人形机器人进入生产力验证期，离ChatGPT时刻还有多远？
机器人正在被要求证明一件比跑得快、跳得高更难的事情：能不能真正干活？
在8月20日的2026世界机器人大会上，宇树科技创始人王兴兴展示的一个场景并不起眼——机器人收拾会议室。
物品被任意打乱后，机器人需要自己判断并把会议室恢复到整洁状态。整个场景包含约7至8个不同任务，由一个模型完成任务切换，还需要应对外部干扰。
和人形机器人跑步、打拳甚至打网球相比，整理会议室一点儿也不酷。但王兴兴认为，这类场景“相对有实用价值，并且难度不是特别大”，恰恰可能成为机器人真正进入现实生活的开始，比如宇树公司自己的会议室有时候也是乱糟糟的。
这也是今年机器人行业正在发生的变化。今日中国电子学会理事会党委书记、中国人形机器人与具身智能百人会理事长张峰发布的《2026年人形机器人产业发展报告》显示，2026年上半年，中国人形机器人出货量已超过4万台，全球占比进一步提升至97%。人形机器人正从小批量试用加快向常态化部署和规模化应用迈进。
出货量增长并不意味着人形机器人已经迎来大规模商业化。从宇树科技、星海图到银河通用，多家头部机器人企业在当天不约而同谈到同一个问题：在固定环境里把一件事情做出来已经不够了，机器人下一阶段真正的门槛，是能否进入陌生环境，快速学会新任务，并以接近甚至超过人的效率持续工作。
从跑得快到干得好，机器人开始比拼“生产力”
过去几年，人形机器人的能力边界不断被刷新。
王兴兴介绍，宇树科技一款正在预览、尚未正式发布的新机器人，开发时间仅3个多月，目前速度已经达到12.65米/秒，超越人类最快奔跑速度。银河通用则把机器人送上网球场，通过强化学习让机器人自主完成跑动、击球等动作。
但这些高难度能力与真正进入工厂、仓库和家庭之间，仍然存在距离。
王兴兴透露，宇树从2024年就已经与汽车工厂合作进行机器人落地，公司内部也部署机器人进行测试。但目前没有大规模推广，最主要原因是目前的效率和泛用性能力不够。机器人虽然已经可以完成一些简单装配，但效率仍低于人，而且每遇到新的任务往往需要重新训练。宇树希望等到泛化能力进一步提升后再进行大规模推广。
星海图创始人高继扬给出了更直观的衡量方式。
他认为，机器人真正进入生产场景，需要观察三个指标：速度、精度和泛化性。
在一家机器人公司展台，一台机器人正在床边叠一件短袖，一位工作人员告诉第一财经记者，机器人叠好一件衣服大约需要2分钟。
“今天我们看到机器人执行效率坦率讲不如人快，大概在百分之七八十的样子。”高继扬说，此外，在精度上，厘米级操作已经能够较稳定完成，但毫米级精度仍需要强化学习进一步提升。
而所谓“泛化性”，可以简单理解为培训一个“机器人员工”的成本。高继扬称，目前星海图让机器人完成一个新任务、长程任务，大约需要10小时后训练，希望到明年将这一时间缩短至1小时，甚至只依赖几条数据完成后训练。
与此同时，一些真实生产场景已经开始出现。
高继扬介绍，星海图与京东合作的全自主机器人前置仓已经覆盖拣选、抓取、放置和打包等流程。昨天在展位上，这台机器人一天完成了100多单，过程中没有人工干预。公司今年正在陆续交付千台级“模型驱动的真实生产力订单”，并预计明年存在向万台增长的机会。
产业化的一个关键词已经从“卖机器人”变成了“卖生产力”。高继扬判断，随着模型能力提升，具身智能的商业模式也会发生变化：行业早期主要依赖整机销售，不同产品毛利率约在40%至60%；随后可能进入针对具体生产场景的方案订阅阶段，毛利率会降到20%左右；最终进一步转向以“物理世界Token”为核心的商业模式，产业价值也可能逐渐从硬件向智能能力迁移。
这意味着，判断一家机器人公司的竞争力，仅仅计算卖出了多少台机器人可能越来越不够。机器人进入工厂之后究竟能干多少活、培训一次需要多长时间、完成任务的成功率有多高，以及能否把同一套能力复制到更多场景，将成为更重要的商业化指标。
“ChatGPT时刻”还有多远？
去年以来机器人行业最热的问题之一是“具身智能的ChatGPT时刻什么时候到来”，到了今年，从业者们正在尝试给这个模糊概念制定更加具体的标准和时间表。
王兴兴给出的答案是“80%”。
他认为，如果未来把一台机器人带到任意陌生环境甚至家庭中，仅通过语言指令，就能够完成大约80%的任务，可以认为具身智能迎来了类似ChatGPT的产业爆发临界点。
至于时间表，他判断，“快的话2—3年，慢的话5年或者10年”。
银河通用创始人、首席技术官王鹤给出的标准与之相近。他认为，目前具身大模型的水平大约处在GPT2，“ChatGPT时刻”首先意味着机器人能够在人类无需特殊学习的广泛任务上达到70%—80%的成功率；下一步则是通过简单的后训练，让没有任何专业技能的普通人也能够把机器人训练成在特定场景中高成功率工作的模型。
银河通用给出的时间表更加明确：王鹤预计，在目前的数据积累和后训练技术持续突破的情况下，公司将在2028年达到其定义的“具身智能ChatGPT”水平。
从现场多位具身从业者的讨论看，真正横在机器人与ChatGPT时刻之间的，仍然是泛化能力。
王兴兴举例称，目前很多机器人模型在固定场景经过充分采集和训练后，成功率可以接近100%，但只要操作物品或者环境稍微变化，成功率就可能明显下降。
更细微的问题发生在“最后几厘米甚至几毫米”。机器人可能已经知道要拿起一个物体，也基本移动到了正确位置，但由于视觉、触觉以及真实物理世界之间仍然存在误差，最后一点偏差无法及时修正，就可能导致整个任务失败。
“目前的AI模型输入和输出跟机器人对齐程度不够。”王兴兴表示，这是当前具身智能所面临的最大瓶颈。
而要提升泛化能力，数据正在成为机器人行业越来越稀缺的生产要素。
有从业者认为，要训练出能够规模化复制、具备较好泛化能力的机器人大脑，可能需要千万小时级的数据，而目前行业真正能够用于模型训练的数据仍只有十万小时量级。工业、物流等一些标准任务中，机器人效率和成本已经能够接近人工，但由于模型泛化不足，仍然难以复制到大量更加复杂的场景。
这也解释了为什么机器人公司的竞争正在从本体、关节和运动控制，进一步延伸至数据、基础模型、强化学习和真实场景。
宇树科技正在探索让物理AI机器人模型“自进化”：在制定一些规则后，由大模型搜索论文、研究成果和开源方案，自动生成机器人控制代码，再进入仿真和真机环境测试，根据机器人和人的评价继续反馈给智能体，形成循环。王兴兴认为，这种方式可以持续积累技能和数据，提高机器人开发与进化效率。
从这个角度看，人形机器人产业化的突破不只是造出一台跑得更快、跳得更高的机器人。从展台、高校走进仓库、工厂、商店乃至家庭，它面对的不再是提前设计好的演示，而是每天都在变化的真实世界。
今年上半年超过4万台的出货量证明机器人正在加速走出实验室；但能否在陌生环境里稳定完成大多数任务，则决定了这些机器人最终是“卖出去的机器”，还是能够持续创造价值的“生产力”。