Unitree 和 AgiBot 将科技新闻变成一场 40,000 台的工厂考验

根据一份新近发布的行业报告，Unitree 和 AgiBot 帮助中国在 2026 年上半年出货了超过 40,000 台人形机器人。这一消息已成为重大科技新闻，因为它似乎表明该行业已从原型阶段迈入批量生产。

但这一数字也带来了问题。另一项被广泛引用的估计显示，中国厂商上半年出货量约为 18,500 台，不到该新报告总数的一半。两种统计都未揭示，有多少机器能够在无需持续监督的情况下完成有生产力的工厂工作。

这一差距定义了真正的竞争。中国制造商已经证明，他们能够批量制造人形机器人。如今，他们必须证明工厂愿意为可靠的劳动力买单，而非演示设备、研究平台或数据采集机器。

40,000 台的说法改变了讨论焦点

这一新的出货量说法，将争论从中国能否制造人形机器人，转向这些机器交付后究竟完成了什么工作。

中国人形机器人与具身智能百人会在北京世界机器人大会期间发布了其 2026 年行业报告。该大会于 8 月举行，出货量发现于 8 月 20 日进入公开报道。

报告称，2026 年上半年中国出货了超过 40,000 台人形机器人。报告表示，同期中国供应商占全球出货量的 97%。

这份行业报告的发现涵盖了五个国家的市场状况、技术、供应链、应用和竞争情况。这些国家包括中国、美国、德国、韩国和日本。

这一数字构成了 8 月 24 日发布的原始中文报道的基础。该篇工厂应用分析探讨了工业客户是否已准备好为下一阶段提供资金支持。

发布日期之所以重要，是因为原始聚合平台没有提供经核实的时间戳。相关基础事件是报告在 8 月大会期间发布，而不是 8 月 24 日一项新的公司出货公告。

40,000 台的总量仍是行业报告估计，而非经审计的库存数据。公开摘要并未说明用于得出该数字的每一个机型类别、出货门槛或统计规则。

这一遗漏很重要。“人形机器人”可以涵盖全尺寸工业机器、更小型的教育产品、研究平台，以及主要用于娱乐的机器人。

“出货”也可能意味着几种不同的事情。它可以指完成向客户交付、转交给经销商、海外销售，或为测试提供的设备。

这些定义没有任何一种自动等同于已实现生产性部署。即使工程师仅在预定试验期间操作，一台交付给汽车行业试点项目的机器人也已经出货。

97% 的市场份额说法也带来了另一层谨慎理由。独立估计支持中国在制造方面的领先地位，但并不一致支持该报告的绝对出货规模。

美联社援引 Omdia 估计称，2026 年上半年，中国人形机器人制造商在全球范围内出货约 18,500 台。据报道，Omdia 估计 2025 年全年全球人形机器人出货总量接近 15,000 台。

因此，中国 40,000 台的总量意味着半年内出现了异常迅猛的增长。它也意味着需要采用更宽泛的定义，或市场规模远大于多个竞争数据集所描述的水平。

这一差异并不意味着较大的数字毫无价值。它意味着分类和客户结构将成为解读该数字的核心。

如果报告纳入了较小型的服务、教育或陪伴机器人，那么其数字反映的是一个正在扩大的硬件市场。但这并不能证明工厂已经采用通用型机器人劳动力。

这一区别应指导科技新闻对中国人形机器人的报道。生产规模衡量的是供给能力，而自主工作时长衡量的是运营价值。

与第二项考验相比，该行业更有说服力地通过了第一项。

为什么中国能以这样的速度制造人形机器人

中国的优势来自制造深度、零部件获取能力、政策支持，以及愿意将尚不完美的平台推向多元市场的供应商。

人形机器人将执行器、电机、减速器、传感器、电池、计算机和软件整合在一个为人类空间设计的身体中。中国已经以工业规模制造其中许多零部件。

这一供应基础缩短了采购周期。它也让开发者能够更频繁地修改关节、灵巧手、电池和控制电子系统，而无需重建国际供应商网络。

Unitree 和 AgiBot 展现了由此产生的生产势头。根据美联社援引的估计，两家公司都在 2025 年出货了数千台人形机器人。

AgiBot 在 2026 年初进一步扩张。TrendForce 报道称，该公司在 3 月下旬推出了第 10,000 台通用具身机器人。

具身智能指的是通过实体机器进行学习和行动的软件。它将感知与决策，同周围环境中的运动连接起来。

TrendForce 将 AgiBot 的产能爬坡归因于标准化供应链、灵活的订单驱动制造，以及专属供应商安排。其生产里程碑此前已完成 1,000 台和 5,000 台的生产批次。

