人形機器人究竟距離真正走進人類生活還有多遠？答案可能比想像中更複雜。近日在北京舉行的第二屆世界人形機器人運動會上，機器人400公尺賽跑成績已推進至38.15秒，比人類男子400公尺世界紀錄還快近5秒；跳高紀錄則達到2.88公尺，遠超人類2.45公尺的世界紀錄。
8月25日，來自北京人形機器人創新中心的「天工」人形機器人在百公尺賽事跑出8.86秒，刷新紀錄。這項成績也比牙買加「閃電」博爾特（Usain Bolt）保持的人類男子100公尺世界紀錄9.58秒快了0.72秒。
《中國新聞周刊》指出，當機器人從「跑得快」轉向「做得精細」，情況卻完全不同。在靈巧手專項賽中，參賽機器人必須在5分鐘內完成積木組裝、用鑷子夾豆及粉末秤重等精細操作。不少機器人面對物體材質、軟硬程度或擺放角度出現細微變化時，自主判斷仍可能出錯。換句話說，能夠刷新人類紀錄的「鋼鐵飛人」，到了指尖操作，卻未必比得上學齡前兒童。
展示看起來很厲害 實際應用有落差
這種「四肢強、大腦弱」的落差，也是目前人形機器人產業面臨的核心問題之一。宇樹科技創辦人王興興8月20日曾提出一項被業界視為重要門檻的標準：當人形機器人在80％陌生場景中，能透過語音指令自主完成80％日常任務，才可能迎來人形機器人的「ChatGPT時刻」。
但就在相關產業持續看好人形機器人未來之際，宇樹科技上市後股價也出現劇烈震盪，上市次日收跌18.70％，單日市值蒸發超過600億元人民幣，凸顯資本市場與產業界對這項技術仍存在不同期待。
《中國新聞周刊》報導，今年5月，美國機器人公司Figure曾連續直播超過19小時，展示機器人在生產線分揀包裹的能力，累計處理超過23.8萬件包裹。不過直播過程中也曾發生機器人無法撿起意外滾落包裹、突然停止工作等狀況。
中國大陸業者同樣積極展示人形機器人的「工作Demo（展示）」。例如智元機器人6月底曾在龍旗科技平板電腦品管生產線進行連續6天直播作業；近期世界機器人大會現場，也可看到機器人進行分揀、理貨等各式展示。
不過，業界工程師指出，許多所謂「機器人幹活」的Demo，其實是在高度控制的特定環境中執行單一任務，只要事前蒐集數百筆資料進行微調，就可能達到七、八成成功率。真正進入工廠、物流中心甚至家庭後，環境條件千變萬化，難度完全不同。
泛化能力不足 人形機器人最大瓶頸
北京人形機器人創新中心具身智能部負責人鞠笑竹解釋，所謂「泛化能力」，就是機器人今天學會拿蘋果，隔天也能夠拿梨子，而不是只有遇到訓練過的物品才會操作。
昆侖行機器人共同創辦人兼技術長郎咸朋則以「拿杯子」為例，如果機器人訓練時只看過空杯子，當杯子裝滿水後，是否仍能穩定拿起，就能直接檢驗它的泛化能力。
問題不只在於「沒看過的東西不會做」，也包括對環境變化的適應能力。例如光線改變，就可能影響機器人取得的視覺資訊，進而導致相同機器人在不同時間執行相同任務時，出現完全不同的表現。
目前人形機器人在特定場景、特定任務中可以達到相當高的成功率，但一旦換成新的場景或任務，表現可能大幅下滑。業界認為，這正是目前具身智能發展最難突破的關卡之一。
VLA模型遭遇「資料荒」 實操表現受影響
目前具身智能領域普遍採用的技術之一，是VLA模型，也就是「視覺—語言—動作」（Vision-Language-Action）模型。自2023年興起後，大量相關模型陸續問世。
然而，到了2025年初，業界逐漸發現VLA模型的泛化能力並沒有原先想像中理想。其中一項關鍵問題，就是「資料」。VLA模型目前仍高度依賴真實機器人蒐集的操作資料，而不像大型語言模型可以大量利用網路文字資料進行訓練，因此資料取得速度受到很大限制。
