文 | 半呆君
2026 年，人形机器人站上了风口。央视在播，板块在涨，各家发布会都在讲同一句：再等大模型进化一步，机器人就能进工厂、进家里。
可这话经不起推敲。机器人确实量产了，但买回去的大多数没进工厂——躺在实验室和展厅，连产线的门都没进过。真正在工厂连轴跑起来的人形，两只手数得过来。
不是没需求，是干不了活。宇树 G1 连续干两三个小时就趴窝——不是卡壳，是关节烫到了触发温度保护，自己停了，得等人来换电池或者降温。工厂要的是连轴八小时不歇的工人。
相信很多人都懂点生物学。人类的大脑，整天处理海量信息，净功耗才 20 瓦；机器人身上跑大模型推理那块算力板，光日常规推理就要 35 到 40 瓦，要把控制频率提到流畅区间，整个算力子系统的账单得开到 200 瓦往上。差距不在聪明，在费电。
所以人形机器人的天花板，不在算法，在热力学。它卡在一个圈里：要连续干活得背块大电池，电池越重关节越累、电机越烫；要降温就得加散热，而散热器件要么增重、要么耗电，两头都在往回加码；更费电，就得背更大的电池；热到极限还得降速，又吃掉部分有效工时。这条锁，AI 进化解不开。
今年那场人形半马，夺冠的机器人跑完 21 公里，关节稳定在 32 度（也有小插曲）；可去年首届，选手一路摔倒、零件脱落，工作人员得跟着跑，随时手动降温。工厂里更隐蔽——它不会摔倒，只是悄悄变慢，然后停在工位上，绿灯还亮着，活没干完。
一、量产了，可它不干活
先看一件事：机器人卖出去，都卖给了谁。
出货量最大的那家——宇树，2025 年人形机器人的收入里，73.6% 来自科研教育，工业场景只有 9.01%。这两个数不是我推算的，是从它的招股书和上交所问询回复里直接引用的。也就是说，买走这些机器人的主力，是高校、是研究所、是做二次开发的团队，不是产线。
有人会说，一家公司说明不了全行业。那就看行业盘子。据高工机器人产业研究所（GGII）测算，2025 年全球人形机器人销量约 1.24 万台，中国市场约 7300 台；到了 2026 年上半年，据 Counterpoint Research 统计，全球出货量已经突破 2.2 万台，同比增长接近 300%。
量在暴涨，可结构没怎么动。同一份统计里，文娱商演引流和科教数采合计仍在六成以上，智能制造只占 13%，仓储物流 5%——真正进工厂和仓库干活的，不到两成。
再看政策目标。据工信部相关规划，2026 年的目标是年产最高 10 万台。目标很提气，现实是：现在全行业一年卖出去的，也就目标的十分之一量级，而且大半不进产线。
确实有真在干活的，而且不止一家。有厂商的人形机器人客户集中在汽车和 3C 制造；也有机型在消费电子和汽车零部件的产线上集群部署，公开出来的成功率做到 99.99%。可把这些加总，真正进工厂的仍然是那两万多台里的少数——分化本身就是结论：能进工厂的，是少数厂家的少数机型。
二、干两小时就趴窝，砸钱也不好使
那让它干活会怎样？答案是：干不长。
续航这一关，公开口径是 2 到 4 小时。产线要的是能连轴 8 小时不歇的工人。差了整整一倍往上，中间那几个小时不是靠 " 多背块电池 " 能补的——后面会讲到为什么。
比续航更要命的是可靠性。据行业公开口径，人形机器人目前的平均无故障时间（MTBF）在 1000 到 2000 小时。而汽车、3C 这类主流产线的硬门槛是 8000 小时。差 4 到 8 倍，这是数量级上的差距，不是多调几次参数能抹平的。
有意思的是，门槛本身并没分化。汽车主机厂和 3C 代工厂对 MTBF 的要求都卡在 8000 小时以上，真正分化的是门槛之外的三样东西：
一是精度。得对齐工业机械臂级别的末端 ± 0.1 毫米。二是成功率。柔性工序（比如汽车线束装配）要求 99.9%——不是 " 大部分时候能成 "，是一千次里只能错一次。三是换型成本。3C 换型频繁，汽车线束又是柔性装配难，每进一个新厂都要重新适配。对一个靠稳定节拍吃饭的产线来说，这第三样最难接受：你不是坏了一次，你是每隔几个月就要我停下来重新教一遍。
