同时承担更高的机械复杂度、能耗、计算和维护成本。McKinsey估计当前高级人形机器人产品成本通常约15万至50万美元，而进入广泛商业采用所需要的成本可能下降到约2万至5万美元。[21] 人形路线能够形成多大市场，由跨任务复用所节约的工程和人工成本与机器自身新增成本之间的差额决定。

资本市场关注的范围因此超出了机器人当前能够完成的少数任务。固定自动化设备的未来现金流主要由某个确定工位和产量决定，具身机器人如果能够通过软件持续增加上下料、搬运、巡检、装配和设备操作能力，同一台机器可以进入更多劳动场景，模型和软件又具有跨设备复制能力。由此形成的估值开始围绕潜在劳动任务、机器数量和软件收入展开。

融资已经明显按照这一长期空间提前配置。CB Insights统计显示，2025年全球机器人领域融资达到407亿美元，同比增长74%；2026年第一季度，Physical AI和机器人相关企业占AI融资交易数量的11%，工业人形机器人开发商完成17笔融资交易。[22] 与此同时，KUKA等成熟自动化企业也开始强化机器人软件平台和AI接口能力。[23] 设备制造、模型、芯片、云计算和机器人软件由此进入同一价值链，资本竞争从机器人本体逐渐扩展到未来机器劳动的控制层。

BCG汇总的2030年人形机器人销量预测从不足100万台延伸到600万台以上。[13] 如此宽的区间意味着任何关于任务数量、成本下降速度、可靠性和市场份额的假设都会显著改变企业估值。当前资本由此承担的是一项长期技术期权，现实工厂试点负责逐步检验这些假设，真正的市场规模则需要由后续订单和持续使用确定。

第四章 具身智能机器人的真实商业化程度

人形机器人目前已经从实验演示进入真实生产，但市场规模仍处于早期。国际机器人联合会统计显示，2025年全球用于工业和专业服务的人形机器人销量约7000台，其中相当部分流向研究机构和企业AI研发部门。[1] 真实商业化需要进一步观察连续运行、付费合同、规模部署和重复采购，这些指标比发布数量和演示动作更接近企业资本预算。

Figure与BMW的项目已经形成较完整的真实运行记录。Figure 02在BMW美国Spartanburg工厂约11个月内累计运行超过1250小时，处理超过9万个零件，并参与3万多辆BMW X3生产，主要任务集中在钣金件取放和装载。[24] 项目同时暴露出部件故障、热管理和长期可靠性等工程问题，后续数据被用于Figure 03改进。Figure随后与Catalyst Brands签署物流部署协议，但公开材料没有披露采购数量、合同金额和投资回收周期，Brookfield同时具有双方投资者身份。[25] 这些项目已经进入现实生产环境，但商业需求仍与战略投资和联合开发存在较强联系。

Agility Robotics目前提供了更明确的订单数据。截至2026年5月，Digit 5获得超过3亿美元多年期客户订单，约对应1000台机器人，主要采用三年期RaaS模式，合同金额需要达到里程碑后逐步实现。[26] Digit此前在北美客户场所累计运行超过6.5万小时，其中在GXO设施完成超过10万个料箱搬运任务，任务执行准确率约98%。[27] 这类连续运行和明确数量合同已经接近规模商业市场，同时仍需等待后续交付、合同兑现和客户续约。

图4 人形机器人商业化阶段｜McKinsey

RaaS正在成为降低早期商业化风险的重要模式。Agility继续持有机器人资产，客户通过订阅获得机器人、Arc软件和维护服务，公司披露的大部分Digit 5订单都采用这种形式。企业投资者材料估算，一台Digit在五年使用周期内可能产生约50万美元累计收入，其中包括部署、订阅、软件和维护。[28] 这一数字属于企业自身的未来模型，尚未形成成熟历史数据，但持续收费结构已经明确出现。

