开篇把这届WAIC的信号总结成“系统”的五层，硬件篇算了Atlas 950的算力口径和真实代价，上一篇生态篇拆了芯片到大模型的协同。按系列地图，这一篇转到机器人——“系统工程”竞争最直观、也最极端的战场。
一、机器人开始“上岗”了
今年世博展览馆外的路口，多了几位不会疲劳的“交警”。
人形交通管理机器人在路口执勤，识别红绿灯信号、疏导车流。走进展馆，机器人在做论坛讲解、展区导览、安保检票；再往里走，有机器人在现场炒沙拉，有机器人一板一眼地演示潮汕功夫茶的冲泡流程，有机器人和观众打乒乓球，还有机器人在模拟药房里做智能分拣配送。
如果说前几届WAIC，机器人还主要待在玻璃展柜里，做几个预设好的固定动作，那么今年最直观的变化是：它们开始离开展台，进入真实或准真实的工作场景。执勤、讲解、检票、分拣——这些都不是“表演”，而是有明确任务目标、需要实时感知和决策的工作。具身智能，正在走出演示厅。
二、一组官方数据：一年翻了一倍多
先看整体的繁荣面。本届WAIC的官方统计口径是：
- 具身智能参展企业超200家，而2025年这个数字是80余家——一年时间翻了一倍多；
- 展出具身智能终端208款；
- 现场真机超300台。
顺带说明一下口径：开篇提过具身智能馆“314件展品”，那是另一个展品统计口径；这里的“208款终端、300余台真机”是媒体报道中更常见的一套口径。——展品件数、终端款数、真机台数是三个不同的计数单位，放在一起看趋势没问题，直接混用会出错。
200多家企业、300多台真机同台，在全球机器人相关展会上也已经是很少见的密度。单看这组数字，得出一个结论：具身智能行业正在爆发式增长。
这个结论没错。但它只是故事的一半。另一半，藏在展台背后的落地案例和一个更冷的数字里。
三、真正的看点不是真机数量，是落地案例
比“300台真机”更值得关注的，是这次集中亮相的一批真实场景落地案例。挑几个有代表性的：
智元机器人：第15000台通用具身机器人下线。 WAIC前夕，智元披露第15000台通用具身机器人量产下线。把这个节点放进本届WAIC的语境里看，它是最有“量产”意味的信号之一。15000台意味着什么？至少意味着供应链、产线、品控这套体系已经跑起来了，机器人不再只是实验室里一台一台手工调出来的样机，而是开始进入按批次交付的阶段。
优必选：工业场景里的自主作业方案。 不是“工厂里摆了几台机器人”，而是机器人在工厂环境里自主完成搬运、分拣、协作、自主换电等任务。工厂是目前对机器人最友好也最严苛的场景——环境相对结构化，但对稳定性和节拍的要求是按秒计算的。
它石智航：精密线束装配。 线束是柔性件，形态不固定、受力会变形，一直是机器人操作的行业难点。敢把这个场景拿出来现场演示，本身就是技术自信的信号。
傅利叶：康养样板间。 把机器人放进养老康复场景，考验的不只是运动控制，还有人机交互的安全性和容错性——面对的是行动不便的老人，出错的代价完全不同。
商汤：零售与服务场景机器人。 商超、门店、导览、补货这些场景看起来比工业产线“轻”，实际更杂：人流不确定、货架不标准、环境经常变化，机器人要理解空间、商品、人和任务之间的关系。背后仍然是系统集成，只是换了一种考法。
梅卡曼德：多场景应用方案。 路线更务实——不从通用人形讲万能故事，而是从机器视觉、抓取、定位、分拣、上下料这些确定任务切进去。越接近生产，客户越不听故事，只看这道工序能不能跑稳。
这些案例的共同点是：都在回答“机器人能不能干活、能不能批量干活”，而不是“机器人能不能表演”。
四、转折：2744家企业，红利只先落到少数头部
目前具身智能相关企业到底有多少家，不同统计口径的差距很大——少则数千家，多则上万家，取决于“相关”的边界划在哪里。企查查曾披露，截至2025年底，我国在业存续具身智能相关企业为2744家；到2026年4月，这个数字又变成2861家。本文引用2744家，是为了使用一个常见的历史截面口径，不把它当成当前全行业的精确总数。
再看参展侧，这次真正来到WAIC现场的，是200多家。能拿到真实市场流量、实际订单和场景验证机会的公司，则明显更少。按现场观察和多方反馈，这个范围大概率还集中在少数头部企业。这里说的是观察性判断，不是审计数字，边界说明放在文末。
把这三层放在一起看，结构就出来了：
- 几千家：注册口径下的相关玩家；
- 200多家：能拿出产品、进入WAIC现场展示的公司；
- 少数头部：真正拿到订单、场景和数据闭环机会的公司。
参展数量在快速增长，红利却在向头部集中。原因也不复杂：机器人这个行业的门槛，不是某一项技术的门槛，而是系统集成的门槛。做一台能动的机器人，需要硬件；让它聪明，需要算法；让算法有效，需要数据；让它能批量交付，需要供应链；支撑以上所有环节走到量产，还需要持续的资金。