需求信号也在扩大。汽车制造、消费电子、物流、研究、零售、教育和娱乐机构都已购买或测试人形机器人。

这些买家并不共享同一个经济目标。大学可能看重开放开发平台，而工厂需要可预测的产出和可控的停机时间。

这种混合市场有助于解释，为何出货总量能够在工厂应用成熟之前上升。研究机构和开发者需要实体平台来训练软件并收集运动数据。

娱乐应用可以接受不同的限制。一台执行排练程序的机器人，无需应对变化的零部件、人流或完整的生产班次。

零售和访客服务同样容忍更窄的任务范围。一台引导顾客或执行预设互动的机器，可以在不取代员工的情况下提供宣传价值。

工厂则提出了更苛刻的要求。它们会衡量节拍时间、干预频率、安全性、维护、集成和产出质量。

中国供应商因此受益，因为他们能够向所有这些类别销售产品，同时改进硬件。每一台交付的平台都能产生反馈、零部件故障证据和训练数据。

政府支持扩大了这一机会。国家和地方项目鼓励机器人投资、测试设施、产业园区以及制造场景的准入。

政策本身无法制造可靠的自主能力。但它能够降低运行试点项目的成本，并为年轻公司提供完善系统的时间。

因此，中国人形机器人在形成稳定商业模式之前就拥有规模优势。由于实体 AI 会通过反复的真实世界接触不断改进，这一优势仍具战略价值。

这种方式不同于狭义的“工厂优先”计划。供应商可以在为研究实验室和商业演示提供产品的同时，制定工业操作和导航策略。

这形成了一个反馈循环。更多硬件支持更多实验，实验产生更多数据，数据又能改善后续的软件发布。

然而，只有在收集的数据代表有用任务时，这一循环才会发挥作用。数千套舞蹈动作无法教会机器人如何安全地处理掉落的汽车零部件。

制造商还需要保持硬件一致性。针对某一种灵巧手、传感器布局或关节配置训练的软件，在经历重大重新设计后可能难以有效迁移。

中国的供应链能够加速迭代，但频繁迭代也会带来自身成本。客户可能要面对跨多个硬件代际的备件、维护和软件支持问题。

因此，40,000 台的标题是制造能力的证据。它尚不是衡量产品成熟度的清晰指标。

这也是为什么下一阶段将同时考验供应商和买家。机器人制造商必须将其系统收敛为可靠产品，而工厂必须识别出值得自动化的任务。

科技新闻遇上工厂的回报率考验

工厂不会因为人形机器人看起来有能力就购买它；只有当生产性产出超过部署、监督和维护成本时，工厂才会购买。

人形机器人在工厂的应用始于一个务实的逻辑。现有工厂是围绕人体、工具、走道、货架和工作站设计的。

理论上，一台拥有双臂的双足机器可以进入这些空间，而无需大规模改造设施。这一承诺使人形机器人区别于固定机械臂和专用自动化设备。

在任务频繁变化的场景中，这种灵活性很有吸引力。一台通用机器人最终或许能够在同一设施中上下料、搬运物料、检查设备和处理零部件。

但通用性也带来复杂性。固定机械臂能够以高速和高精度重复结构化动作，因为工程师对其环境进行了约束。

人形机器人则必须保持平衡、感知物体、规划动作、避让人员并从错误中恢复。每增加一种能力，都会增加潜在故障点。

这正是出货故事背后的核心冲突。供应商出售的是灵活性，而工厂购买的是可量化的可靠性。

试点可以在有利条件下取得成功。生产则要求在长时间班次、光线变化、物体错位、零部件磨损和不可预测的人类活动中持续成功。

机器还必须满足产线节拍。若每次操作耗时远长于人工或固定系统，即使任务完成正确也不够。

监督会进一步改变计算结果。一台需要频繁远程协助的机器人，是在转移工作，而不是减少工作。

远程操作在训练期间仍可能创造价值。人工操作员提供示范、处理异常情况，并帮助为后续自主能力生成数据。

