最近看中國的人形機器人，

很容易產生一種錯覺：

機器人好像已經快追上人了。

它們會跑步。

會打拳。

會跳舞。

有些甚至可以完成非常複雜的全身動作。

看完這些影片，

下一個直覺通常就是：

「既然連這些都做得到，進工廠鎖螺絲、搬零件，不是更簡單嗎？」

但真正的答案剛好相反。

Reuters 最新調查發現，

中國現在最大的問題，

已經不太是：

「能不能把人形機器人做出來？」

而是：

「做出來之後，它到底能不能每天穩定工作？」

這兩件事的難度，

差得非常遠。

中國現在其實已經很會「做人形機器人」

先看硬體。

中國在人形機器人供應鏈上的速度，

其實非常驚人。

根據 Reuters 引述 BofA Global Research 的資料，

2025 年全球大約出貨 2 萬台人形機器人，

其中中國製造商約占 95%。

中國工業和信息化部官員今年 7 月更表示，

中國預計 2026 年生產超過 10 萬台人形機器人。

中國目前已有超過 150 家人形機器人企業。

所以今天真正的問題已經不是：

中國做不做得出來。

而是：

做這麼多出來，到底要拿去做什麼？

會跑百米，和在工廠上班，其實是兩種完全不同的能力

一個人形機器人要跑步，

當然非常困難。

它必須處理：

平衡、

重心、

關節協調、

速度、

落腳位置。

這些都是很強的工程能力。

但跑步有一個優勢：

任務非常清楚。

方向在前面。

跑道固定。

終點固定。

動作可以反覆訓練。

工廠卻不是這樣。

假設今天機器人的工作只是：

從左邊拿一個零件，

放進右邊的治具。

聽起來比跑百米簡單很多。

可是下一次，

零件可能偏了 2 公分。

再下一次，

它可能反過來了。

另一個零件可能被前一個零件壓住。

箱子的位置可能稍微移動。

光線可能不同。

抓第一次可能沒抓好。

旁邊甚至可能突然出現一個人。

這時候，

真正的問題不再只是：

「機器手會不會動？」

而是：

「原本的方法不能用了，你現在知道該怎麼辦嗎？」

工廠最在意的從來不是「最精彩的一次」

這就是 Demo 和工廠最大的差別。

一段機器人表演，

只要成功錄到一次，

就可以變成一支很漂亮的影片。

但工廠不是這樣算。

假設一天要做 5,000 次同樣動作。

成功 4,900 次，

聽起來有 98% 成功率，

好像已經非常厲害。

可是那也代表：

一天可能還有 100 次需要有人處理。

如果每次卡住，

都必須叫工程師來：

重新定位、

把零件拿出來、

重啟流程，

那這台機器人可能不是在省人。

反而是在製造另一份工作。

所以工廠真正看的通常不是：

「它最厲害可以做到什麼？」

而是：

穩定度。

稼動率。

速度。

故障率。

維修時間。

每一次工作的成本。

這也是為什麼，

一台看起來非常普通的傳統機械手臂，

現在可能比一台會跑步的人形機器人更有價值。

因為傳統機械手臂根本不需要「像人」

走進成熟的汽車工廠，

你會看到很多機器人。

但它們大多不是兩隻腳、兩隻手。

而是一支固定在地上的機械手臂。

為什麼？

因為如果工作就是：

每天把同一塊鋼板焊在同一個位置，

它根本不需要：

走路、

轉身、

保持平衡、

理解整間工廠。

只需要把一件事情做到：

快、準、穩。

Reuters 採訪的產業人士指出，

中國汽車工廠裡，

傳統工業機器人在很多核心任務上，

仍然比人形機器人：

更快，

而且更容易控制。

例如 Xiaomi 北京電動車工廠曾表示，

整體組裝流程已有 91% 自動化，

光車身車間就使用超過 700 台工業機器人，

處理點焊、鉚接、黏合等工作。

Xiaomi 同時也在訓練人形機器人，

嘗試安裝螺帽等任務。

這正好說明一件事：

工廠並不是在等人形機器人來「開始自動化」。

工廠早就已經高度自動化了。

人形機器人真正要回答的是：

「有什麼工作，是傳統自動化做不好，但我可以做得更好？」

真正難的是最後 1 公分

