国家速滑馆 " 冰丝带 " 里，第二届世界人形机器人运动会正激战正酣，16 个国家、666 支队伍、2056 台机器人，在 51 个赛项里展开 1301 场比赛。但比纪录更值得注意的，是运动会自己也变了。今年新增的举重、拔河、乒乓球等高强度对抗项目之外，场景赛第一次大规模铺开，覆盖家庭、酒店、物流等九大领域——比的不再只是 " 能不能跑、能不能跳 "，而是 " 能不能干活 "。
而一旦开始干活，下一个问题必然是钱：一小时能分拣多少件？比人工便宜多少？多久能回本？在刚刚闭幕的 2026 世界机器人大会上，这三个问题几乎取代了所有寒暄——身体纪录被刷新的同时，行业真正的胜负手，已经转移到了账本上。
《科创板日报》记者从上述两个机器人盛会现场获悉，今年产业的一个信号浮现：具身智能的竞争，正在从 " 能不能做 " 变成 " 划不划算 "。这个行业，开始算账了。
算得最明白的一笔账，来自自变量机器人的物流分拣产线。
2026 世界机器人大会展台上的两条机械臂配夹爪，分拣的是大小、形状、材质、重量完全随机的真实包裹：轻小件直接夹走，大件从侧面推，蜷成一团的软包先摊平、理顺、再翻面单。
据自变量现场工作人员和《科创板日报》记者介绍，这套产线此前在全球直播里跑出了 1816 件 / 小时的分拣效率——比美国同行高 45%，准确率 98%，处理的还不是同行定制的标准盒子，而是形态完全随机的真实物流件。
成本账更有杀伤力。上述人员表示，相比同行 " 人形机器人 + 五指灵巧手 " 的方案，自变量用 " 机械臂 + 夹爪 " 把硬件成本打掉了 70%。目前这套方案已经部署到一家头部物流企业的真实产线上常态化运行，通过了企业对生产效率和经济效益的考核。
" 我们的场景，第一是在真实的工业产线上，第二它的 ROI 已经达到或者超过人类的水平。" 自变量创始人王潜在大会演讲中把这件事称为一个里程碑，" 之前在生产力的场景里，大家并不能证明具身智能真的有用，更多集中在提供情绪价值的场景。这个场景确实证明了，我们做的事已经可以开始实际产生生产力了。"
王潜透露，自变量做这个场景只用了大概三个月，海外同行做了两年半—— " 通常三个月连工程部署都不够，但我们从数据采集、模型训练到生产部署全链条打通了 "。
另一头，自变量还把机器人送进了真实家庭：3 月与 58 到家推出机器人上门家政，机器人跟着保洁员搭班干活，是行业第一次大规模进家庭；5 月的 "X 家庭成员计划 " 让机器人在用户家里常住最长一个月。这个项目入选了 APEC 数字周大会官方《亚太地区数智赋能案例集》，是唯一以具身智能服务民生的案例。家庭服务这本账短期还算不平，但自变量显然在提前卡位那个最大的市场。
自变量算的是 " 机器人干活值不值 "，鹿明机器人算的是另一笔账—— " 让机器人学会干活 " 这件事本身，成本能不能打下来。
过去，机器人学一项新技能，要经历编程、数据采集、模型训练、现场调试、反复验证，周期以周计，而且高度依赖工程师的个人经验。每个新项目几乎都要重头来过。这笔隐性成本，才是机器人进工厂最大的拦路虎。
鹿明在 WRC 首日全球首发的技能进化引擎 Lumos NexCore，就是冲着这只拦路虎来的：定义任务、接入数据、自动训练、评测验证、部署运行，机器人上岗后产生的真实数据再回流迭代——整条链路被做成标准化流水线，技能开发周期从数周压缩到数天。
" 具身智能规模化应用的关键之一，是让 ' 获得一项新技能 ' 的成本足够低。" 鹿明创始人兼 CEO 喻超告诉《科创板日报》记者，一个技能值不值得生产，最终要看它覆盖了多少真实任务、部署到多少机器人、创造了多少产业价值。"
