工业具身进厂：不要人形，要效益，三种典型打法

人形机器人的故事讲了一年，工厂真正愿意掏钱的，却是另一批“不像人”的机器人。小雨智造又融了一轮。9月8日，公司宣布已于8月完成数亿元B3轮融资，引入Blooming Star、新加坡Kamet Capital和国科盈峰基金。这是它2026年拿到的第三张资本“支票”。半年接连三轮融资，资本为什么追着投？

答案要到车间里找。小雨智造扎进焊接现场，让机械臂应对烟尘、弧光和工件偏差；微亿智造依靠人工复判与现场数据回流，持续优化机器人的作业能力；光象科技结合仿真与真机训练，探索让机器人从动作后果中学习。银河通用开始在宁德产线工作，智元在平板产线上作业，各家路径不同，都在尝试把一次任务中的经验，变成下一次作业的能力。

工业具身≠人形

一台机器人进入工厂，采购经理先问的通常是四个数字：节拍多快、成功率多高、停机多久、几年回本。

答案不同，身体形态也会跟着变化。焊点固定，机械臂守在工位；物料跨区流转，AMR（自主移动机器人）和无人叉车接力；焊缝爬上储罐外壁，磁吸爬行机器人贴壁作业；任务要跨工位、还得抓为人手设计的工具，这时候人形机器人才派得上用场。

车间里的机器人看上去五花八门，采购逻辑却很直白：用最合适的身体，把产出做“稳”。

“具身”，指机器能够感知环境、做出动作，并从真实交互中获得反馈。它没有规定机器人必须长出头、躯干和双腿。

同样是焊接，身体选择可能完全不同。小雨智造把大模型接入机械臂，让它处理钢结构、船舶和重工场景中的非标工件；博清科技则瞄准大型储罐浮舱场景，让无轨导爬行机器人贴着结构表面移动。

工件形状不规整、作业空间受限，就用专用身体；可一旦换成标准化流水线、工位来回挪、工具又是给人手做的，人形反而能凑上去。在汽车制造场景中，人形机器人的应用更为广泛。优必选Walker系列已在比亚迪、蔚来、吉利、大众等工厂开展搬运、装配、质检等工序的试点。

由此来看，具身智能落地工厂，从来不是先敲定机器人外形再找场景适配。而是反过来，根据现场工况、工件形态和作业需求，挑选最合适的“躯体”。

同理，具身机器人的“大脑”也不存在唯一解。

VLA、世界模型等，优势在于能读懂自然语言指令，自主规划作业动作；具身目前大规模落地的产线，更多依靠传统规则逻辑、流程编排等完成作业。工厂环境固然支持模型持续迭代，但精度、安全与生产节拍，必须做到可验证、可回退。决定谁在厂里活下来的是现场数据能不能转起来。

失败案例能不能留存标注、人工校正的结果能不能回流训练、单工位学到的作业能力能不能跨场景迁移，直接决定设备交付之后能否持续优化，也决定这个项目做完，能不能沉淀成软件和数据层面的长期壁垒，而不是一锤子买卖。

任务决定形态

把工厂任务拆开，机器人可以被划分为固定操作、厂内物流、移动感知、产线流转和移动操作五类基础形态。

固定操作型是目前落地最稳、迭代最深的一类。以机械臂、固定工位工作站为代表，主要承接焊接、上下料、定点检测等工序。作业场景固定、任务规则清晰、工况稳定，只要精度和稳定性达标就能量产复用。

厂内物流型则是制造业里渗透最快的一类。AMR、无人叉车、搬运机器人的任务纯粹，只负责厂区内物料的定点转运。任务目标单一、作业结果可量化，客户能清晰看到降本效果，因此其落地速度远超其他形态。

移动感知型干的多是“巡检哨兵”的活。这类设备以轮式、四足机器人为主，主要负责设备巡检、环境监测、异常识别、表计读取等工作，目前在重工、能源、化工厂区落地较多。

产线流转型和厂内物流不一样 —— 它不靠机器人乱跑，而是靠固定或半固定的输送系统贯穿整条生产链路。这类柔性输送、智能流转设备，负责各工序之间的物料衔接、工位匹配、节奏调控。