Boston Dynamics的Atlas采取了另一种路径。2026年产品版Atlas的早期部署容量首先安排给现代汽车集团和Google DeepMind，现代汽车同时是Boston Dynamics控股股东，Google DeepMind参与机器人基础模型开发。[29] 随后建立的Robotics Metaplant Application Center开始在现代汽车Georgia工厂训练Atlas执行零部件排序等制造任务。[30] 现代汽车计划从2028年开始将Atlas用于零部件排序，并在2030年前后逐步进入更多装配任务。[31] 这一时间表体现出大型制造集团即使拥有资本、工厂和技术内部协同条件，也仍然按照窄任务和长期验证路径推进人形机器人部署。[32]

目前市场已经出现真实运行、订单和长期合同，但规模化复购仍十分有限。主要应用集中在汽车和物流，工作内容以搬运、上下料、料箱处理和零部件排序为主，客户又经常兼具投资者、母公司或联合开发伙伴身份。未来商业化需要持续降低故障率、人工干预频率和全生命周期成本，并在第一批合同以后形成独立客户的追加采购。全球数千台销量与百亿美元级融资之间的距离，由这些指标逐步缩短或重新拉大。

第五章 融资繁荣如何成为资本再分配机制

具身智能的现实商品市场仍然较小，未来机器劳动已经进入大规模资本交易。2025年全球AI企业获得风险投资2587亿美元，占全球风险投资总额的61%，其中超过1亿美元的超级融资占AI投资金额73%，金额最大的五笔交易合计约630亿美元。[33] 资本由此高度集中于被认为可能控制基础模型、算力和平台位置的企业，未来市场份额和未来利润成为当期资产价格的重要组成部分。

图5 全球AI风险投资金额｜OECD

Figure的融资过程具有代表性。2024年2月，公司以26亿美元估值完成6.75亿美元融资，投资者包括微软、英伟达、OpenAI Startup Fund、亚马逊产业创新基金和Jeff Bezos等。[34] 到2025年9月，Figure再次获得超过10亿美元融资，投后估值达到390亿美元。[35] 这一时期公司仍处于工厂部署和商业验证阶段，资本价格已经按照未来数年的潜在机器销量、劳动替代规模和软件价值进行重新定价。估值上升提高早期股东持有资产的市场价值，同时降低后续股权融资成本，新增资金再进入研发、制造和客户部署。

企业订单进入这一过程以后，技术能力、预期现金流和资本价格开始相互连接。Agility在披露超过3亿美元多年期订单后，2026年6月宣布通过SPAC交易进入公开市场，交易对应企业价值约25亿美元。[26] 公共政策也能够进入相同链条，政府采购、示范项目、补贴和低成本融资可以先形成收入和应用场景，收入进入企业财务数据以后影响融资和估值。2026年9月，中国监管部门加强部分人形机器人企业上市收入质量审查，其中政府支持的数据采集项目能否形成持续市场需求成为关注点。[36] 政策支持、订单、企业收入、融资估值、IPO和金融资产由此可以形成连续的资本化过程。

这种资本扩张对融资条件高度敏感。国际清算银行指出，AI投资规模正在逐渐超过大型科技企业依赖内部现金流能够覆盖的范围，债务和私人信贷的重要性随之上升。[37] 在《The AI Investment Race》中，BIS进一步构建了赢家占优市场中的投资竞赛模型，其基准校准显示竞争可能使资本投入超过社会有效水平，债务融资和循环持股进一步放大繁荣结束后的金融风险。[38] 对具身智能而言，每家企业都有提前争夺数据、客户和平台位置的动力，个体投资决策汇合以后可以形成超过最终终端需求的产业资本存量。

AI产业已经开始形成客户、供应商与投资者角色交叉的结构。IMF指出，模型开发者、芯片企业和大型科技公司越来越多地同时成为彼此的客户、投资者和融资提供者。[39] 2025年AI相关技术投资已经对美国经济增长形成明显贡献，未来投资回报如果低于市场预期，估值调整可能通过财富、资本开支和就业向更广泛经济传导。[40] 技术扩张因此同时发生在真实设备投资和金融资产价格两个层面。

资本主义金融体系具有把技术变革转化为资产价格周期的能力，而不同资本处于不同位置。生产资本承担厂房、设备和组织调整形成的沉没成本，技术企业依靠融资扩大研发和产能，早期股权资本可以在后续融资和上市过程中实现部分退出，后进入资本则承担更高估值下的价格调整风险。现实生产率增长决定长期利润基础，金融市场可以在这一利润充分形成以前完成多轮财富重新定价。