有一位北京通用人工智慧研究院研究員，

用一個非常好的方式形容現在的問題。

機器人過去可能卡在：

最後 10 公分。

現在進步到：

最後 1 公分。

甚至：

最後 1 毫米。

這是什麼意思？

假設你要把充電線插進插孔。

人類看一眼，

手伸過去，

稍微調一下角度，

就插進去了。

但對機器人來說，

它需要知道：

插孔精確位置在哪裡？

插頭現在是什麼角度？

手距離多遠？

力道多少？

如果第一次沒插進去，

是偏左？

偏右？

角度不對？

還是插孔被東西擋住？

人類會很自然地：

感覺一下，

再修正。

但機器人必須把這些我們平常根本不會注意的小動作，

全部變成：

感知、

判斷、

動作，

再重新確認。

所以有時候，

機器人最難的不是：

跑 100 公尺。

而是：

把一個小零件準確放進另一個小洞。

Reuters 去看的訓練中心，更能看出問題有多難

Reuters 這次到中國南方一個機器人訓練中心採訪。

那裡有超過 100 台人形機器人。

人類訓練員戴上裝置，

用自己的動作教機器人：

分類箱子、

包裝麵條、

泡咖啡。

聽起來已經很接近真實工作。

但訓練過程非常辛苦。

Reuters 報導，

一名新手訓練員，

有時候大約嘗試 300 次，

才能產生一次真正可用的動作資料。

經驗比較好的訓練員，

可能約 50 次能得到一次。

這就揭露了 Physical AI 現在很大的瓶頸：

ChatGPT 可以直接吃掉大量網路文字，人形機器人卻沒有一個「真實世界網際網路」可以直接拿來訓練。

ChatGPT 有網路，人形機器人缺的是「動作資料」

大型語言模型為什麼進步這麼快？

因為人類已經累積了大量：

書籍、

網站、

文件、

程式碼、

對話。

它可以從這些資料學習：

語言通常怎麼排列。

可是如果要教機器人：

怎麼拿杯子？

怎麼開抽屜？

怎麼在箱子位置改變後重新抓？

怎麼發現手滑了？

怎麼知道東西太重？

這些資料，

網路上沒有那麼多。

而且影片也不完全等於機器人可以直接使用的動作資料。

機器人還需要知道：

關節怎麼移動、

力量多大、

接觸在哪裡、

抓取是否成功。

所以今天很多人形機器人公司正在做的，

其實不是立即讓機器人去取代工人。

而是：

讓大量機器人先工作、先失敗、先被人教，慢慢累積真正的實體世界資料。

這就是為什麼中國反而想先把機器大量做出來

這裡開始出現一個很有意思的邏輯。

如果要讓機器人變聰明，

需要更多真實動作資料。

要有更多資料，

就要有更多機器人進入真實環境。

所以中國現在的策略某種程度上變成：

先擴大硬體。

先建立訓練中心。

先把機器送進：

工廠、

商店、

物流、

藥房，

再從這些使用過程蒐集資料。

Reuters 報導，

中國工業和信息化部與國資監管單位今年要求 10 個省份，

每個省至少找出 20 個人形機器人與 AI 的真實世界訓練場域。

所以那些看起來「還不夠聰明」的機器，

某種程度上也是下一代 AI 的資料蒐集工具。

但這也產生一個危險：機器可能做得比市場需要得還快

中國以前發展：

電動車、

太陽能，

也曾經用過類似方法。

政府支持。

先建立產能。

大量企業競爭。

成本快速下降。

最後把供應鏈做得非常強。

但人形機器人有一個不同。

電動車和太陽能在中國大規模擴張以前，

產品到底能不能使用，

已經沒有太大疑問。

人形機器人現在卻仍處於：

真正用途還沒有完全成熟的階段。

Reuters 調查發現，

2026 年上半年，

中國各級政府購買人形機器人、訓練設備與相關項目的支出至少已達約 2.3 億美元。

也就是說，

目前一部分需求本身就是政府創造出來的。

如果未來：

工廠、

商店、

物流公司

發現人形機器人的工作價值還沒有高到值得大量購買，

就可能出現：

產能跑在需求前面。

所以真正的「機器人泡沫」不是機器人沒有未來

這裡要分清楚。

現在出現問題，

不代表人形機器人最後不會成功。