有工程師嘗試利用模擬資料取代部分真機資料，因為模擬環境可以大量產生資料，但問題在於資料品質仍會直接影響模型訓練效果。對VLA模型而言，利用真實機器人產生的動作資料進行訓練，通常能降低誤差並提高實際操作表現。
此外，中國大陸不少企業目前仍主要採取「後訓練」模式，也就是使用既有的開源具身模型，再針對特定任務及場景進行訓練，而真正投入基礎模型預訓練的企業相對有限。
產業「狂卷」後訓練 成本同樣驚人
由於基礎模型能力仍有限，業者只能透過大量真機資料進行後訓練，讓機器人在特定場景中表現更穩定。這也成為目前人形機器人產業競爭的重要戰場。
《中國新聞周刊》舉例，自變量公司仿效Figure進行人形機器人物流分揀直播，公布分揀效率達每小時1816件，高於Figure先前每小時1248件的紀錄，效率提升45％，直播期間成功率超過98％。
不過，為了達到這項成績，自變量據悉投入大量人力進行資料蒐集，數據採集人員超過百人，採早晚兩班制工作。相關人士更透露，為完成直播，該公司使用約10萬小時的真機資料進行後訓練，顯示「機器人學習」背後其實需要付出龐大的人力與資源成本。
優必選副總裁、具身智能與人形機器人研究院院長焦繼超表示，目前機器人在特定場景中的表現，資料差異甚至可能比模型差異帶來更大的影響；例如使用1萬小時真機資料訓練出的模型，效果可能優於使用10萬小時模擬資料訓練的模型。
優必選目前每天約可蒐集8000小時真機資料，但經過資料清洗等程序後，有效資料比例約只有25％，也意味著大量原始資料並不能直接用於模型訓練。
焦繼超認為，未來隨著資料持續累積，人形機器人的能力可能在突破某個臨界點後快速提升。
從VLA走向「世界模型」 轉化機器人學習資料
在VLA模型泛化能力遭遇瓶頸後，業界開始把希望放到「世界模型」。支持世界模型發展的學界與產業人士認為，這項技術有機會讓機器人不只模仿曾經看過的操作，而是進一步理解物理世界的規律。
郎咸朋表示，目前VLA模型在單一場景經過後訓練後，精準度仍優於世界模型；但世界模型的優勢在於泛化能力，兩者的差異有些類似早期自動駕駛依賴高精度地圖的模式——如果每換一座城市都必須重新蒐集資料，系統就很難真正普及。
北京人形機器人創新中心也已投入世界模型研究，並在今年8月發布大一統模型「Pelican Unify」。業界期待，世界模型未來能夠利用大量人類在不同環境下工作的影片，轉化為機器人學習資料，降低對真機資料的依賴。
不過，世界模型同樣面臨巨大挑戰。若模型訓練只學到機器人的動作軌跡，而沒有理解背後的物理量與因果關係，最終仍可能只是「模仿」，而不是真正理解物理世界。
此外，世界模型預訓練需要龐大的算力、資料、人才及資金。北京人形方面指出，輝達（NVIDIA）訓練Cosmos模型時，需要大規模GPU算力資源，顯示未來若要發展具身智能基礎模型，單一機器人企業可能很難獨自負擔全部資源。
人形機器人下一步 關鍵不再只是「跑多快」
宇樹科技上市後，也把大筆資金投入模型研發。公司募集的42.02億元人民幣（下同）資金中，有20.22億元將投入模型研發項目，顯示具身智能「大腦」已經成為產業競爭的核心。
不過，目前具身智能的技術路線仍未完全定型。業界人士認為，未來可能還會出現多次技術路線更迭，甚至讓部分現在投入的研發成果被淘汰。
從8.86秒百米紀錄，到連一杯裝滿水的杯子都未必能穩定拿起，人形機器人正處在「身體能力快速進化、大腦能力仍待突破」的尷尬階段。未來若要真正從展示舞台走進工廠、商場甚至一般家庭，泛化能力與對物理世界的理解，恐怕才是決定這項技術能否迎來真正「ChatGPT時刻」的關鍵。