中国人形机器人领跑科技新闻，但出货量并非终点
据最新报道的行业数据，中国人形机器人在2026年上半年占据了全球出货量的97%以上。这一数字将中国机器人产业的迅猛发展推向科技新闻的中心，也凸显了行业长期存在的明显矛盾：一台机器被运出工厂，并不能证明它能够在没有人工协助的情况下完成有用的工作。
彭博社8月10日发布的一篇报道援引加州研究机构 Smart Analytics Global 的数据，称其为这一出货量估计的来源。该机构统计，2026年前六个月全球人形机器人出货量约为19,100台，是2025年同期约5,100台的三倍以上。
据报道，中国制造商供应了其中97%以上的机器。总部位于上海的 AgiBot 以约8,400台居首，占全球出货量的44%。总部位于杭州的 Unitree Robotics 紧随其后，出货量约为5,900台。Tesla、Figure AI 和 Agility Robotics 的公开出货规模则远远落后。
这些数字表明的是早期制造领先，而不是对具身智能的最终裁决。具身智能是指能够通过物理机器进行感知和行动的 AI。决定性竞争在于，这些机器人能否安全且经济地完成长期、多变的任务。
中国目前拥有更强的规模化引擎。美国公司仍认为，更优秀的软件、模型和自主能力将比早期硬件出货量更重要。下一阶段将检验，部署规模是否能带来持久的数据优势，还是会暴露数千台昂贵机器的局限性。
人形机器人竞赛发生了什么变化
中国的领先地位不再仅仅建立在原型机、演示或产能目标之上，如今已体现在公开报道的出货量中。
Smart Analytics Global 的上半年估计显示，相比前一年出现了显著加速。AgiBot 和 Unitree 合计约占全球报告总量的四分之三，其他中国制造商提供了剩余出货量中的大部分。
这些数字延续了2025年已显现的趋势。研究机构 Omdia 估计，当年全球人形机器人出货量约为13,000台。其分析将中国公司列于供应商排名前列。
Omdia 最初统计 AgiBot 在2025年出货5,168台，市场份额接近38%。Unitree 此后表示，其当年的人形机器人出货量超过5,500台。这些估计之间的差异表明，出货量排名需要谨慎看待。
制造商和研究机构并不总是采用完全相同的定义。一些统计包括较小型的教育机器人、研究系统，或用于演示而交付的机器；另一些则聚焦于面向商业部署的通用人形机器人。
出货也不一定意味着机器已在客户现场投入使用。一台机器可能存放在经销商、研究实验室、培训中心或系统集成商手中。公开出货数据很少披露利用率、复购情况、任务完成率或客户退货情况。
即便存在这些限定，整体趋势仍难以忽视。中国制造商已从小规模试验批次迈向数千套系统的交付。它们的产量增长发生在西方竞争对手尚未达到可比公开规模之际。
独立研究也支持这一更广泛的趋势。ABI Research 数据显示，中国目前占人形机器人部署量的97%。ABI 预计，随着其他地区扩大生产，这一比例将下降，到2030年降至72%。
出货量与部署量之间的区别很重要，但两项指标都指向同一种早期集中趋势。中国正在以其他地区无法比拟的规模制造、采购和测试人形机器人。
这种集中让中国企业拥有更多机会识别机械故障并简化装配流程，也让更多机器进入可由操作人员收集训练数据的环境。这两项优势都不能保证可靠的自主能力，但都可能缩短开发周期。
据报道，Smart Analytics Global 预计2026年全球出货量将达到约60,000台，并预计到2030年增至500,000台。对于一个尚未出现经过验证的大众应用的市场而言，如此长期的预测仍存在不确定性。
眼下的变化则更具可信度。中国在进入2026年时已具备制造优势，并在上半年进一步扩大了这一优势。因此，科技新闻中的这一头条并非虚构，尽管其实际意义仍未有定论。
中国为何能更快扩大硬件规模
中国的优势来自一套能够将原型机转化为可重复生产产品的工业体系，而不是某一款机器人在各方面都更胜一筹。
人形机器人结合了电机、减速器、电池、传感器、控制器、结构部件和计算硬件。制造商必须将这些部件集成为能够保持平衡、操作物体并承受反复运动的机体。
