【觀點】張禮立 | 人形機器人：商業邏輯到底成立嗎？

人形機器人最終會不會進入更廣泛的社會空間，現在還難下定論；但在工業與園區這類“任務閉環可算賬”的場景里，它已經不只是一個熱鬧話題，而是一場正在開始的產業實驗。

本文作者系盤古智庫學術委員、數字經濟研究院副秘書長張禮立，文章來源于“張禮立數字經濟研究”微信公眾號。

本文大約2900字，讀完約7分鐘。

人形機器人這兩年被討論得極熱，分歧也極大。有人把它當作下一代生產力：機器將像人一樣走進工廠、倉庫、門店，甚至進入家庭；也有人認為它更像“炫技+敘事”的組合：自動化真正高效的路徑往往是專用設備與專用流程，為何一定要把機器“捏成人形”，去遷就舊世界的門框、樓梯與工具？如果只在“像不像人”“酷不酷”上爭論，永遠不會有結果。把討論拉回投資與產業決策，問題其實只有一句話：人形機器人不是在和人類比誰更像人，而是在和系統改造成本比誰更便宜。

真正需要回答的并不是“人形機器人有沒有未來”，而是“它以什么路徑、在什么時間結構里，形成怎樣的現金流閉環”。爭論之所以糾纏，是因為很多人默認了一個隱含前提：人形機器人必須一開始就作為“像人一樣的通用替身”存在。但產業史很少這樣展開。更常見、也更符合商業理性的路線，是先進入棕地市場（brownfield）——那些已經存在、已經運行、已經形成流程與資產沉沒的產業場景——用最低切換成本嵌入既有體系，先跑通可算賬的任務閉環，再逐步擴展能力邊界。于是，人形的意義就不再是“哲學正確”，而是“系統經濟”：它能否在不大改環境、不大改流程的前提下，先把企業愿意付錢的那一小段工作穩定替下來。

如果把結論說得更清楚：把人形機器人當作“家庭通用替身”的商業邏輯，在 2026 這個節點仍然偏敘事；但把它當作“工廠/倉庫/園區里的柔性工人”，商業邏輯正在進入可驗證階段。判斷不該停留在“成立/不成立”，而應該落到四個更硬、也更可驗證的變量：棕地嵌入的遷移成本、單點任務的投資回報率（ROI）、數據飛輪（data flywheel）能否形成、以及安全合規是否可標準化。把這四個變量放進同一張表，情緒會退潮，方向會清晰。

先看“棕地嵌入”。

工程上當然可以說：自動化最優解常常是為機器改造環境，讓工廠升級產線、讓倉庫重建通道、讓樓宇換成適配新設備的標準。但商業世界不是在沙盤上從零建造，大多數企業面對的是棕地：設備仍在折舊，產線不能隨便停，流程與人員培訓成本極高，合規責任與安全邊界極為敏感。 “ 為新技術重構環境 ” 并非不可能，但它常常意味著停產損失、資本開支上升、組織變革與故障風險上升。于是短期更可行的路徑就變成：讓新技術盡可能少破壞地進入現有體系。人形機器人（更準確說是類人尺寸、能用現有工具、能穿行現有通道、能在既有工位附近工作）在早期被追捧，往往不是因為它是終局最優形態，而是因為它可能是 “ 嵌入成本最低的過渡形態 ” 。看起來 “ 效率不如專用設備 ” 的形態會獲得商業機會，原因恰恰是：它在系統層面更省錢。

再看“單點任務投資回報”。

投資人與企業家真正關心的，是一臺機器人在某個真實任務上能否穩定完成，能否把算賬模型跑正，也就是單位經濟性（unit economics）能否成立。它替代的是哪類崗位的哪一段工時？節約的是人力成本、缺工與波動成本，還是事故、停工與質量風險？新增成本來自采購與折舊、維護與備件、訓練與部署團隊，以及最容易被忽略的停機與責任成本？把賬算清，本質上就是把這一組對比做扎實：（人力+缺工+事故+波動）減去（折舊+維護+部署+停機+責任）。在這個尺度上，必須把“演示”與“交付”分開。商業邏輯從來不是靠一支視頻成立的，它靠連續運行、故障率、維護成本、停機損失與可復制的交付流程成立。今天行業里最有價值的信號，并不是誰又做了更像人的動作，而是越來越多項目開始進入“試運行—試算賬—小規模復制”的階段：當評價指標從動作展示轉向產線與倉儲的運行指標，爭論就從情緒走向事實。