我原先以为 " 钱能解决 " ——硬件贵就砸钱降本。后来发现，钱能买来更好的电机、更轻的材料，买不来材料疲劳曲线的暴露时间。可靠性不是线性放大，它是个时间函数。
三、最耗电的不是电机，是那颗「大脑」
行业习惯把瓶颈归给 " 灵巧手 "" 数据 "" 算法 "。可真正啃电的，不是手，是机器人身上跑大模型的那块算力板。
先把它身上的算力拆开看。不是一块芯片，是三层：最上面那层 " 大脑 "，跑两类东西：一类是视觉 - 语言 - 动作（VLA）模型，另一类是预测环境下一步会变成什么样的世界模型；中间那层 " 小脑 "，做实时的运动规划和力控；最底下那层 " 脊髓 "，是关节驱动器，负责毫秒级的电流环。频率要求越高、越靠近关节，对实时性的苛刻程度就越高。而耗电大户，主要是最上面那层。
据行业实测数据显示，一个 7B 规模的 VLA 模型跑在 Jetson Orin 上，能做到每秒 5 到 10 次决策（实测约 6.6 次），这时功耗在 30 到 50 瓦；如果你想把控制频率提到每秒 50 到 100 次去追流畅，功耗会飙到 200 瓦以上。频率提了约 10 倍，功耗涨了约 5 倍，差额主要来自静态功耗。
在这里我必须掰开它，把它说清楚。Orin 官方标的模组功耗是可调的 15 到 60 瓦，而 200 瓦以上超出了单颗模组的官方上限——两者根本不是一个口径。真实情况是：机器人满载工况会逼近官方上限，日常运行落在中低档位；而 200 瓦以上说的是整个算力子系统的账单，里面含了多板堆叠、供电和散热损耗、关节控制器这一整套。它不是 " 一块芯片吃了 200 瓦 "，是 " 你要追流畅，这套系统的电费单得开到 200 瓦以上 "。
这两个数字有两个限定条件，都得说清楚。
第一，不是所有任务都需要那么高的频率。多数操作任务每秒 10 到 30 次就够了，只有双足行走这种需要不停调平衡的活，才要 30 次往上。所以 " 想流畅就得烧 200 瓦 " 不是普遍命题，它是你非要用大模型去追高频控制时，才要付的代价。
第二，跑不动的是大模型，不是这个品类。可换个 2B 的小模型做 INT8 量化（一种压低模型精度来换速度的加速手段），在 AGX Orin 64GB 上能跑到每秒 40 到 66 次。工程上本来就摆着 " 换小模型 " 这条路。
你可能会问：那把最费电的推理扔到云端去呢？
这是条明路，而且是工程上破这个圈最现实的路径之一——端侧只留每秒 10 到 30 次的实时控制，功耗能降一个量级。但工厂产线对延迟和断网的容忍度是零：云端推理抖个 50 毫秒，在装配线上就是一次撞机。不是技术不行，是产线不允许。
这里得说清楚，免得被一句话反驳：对节拍极端的装配线，50 毫秒不可接受；对搬运、巡检这类任务，云端分流已经是现实选项——只是这些任务本来就不需要人形。高频力控和装配线这一块，还是得端侧自己兜住。
现在回到开头那个参照。人类的大脑，净功耗 20 瓦；机器人这块算力板，光常规推理就要 30 到 50 瓦。这是 " 脑子对脑子 " 的比法——两边都只算思考那一块，不算身体。差的是能效，不是聪明。
四、一个绕不出去的圈
耗电只是这一段。真正的问题在于，它不只是一段，是个圈。
要能干活，就得背电池；电池越重，关节负载越大；关节越累，电机越烫；要降温就得加散热，而散热器件要么增重、要么耗电，两头都在往回加码；越费电，就越得背更大的电池。转一圈，回到原点。
这条链不是臆测，每一环都有账可算。电池这一环：按公开口径粗估，3 公斤电池大概撑 1 到 3 小时；要撑满 8 小时，得背 8 到 27 公斤——相当于让一台 70 公斤的人形，把自身体重的一成到四成换成电池挂在身上。可每多挂一公斤，关节负载就大一分，电机就烫一分，耗电就快一分——电池加得越狠，电烧得越快。 这是数量级估算，不是精确计算，但方向摆在这儿：加电池不是补续航，是给死循环上紧发条。