中国已经为电动汽车、工业机器人、无人机和消费电子产品生产了其中许多零部件。供应商可以调整既有制造经验，而不必从零开始建立每一道工序。
这种产业密度缩短了反馈循环。一家机器人公司可以重新设计关节、采购改进后的零部件，并测试新的装配方案，而无需跨越数个大洲进行协调。当需求到来时，合同制造商也可以支持扩大生产。
国际机器人联合会发现，2024年中国本土供应商提供了中国工业机器人安装量的57%，而这一比例在2020年仅为30%。国际机器人联合会在其中国机器人战略中记录的这一增长，显示出国内生产能力扩张的速度之快。
工业机器人并不是人形机器人。大多数工厂机器人从固定位置运行，重复执行严格定义的动作。然而，其供应商了解运动控制、可靠性测试、精密制造和工厂集成。
中国还拥有庞大的国内测试市场。汽车制造商、物流运营商、政府支持的实验室、大学和地方政府均资助了试点项目。在尚未形成普遍商业应用场景之前，这些需求已为制造商带来了客户。
政策支持进一步强化了这一市场。中国的“十五五”规划将机器人技术纳入国家现代产业战略。中央和地方政府都将具身智能视为经济机遇和战略性制造能力。
这项政策并不意味着每一家制造商都会成功。它增加了企业获得产业园区、研究项目、采购机会和耐心资本的渠道。这些资源能够让生产在企业寻找可持续应用的过程中持续运转。
中国在2025年发布了超过330款人形机器人产品。到2026年7月，政府表示完整人形机器人产品数量已超过400款。官方产品更新还称，中国企业占全球总数的一半以上。
庞大的供应商群体在硬件配置和目标市场之间形成竞争。一些公司优先开发价格可负担的研究平台；另一些则瞄准全尺寸工厂工人、服务机器人、娱乐机器或高度灵活的演示系统。
Unitree 通过动态四足机器人和能力不断提升的人形机器人获得市场认知。AgiBot 则探索了多种机体设计与商业部署。UBTech 重点关注工业场景，包括汽车制造。
这种多样性有助于行业迅速探索市场，但也带来重复投入和财务压力。数百种型号不可能都获得持久需求、技术支持网络和充足的训练数据。
TrendForce 预计，中国的人形机器人产量将在2026年增长94%。其生产预测称，Unitree 和 AgiBot 可能占据中国市场近80%的份额。
这种集中趋势表明，规模已经开始有利于少数制造商。更大的生产批量能够将工程成本分摊至更多产品，也能增强企业与零部件供应商谈判时的采购议价能力。
因此，中国的硬件引擎拥有三项相互关联的优势：成熟供应商、国内试用需求和政策支持的制造能力。它们共同解释了为何公开报道的出货量能如此快速增长。
更困难的问题是，这一引擎究竟在生产有用的工人，还是日益精致的开发平台。
科技新闻中的领先地位让 Tesla 和 Figure 承压
中国在出货量上的领先，迫使美国机器人公司证明软件质量能够弥补巨大的硬件和部署差距。
Tesla 展现了最明确的对立战略。该公司将 Optimus 描述为一种通用人形机器人，最终将在工厂和家庭中工作。其论点建立在 AI、计算能力、制造经验以及获取真实世界运营数据的能力之上。
Tesla 还拥有自己的工厂，因此无需先寻找外部买家便可测试机器人。这些设施提供了结构化任务，以及能够围绕尚未成熟的机器重新设计工作流程的工程师。
然而，Tesla 对外公布的时间表一再推迟。承诺的生产规模和部署里程碑尚未带来可与 AgiBot 或 Unitree 相比的出货数字。2026年上半年的估计使这种差距更加明显。
Figure AI 采取以软件为中心的路径，并由专门的机器人制造能力支撑。该公司强调视觉—语言—动作模型，这类模型可将视觉观察与指令转化为物理动作。Figure 还公布了工业试验，并披露了 BotQ 生产设施的计划。
Agility Robotics 则凭借 Digit 采取更聚焦的路线。Digit 是一款面向物流工作的双足机器人，不试图复现人类的每一项能力。其初始价值取决于能否在为人类设计的空间中搬运物料。