第三個變量是“數據飛輪”。

今天的人形機器人越來越不像單純的機械產品，更像物理AI（Physical AI）的載體。語言模型在三維物理世界里仍顯不足，關鍵并不在“會不會說”，而在于物理世界需要實時感知、可供性理解、因果約束、安全邊界與動作控制的整合，這不是把“會說話”簡單接到“會動手”就能解決的。行業技術路徑正在收斂：通過視覺—語言—動作（VLA, vision-language-action）與機器人基礎模型提升泛化與指令理解，再用仿真與真實數據共同訓練，逐步擴大可覆蓋任務集合。但真正的競爭力不在某個模型名字，而在飛輪是否轉得起來：部署是否持續產生高質量交互數據，模型是否因此更“好用”，好用是否帶來更多部署。一旦飛輪形成，商業模式會從“賣機器”轉向“賣能力”，從一次性交付轉向持續升級與訂閱；護城河也會從單次 demo 轉向“能力資產”——它是否可復用、可遷移、可審計，是否能在更多任務上更快復制，這才是平臺化競爭的底牌。

第四個變量是“安全與合規”。

它常被熱鬧敘事輕描淡寫，卻是規模化的硬門檻。人形機器人天然具備“與人共處”的特征：它會出現在工位旁邊、走廊里、倉庫通道中，甚至未來進入公共空間。只要與人同域，安全就不再是可選項，而是企業責任與監管邊界的核心。一臺會摔倒、會誤抓、會誤判的機器，不只是資產損失，更是人身風險與法律風險。真正的規模化從來不是“更多機器人出現”，而是“安全標準、責任鏈條、測試驗證、審計與追責機制開始可復制”。當可靠性與功能安全進入標準化與審計體系，產業才有可能從試點跨到規模。

把這四個變量合在一起，商業邏輯的結論就不該再是口號式的“成立/不成立”，而是一種時間結構與路徑結構：把人形機器人當作“家庭通用替身”，短期仍難成立，核心瓶頸不在演示能力，而在可靠性、成本、維護與安全合規的系統化差距；把它當作“棕地場景里的柔性工人”，從工廠、倉庫、園區等任務清晰的地方切入，用單點 ROI驅動部署，再用部署反哺數據飛輪，這條路正在成立，至少已經進入“可被驗證、可被迭代”的階段；而長期的終局勝負，更可能由“Physical AI 的平臺化能力”決定——誰能把模型、仿真、數據與安全體系做成生態，誰就可能把硬件出貨變成持續收益。這也是為什么中美兩種路徑看起來不同，卻會在同一個終局相遇：美國更像在做“模型—系統—平臺”，中國更像在做“產品—供應鏈—成本曲線”，最終誰能把兩者統一，誰才最像贏家。

如果給投資人、企業家與產業領導一把真正可用的判斷尺，我更愿意把它寫成四句可執行的話：別問它能不能像人一樣做很多事，先問它能不能把一個任務做得比人更穩定、比專機更便宜；別盯單次演示，盯連續運行時長、故障率、維護成本與停機損失；別把機器人當硬件，盯它是否形成數據飛輪、是否具備持續升級的能力資產；別忽視安全合規，把它當作規模化之前必須先工程化的基礎設施。人形機器人最終會不會進入更廣泛的社會空間，現在還難下定論；但在工業與園區這類“任務閉環可算賬”的場景里，它已經不只是一個熱鬧話題，而是一場正在開始的產業實驗。

短期成立的是任務閉環，中期成立的是交付體系，長期才可能談通用替身。真正的機會，往往不在爭論最激烈的地方，而在那些最先把賬算清、把系統跑穩的地方。■

文章來源于“張禮立數字經濟研究”微信公眾號

???????

圖文編輯：張洵

責任編輯：劉菁波