Qzone

微博

微信

具身机器人落地战，为何始于仓库？

科技盖世汽车 2026-08-11 10:29

“去年大家讨论具身智能，看的是演示视频；今年不行了，必须进到真实场景里，看实际作业、看具体任务完成情况。”

不久前，一位业内人士在WAIC 2026上的这声感叹，精准戳中了当前具身智能赛道的核心转向：当双足行走、灵巧抓取不再是稀缺技术，赛道的考核标尺终于从“技术秀场”转向了“产业考场”。

然而，与大众预想中机器人“端咖啡”或“叠衣服”的家庭服务图景不同，率先接下这份考卷的，并非家庭服务，也不是商业迎宾，而是看似传统的物流仓储。

落地进行时：从技术演示到工位实测

今年5月，美国Figure公司公开进行了一场长达200个小时的人形机器人分拣包裹直播。

图片来源：Figure直播截图

画面里，Figure 03机器人站在传送带旁，自主完成扫码、抓取、翻转、投放包裹等流程，最终在200个小时里，累计处理了约24.96万个包裹，平均每分钟分拣近21件。

Figure此次直播，可以看作是具身机器人进入物流仓储场景的一个缩影。

当前，伴随着具身智能从实验室快速迈入真实场景，物流仓储被很多玩家当做了试点落地的“第一站”。

比如星动纪元，该公司面向物流小件供包场景打造的全栈式具身智能解决方案，目前已经携手顺丰和中国邮政，在全国十余个物流中心实现常态化运营。

该方案基于星动纪元全尺寸半身人形机器人星动M7，在其自研的全直驱五指灵巧手星动XHAND1和具身大脑ERA-42的支持下，可以拿捏各类大小、形状、材质的包裹，此前已经可实现每小时最高供件1200件，作业效率达人工的85%以上。

图片来源：星动纪元

作为星动纪元专为物流分拣工位优化的半身模块化人形操作机器人，星动M7采用了“半身+立柱”设计。这一设计的逻辑是，分拣属于典型固定岗，机器人不需要大范围位移，固定形态既能最大化作业稳定性，也能显着降低硬件成本、延长连续运行时长

在Figure前述200小时的分拣直播测试中，除了轮班换电，Figure 03就基本没有大范围移动。

不过，星动M7虽然不具备自主行走能力，但依靠1660 mm的臂展，和腰部的3自由度设计，可以实现2.1m直径的大范围操作，充分满足单分拣工位的作业需求。

智元则选择了牵手京东，并于7月中旬联合京东推出了新一代安规级重载具身机器人——精灵G2 Max，同时宣布该产品将应用于京东物流智狼仓。

与星动M7聚焦固定工位不同，精灵G2 Max采用了轮式人形设计，通过双臂人形上身+全向移动轮式底盘，并在底盘上集成升降机构，主要承担入库环节的整箱码垛、料箱搬运作业，打通从卸货到入库的“最后一米”物流动线。

极智嘉作为仓储物流机器人龙头，去年甚至成立了专门的具身智能子公司，针对物流、制造等B2B场景，开展机械手拣货、通用机器人等具身智能技术和业务，并于今年2月正式发布了首款面向仓储场景的通用机器人Gino 1。

据了解，Gino 1的具身大脑Geek+Brain深度融合了极智嘉多年积累的海量仓储数据，并且也采用了类似智元精灵G2 Max的轮式底盘设计，能够从事仓储拣货、搬箱、打包、巡检等多任务，计划从今年三季度逐渐量产。

另外还有银河通用Galbot S1、傅利叶GRW、乐聚KUAVO 5-W、魔法原子MagicBot D1、节卡机器人的JAKA Kargo等轮式机器人，也均将物流仓储作为了核心落地场景之一。

由此可以看出，尽管当前人形机器人热度居高不下，但在物流场景落地过程中，业界普遍还是选择了更务实的“轮式减配”方案，以兼顾轮式底盘的高效移动与人形的灵巧操作能力。

图片来源：京东物流

而正是在产业链上下游的共同发力下，当前物流场景的具身智能落地，正在逐渐走出实验室Demo阶段，进入真实业务场景的常态化验证与小批量商用期。

为什么是物流率先跑通？

物流之所以成为具身机器人试点落地第一站，并非行业跟风的偶然选择，而是场景属性与技术阶段高度匹配的结果。

首先，从需求端看，当前物流场景用人需求大，结构性人力矛盾突出，对于具身机器人具备较高的付费意愿。

在物流领域，诸如快递分拨、仓储分拣、码垛等岗位，普遍存在高强度、重复性高的特点，尤其是夜班、重体力岗位，常年面临“招人难、留人更难”的困境，企业对机器人替代的需求不仅仅是为了“降本增效”，更是“运营刚需”。

图片来源：乐聚机器人

正因为如此，可以明显看到，除了具身智能创业公司，京东、顺丰等物流与电商巨头，对于推进具身机器人进入物流场景也十分积极。

尤其是京东，除了开放仓储场景作为试验场，其自身还在同步推进技术研发，并孵化了“狼族”具身机器人军团，覆盖存储、搬运、分拣及末端配送等物流全链路环节。

其次，从场景端看，物流场景庞大的体量与技能可复用性，也为具身智能规模化落地提供了坚实支撑。

“物流场景本身体量足够大，从规模上能够承载大量不同的机器人。另外，我们从物流场景中提炼出的技能，比如将物体从A点移动到B点这类单一技能，还可以在各类场景中复用，这意味着规模化的边际成本会越来越低，边际收益会越来越高，能够通过规模不断摊薄成本。”RoboScience机器科学创始人兼CEO田野指出。