这些公司仍有可能开发出比当今高出货量中国机器更强的自主系统。出货量领先与智能领先衡量的是不同事物。然而，低产量限制了企业能够收集的现场证据。
每台已部署的机器人都能够产生有关跌倒、过热、关节磨损、抓取失败和操作人员干预的信息，也能揭示客户实际愿意为哪些任务买单。
当制造商将这些观察结果反馈给设计和训练环节时，规模就具有战略重要性。如果数据保持一致、经过标注且可合法使用，一支由尚不完美机器组成的机群便能支持快速改进。
中国的领先也给西方供应商带来压力。人形机器人的生产需要紧凑型执行器、精密减速器、力传感器、电机和电池系统。中国更高的需求会推动国内供应商围绕本地客户改进这些部件。
这一过程与电池和电动汽车此前经历的制造业转变相似。产量提升推动了供应商专业化、零部件成本下降和产品迭代加快。人形机器人远未成熟，因此结果尚无定论。
这一比较也存在局限。电池单体具有可测量的性能特征和可预测的用途。通用人形机器人则必须在人员、陌生物体、变化的光线和不一致的指令之间安全运行。
因此，美国公司可以主张，自主能力将决定胜负。能够以极少人工干预连续工作八小时的机器人，可能比数台需要持续监管的机器创造更大价值。
Tesla 在 AI 算力和大规模制造方面也具备潜在优势。Figure 吸引了专业人才，并将产品重点集中于自主操控。Agility 多年来一直在完善一种特定的物流形态。
不过，出货量差距改变了举证责任。西方公司不能再依赖精心打磨的演示或遥远的量产目标。它们必须展示运行时长、任务成功率、人工干预率和客户的重复部署情况。
更广泛的竞争格局并非简单的中国对美国。Nvidia 向两大市场的机器人开发者提供计算工具。欧洲和日本公司在工业自动化、电机和精密零部件领域仍保有深厚专长。
Boston Dynamics 在移动性和控制领域依然具有影响力。其电动 Atlas 平台瞄准复杂工业移动任务。然而，数十年的技术成就尚未转化为在人形机器人出货量上的领先地位。
中国的优势在当前市场可获得数据中是可衡量的：生产和交付的设备数量。美国方面的论点则更依赖于未来的自主能力和承诺中的制造增长。
这使 2026 年成为重要的验证之年。如果中国机器人集群能通过部署持续改进，硬件规模将强化软件进步。如果这些机器仍需大量人工监管，出货量领先的决定性意义就会减弱。
97%这一数字无法证明什么
出货统计衡量的是产业动能，但并不能证明存在可盈利的需求、可靠的自主能力或更强的智能。
最直接的问题是市场规模。六个月内全球约 19,100 台出货量，意味着在一个很小的基数上实现了快速增长。与成熟的汽车、电子产品或工业自动化市场相比，这一数字仍然微不足道。
小市场中的高份额也可能迅速变化。ABI Research 预计，随着其他地区的制造商开始出货，中国所占百分比将下降。一次成功的量产爬坡就可能实质性改变排名。
数据口径带来了另一重不确定性。一些行业估计将 2025 年出货量定在接近 13,000 台，而另一些则统计约 18,000 台。这一差距过大，无法将每一个市场份额小数点都视为既定事实。
供应商披露也可能产生类似冲突。一家公司可能在产品离开工厂时计入出货；分析师可能在交付终端客户时才计入；另一家公司则可能完全排除研究或娱乐系统。
出货结构与总量同样重要。发往大学、演示大厅、培训中心或分销商的机器人，并不能证明商业客户已将其用于持续工作。
美联社发现，中国的制造能力提升速度快于客户需求。其市场调查描述了一个能够大规模制造人形机器人的行业，但仍需要足够多的买家。
需求问题直指核心经济性。一家工厂不会仅仅因为机器人能够在工位之间行走而受益。机器必须以可接受的速度、故障率和运营成本完成有价值的任务。
固定式工业机器人已经能够以高可靠性执行重复性制造工作。轮式移动机器人则可高效地在仓库中搬运货物。专用机器往往优于人形机器人，因为它们避免了类人运动的复杂性。
当环境无法以经济可行的方式围绕专用自动化进行改造时，人形机器人便具有吸引力。楼梯、狭窄通道、人类工具和频繁变化的任务，都可能为类人形态提供支持。