散热这一环更直观。官媒报道的实测里，风冷方案高负荷跑 10 分钟就烫手；如果完全没有液冷，4 分钟就过温。芯片温度过了 45 ℃，会触发热节流——热到极限，系统自己降速，这个词后面还会出现。
工程师当然不是坐着等死。手里的工具箱其实很满：三级热节流（先悄悄优化轨迹降能耗，不掉性能；再限扭矩 20% 到 40%；最后才停机保护）、占空比管理（高负载之间插冷却姿态）、预测性热管理（提前 10 到 30 秒主动限扭矩，而不是等触发了才降）、热分区（下肢、上肢、手、躯干、头各管各的），还有动态功耗档位—— 15 瓦、30 瓦、60 瓦三档切换，导航时用低档，操作时用高档。
硬件侧也还有牌：强制风冷能把连续电流提 3 倍；相变材料（一种升温时会吸热、延缓过温的材料）能吸收 50 到 100 瓦的热冲击，撑 5 到 10 分钟。
它不是五个难题，是一个圈。加电池增重，换电也增重，液冷增重还耗电—— AI 再进化，也解不开这条锁。 既然有这么多招，为什么还说这个圈解不开？
因为这些手段单看都有效，但叠加起来的综合代价——速度损失、增重、成本上升、维护复杂度——让工厂算不过账。热分区要加传感器和风道，液冷要加微泵和散热器（据英孚公开的参数，负压液冷能把温降做到 80% 以上，可关节还是得增重 6%），预测性热管理要建模、要标定、要维护。每一招都在往机器人身上加东西，而机器人身上每多一两，关节就多一分负担，就又多一分热。
所以准确的说法不是 " 完全无解 "，而是：单招有效，连招超预算。 在工程和经济的双重约束下，那套能解开这个圈的组合拳，凑不齐。
工程师为什么要降频？
因为不降就烧。降频这件事本身，就是热约束存在的直接证据。
五、腿该用在需要腿的地方
说到这里得把一个默认的前提拎出来问一句：人形机器人，就是两条腿走路的那种。可工厂真的需要一台会两条腿走路的机器吗？
这不是在否定双足。
据厂商公开表述，工厂平面作业里绝大多数场景，轮式半身方案就能覆盖；双臂轮式方案用的是成熟工业部件，核心部件无故障时间通常能到数万小时量级，比双足路线高一个数量级（这一量级来自公开的轮式方案参数）。有厂商的原话是这么说的：" 只有当需要走进户外、应对复杂地面时才用双足。"
这条路线已经跑出实例了，不是纸上推演：一台双臂最大负载 50 公斤的轮式重载机器人，今年 3 月在一家动力电池头部厂商的量产线完成验收，此后 7 × 24 小时连续自主作业超过三个月——全程零遥操，不铺二维码也不贴反光板，靠纯视觉自己看路，干的是模组与电池包之间的物料转运，不是外围展示位。这是有公开报道可查的常态化运行，不是发布会上的演示。
请注意它的形态：没有腿。
但双足确实有它不可替代的地方：户外复杂地形、废墟搜救、野外电力巡检、核污染取样。已经落地的有 XBot-L 爬长城、LimX P1 登山、云深处 DR02 户外巡检。这些地方，轮式确实上不去。
有人会追问：那用无人机加轮式组合不行吗？
这个场景得锁死了说。废墟搜救的狭窄缝隙，轮式进不去；核污染区要爬楼梯、要拧阀门，无人机是进得去但干不了活——它续航短、载荷小，最要命的是没有接触式作业能力，拧不了阀门、取不了样、搬不了东西。锁死双足的，是 " 空间约束 " 加上 " 需要接触式操作 " 这两条同时成立：轮式过不了空间，无人机干不了操作，双足是眼下唯一同时满足两个条件的形态。
双足不可替代的地方，恰恰是这个圈转得最死的地方。
野外没有充电桩，没有换电站，背着电池翻山越岭，耗电比平地大得多。工厂好歹还能靠轮式加换电缓解，双足的主场反而无处可绕。你看，" 双足有价值 " 和 " 死循环是真的 "，这两件事根本不矛盾。
