万台机器人下线之后,真正的考验才开始
智元彭志辉提出,万台机器人下线只是制造业的胜利,万台能够上岗才是物理AI的胜利。本文拆解这一判断背后的逻辑:为什么交付量不等于生产力,Worken度量框架试图解决什么问题,以及物理AI跨场景泛化仍面临哪些无法绕开的技术瓶颈。
万台机器人下线之后,真正的考验才开始

下线数字的繁荣,掩盖不了上岗能力的稀缺
从“制造业胜利”到“物理AI胜利”的距离

2026年10月29日的智元创新日上,彭志辉对行业现状做了一个看似平淡、实则锋利的区分:“万台(人形机器人)下线只是制造业的胜利,万台人形机器人能够上岗才是物理AI的胜利。”这句话的背景是,智元自己的第1万台产品在当年3月30日下线,距离第5000台仅过去一个季度;到9月,累计下线数字已经翻到第2万台。行业里不少公司的年度下线数字同样刷新到了万台级别。
但彭志辉并没有把这些数字当成终点。他在同一场活动上说得更直接:“我们生产了多少台机器人,并不等于真实世界就多了多少生产力。”这个补充把问题从“造了多少”拉回到“用了多少”。下线数字的攀升反映的是制造工艺、供应链管理和产线节奏的成熟,它本质上是一个制造业指标。机器人从产线下来、通过出厂检测、被运到客户现场,这个过程可以靠资本投入和工程管理在短时间内压缩。
为什么交付量不等于生产力

上岗是另一回事。一台机器人在真实场景里持续完成任务,需要感知、决策、执行三个环节在动态环境中反复闭环。光照变化、物体位置偏移、任务流程临时调整,任何一个变量都可能让原本在演示中稳定的动作失效。这种可靠性无法像产能一样通过增加产线或扩大投资线性加速。物理AI的瓶颈在智能的泛化能力和实时性,不在制造能力。
把万台下线当作物理AI的胜利,等于用供应链的进度替代了对智能水平的检验。彭志辉的批判并非置身事外——智元本身就是下线数字竞赛的深度参与者。他承认制造能力的进展,但同时划出了它的边界:规模制造可以快速推进,稳定上岗仍然是整个行业共同面对的难题。

Worken想解决的不是技术问题,是估值问题
一个度量单位的诞生逻辑
2026年10月29日,彭志辉在上海世博中心发布了一个名为Worken的度量单位。它的中文名是“有效智能工时”,公式为:活跃机器人数量×自主工作时长×产出效能比。彭志辉在开场抛出的问题是:“物理AI时代,我们拿什么度量机器的价值?”Worken就是他对这个问题的回答。

这个公式的结构本身已经说明了它的指向。活跃机器人数量问的是有多少机器人在真正运行,而不是有多少台被生产出来;自主工作时长问的是它们能脱离人工干预工作多久;产出效能比问的是这些工作有多少实际价值。三个变量分别对应物理AI当前最脆弱的三个环节:活跃率低、自主时长短、产出效能难以验证。
从“有多少台”到“干了多少活”

Worken的深层意图不在技术层面。它试图把物理AI的价值讨论从制造数量切换到生产力贡献。过去行业讲故事的方式是下线台数、交付量、市场份额,这些数字容易统计,也容易在发布会上制造冲击力。但彭志辉提出的框架要求回答一个更苛刻的问题:这些机器人到底干了多少活,创造了什么成果。
这一点与他对客户关注点变化的判断一致。彭志辉认为,客户将越来越关注设备长期使用成本,包括运维、备件、远程诊断、软件升级和任务适配。采购决策的锚点正在从“买一台机器人”转向“买一段持续有效的劳动供给”。Worken试图为这种新的价值判断提供一个可比较的度量语言。
但这个框架目前仍然是智元单方面提出的。各变量的口径和单位并未公开,第三方无法独立验证活跃率如何统计、自主时长如何界定、产出效能比如何折算。它更像一个战略叙事工具,用来在资本市场和公众讨论中重新设定议程,而不是一个已经成熟的行业标准。

四大痛点决定了物理AI的“早期”不是谦虚
实时性、可靠性、物理常识、任务闭环
彭志辉把物理AI的跨场景泛化拆成四个待解问题:实时性、可靠性、物理常识和任务闭环。这四个词放在一起容易显得抽象,但它们对应的是物理世界与语言模型完全不同的容错逻辑。
实时性首先卡在推理速度上。云端大模型参数规模巨大,推理耗时常常以秒计,而机器人在真实操作中需要在毫秒级完成感知、决策和执行的循环。一个动作慢了,抓取目标可能已经移动,装配位置可能已经偏移。语言模型可以等,物理操作等不起。