这笔账同样在客户产线上得到了验证。鹿明与三菱电机合作，后者在国内工厂开放了搬运、质检、螺丝锁付等真实场景，搭载 NexCore 的 MOS2 在产线上边干活边进化，多项任务成功率提升至 99%。展台中央，这台双臂负载 50 公斤的重载轮臂机器人贯穿整个展期连续搬箱，用一整周的不停机运转证明另一件事：机器人不仅学得会，还扛得住。
星源智的账本，算在工业现场最苦最累的环节上。《科创板日报》记者现场看到，它与中力股份联合打造的具身装卸方案，直接给出了 " 单车装卸 90 秒、双车协同 1 分钟，与人工操作同速 " 的对比数字——装卸是物流行业用工最紧张、流失率最高的工种之一，" 与人工同速 " 四个字，意味着这笔账已经具备了算平的前提。
星源智展台的另一头，则是今年 WRC 最出圈的画面之一：" 灵机腾跃 " 多机器人跨本体协同跳长绳——两台人形机器人协同摇绳，四足机器狗跟着长绳节奏连续起跳。
这个由星源智联合南京大学 LAMDA 团队研发的演示，在全球首次实现了异构多机协同跳长绳的实机验证：通过分层协同学习与闭环反馈保持长绳稳定操控，依托多智能体强化学习让不同机器人在持续交互中自主学习协作策略。
跳绳看似是表演，算的其实是未来多机协作进工厂、进仓库的 " 协同账 "——当产线上不止一台机器人时，它们能不能像班组一样配合，直接决定了整套方案的总账能不能算平。此外，搭载 ω -EVA 具身交互世界模型的机器人还在现场与观众对打乒乓球，在高速变化的环境中持续感知、预测并调整行动。
" 效果决定机器人能不能真正把任务完成；效率决定其能否进入真实生产节拍；成本则决定技术是否具备规模化复制的商业基础。具身智能真正的产业价值，是在真实场景中形成可持续的生产力。"
具身智能从能力走向生产力，最终需要实现效率提升、成本下降、安全升级和价值可见。当机器人真正进入生产流程，并能够持续创造可衡量的产业价值，具身智能才算真正跨过从技术验证走向规模化应用的产业拐点。
当所有玩家都开始用 " 效率、成本、回本周期 " 说话时，这个行业的叙事就已经换了。
支撑这些账本的，是水面之下一套更重的东西。
" 很多人讲数据是具身智能的石油，但这句话隐含了一些和我们认知不太一致的东西。" 王潜表示，石油挖出来就是挖出来了，而数据 " 应该是某种意义上的极度复杂的工业品——做好数据的复杂度，甚至高于做好一个模型 "。
这句话在展馆里处处有回响。自变量这次展出的 QUANXTA Zero 无本体数采方案，让观众穿戴设备就能看着自己的动作变成机器人可训练的数据，据介绍，入库有效率超过 85%，能把训练数据成本降低 90%；配合整套数据管线，自变量把 " 采集—训练—部署 " 全流程从 6 个月压到了 3 天。
鹿明的产品体系里，Ego Vue 采集数据、Prime R0 模型转化能力、NexCore 闭环迭代，同样是一条数据流水线。
谁能把数据这门 " 工业 " 的成本降下来、效率提上去，谁的账本就能先算平——这已经成了头部玩家心照不宣的共识。
行业情绪的钟摆，这两年晃得厉害。" 去年乐观到一年进家庭，今年又悲观到 5 到 10 年。" 王潜说，社会的注意力和机器人模型的发展常常错位。
但他的判断很坚定：自变量一直在寻找 ChatGPT 时刻的迹象，" 现在应该非常明确和清楚了，我们确实是在走语言模型可能 5 年前走过的路上 "。
谈及中美身位，他的话也很有鼓舞力：" 去年这个时候大家还在讨论美国是不是在模型上领先一点，到今年，基本上是齐头并进，或者在某些方面各有高低的状态。"
"5 年之后再回过头看，我们应该已经生活在一个机器人在千行百业、千家万户有极其广泛应用的世界里。" 王潜说。