就像早期電動車：

續航很短。

價格很貴。

充電站很少。

不能因此得出：

電動車永遠不會普及。

真正需要問的是：

今天的能力，有沒有已經成熟到支撐今天的價格與投資？

Reuters 採訪的一些創業者與投資人，

已經預期中國人形機器人產業可能在 2026 年底到 2027 年開始整併。

最後可能剩下：

真正能把成本壓下來的公司。

真正有客戶的公司。

真正能累積資料的公司。

真正能讓機器每天工作，而不是只讓它上台表演的公司。

其實已經有一些工作開始適合人形機器人

也不是所有商業應用都還沒有出現。

例如中國機器人公司 Galbot，

已經把機器部署到多個城市的藥房。

它們可以根據數位訂單，

從貨架取出商品。

這種環境有幾個特點：

空間相對固定。

商品位置可以管理。

工作大量重複。

商品種類雖然多，

但任務很明確。

Galbot 表示，

其系統取貨成功率已超過 95%。

有趣的是，

這類機器甚至不一定堅持兩條腿走路。

它可以使用輪式底座。

因為真正商業化之後，

客戶通常不在乎：

「它到底像不像人？」

客戶在乎的是：

「它到底好不好用？」

所以人形機器人真正的未來，可能不是「所有地方都變成人形」

這也可能是今天最容易被忽略的一點。

我們喜歡人形機器人，

很大原因是：

看得懂。

兩隻手。

兩條腿。

一個頭。

一看就知道：

「它未來可以代替人做事。」

但真正進入商業世界之後，

機器人可能會變成很多不同形狀。

需要走樓梯，

兩條腿可能有價值。

需要長時間搬貨，

輪子可能更有效率。

需要一直焊接，

一支固定機械手臂最好。

需要拿很多不同工具，

人形的手臂與身體才可能產生優勢。

所以真正的問題不應該是：

「人形機器人什麼時候取代工人？」

而應該是：

「哪一種工作，真的需要一台像人的機器？」

Physical AI 真正的大考，才正要開始

過去兩年，

我們看到很多 Physical AI 的突破。

機器人會跑。

會跳。

會格鬥。

無人機會自己避障。

汽車可以理解道路。

這些都很重要。

因為至少證明：

機器開始有能力感知並操作真實世界。

但下一個階段，

評分方式會完全改變。

大家不再只問：

「最厲害的一次做到什麼？」

而是開始問：

每天可以做幾次？

失敗幾次？

發生例外會不會自己恢復？

一天需要人工救援幾次？

維修多少錢？

電池撐多久？

和直接僱一個人相比，

到底有沒有比較划算？

到了這一步，

最精彩的機器人，

不一定是跑得最快的那一台。

可能反而是：

你每天看到它做同一件無聊的工作，做到最後已經忘記它存在的那一台。

這才是真正的工業自動化。

Demo 證明「做得到」，工廠要證明「每天都做得到」

所以今天看到人形機器人：

跑百米、

打拳、

跳舞，

可以覺得非常厲害。

因為那的確代表硬體與控制能力快速進步。

但不要直接把它翻譯成：

「工人快要全部被取代了。」

中間還隔著一段非常難的路。

那段路叫：

可靠性。

精細操作。

例外處理。

訓練資料。

成本。

以及：

真正的商業價值。

AI 從螢幕走進真實世界之後，

最大的不同就在這裡。

聊天機器人答錯一句話，

你可以再問一次。

機器人抓錯一個零件，

整條生產線可能真的要停下來。

所以 Physical AI 真正成熟的那一天，

可能不是我們看到一台機器人做出更驚人的後空翻。

而是某一天，

工廠主管突然發現：

這台機器已經連續工作很久，而且大家根本不需要一直去管它。

那才是真正難的突破。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀

Amazon Prime Air 無人機配送 2013 年就亮相，為什麼到 2026 才準備擴到近 500 個美國城市？

AI 晚報｜2026/08/19：Unitree 上海首日收漲 460%、市值約 500 億美元，人形機器人還沒普及，市場先押注中國量產能力