然而，工厂不能把大量人工干预视为不可见成本。操作员、集成工程师、安全人员和维护团队都会增加部署的真实负担。

最佳的早期工业任务很可能具有若干共同特征：重复性高、人体工学难度大、相对结构化，并且能够容忍适度的速度。

物料搬运便是一个例子。人形机器人可以在已适配人体触及范围和移动方式的工位之间搬运容器。

设备上下料是另一个例子。如果物体位置、时间安排和安全边界保持可预测，机器人就能为设备装载或卸载物料。

质量检测或许能提供一个风险更低的切入点。移动式人形机器人可以在楼梯或为人类设计的通道限制轮式机器人的设施中采集传感器数据。

这些场景仍要与替代方案竞争。工厂可以安装传送带、自动移动机器人、协作机械臂或专用检测系统。

人形机器人只有在其灵活性能够抵消较低速度、更高复杂性或更高支持需求时，才值得采用。相关比较对象并不总是人类工人。

它往往是为单一任务设计的成熟自动化产品。

工厂需求问题早于最新的出货量说法。美联社在 6 月报道，中国的生产能力似乎正超过已得到验证的商业需求。

该报道提到，2025 年中国拥有超过 140 家人形机器人制造商和 330 多种机型。如此丰富的种类有利于实验，但也显示出市场高度碎片化。

许多供应商将难以提供长期支持。工厂买家需要备件、软件维护、网络安全控制措施，以及生产停摆时的责任承担。

因此，采购团队不会只看令人印象深刻的演示。他们会询问机器人完成任务的频率、故障恢复的速度，以及由谁处理故障。

他们还会问，该系统是否能与现有的制造软件协同工作。一台有用的机器人必须能够与既有运营系统交换指令和生产数据。

随着机器人越来越接近人类，安全认证变得至关重要。人形机器人的触及范围、重量、动量和电池都会带来风险，而这些风险在精心控制的视频中很少显现。

这些要求有利于与成熟制造商和自动化供应商建立合作关系。机器人初创企业带来新硬件和 AI，而工业合作伙伴带来流程知识和服务网络。

它们也会放缓部署进程。测试、验证、集成和工人培训都需要时间，因为工厂中断会带来真实的经济后果。

因此，人形机器人的工厂采用将按任务逐步推进，而不是通过一次普遍的采购决策实现。即使是大型客户，也只会在单个工作流程达到性能目标后才扩大部署。

出货量可以表明哪些供应商拥有足够的硬件参与竞争。但它无法揭示哪些系统已经跨过了实际运营的门槛。

相互矛盾的统计数字未能说明什么

40,000 与 18,500 之间的差异并非统计脚注；它暴露出市场缺乏统一定义。

这份新的中国报告称，上半年人形机器人出货量超过 40,000 台。据美联社报道，Omdia 的估算则显示，中国供应商的出货量接近 18,500 台。

Smart Analytics Global 也曾与一项上半年全球约 19,100 台的估算相关联。据报道，该数据集按出货量将 AgiBot 排在 Unitree 之前。

这些估算只有在分类标准存在实质差异的情况下才能同时成立。某个数据集可能纳入了更广泛的机身形态、尺寸、应用场景或交付渠道。

公开报道尚未提供足够的方法论来调和这些数据。读者不应将不同研究机构的数字拼合为单一增长序列。

缺失的客户构成细分带来了第二个问题。即使出货总量准确，也无法说明这些设备如何分布在工厂、大学、娱乐客户或培训中心之间。

Interact Analysis 发现，2025 年全球人形机器人产量超过 20,000 台，高于 2024 年的不足 2,000 台。然而，其部署评估认为，具备商业可行性的自主应用仍然有限。

