张礼立：人形机器人：商业逻辑到底成立吗？

人形机器人这两年被讨论得极热，分歧也极大。有人把它当作下一代生产力：机器将像人一样走进工厂、仓库、门店，甚至进入家庭；也有人认为它更像“炫技+叙事”的组合：自动化真正高效的路径往往是专用设备与专用流程，为何一定要把机器“捏成人形”，去迁就旧世界的门框、楼梯与工具？如果只在“像不像人”“酷不酷”上争论，永远不会有结果。把讨论拉回投资与产业决策，问题其实只有一句话：人形机器人不是在和人类比谁更像人，而是在和系统改造成本比谁更便宜。

真正需要回答的并不是“人形机器人有没有未来”，而是“它以什么路径、在什么时间结构里，形成怎样的现金流闭环”。争论之所以纠缠，是因为很多人默认了一个隐含前提：人形机器人必须一开始就作为“像人一样的通用替身”存在。但产业史很少这样展开。更常见、也更符合商业理性的路线，是先进入棕地市场（brownfield）——那些已经存在、已经运行、已经形成流程与资产沉没的产业场景——用最低切换成本嵌入既有体系，先跑通可算账的任务闭环，再逐步扩展能力边界。于是，人形的意义就不再是“哲学正确”，而是“系统经济”：它能否在不大改环境、不大改流程的前提下，先把企业愿意付钱的那一小段工作稳定替下来。

如果把结论说得更清楚：把人形机器人当作“家庭通用替身”的商业逻辑，在 2026 这个节点仍然偏叙事；但把它当作“工厂/仓库/园区里的柔性工人”，商业逻辑正在进入可验证阶段。判断不该停留在“成立/不成立”，而应该落到四个更硬、也更可验证的变量：棕地嵌入的迁移成本、单点任务的投资回报率（ROI）、数据飞轮（data flywheel）能否形成、以及安全合规是否可标准化。把这四个变量放进同一张表，情绪会退潮，方向会清晰。

先看 “ 棕地嵌入 ” 。

工程上当然可以说：自动化最优解常常是为机器改造环境，让工厂升级产线、让仓库重建通道、让楼宇换成适配新设备的标准。但商业世界不是在沙盘上从零建造，大多数企业面对的是棕地：设备仍在折旧，产线不能随便停，流程与人员培训成本极高，合规责任与安全边界极为敏感。“为新技术重构环境”并非不可能，但它常常意味着停产损失、资本开支上升、组织变革与故障风险上升。于是短期更可行的路径就变成：让新技术尽可能少破坏地进入现有体系。人形机器人（更准确说是类人尺寸、能用现有工具、能穿行现有通道、能在既有工位附近工作）在早期被追捧，往往不是因为它是终局最优形态，而是因为它可能是“嵌入成本最低的过渡形态”。看起来“效率不如专用设备”的形态会获得商业机会，原因恰恰是：它在系统层面更省钱。

再看“单点任务投资回报”。

投资人与企业家真正关心的，是一台机器人在某个真实任务上能否稳定完成，能否把算账模型跑正，也就是单位经济性（unit economics）能否成立。它替代的是哪类岗位的哪一段工时？节约的是人力成本、缺工与波动成本，还是事故、停工与质量风险？新增成本来自采购与折旧、维护与备件、训练与部署团队，以及最容易被忽略的停机与责任成本？把账算清，本质上就是把这一组对比做扎实：（人力 + 缺工 + 事故 + 波动）减去（折旧 + 维护 + 部署 + 停机+ 责任）。在这个尺度上，必须把“演示”与“交付”分开。商业逻辑从来不是靠一支视频成立的，它靠连续运行、故障率、维护成本、停机损失与可复制的交付流程成立。今天行业里最有价值的信号，并不是谁又做了更像人的动作，而是越来越多项目开始进入“试运行—试算账—小规模复制”的阶段：当评价指标从动作展示转向产线与仓储的运行指标，争论就从情绪走向事实。