这五条线，每一条单独拎出来，行业里都有不少公司能做好；但把五条线同时握在手里、串成闭环的，很少。
五条线里最容易被低估、也最能解释头部集中的，是数据这一条。这里值得停下来，拆一个概念：数据飞轮。
大模型的数据飞轮大家已经很熟悉：模型好→用户多→数据多→模型更好。但很少有人注意到，具身智能的数据飞轮，启动难度比大模型高出几个数量级。原因很简单：LLM的预训练数据可以从互联网上爬——文本、代码、图片，人类几十年的数字化积累摆在那里，动辄十几万亿token，获取的边际成本趋近于零。而机器人需要的操作数据——怎么抓起一根会变形的线束、怎么端一杯水不洒出来、施加多大力矩能拧紧而不拧断——这些数据在互联网上不存在，只存在于物理世界，只能靠真机一条一条采。
量级差距有多大？一个经典参照：Google的RT-1项目，动用13台机器人、采了17个月，攒下约13万条操作轨迹。13万条演示轨迹，对比十几万亿token的语料——中间隔着七八个数量级。遥操作采一条轨迹要几十秒到几分钟，一名采集员一天满打满算产出几百条，每条数据的成本是以“元”计的，而爬取网页文本的成本是以“分”甚至更低计的。
而且这些数据不只是贵，还天然带着场景壁垒：最有价值的操作数据来自客户现场、设备运行、失败案例、维护记录和工艺参数——这些东西不在公开渠道流通，谁拿到了场景，谁才有机会持续拿到这条数据管道。
理解了这一点，再回头看智元的15000台，含义就变了：那不只是15000台产品，更是15000个部署在真实场景里的数据采集终端。头部公司的循环是：有落地场景→真机采集真实数据→模型迭代更快→拿下更多订单→数据入口更多。长尾公司则连第一个环节都进不去——没有场景，飞轮的第一圈就转不起来；数据攒不下，算法差距只会越拉越大；没有订单量，供应链拿不到好价格；没有量产故事，融资越来越难。
数据飞轮的马太效应，就是“2744家里只有个位数”的底层机制。
五、这恰恰是“系统工程”论点最有力的佐证
这个系列前几篇的核心论点其实是同一个：AI的竞争已经从单点技术竞争，转向系统工程竞争。硬件篇讲的是算力系统的真实代价——峰值算力之外，拼的是互联、功耗、利用率和单位Token成本的整体效率；生态篇讲的是芯片到大模型的协同，拼的是软硬件适配和开发者生态的厚度。
机器人把这个逻辑推到了极致。因为它是目前唯一一个同时考验硬件、算法、数据、供应链和资金五个维度的赛道——大模型公司至少不用管产线良率，芯片公司至少不用自己收集操作数据，而机器人公司哪一环都躲不掉。
还有一个容易被忽略的对比：机器人是没有“兜底层”的AI。大模型应用做得不好，还能靠界面、流程、提示词和人工兜底补一补；软件可以先发版再迭代、线上灰度、出问题回滚。机器人不行——它在物理世界里干活，任何一处短板都直接暴露：关节不稳，动作就变形；感知不准，抓取就失败。一旦进入客户现场，还要面对物理损耗、零部件一致性、安装调试、现场维护和安全责任。模型出错是一次错误回答，机器人出错可能是一次停线、一次损坏，甚至一次安全事故。系统工程的每一环，在这里都是硬约束。
所以，具身智能红利向头部集中，不一定说明行业出了问题，更像是系统工程竞争的自然结果：门槛越综合，头部越集中。这不是对“系统工程”论点的反驳，恰恰是最直观的证明。
说句公道话，这不等于长尾企业没有机会。机器人行业足够复杂，单一巨头吃不掉所有场景，药房分拣、线束装配、康复训练、仓储搬运、电力巡检、农业采摘这些垂直场景，都可能长出专门的公司。但要看清：垂直场景不是低门槛机会——它不是把通用机器人换个外壳，而是要真正吃透一个行业的工艺、成本、现场流程和客户的采购逻辑。看起来是大家一起上桌，实际上淘汰赛已经开始了。
六、量产爬坡≠盈利
第15000台下线是一个里程碑，但制造业早就教过我们一课：下线仪式和赚钱之间，隔着漫长的产能爬坡期（ramp-up）。最著名的案例是特斯拉Model 3：2017年就办了首批下线仪式，之后却陷入长达一年左右的“产能地狱”，周产量从每周几百台艰难爬向5000台的目标，马斯克一度睡在工厂里。下线证明的是“能造出来”，爬坡决定的是“能不能便宜地、稳定地、大批量地造出来”。
爬坡期真正的敌人，是良率。这里可以算两笔账。
第一笔账：整机良率是连乘出来的。一台人形机器人有几十个关节模组、上千个零部件，从零件到整机要过上百道装配和调试工序。假设每道工序的良率都做到99.5%——单看已经相当不错——100道工序连乘下来，整机直通率只有0.995^100≈61%。也就是说，每投产10台，就有约4台不能一次直通、需要返工或报废。想让整机直通率达到90%，每道工序都得做到99.9%。良率从来不是“及格就行”的指标，而是一个指数级放大的杠杆。