该研究机构称，学术研究和娱乐需求推动了中国机器人的大部分需求。海外销售也加剧了国内供需之间的差异。

这些证据挑战了对 40,000 台说法的简单解读。产量增长可能代表平台分发，而尚未代表劳动力自动化。

同样的谨慎也适用于工厂公告。一家公司可以将机器人安置在工业设施内，却并未让其持续参与生产。

某项部署可能仍处于概念验证阶段。它可能在专用培训区域运行，而不是在实际产线上运行。

它也可能依赖远程操作员。这些情况都不会否定该项目，但每一种情况都会改变买家应得出的结论。

Gartner 在 1 月给出了尤其审慎的预测。它预计，到 2028 年，推进人形机器人概念验证超越实验阶段的公司将不足 100 家。

该机构还预计，进入生产阶段制造和供应链部署的公司将不足 20 家。其生产预测称，大多数部署仍将处于严格受控的环境中。

这一观点并非预测整个类别会失败。它预测的是供应商、任务和客户之间将经历艰难的筛选过程。

最强的公司既需要硬件规模，也需要运营证据。出货数千台研究设备的供应商，其生存方式可以与承诺提供工厂劳动力的供应商截然不同。

Unitree 通过运动能力演示和易于使用的开发平台获得了关注。AgiBot 则强调广泛的具身智能产品组合和快速的产量增长。

UBTech 高度聚焦工业合作，包括汽车和电子行业场景。即使其出货量较低，若部署涉及重复性的生产任务，仍能产生有价值的证据。

西方竞争者面临着相反的压力。Tesla、Figure AI 和 Boston Dynamics 因软件、集成能力和重要工业合作关系而受到关注。

它们的出货量低于领先的中国供应商。它们面临的挑战，是证明受控项目能够成为具有实际规模、可重复交付的产品。

中国供应商必须证明相反的一面。它们拥有硬件规模，但买家需要证据证明出货量能够转化为可靠的工作时长。

因此，市场中存在两场竞赛。一场关乎谁能造出机器，另一场关乎谁能让工厂再次下单。

只有第二场竞赛能够验证一个可持续的工业市场。

对买家而言，最稳妥的做法是严格测试。他们应定义任务、建立当前性能基线，并将机器人与最强的现有替代方案进行比较。

评估应包括人工干预率和恢复时间。即使一台机器的名义成功率很高，若故障需要长时间重置，仍可能扰乱生产。

买家还应区分学习进展与合同约定的性能。通过数据收集不断改进的机器人仍有价值，但未来的改进不能替代当前的服务要求。

网络安全和数据治理同样值得关注。人形机器人会在敏感设施内部使用摄像头、麦克风、运营数据和远程连接。

企业必须了解数据流向何处、谁可以访问，以及软件更新如何影响已经验证的行为。

这些问题获得的关注少于出货量排名。但随着机器离开演示区域并进入常规运营，它们将变得更为重要。

三个信号将揭示工厂是否正在采购

下一个验证点不是又一项产量纪录；而是可重复的工业性能，随后才是扩容订单。

第一个信号是清晰披露客户构成。供应商或研究机构需要将工业生产设备与研究、教育、娱乐和演示出货分开统计。

如果工厂占比不断上升，这种细分将增强 40,000 台故事的可信度。如果大多数设备仍是开发平台或宣传机器，则会削弱这一说法。

披露还应区分试点与常规运营。进入工厂的一台设备，并不一定意味着它正在为生产作出贡献。

最有用的数据应包括付费部署、实际工作时长、任务类别和客户扩张率。这些指标将硬件交付与经济价值使用联系起来。

第二个信号是经过验证的、覆盖完整工业班次的性能。供应商经常发布展示任务成功完成的视频，但买家需要了解长时间运行中故障的分布情况。

相关指标包括任务完成率、人工干预、恢复时间、正常运行时间和周期时间。安全事故和维护需求必须出现在同一份评估中。

独立验证比预设演示更有分量。工业合作伙伴应说明机器人做什么、在哪里运行，以及性能在测试期间如何变化。

这不要求披露敏感的生产细节。它要求提供足够信息，以区分自主工作与排练式动作或持续远程控制。

如果多家工厂报告持续的生产应用，这篇科技新闻报道所作的判断将更有说服力。若部署仍局限于健身房、实验室和受控展示场景，其说服力就会减弱。

第三个信号是扩容订单。工厂的首次采购通常是为了学习、集成或战略布局提供资金。

第二笔订单具有不同含义。它表明首次部署产生了足够价值，足以证明更广泛的资本和运营投入是合理的。

扩容可以表现为增加设备数量、增加班次或增加任务。每一种形式都表明客户已不再只是出于好奇。

重复订单也将暴露供应商的准备程度。供应商必须保持稳定制造、交付备件、更新软件，并为多个地点的客户提供支持。

工厂不会仅仅因为机器人变得更有能力而扩张。只有当系统变得足够可预测、能够纳入生产计划时，它们才会扩大部署。

这一门槛可能会在某些工作流程中更早达到。结构化的物料搬运和机器上下料比非结构化装配拥有更明确的边界。

它也可能首先出现在愿意重新设计流程的制造商中。人形机器人的承诺在于适应人类环境，但有限的布局调整可以提高可靠性。

因此，胜出的产品可能是通用硬件与经过严格验证的狭窄任务包的结合。客户只有在每个任务包达到运营目标后，才能增加能力。

这一模式与其他自动化市场相似。当供应商将广泛能力转化为可支持、可重复的应用时，通用平台才能成功。

对开发者和 AI 产品团队而言，出货量争议带来了更广泛的教训。扩展物理 AI 不仅需要一个有能力的模型。

团队必须收集现场证据，将故障与训练数据关联起来，并在硬件和软件迭代过程中保留知识。可搜索的工程知识库可以支持这项工作，但不能取代正式的安全体系。

对企业买家而言，眼下的行动同样具体。应将出货总量视为供应商产能信号，然后在批准更大规模部署前要求提供针对具体工作负载的证据。

要求供应商定义“已出货”“已部署”和“自主”的含义。索取覆盖具有代表性班次的结果，而不是最佳情况下的演示。

将人形机器人与固定式自动化、移动机器人、流程再设计和现有劳动力进行比较。决策中应纳入集成、监督、维护和停机时间。

中国已经表明，它能够比全球竞争对手更快地制造人形机器人。尚未解决的问题是，当摄像机离开后，这些机器是否能创造可重复的价值。

关注客户构成、完整班次性能和重复订单。如果三者同步改善，40,000 台的说法将标志着真正的工业转型。

否则，它仍将只是一个亮眼的产量数据，等待找到适用于工厂的商业案例。