第三个变量是“数据飞轮”。

今天的人形机器人越来越不像单纯的机械产品，更像物理AI（Physical AI）的载体。语言模型在三维物理世界里仍显不足，关键并不在“会不会说”，而在于物理世界需要实时感知、可供性理解、因果约束、安全边界与动作控制的整合，这不是把“会说话”简单接到“会动手”就能解决的。行业技术路径正在收敛：通过视觉—语言—动作（VLA, vision-language-action）与机器人基础模型提升泛化与指令理解，再用仿真与真实数据共同训练，逐步扩大可覆盖任务集合。但真正的竞争力不在某个模型名字，而在飞轮是否转得起来：部署是否持续产生高质量交互数据，模型是否因此更“好用”，好用是否带来更多部署。一旦飞轮形成，商业模式会从“卖机器”转向“卖能力”，从一次性交付转向持续升级与订阅；护城河也会从单次 demo 转向“能力资产”——它是否可复用、可迁移、可审计，是否能在更多任务上更快复制，这才是平台化竞争的底牌。

第四个变量是“安全与合规”。

它常被热闹叙事轻描淡写，却是规模化的硬门槛。人形机器人天然具备“与人共处”的特征：它会出现在工位旁边、走廊里、仓库通道中，甚至未来进入公共空间。只要与人同域，安全就不再是可选项，而是企业责任与监管边界的核心。一台会摔倒、会误抓、会误判的机器，不只是资产损失，更是人身风险与法律风险。真正的规模化从来不是“更多机器人出现”，而是“安全标准、责任链条、测试验证、审计与追责机制开始可复制”。当可靠性与功能安全进入标准化与审计体系，产业才有可能从试点跨到规模。

把这四个变量合在一起，商业逻辑的结论就不该再是口号式的“成立/不成立”，而是一种时间结构与路径结构：把人形机器人当作“家庭通用替身”，短期仍难成立，核心瓶颈不在演示能力，而在可靠性、成本、维护与安全合规的系统化差距；把它当作“棕地场景里的柔性工人”，从工厂、仓库、园区等任务清晰的地方切入，用单点 ROI驱动部署，再用部署反哺数据飞轮，这条路正在成立，至少已经进入“可被验证、可被迭代”的阶段；而长期的终局胜负，更可能由“Physical AI 的平台化能力”决定——谁能把模型、仿真、数据与安全体系做成生态，谁就可能把硬件出货变成持续收益。这也是为什么中美两种路径看起来不同，却会在同一个终局相遇：美国更像在做“模型—系统—平台”，中国更像在做“产品—供应链—成本曲线”，最终谁能把两者统一，谁才最像赢家。

如果给投资人、企业家与产业领导一把真正可用的判断尺，我更愿意把它写成四句可执行的话：别问它能不能像人一样做很多事，先问它能不能把一个任务做得比人更稳定、比专机更便宜；别盯单次演示，盯连续运行时长、故障率、维护成本与停机损失；别把机器人当硬件，盯它是否形成数据飞轮、是否具备持续升级的能力资产；别忽视安全合规，把它当作规模化之前必须先工程化的基础设施。人形机器人最终会不会进入更广泛的社会空间，现在还难下定论；但在工业与园区这类“任务闭环可算账”的场景里，它已经不只是一个热闹话题，而是一场正在开始的产业实验。

短期成立的是任务闭环，中期成立的是交付体系，长期才可能谈通用替身。真正的机会，往往不在争论最激烈的地方，而在那些最先把账算清、把系统跑稳的地方。

图片来源：Unsplash / Pexels（部分素材）

·全文完·

张礼立产业数字化与数字经济系统型实践者

张礼立｜产业数字化与数字经济系统型专家，深耕信息化与产业数字化三十年，长期聚焦“产业场景—数据体系—治理与信任机制”的可复制方法论，服务企业数智化转型、产业协同与区域数字经济生态规划。现任上海市海外经济技术促进会会长、新疆商贸物流集团首席科学家、东方职业教育与产业经济研究院常务副院长、侨界数字经济产业科创联盟理事长。出版著作二十余种，代表作《新质生产力》《零碳中国》《数字中国》，并主编《国际数字之都》系列丛书。曾获中国信息产业年度经济人物（2016）、上海市软件服务明星（2018）、全国归侨侨眷先进个人（2023）。