除非机器人能够应对变化，否则这些优势仍只是理论。折叠不同衣物、挑选不规则零件、连接柔性线缆以及处理意外障碍物，都是当前系统面临的困难任务。
远程操控进一步复杂化了公开演示。一台由远程控制的机器人可能看起来适应性很强，而实际上是人类在提供判断。这种方式可以生成训练数据，但并非自主劳动。
人工监管也会影响成本。一名操作员同时监管多台机器人，可能支撑一种可行的服务模式。一名操作员持续控制每台机器，与直接使用人力相比优势就小得多。
IFR 曾警告，不应将舞台化表演与工业能力混为一谈。其 5 月评估称，真实世界的生产能力在很大程度上仍局限于演示机或试点项目。
可靠性构成另一项差距。工厂会衡量正常运行时间、节拍时间、维护需求和安全事故。与传统自动化供应商相比，人形机器人公司对这些指标的披露并不一致。
机器还必须承受数千次重复运动。动态演示展示了平衡与控制能力，但无法揭示轴承寿命、齿轮箱磨损、电池衰减或维护所需的人力。
在经过精心布置的环境之外，软件表现可能急剧下降。物体摆放、光照、地面条件或工具方向的变化，都可能降低成功率。长任务会累积错误，因为一个步骤失败就可能令整个工作流停滞。
当机器人在人附近工作时，安全要求会更加严格。大型人形机器人结合了重量、伸展范围和动力关节。开发者需要可预测的停止行为，以及对进入其路径的工作人员进行可靠检测。
网络安全带来了另一项担忧。联网机器人会从敏感环境中收集视觉和运营数据。制造商和客户必须保护软件更新、远程访问、模型输入和存储的录像。
这些弱点并未抹去中国在制造方面的成就。它们界定了制造业现在必须通过的考验。
因此，怀疑论的解读是明确的。中国已在人形机器人硬件的生产和分发方面确立领先地位。但它尚未证明这些设备能够以工业级可靠性提供自主、经济的工作。
真实部署将决定规模能否转化为智能
中国最重要的优势在于，有机会从更多实体部署中学习，前提是这些部署产生有用证据，而非舞台化活动。
机器人技术通过与物理世界接触而改进。仿真可以让模型接触许多条件，但真实机器会暴露摩擦、零件松动、传感器噪声、意外接触和人类行为等问题。
工厂为这种学习提供了相对结构化的环境。地面处于可控状态，任务可衡量，安全区域可以限制风险。因此，汽车制造商已成为早期人形机器人试验的常见合作伙伴。
初始任务通常包括物料搬运、检查、分拣，或在工作站之间移动组件。这些工作对灵巧性的要求低于通用家庭作业，但仍会测试导航、续航能力以及与工厂系统的集成。
当试验延续到演示之外时，它才具有意义。买家需要覆盖多个班次、多种物体类型、变化条件以及故障恢复的证据。
重复订单提供了特别有用的信号。从小规模试点扩展至更大机器人集群的客户，很可能已经发现了运营价值。一次宣传性安装后便悄无声息，则提供的证据要弱得多。
中国庞大的制造业基础创造了许多可能的试验场所。它还可以产生大量训练数据，包括人类演示和机器人轨迹。轨迹记录了执行任务期间的观察和行动。
仅有数据量还不够。开发者必须了解行动是否成功、失败原因以及环境之间有何差异。标注质量不佳的演示可能会教会系统不一致的行为。
公司还面临数据共享边界。制造商可能不允许敏感的工厂录像离开其设施。机器人供应商需要在不暴露机密生产信息的情况下训练模型的方法。
软件挑战不止于感知。一台有用的人形机器人必须规划任务序列、控制自身身体、检测错误，并在不等待操作员的情况下恢复。每一层都可能独立失效。
视觉-语言-行动模型旨在将指令与物理行为连接起来。它们可以帮助机器人跨任务泛化，但其表现取决于训练覆盖范围和可靠的底层控制。
中国公司可以将这些模型与快速硬件迭代相结合。如果一项任务暴露出夹爪或关节不足，制造商可以修改机器。软件团队随后可以围绕新设计重新训练。
这一软硬件循环是中国长期领先地位最有力的论据。更多已部署机器会产生更多故障证据。更快的制造能力则将这些证据转化为修订后的产品。
这一循环也可能中断。客户可能限制数据，机器可能执行彼此无关的演示，或者供应商可能缺乏训练有竞争力模型所需的计算资源。碎片化的硬件设计会使数据集难以整合。
美国公司拥有另一种潜在优势。Tesla 可以将机器人开发与其 AI 基础设施及内部工厂相连接。Figure 可以围绕更集中的机器人集群架构优化软硬件。