移动操作型是技术上限最高、落地最难的一类，也是人形机器人、复合机器人的核心赛道。不同于单一功能设备，它需要同时实现自主导航、动态避障、现场抓取、多臂协同、人机混行作业，兼顾移动能力与操作能力。虽然通用智能的想象空间最大，但落地门槛极高，现阶段很难大规模复制。

五类形态的商业化差距，本质是“落地难易度”和“收益清晰度”的差距。固定操作、厂内物流之所以率先跑通，核心是其单工位验证后即可批量复制。反观移动操作赛道，技术亮眼但落地严苛，工厂采购最终只看能否缩减改线成本、提升设备利用率。

行业评判标准也在持续去“噱头化”。2026年6月，工信部、国务院国资委启动“具身智能实景实训专项行动”，不再看舞台式演示，将考核标准锚定在真实作业成功率、效率提升、安全可靠性、经济可行性四大维度。

对工业具身赛道而言，核心竞争力是稳定扛住整班量产、解决真实车间痛点。

机器人进厂以后，怎么越干越聪明？

设备成功上线投产，只是工业落地的第一道门槛。困住绝大多数机器人的，是工厂里层出不穷的长尾异常工况，如夹具磨损、工件瑕疵等。换句话说，机器人出厂时的智商差距其实有限，拉开差距的是进厂之后：谁能把现场踩过的坑，变成下一次不再踩坑的能力。这才是“越干越聪明”的含义 —— 数据闭环。

微亿智造，把人工留在闭环里。

2026年3月，微亿智造递交港股上市申请。按2024年收入计，公司在中国工业具身智能机器人产品市场占约31.0%，排名第一。2025年，微亿智造EIIR产品收入4.53亿元，占总收入57.0%。

遇到模糊场景，系统会把结果送到云端，人工复判。同时，所有现场交互记录都会经过筛选清洗、人工标注，回流补充模型训练。

依托长期一线产线积累，公司已建成超23TB的真实工业精标数据库，包含超16亿条现场作业记录，持续反哺设备的现场适配与纠错能力。

这套做法听起来不够“智能”，却是工业场景的理性选择：模型在不确定时宁可停下来问人，也不能瞎判 —— 一次误判可能报废一整批工件，甚至伤人。越往高可靠要求的工序走，人越不是被替代，而是从“干活的”变成“兜底的、教模型的”。代价是重人力、重运营，准确率靠人工兜底换来，天花板受标注团队规模约束；好处是确定性高、落地快 —— 这也是微亿能连续两年盈利、市占率第一的原因。

小雨智造，从焊缝里训练“一脑多形”。

焊接堪称工业场景里难度最高的工序之一。车间常年伴随烟尘、弧光、遮挡等干扰因素，对机器人的感知、轨迹规划和工艺控制都是极大考验。也正因长期扎根严苛的焊接场景训练，小雨智造的机器人能够自主识别焊缝、动态生成作业轨迹，还能实时纠偏、微调工艺参数适配现场变化。

目前，小雨智造已形成小雨润物世界模型、小雨息壤硬件平台、定位笔三大核心技术支柱。设备在客户产线上跑起来后，每天约有 10 万条生产数据回传，累计回传时长已超过 10 万小时。这些数据不是存起来看的，而是当天回到模型里，让下一批出厂的机器人比上一批更理解电焊。

团队的最终目标，是把焊接场景打磨成熟的感知、控制能力，逐步迁移复制到喷涂、打磨等更多工业工序，实现一套通用系统适配全厂多类作业场景。

不过，无论哪条路线，真正的壁垒都不是数据库有多大。23TB、16 亿条、10 万小时，这些数字单看没有意义 —— 行业里多数公司手里的真实工业数据不足 5TB。微亿的 23TB，来自它已经部署的设备。别人的机器人进不了这些产线，就永远拿不到这些数据，工厂也不会把同一条产线的数据开放给第二家。所以数据闭环的真相是“现场准入权”：先跑进去的公司垄断了这个场景的数据，数据训出更好的模型，再拿下更多产线、产生更多数据。这是先发卡位、后来者很难绕开的飞轮。