第六章 从铁路、电气化到互联网：技术革命为什么总伴随泡沫

技术进步与资本过度投入在工业化历史中长期并行。美国联邦储备委员会2026年的研究把铁路、电力、计算机和信息技术归为典型通用目的技术，并指出铁路和运河等基础设施曾在长期提高生产率的同时形成显著过剩产能。[41] 新技术需要提前建设机器、厂房和基础设施，而最终生产率只有在投资完成后逐渐显现，连续的早期成功容易推动整个市场不断提高对技术潜力的估计。

英国1840年代铁路狂热具有完整的上升与调整过程。铁路股票指数从1845年8月的1,984下降到1850年4月的673，1844年至1847年获得议会授权的铁路里程中超过三分之一最终没有建成。[42] 历史估算认为英国最终建设约2万英里铁路，而满足实际运输需要的线路可能约1.3万英里。[43] 资本损失与铁路网络长期形成的社会生产力同时存在，已经建成的基础设施在金融调整以后继续发挥作用。

电气化呈现出类似的时间差。英国1882年前后的电气投资热潮中，一组上市电气企业平均股价从高点到1884年第四季度低点下降约93%，融资规模也随之急剧萎缩。[44] 电气化后来继续进入制造业，并通过设备更新和生产组织变化逐步提高劳动生产率。[45] 第二次工业革命的经验还显示，新技术发明与生产率全面释放之间可以跨越数十年，原有资本设备和组织方式会延缓技术扩散。[46]

汽车产业则显示成熟过程中的企业淘汰。美国汽车生产企业从1895年的3家迅速增加到1910年前后的200多家，随着装配线和规模生产改变最优生产规模，到1930年代企业数量降至约24家，而市场产量大幅增长。[47] 产业增长最终伴随更高资本门槛和更强市场集中，技术成功没有保留早期所有进入者。

互联网和电信周期更接近今天的AI投资结构。1998年至2000年，美国电信行业资本开支年增速超过30%，到2000年行业投资已经达到四年前两倍以上，同期互联网和通信需求确实迅速增长，但大量光纤和通信网络仍形成严重过剩。[48] 有研究记录，投资高峰后曾有超过97%的光纤容量处于未使用状态，大量新进入电信企业随后破产或退出。[49] 需求真实增长与资本建设超过需求吸收能力可以在同一时期发生。

图6 美国知识产权与设备投资｜Fed

光伏产业提供了更接近当前的政策与产能案例。OECD指出，2005年至2024年太阳能电池和组件是其样本中补贴强度最高的工业部门之一，到2024年全球组件生产能力已经超过实际需求两倍，中国企业占全球组件出货量90%以上，随后产能利用率、价格和行业利润同时受到压力。[50] 政策和低成本资本可以迅速建设生产能力，终端需求最终决定这些能力能否获得正常回报。

这些技术周期最终留下的往往是低成本基础设施、产业能力和更加集中的企业结构。繁荣阶段通过融资扩大生产能力，调整阶段通过价格下降、破产、兼并和资产转移重新配置所有权。具身智能如果形成相似周期，大量创业企业和风险投资可能首先完成技术路线探索、供应链建设和产能扩张，随后由真实需求决定哪些企业继续经营以及这些生产资料最终由谁控制。

第七章 机器人浪潮为什么可能推动资本进一步集中

自动化的规模效应首先发生在使用技术的企业之间。Brynjolfsson等人利用美国约5000家企业的微观数据发现，更高的信息技术投入会推动销售额增长快于就业，并与行业集中度提高相关，大型企业能够把高效率流程复制到更多工厂、地区和业务部门。[51] 具身智能如果能够把一次训练完成的机器任务复制到多个生产基地，这种规模收益会进一步进入物理劳动过程。

上游基础设施已经具有更高集中度。OECD对AI基础设施的研究显示，先进光刻设备、先进AI芯片制造和AI GPU等关键环节存在单一企业市场份额超过80%的情况，HBM市场也主要集中在少数供应商手中。[52] 2023年全球三大云服务商约占云计算市场74%，先进芯片和大规模算力又需要极高固定资本投入。[53] 下游机器人企业即使保持激烈竞争，也可能共同依赖少数芯片、云计算和软件基础设施企业。