可靠性指向的是大模型幻觉在物理世界中的后果。文字生成中出现错误,用户可以修改、重问,成本极低;但机器人在产线上的一次误判,可能导致停机、损坏工件,甚至伤及附近人员。彭志辉的判断很直接:幻觉在文字领域无伤大雅,在物理环境中会造成真实损失。这种对错误零容忍的要求,使得物理AI不能沿用语言模型“先给出答案、再逐步修正”的路径。
物理常识的缺失则来自训练数据的结构性差异。语言模型从海量文本中习得概念关系,但数字模型缺乏对重力、摩擦力、材质软硬等物理属性的真实感知。它知道“杯子会掉到地上”这句话,却未必能在动作层面预判一个倾斜角度是否会导致滑动。人类依靠身体经验补全这些信息,机器人只能通过有限的仿真和实机数据去逼近。
任务闭环是最容易被低估的一环。语言模型输出一段文本就算完成任务,但机器人必须验证自己的动作是否产生了预期效果:螺丝是否拧紧,零件是否到位,表面是否清洁。没有这个验证环节,机器人只是在执行动作,而不是在完成工作。

为什么跨场景泛化如此困难
这四个问题不是各自独立的,而是相互耦合。实时性不足会放大可靠性风险;缺乏物理常识会让任务闭环的判断标准变得不可靠;而任务闭环失败又会反过来增加对实时调整的需求。解决其中任何一个,都不足以让机器人在新场景中稳定工作。
这与大语言模型的突破路径形成了鲜明对比。语言模型可以在几乎不改变架构的情况下,通过扩大数据和参数规模获得显著的泛化能力提升,因为它的输出空间是离散的、可被文本验证的。物理AI的输出是连续的动作序列,发生在不可逆的物理环境中,错误无法通过重新生成来消除。泛化难度因此呈指数级上升,而非线性增长。
智元在龙旗3C工厂的质检工位实现了7×24小时替代表明,在高度结构化的垂直场景中,部分痛点可以通过工程手段绕过:固定工位、固定光照、固定工件类型,把实时性和任务闭环的压力降到可控范围。但这恰恰说明当前的成功是场景特化的成功。一旦离开这个被严格限定的环境,物理常识缺失和可靠性问题就会重新暴露。彭志辉把物理AI定位在早期,不是对行业进展的谦虚表述,而是对技术边界的一种承认。

从垂域部署到通用智能,中间隔着一条没有捷径的河
五阶段框架的诚实之处

彭志辉把物理AI的演进拆成五个阶段:先有可用的身体,再进入垂域部署,接着形成足够泛化的具身基座模型,然后让机器人群体共同进化,最后实现智能系统的自我迭代升级。这个框架的排序本身就在传递一个判断:每一阶段都为下一阶段提供数据和场景基础,不存在跳跃。没有大量垂域部署积累的真实运行数据,第三阶段的泛化基座模型就缺少训练原料;没有第三阶段的模型能力,群体进化和自我升级更是无从谈起。
把“垂域部署”放在“泛化基座模型”之前,是这个框架最诚实的地方。它承认通用智能不是凭空设计出来的,而是从足够多狭窄场景的反复运行中长出来的。龙旗3C工厂的质检工位之所以能实现7×24小时替代,正是因为场景足够结构化,可以把实时性和任务闭环的压力压到可控范围。这类部署的贡献不在于单点效率,而在于它开始产生可供下一阶段使用的真实交互数据。
智元自己的位置说明了什么

彭志辉对智元自身的定位同样克制:已跨过“拥有可用身体”的阶段,目前处于第二到第三阶段的跨越期,即将进入第三阶段。这个表述与智元的资源投入结构吻合——研发团队中70%从事智能大脑相关研发,训练集群算力规模已接近万卡。大量资源正在向泛化基座模型倾斜,但彭志辉没有宣称智元已经拥有这样的模型。准备到达和实际到达之间,隔着的是垂域部署数据的规模和质量,而这恰恰无法靠算力或融资单独解决。
这个框架同时构成一种竞争壁垒。2025年前七个月,中国内地机器人行业投融资总额已超300亿元,超过2024年全年。资本热潮会催生一批跳过第二阶段、直接以“通用智能”叙事融资的公司。五阶段框架的隐含功能,就是把那些缺乏真实部署数据的玩家排除在严肃讨论之外。判断一家公司是否在讲故事,不必看它下线了多少台,而要看它能否说清自己处于哪个阶段、在多少个真实场景中有持续运行的部署实例、这些实例的自主工作时长和产出效能是否可验证。这三个问题,比任何发布会上的数字都更难伪造。