电动车的故事很多人熟：这项技术普及的节奏，是被电池能量密度曲线卡着的，不是被软件卡着的。机器人卡的是算力能效和散热，不是电芯能量密度（续航这个伪命题，已经被换电绕开了）。更关键的是，需求弹性完全不同：电动车替代的是出行工具，续航焦虑是体验问题；机器人替代的是劳动力，卡的是 " 能不能干活 " 这笔经济账。
能不能干活这件事，落到账上就是一个变量——有效工时。这个圈转得越死，能连续干活的时间越短；而时均成本，恰恰是被这个时间除出来的。
那就把这笔账算一算——不引具体报价，只给一个可比的时均成本。先摆明假设：3 年折旧、每年 300 个有效工作日、只算折旧（电费和维修都没计，所以这是成本下限）：
结论不太好意思说得太绕：双足方案的时均成本是人工的 2.8 倍到 4 倍（83 元对 20 – 30 元），而且这还是只算折旧的成本下限，电费、维修、停机全都没算进去。轮式方案已经落到跟人工同量级，这就是它先跑通 ROI 的原因。双足在经济账上没有竞争力，除非它能干人干不了的活。
还有一句更狠的，把价格假设彻底拿掉：
即便双足降价到跟轮式同价，它的时均成本仍然高一倍——因为它每天只能有效干 4 个小时，而轮式能干满 8 小时。这道差距不靠降价解决，只能靠把有效工时拉上去，而有效工时正是被热锁死的。
那为什么还有人在买？
因为相信通用化——工厂只是练兵场，将来要进家庭、要进更多场景。这个说法有它的道理。可有一笔账绕不开：如果工厂是练兵场，那练兵的成本谁来付？
资本市场可以等，工厂的产线等不了。产线要的是当下就能回本的生产力，不是未来的通用可能性。这不是否定通用化的方向，而是说——它解释不了眼下这一笔采购。
说回到那两个圈。外面那个圈是市场：出货放量、数据积累、模型改善、订单增长、供应链降本，转得挺欢。里面那个圈是物理：出货越多，真实工况暴露越多，热和可靠性的问题越显性，可靠性成本越高，ROI 被吃掉。
但这不是说里面那个圈纹丝不动。出货量上去了，营收上去了，电池、散热、电机的研发投入就会跟着上去，规模会把它一点点撑开——锂电能量密度本身就是个例子，电动车每年千万辆级的出货，硬生生把它逼上去了。这就是两个圈互相咬合的证据。
可节奏是错配的。物理这一侧的松动，是工程年尺度，而且有滞后；算法那一侧是周尺度。所以近一两年，部署节奏是被物理卡着的，不是被 AI 卡着的。
还有个反直觉的点：这个圈的松紧，是被 " 形态和场景匹不匹配 " 决定的。平面工厂里，双足把它拉到最紧，换轮子能松一大半；到了野外复杂地形，谁都松不了。所以 " 订单砸下来机器人还是会降速 " 这句话，指的是工厂里的双足方案。
即便换成轮子，事情也没完。上半身灵巧操作、算力发热、负载电池重量，这条更小的圈还在，只是量级小了很多，也更可解——换电（1kWh 模组 10 秒换，本体带 2 到 4 个模组）、液冷（温降 80% 以上，关节只增重 6%），都是在更小的圈上继续松螺丝。
六、该把时钟拨到哪一格
人形机器人的投资时钟，可能要从 "AI 时刻 " 拨到 " 能源时刻 "。软件的迭代以月计，电池能量密度、散热材料、功率器件的物理改进以年计——数字智能的快节奏，撞上了物理世界的慢节奏。
这里的 " 年 "，说的不是物理这一侧没进步。液冷关节、相变材料，每年都有新品。说的是从实验室到产线可靠性的验证周期：一个新东西要上车身，得跑两三年的路测，而机器人进工厂，容错率是零。
这堵墙不是推不倒，是靠规模和年尺度的工程投入，一点一点松动的，不是靠下一场发布会。在墙松动之前，所有 " 量产元年 " 的欢呼，都要打个折扣。
别再问 " 大模型还要多久进化 "。该盯的是——谁先把那个圈拧松：端侧算力板在同功耗下能多干多少活（厂商爱报稀疏口径，稠密值得砍掉一半才算数），谁敢公布持续扭矩（能一直干活的那个力，不是爆发力），谁先晒出平均无故障时间，谁先承认在工厂里轮子比腿更好用。（需要信号跟踪表的私信半呆君）
转发语：瓶颈不在算法，在热力学——机器人卡在一个圈里。