图7 AI基础设施纵向整合｜OECD

软件、模型和平台进一步增加纵向控制能力。OECD研究发现，AI创新集中度与销售集中度、企业加价率存在显著联系，大型数字企业正在同时经营模型、云计算和下游服务，数据反馈、客户锁定和垂直整合逐步提高迁移成本。[54] 如果机器人操作系统、模型接口、设备管理和云平台形成类似结构，技术供应商就能够从多个机器人品牌和多个生产场景持续取得收入。

RaaS把这种集中进一步延伸到设备所有权。国际机器人联合会统计显示，2024年专业服务机器人RaaS设备池增长31%，物流运输领域增长42%。[55] Agility的Digit商业模式中，供应商继续持有机器人资产，客户持续支付设备使用、Arc软件和维护费用，大部分已经披露的Digit 5订单采用这种方式。[28] 生产企业降低一次性资本投入的同时，也建立了长期服务依赖。

由此形成的产业结构可能同时具有横向和纵向集中。大型生产资本利用订单、数据、工程和融资规模提高自动化收益，关键技术供应商则通过芯片、模型、软件和机器人平台从大量下游企业获得持续收入。中小企业能够通过租赁和订阅使用先进技术，却需要长期支付服务费用，并承担较高的供应商迁移成本。自动化的普及因此可能扩大机器使用范围，同时把生产基础设施的一部分控制权集中到少数技术资本手中。

第八章 劳动者—生产资本—技术资本—金融资本

自动化深入以后，生产过程中形成的收益需要在更多资本环节之间分配。在马克思的价值理论中，生产资料把既有价值转移到商品，活劳动形成新的价值和剩余价值；现实经济中形成的剩余价值则通过竞争、利息、租金、知识产权和资本所有权转化为不同收入形式。《资本论》第三卷把利息视为总利润的一部分，使用借入资本的产业资本需要将部分利润支付给货币资本所有者。[56] 现代机器人产业进一步增加了设备、芯片、软件、模型和平台等技术环节，使生产企业产生的经营收入沿更长的资本链进行分割。

劳动者和生产资本位于这条链条的现实生产端。制造企业和物流企业承担厂房、原材料、库存、工资和市场风险，通过组织劳动完成商品和服务生产。自动化能够减少部分直接劳动需求并扩大单位劳动产出，同时改变收入分配。Acemoglu和Restrepo估计，自动化可以解释1980年以来美国群体间收入不平等上升的相当部分，其中工资租金受到压缩构成重要机制。[57] 生产率提高以后形成的收益由工资、商品价格和不同类型资本收益共同分配。

技术资本通过控制机器、软件、模型和知识产权参与这一分配。具身智能越依赖持续的软件更新、算力和设备管理，生产企业越需要把部分收入支付给技术供应商。OECD的微观研究发现，AI创新集中度与销售集中度和企业加价率增长存在联系，核心技术控制能力越强，企业越容易获得更高市场力量。[54] 自动化节省的部分直接工资支出因此可能转化为设备折旧、软件许可、机器人订阅、算力和维护费用。

金融资本通过信贷和股权进一步取得现实利润与未来利润的索取权。机器人企业融资获得的资金转化为研发人员、芯片、工厂和客户部署，投资者则取得企业未来现金流的一部分所有权。企业估值可以在现实利润形成以前上升，使未来收益提前表现为资本资产价格。IMF关于自动化与AI采用的模型研究显示，技术采用提高资本收入份额以后，资产所有权差异可能进一步扩大财富分布差距。[58]

图8 自动化对收入群体的影响｜IMF

劳动者、生产资本、技术资本和金融资本由此构成一个连续而交叉的收益结构。生产资本直接组织现实劳动并承担商品市场风险，技术资本依靠设备、软件、模型和平台形成持续收入，金融资本通过利息、股权和资产价格持有现实与未来收益索取权。大型企业还可以同时占据多个位置，制造集团投资机器人企业，技术平台经营金融投资，金融机构持有产业资本和技术资本股权，各层之间的边界因此不断交叉。具身智能扩大机器能够进入的劳动范围以后，这条收益链也随之扩展。