图片来源：海淀工商联

光象科技，让机器人从动作后果中学习。

2026年8月，光象科技联合清华大学李升波教授课题组发布物理原生世界模型Phi-WM 1.0 ActEffect，将世界模型引入训练环节：由策略提出并预测不同动作方案，通过对比各方案对应的预测结果，反过来优化动作策略。机器人训练由此新增一层反馈 —— 评价标准不只看动作是否复刻示范，还要校验动作能否达成预期物理结果。

这条路线也重构了数据的使用方式。按照光象实验室首席科学家吕尧9月公开介绍的技术体系，仿真与合成数据可低成本生成不同动作对应的反事实对比信号，再通过真机强化学习弥合仿真与现实之间的域差，适配具体机器人本体与产线工位。

训练范式的设计还需要匹配工厂产线节拍。在ActEffect框架下，负责预测动作后果的世界模型仅参与训练阶段，部署时可直接移除；训练完成后的策略网络独立输出动作，无需在现场执行环节持续推演未来状态。这样设计的意义，是让后果反馈参与能力形成，同时避免把整套世界模型的预测开销带到现场执行环节。

承接这条技术路线的，是光象科技的工业级具身智能机器人Phi-Bot X1。它采用四舵轮全向底盘、升降腰和双臂结构，面向焊接上下料、移动质检等任务。公司披露，X1已在2026世界机器人大会上进行上下料与汽车尾线质检的双工位连续循环测试。

图片来源：光象科技

更多项目已经开始用产线数字说话。

银河通用Galbot S1进入宁德产线，在模组与电池包环节承担搬运、拣选；截至2026年6月，公司称其已连续三个多月保持7×24小时常态化作业。智元精灵G2在龙旗科技平板电脑量产线完成取放、入治具和良品分流等作业。公司披露的指标包括最高310件/小时、单次作业约20秒、连续运行成功率超过99%，项目从启动到正式并线历时约 4 个月。

图片来源：银河通用

这里要分清两种数字：一种是“考试成绩”，一种是“在岗记录”。智元精灵G2的 310 件 / 小时、99% 来自公开直播验证，工位和批次都经过安排，本质是一次大考；银河通用连续三个多月 7×24 不中断、小雨每天 10 万条数据回流，是设备真正嵌进生产之后的在岗表现。

考试可以挑最简单的工位冲高分，在岗没法挑 —— 夜班、换批次、人机混行，一天都不能停。工信部专项行动之所以要“摒弃舞台式演示”，盯的就是这个区别，要的是真进厂。

黄金时代，从“不酷”的任务开始

工业具身智能的第一批规模化机会，先落在搬箱、巡检、焊接、打磨这些人工占比高的环节。它们重复、危险、劳动强度高，也容易计算回报。

人口结构是背后的原因之一。国家统计局数据显示，2025年末我国60岁及以上人口3.2亿人，约占23.0%；16至59岁人口8.5亿人，约占60.6%。技能接续越来越难：老师傅一批批退休；学历普遍提高后，愿意进厂学手艺的年轻人越来越少；而这类岗位在社会认知里还贴着“脏、累、不体面”的标签。焊工、电工、钳工都需要较长培养周期；一位老师傅退休，带走的还有对材料、声音、火花和异常状态的直觉。

芯流认为，工业具身智能真正值得做的，不是急着替代人，而是把经验留下来。让机器人记录老师傅何时修正轨迹、如何调整参数、为什么判定异常，再把这些动作沉淀成数据、模型和流程。

谁能把一次交付变成持续学习的起点，谁才接近这个行业的黄金时代。它的样子并不宏大：无非是年轻人不必再钻进烟尘和弧光里焊满一天，老师傅的手艺也不必跟着退休一起消失。