据罗兰贝格分析数据，2025年，物流机器人市场规模约为700亿元，主要应用于工厂及仓储场景的内部物流。

尽管当前具身智能产品在其中占比仍低，但增长确定性极强：随着电商、即时零售与柔性制造需求持续增长，企业对于仓储自动化与智能搬运的需求不断提升，叠加物流场景对全天候运行、高周转效率的刚性要求，物流将是机器人最容易形成规模化投资回报的领域之一。

甚至在极智嘉相关负责人看来，由于物流场景涵盖几百万种SKU，几乎覆盖了日常生活中绝大多数常见物品。这意味着，机器人在仓库作业中打磨出的稳定抓取操作能力，未来还可以成为机器人应用于其他商业场景，乃至家庭场景的原子能力。

图片来源：极智嘉

再者，物流场景“半结构化环境+明确任务边界”的特点，也完美适配当前具身智能的技术能力。

在京东物流仓储具身机器人负责人刘立格看来，一个可大规模部署具身智能的场景，应该具备“三高一低”标准，也即是高频、高标准化、高可量化和低失败代价。

所谓高频，即场景要有足够多的需求，有足够多的人力做这件事，这样机器人才有参与的价值，同时业务量足够大，一方面能均摊建设成本，另一方面能产生足够多的数据，推动数据闭环；高标准化，即场景相对标准、可控；高可量化，即机器人分拣一件货、完成一个任务，创造的价值可以通过计件清晰核算，ROI算得清；而低失败代价，则对应的是任务即使出现失误，也不会造成重大损失或安全风险。

“对于具体场景，我认为仓储拣选是非常不错的方向，它符合‘三高一低’的标准，同时还能依托海量、多样的SKU数据，帮助我们迭代算法。”刘立格表示。

比如，仓储物流作为典型的半结构化场景，无论作业环境还是作业流程，都已经相对标准，这在他看来，正好落在当前具身智能能力覆盖的舒适区内。“不仅如此，像仓储物流场景，掉一个包裹重新捡起来就好，整个场景是可恢复的，也不触碰安全红线，这和容错率极低的场景有本质区别。”

田野亦认为，“物流场景既给我们提出了较高的难度要求，又没有超出我们当前的能力边界。同时，还能带来持续的数据回流，尤其是失败案例的数据，不断提升模型和整个系统的能力。”

更何况长远来看，物流场景天然的全球化属性，还为具身智能进一步打开了长期想象空间。

“物流本身就是一个极佳的国际化场景，很多海外国家制造业占比已经不高，但物流始终跟随人口与需求布局，行业本质依然是劳动力替代，因此国际化会是未来行业发展的重要主题。”罗天奇进一步补充道。

特别是欧美市场，人力成本高企与招工难的问题日益突出，企业对自动化解决方案的需求十分迫切，而入库、分拣、码垛这类标准化程度较高的环节，恰好为当前阶段的具身智能机器人提供了理想的出海试验场。

据Interact Analysis预测，到2030年，英国、瑞典、澳大利亚等成熟市场的时薪涨幅预计将达到16%-22%，捷克、土耳其等部分新兴市场涨幅甚至可能超过100%。

这意味着，具身智能机器人在物流仓储领域落地，不仅具备现实可行性，还天然拥有全球化复制的潜力。

规模化前夜：三道绕不开的现实门槛

对于具身机器人，物流固然是公认的先发赛道，但要真正实现大规模商用，远没有想象中轻松。目前来看，从百台级试点到千台级、万台级复制，行业至少还要跨过三道核心门槛。

第一道门槛，是产品端的能力下限硬约束，这直接决定了规模化的生死线。

“在发布会上，大家看到的机器人，往往看的是机器人的能力上限，但从大规模部署的角度，我们看的是机器人的能力下限，比如在最差的光照、最糟糕的环境下，机器人能不能稳定工作，连续稳定运行三个月。”刘立格表示，因为这决定了仓库还能不能正常发货。

进一步拆解来看，刘立格指出，规模化落地背后涉及技术指标、生产指标、财务指标等多重维度的考量。

“技术指标的核心是任务闭环率，它指的不是单次抓取的成功率，而是整个流程完成无人化操作的完整完成率。”举例来说，部分企业在发布会上公布的95%单次成功率纸面数据看似亮眼，但放在真实仓库场景中，每天有数万次作业需求，折算下来每天可能会出现上千次需要人工干预的情况，这显然是无法接受的。

“因此针对物流场景，技术指标需要达到四个9，也就是99.99%的任务闭环率，同时我们还要求机器人出错时能够自主恢复。”刘立格指出。

而从生产角度，他重点提到了三个方面：第一是生产效率，也就是机器人的UPPH（单位小时产能）能否达到和人相当甚至更高的水平；第二是稳定性，即机器人能否在相对严苛的环境中长时间工作，故障率能否达标；第三是系统集成能力，机器人并非孤立系统，在仓储场景中需要和WMS（仓储管理系统）、调度系统交互，融入上下游链路，尤其是在订单波峰波谷差距可达数倍的情况下，能否扛住峰值压力。