第九章 为什么机器不创造剩余价值，资本仍持续推动自动化

在马克思的价值理论中，机器作为不变资本进入生产过程，其自身价值随着磨损逐步转移到商品，活劳动在补偿劳动力价值之外形成新的价值和剩余价值。《资本论》第一卷关于机器和大工业的分析把机器的资本作用放在提高劳动生产率和相对剩余价值的过程中，机器能够使同量劳动推动更多生产资料并生产更多商品，同时使率先采用新技术的企业获得低于社会平均水平的个别生产成本。[59]

个别资本由此具有持续采用机器的动力。当一家企业通过自动化降低单位成本，而行业平均生产条件尚未同步变化时，它能够获得阶段性的超额利润。技术普及以后，新的生产方式逐渐进入社会平均条件，最初优势收缩，自动化随之成为维持竞争位置所需要的资本投入。工资上涨、设备降价和融资成本下降都会加快这一过程，前文关于美国最低工资提高与自动化采用增加之间的经验关系也符合这一机制。[15]

机器还可以通过降低生活资料生产所需要的社会劳动时间改变必要劳动和剩余劳动之间的比例。消费品生产率提高以后，劳动力再生产所需要的社会劳动时间可能下降，资本由此获得扩大相对剩余价值的条件。[59] 同时，机器和技术不断提高每名劳动者能够推动的生产资料规模，使直接劳动相对于总预付资本的比例发生变化。《资本论》第三卷把这种资本技术构成提高与利润率长期压力联系起来，同时列举提高剩余价值率、降低设备和原材料价值以及国际贸易等反作用因素。[60]

现代任务研究把这一过程进一步落到具体劳动环节。Acemoglu和Restrepo认为，自动化通过资本接管原由劳动承担的任务形成置换效应，新任务创造和生产率增长则形成新的劳动需求。[61] 他们关于美国地方劳动力市场的研究发现，较高自动化暴露度与部分地区就业和工资下降相关。[62] 技术提高总产出的同时，可以重新划分资本和劳动承担的任务范围，最终就业和工资结果取决于替代速度、新任务形成速度以及生产率收益如何分配。

图9 机器人暴露与地方就业｜NBER

具身智能进一步扩大了这种资本替代可能覆盖的任务范围，同时把更多生产能力沉淀到模型、数据和软件中。传统机器主要把固定动作固化为资本设备，具身智能则试图把感知、判断和部分任务适应能力一同转化为可以复制的机器能力。生产资本通过这种能力降低劳动和工程成本，技术资本通过模型、软件和机器人服务获得持续收入，金融资本则提前资本化这些未来收益。机器能够进入多少现实劳动过程，决定这一资本结构最终能够扩张到多大范围。

结论

全球工业自动化已经进入成熟扩张阶段，未来增长主要来自设备更新、一般制造业渗透、生产柔性提高和劳动力成本变化。具身智能则处于商业化早期，技术已经进入真实工厂和仓储环境，但全球人形机器人年度销量仍处于数千台规模，未来三至五年能否从少量试点进入持续采购，将主要取决于有效工作小时、故障率、人工干预频率、维护费用、单位任务成本和客户复购。

具身智能当前最重要的产业机会集中在降低自动化的柔性成本。传统自动化已经覆盖大量标准化生产任务，新的增长空间主要位于小批量、多品种、频繁换产和难以进行大规模环境改造的工作环节。人形结构能否形成大规模市场，同样取决于跨任务适应能力所节约的人工与工程成本能否覆盖更复杂的机械结构、计算、能耗和维护成本。

资本市场已经明显提前于商品市场形成。政策采购、产业补贴、风险投资、产业资本和公开市场共同把未来机器劳动转化为今天的企业估值和金融资产，现实需求低于预期时，调整将通过融资收紧、资产价格下降、企业退出和兼并重新配置资本。铁路、电气化、汽车、互联网和光伏的历史都留下了相似轨迹：技术最终进入经济体系，与早期投资者能否获得预期回报属于两个不同时间尺度的问题。