Nvidia 为两个地区之间提供了另一座桥梁。其机器人平台包括仿真、基础模型和计算系统。使用这些工具的中国制造商可以受益于在美国计算生态系统内开发的软件。
这种相互依赖使简单的国家排名变得复杂。一台在中国组装的机器人可以使用外国计算技术。一台美国机器人则可能依赖与亚洲供应商相关的电机、电池、磁体或制造设备。
出口管制和供应链限制可能改变这些关系。机器人对 AI 芯片的使用强度低于训练最大型语言模型，但开发者仍需要大量计算资源。
因此，该行业的发展路径将取决于对组件、模型、数据和部署环境的获取。目前，中国在后两类中拥有最明确优势：制造场地和实体机器。
只有当现场学习改善任务经济性时，这一优势才会变得持久。投资者和客户应超越视频，转而关注可衡量的运营结果。
有用的披露包括自主运行时长、每班次人工干预次数、任务完成率、维护间隔和扩大的客户订单。这些指标比又一场舞蹈、比赛或拳击赛更能说明问题。
中国出货量激增后值得关注的三个信号
未来数月应能揭示，97%的领先地位究竟代表持久的产业地位，还是早期交付的一波暂时浪潮。
第一个信号是商业客户的重复采购。来自汽车制造商、物流运营商或重工业企业的大额后续订单，将表明试验正在创造足以支持扩张的价值。
订单公告仍需审慎看待。框架协议和战略合作并不一定会转化为实际交付的设备。投资者应区分具有约束力的采购、无约束力的计划，以及带有愿景色彩的产量目标。
最有力的证据，是将新订单与此前的试点项目联系起来。若客户将同一任务扩展至多处设施，便能同时验证机器人本身及其集成流程。
第二个信号是运营数据披露。中国和美国的供应商需要说明设备可自主工作的时长、人类介入的频率，以及性能能否在完整班次中保持稳定。
企业无需披露专有客户数据。它们可以发布标准化指标、说明测试条件，并接受独立验证。可比的披露将使出货量排名更具参考价值。
故障恢复尤其值得关注。能够识别抓取失败并再次尝试的机器人，比只能停滞等待操作员介入的机器人更有价值。
第三个信号来自 Tesla、Figure 和 Agility Robotics 的反应。它们的生产进度与客户部署情况，将显示中国的市场份额究竟反映了持久差距，还是时间窗口带来的优势。
Tesla 的进展至关重要，因为其制造规模一旦设计稳定，便可能支持快速增产。若出现延误，将进一步印证可靠人形机器人的量产仍异常困难。
Figure 需要将其自主能力主张与持续的客户运营和不断增长的产出联系起来。Agility 则必须证明，专注于物流的机器能够比更广泛的人形机器人平台带来更强的经济效益。
中国供应商也面临整合考验。TrendForce 预计，AgiBot 和 Unitree 将占据国内大部分产出。规模较小的公司需要提供差异化任务、更强的软件能力，或可靠的区域客户。
行业整合未必会削弱中国的地位。它可能将数据、工程人才和供应商关系集中到最具能力的制造商周围，也可能暴露当前需求在多大程度上依赖补贴或演示。
出货量预测提供了一个短期基准。若全球销量在 2026 年接近 60,000 台，说明产能增长将在下半年持续。若明显低于这一水平，则可能意味着早期交付透支了需求。
读者还应关注每个新数字背后的定义。出货量、产量、安装量、活跃部署量和自主作业机器人并不是可以互换的类别。
中国目前在最容易统计的类别中领先：制造了更多人形机器人，出货了更多设备，也将更多机器部署到测试环境中。
剩余的竞争则关乎这些机器实际完成了什么。可靠的任务完成率、重复需求和低监管需求，将决定制造规模能否转化为软件与数据优势。
因此，这个故事应被视为科技新闻，但不应接受其最戏剧化的解读。中国 97% 的份额是重要的产业信号，而非通用型机器人劳动力已经到来的证明。
关注这一领域的团队应保留来源日期、定义、预测及后续修订。结构化的知识融合工作流程可以让彼此冲突的说法与其证据保持关联。
如今实际问题已经很清楚：客户会在试点后订购更大规模的机器人队伍，还是出货量增长会超过有用工作的增长？在将这场竞赛视为定局之前，应先关注重复订单和运营数据。