第二笔账：良率直接改写单台成本。用一个极简模型：实际单台成本≈物料成本÷良率（这里把不良品简化为报废；现实中多数是返工，物料损失会小一些，但额外的工时和产线占用成本同样在涨）。假设一台机器人的物料成本是15万元：良率90%时，实际单台成本约16.7万；良率只有61%时，就变成约24.6万——同一张BOM表，差出近10万元。这就是为什么两家公司卖同样配置、同样定价的机器人，可以一家在赚钱、一家在流血。
良率之外，一家宣布量产的公司还有一串更硬的问题要回答：客户是真的买单，还是停留在试点采购？交付之后能不能稳定运行，故障率和维护成本会不会吃掉毛利？核心零部件能不能稳定供给、成本能不能持续下降？以及最终极的一问——机器人到底替代了什么岗位、帮客户省了多少钱、多久回本？这些问题不解决，量产数字越大，压力反而越大。
还要小心一个类比陷阱：机器人的爬坡，不能简单套用新能源汽车或智能手机的故事。手机和汽车的使用场景相对标准，机器人面对的是工厂、商超、医院、药房、家庭、户外——每个场景的物理条件都不一样，而且不是卖一台机器就结束，而是要把机器接进客户现有的系统里。特斯拉的产能地狱只能类比“造出来”这一半，“用起来”这一半，机器人比汽车难得多。
所以，量产解决的是“能不能造出来”，盈利要回答的是“造出来之后，单位经济模型是否成立”。这和硬件篇算Atlas 950时的结论是同一个逻辑：铭牌数字（下线台数、峰值算力）只证明能力存在，单位成本（单台整机成本、单位Token成本）才决定商业上成不成立。目前即便是头部公司，大多也还处在“用融资换规模、用规模换数据、用数据换下一轮融资”的阶段。产能和良率，仍然是横在所有玩家面前的真实瓶颈。
换句话说：行业已经完成了从“演示”到“量产”的惊险一跃，但从“量产”到“盈利”的第二跃，才刚刚起跳。
七、延伸：机器人的下一站，是“物理智能”
本届主论坛上有一个观点值得记下来。在《物理智能：从幻觉到现实》的演讲中，复旦大学苏昊提出：语言只是现实世界的投影，大模型没有真正经历物理世界。它可以说出杯子会掉、会碎，却没有感受过重量、摩擦、碰撞和力的反馈。
这句话点破了当前具身智能的天花板：今天的机器人大脑，很大程度上是把语言模型的能力“嫁接”到了物理世界，但一个从文本里学出来的模型，并不真正“懂”一杯水有多重、一根线束会怎么变形、抓哪里更稳、推多大力合适。而这些恰恰是干活的机器人每一秒都要处理的问题。这与第四节的数据困境是同一枚硬币的两面：物理经验没有现成语料，只能靠真机交互一点点攒。机器人要真正进入工作场景，必须在感知、触觉、控制、仿真和真实交互数据之间建立闭环——具身智能的下一站，不只是更大的模型，而是更完整的物理经验。
如果说这一届WAIC证明了系统集成能力决定谁能量产，那么物理智能可能决定下一届WAIC上，谁的机器人真正好用。这也许是长尾玩家为数不多的换道超车机会——也可能，只是头部玩家的下一道护城河。
参考资料
- RT-1: Robotics Transformer for Real-World Control at Scale（13台机器人、17个月、约13万条轨迹的原始出处）：https://arxiv.org/abs/2212.06817
- Tesla Q1 2018 Update（Model 3产能爬坡期周产量数据）：https://ir.tesla.com
- DoNews《WAIC 2026：200余家厂商300台具身智能机器人实景上岗》（参展企业80余家增至200余家、具身智能终端208款、真机超300台）：https://www.donews.com/news/detail/4/6638039.html
- 企查查相关统计转载《具身智能迎万亿级大风口！企查查：具身智能相关企业超2800家》（2744家、2861家口径）：https://finance.sina.com.cn/stock/zqgd/2026-04-27/doc-inhvxtqy9028715.shtml
- 复旦大学新闻《苏昊：物理智能的使命，是把人还给人》（WAIC 2026主论坛《物理智能：从幻觉到现实》演讲）：https://news.fudan.edu.cn/2026/0717/c47a149901/page.htm
资料边界说明： 本文的参展企业数、终端款数、真机台数来自大会期间公开报道；具身智能企业总数在不同统计口径下从数千家到上万家不等，2744家是企查查披露的截至2025年底在业存续口径，未做穿透核实；“红利向少数头部集中”来自现场观察、公开报道和行业反馈，属于观察性判断而非可审计数据。智元、优必选、它石智航、傅利叶等公司的落地案例信息来自展会现场展示与厂商披露，未经第三方验证。良率与单台成本两笔账为示意性推算，用于说明连乘效应和成本杠杆的量级，不对应任何具体厂商的真实产线数据。