机器人规模化还可能推动资本进一步集中。生产企业对部分直接劳动的依赖下降，对芯片、模型、软件、机器人平台和融资体系的依赖提高，RaaS和持续软件服务又使设备供应商能够长期参与生产收益分配。机器能够覆盖多少劳动决定机器人产业最终的经济规模，机器、模型、软件和关键基础设施由谁拥有，则决定生产率增长最终在劳动者、生产资本、技术资本和金融资本之间形成怎样的分配结构。

看完答一答：为什么工业自动化已经形成稳定而成熟的真实需求，具身智能机器人却在实际销量和规模采购仍然有限的阶段获得了巨额融资？

想一想：如果具身智能显著降低生产成本，而机器人、模型、芯片和软件平台进一步集中于少数资本手中，无产者应如何组织自身力量来应对？

参考资料

[1] International Federation of Robotics；Reuters, Humanoid Robot Sales Tally Hit 7,000 Globally Last Year, 2026年9月21日。

[2] International Federation of Robotics, World Robotics 2025 – Industrial Robots / Global Robot Demand in Factories Doubles Over 10 Years, 2025年9月25日。

[3] PwC, Global Industrial Manufacturing Sector Outlook 2026, 2026年2月27日。

[4] Tim Gaus, Michael Schlotterbeck, Deloitte, 2025 Smart Manufacturing and Operations Survey: Navigating Challenges to Implementation, 2025年5月1日。

[5] ABB, Financial Report 2025, 2026年。

[6] KUKA Group, Annual Report 2025, 2026年。

[7] FANUC Corporation, Integrated Report 2025, 2026年。

[8] Teradyne, Inc., Annual Report 2025 (Form 10-K), 2026年2月19日。

[9] DHL Group, DHL Group Signs MOU with Boston Dynamics and Accelerates Cross-Business Automation Strategy, 2025年5月13日。

[10] DHL Supply Chain, Insight 2030 Supply Chain Leaders Survey, 2025年。

[11] Reuters, Toyota Estimates Factory Automation Could Cost $6.4 Billion per Year from 2028, 2026年9月18日。

[12] DHL Supply Chain, DHL Supply Chain Accelerates Automation Deployments with SVT Robotics SOFTBOT Platform, 2026年。

[13] Tilman Buchner, Martin Kleinhans, Daniel Küpper, Jonathan Brown, Max Ludwig, Simon Rees, Francesco Palmegiano, Boston Consulting Group, How Physical AI Is Reshaping Robotics Today—and What Comes Next, 2026年4月14日。

[14] National Institute of Standards and Technology, Robotic Systems Interoperability and Integration, 2025年更新。

[15] Erik Brynjolfsson, J. Frank Li, Javier Miranda, Robert Seamans, Andrew J. Wang, National Bureau of Economic Research, Minimum Wages and Rise of the Robots, 2026年2月。

[16] National Center for Science and Engineering Statistics, U.S. Census Bureau, Critical and Emerging Technologies by U.S. Businesses: Use and R&D Funding and Performance, 2024年。

[17] Advanced Robotics for Manufacturing Institute, 2025 Impact Report, 2026年5月27日。

[18] KUKA Group, KUKA Unveils Vision for Automation 2.0 as Physical AI Reshapes Global Manufacturing, 2026年3月31日。

[19] Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report: Technical Performance, 2026年。

[20] Gartner, Gartner Predicts Fewer Than 20 Companies Will Scale Humanoid Robots for Manufacturing and Supply Chain to Production Stage by 2028, 2026年1月21日。

[21] Ani Kelkar, Christian Jansen, Frank Chu, Mark Patel, Michael Chui, Mikael Robertson, McKinsey & Company, Humanoid Robots: Crossing the Chasm from Concept to Commercial Reality, 2025年10月15日。

[22] CB Insights, State of AI Q1’26 Report, 2026年4月14日。

[23] KUKA Group, From Lab to Factory Floor: KUKA Unveils KUKA AMP at NVIDIA GTC 2026 as a Software Bridge to New Growth, 2026年3月19日。

[24] Figure AI, F.02 Contributed to the Production of 30,000 Cars at BMW, 2025年11月19日。

[25] Figure AI, Figure Signs Agreement with Catalyst Brands to Scale Humanoid Operations, 2026年5月26日。

[26] Agility Robotics, Churchill Capital Corp XI, Agility Robotics to Go Public Through $2.5 Billion Merger with Churchill Capital Corp XI, 2026年6月24日。

[27] Agility Robotics, Churchill Capital Corp XI, Digit 5 Commercial Deployment and Operational Performance Materials, 2026年。

[28] Agility Robotics, Churchill Capital Corp XI, Investor Presentation and RaaS Commercial Model, 2026年。

[29] Boston Dynamics, Boston Dynamics Unveils New Atlas Robot to Revolutionize Industry, 2026年1月5日。

[30] Boston Dynamics, Boston Dynamics Opens Robotics Metaplant Application Center to Train Humanoid Robots for Manufacturing Tasks, 2026年9月21日。

[31] Hyundai Motor Group, Hyundai Motor Group Announces AI Robotics Strategy to Lead Human-Centered Robotics Era at CES 2026, 2026年1月。

[32] Boston Dynamics, Getting Real with Humanoids, 2025年。

[33] OECD, Venture Capital Investments in Artificial Intelligence Through 2025, 2026年2月17日。

[34] Reuters, Robotics Startup Figure Raises $675 Million from Microsoft, Nvidia, Other Big Techs, 2024年2月29日。

[35] Krystal Hu, Reuters, Figure Valued at $39 Billion in Latest Funding Round, 2025年9月16日。

[36] Reuters, China Slows Humanoid Robot IPO Rush as Hype Outruns Reality, 2026年9月21日。

[37] Iñaki Aldasoro, Sebastian Doerr, Daniel Rees, Bank for International Settlements, Financing the AI Boom: From Cash Flows to Debt, 2026年1月7日。

[38] Phurichai Rungcharoenkitkul, Bank for International Settlements, The AI Investment Race, BIS Working Papers No.1367, 2026年7月14日。

[39] International Monetary Fund, Global Financial Stability Report, April 2026, 2026年4月。

[40] International Monetary Fund, AI: Deployment and Disruption, IMF Annual Report 2026, 2026年。

[41] Geng Li, Board of Governors of the Federal Reserve System, Do Major Technology Advancements Lead to Overinvestment?, 2026年7月6日。

[42] Leigh Shaw-Taylor等，University of Cambridge, The Online Historical Atlas of Transport, Urbanization and Economic Development in England and Wales c.1680–1911: Railways, 相关研究资料。

[43] Frank Lewis, Avner Offer, University of Oxford, Railways as Patient Capital?, Working Paper, 2021年。

[44] Sushil Wadhwani, Bank of England, The New Economy: Myths and Realities, 2001年3月29日。

[45] Martin Fiszbein, Jeanne Lafortune, Ethan G. Lewis, José Tessada, National Bureau of Economic Research, Powering Up Productivity: The Effects of Electrification on U.S. Manufacturing, 2020年11月，2024年4月修订。

[46] Andrew Atkeson, Patrick J. Kehoe, National Bureau of Economic Research, The Transition to a New Economy After the Second Industrial Revolution, 2001年12月。

[47] National Bureau of Economic Research, Industry Dynamics, Investment and Shakeouts: Evidence from the Automobile and Personal Computer Industries, Working Paper No.28019, 2023年修订版。

[48] Robert W. Crandall, Brookings Institution, The State of the Telecommunications Industry and the 1996 Telecommunications Act, 2003年。

[49] Robert W. Crandall, J. Gregory Sidak, Brookings Institution, Is Structural Separation of Incumbent Local Exchange Carriers Necessary for Competition?, 2001年。

[50] OECD, Subsidies and the Solar Panel Industry: Too Close to the Sun, OECD Policy Briefs No.47, 2026年1月13日。

[51] Erik Brynjolfsson, Wang Jin, Georgios Petropoulos, Xiupeng Wang, Information Technology, Firm Size, and Industrial Concentration, NBER Working Paper No.31065, 2023年3月，2025年11月修订。

[52] OECD, Competition in Artificial Intelligence Infrastructure, 2025年11月。

开通【轻重智库专业会员】,可解锁深度付费报告

关注【轻重智库】网易号,联系客服领取三张免费阅读券

进群热议 | 投票选择关注的话题

扫码添加轻重智库客服咨询订阅