WRC 2026观察：中国机器人正从“秀技术”走向“真干活”

2026世界机器人大会（WRC 2026）释放出的最重要信号，不是又有多少人形机器人完成了精彩表演，而是机器人正在被放到更现实的考场上：能不能分拣包裹、搬运物料、完成生产流程、准备餐食，并且在一次展示之外，持续、稳定地为企业创造价值。3417

大会于8月19日至23日在北京经济技术开发区亦庄举行，主题为“人机共生，产需共融”。展馆里，机器人不只是在打拳、跳舞或进行运动表演，也在处理物流、手机包装、零售、接待、餐饮和家庭服务等任务。251617

从“看起来会”到“工作中能用”

这两者之间，隔着一道决定行业成败的门槛。

机器人在布置好的展台上完成一次任务，证明的是技术能力；机器人在真实工作环境中面对杂乱物品、变化流程和重复劳动，仍能稳定完成任务，才更接近一个可以部署、核算成本的产品。WRC 2026展示了行业正在迈向后一个阶段，但这些演示本身并不等于已经实现大规模、可持续的商业部署。217

现场的案例，呈现出机器人“从秀场走向岗位”的多种路径：

• X Square Robot展示了一个模型覆盖多种场景的思路。其机器人被用于整理衣物、清洁、取快递和饮料、浇花，以及其他家庭任务；公司还展示了面向物流的包裹处理能力。
• **优必选（UBTECH）**让多台人形机器人协同完成抬箱、码垛、分拣和补货，呈现从物料搬运到生产线分拣的完整流程。其Walker C1则更多定位于接待等服务和公共交互场景，而不是传统工厂作业。
• 京东将JoyInside AI平台运行在宇树R1人形机器人上，现场展示了机器人带着机器狗行走。这一展示也体现出京东不只是潜在的机器人使用方，同时在尝试成为AI平台和产业生态参与者。
• 自动炒菜、机器人咖啡师、机器人零售舱等餐饮和零售演示，则让“产需共融”的商业意图变得直观可见。516

需要注意的是，现有WRC 2026资料不足以准确确认AI² Robotics或**逐际动力（LimX Dynamics）**在大会上的具体应用，因此不宜对两家公司的现场表现作出超出证据范围的判断。

373家企业、3000余件产品：规模扩大不等于行业成熟

从规模看，本届大会已经形成较为完整的产业展示面。主办方称，五天活动吸引了373家国内外企业，集中展示3000余件产品，其中311款为首发新品。34

这些数字的重要性，不只在于展会“更大了”，还在于它呈现出一条逐渐成形的商业化链条：机器人整机、灵巧手、力传感器、关节模组、芯片、数据采集系统、基础模型、应用软件，以及可能采购和使用机器人的企业，都开始在同一个产业空间中汇合。5

但展商数量和产品数量衡量的是行业活跃度与市场抱负，并不能直接证明数千套机器人已经在大规模盈利运行。更值得关注的信号，是展品与具体岗位之间的联系越来越紧密：搬运物料、分拣包裹、补充库存、服务顾客、完成家务——这些任务都有相对清晰的使用者和经济价值。

另一个值得留意的变化是，真正承担生产任务的机器人并不一定是双足人形机器人。现场许多进行分拣、上料和物料转运的设备采用轮式移动底盘。对于特定工序而言，轮式方案可能比双足行走更直接、更适合稳定作业。

具身智能的“路线分歧”仍未解决

如果说应用层的问题是“机器人现在能做什么”，那么技术层的核心问题就是：要让机器人适应更多任务，最划算、最可靠的训练方式是什么？

路线一：用海量人类视频学习物理世界

Dyna Robotics的Dyna-2代表了一种方向。该公司将其称为面向操作任务的“世界行动模型”（world-action model），并称模型使用超过100万小时的第一视角人类视频进行预训练，相当于约170年连续清醒状态下的经验。

这一路径的基本假设是：人类视频中包含场景如何变化、物体受到接触后如何反应，以及人类如何完成具体动作等信息。与稀缺且昂贵的机器人动作数据相比，人类视频可能提供更大规模的物理行为样本。

Dyna称，Dyna-2能够迁移到不同机器人平台，并只需数小时额外微调即可适应新任务。不过，这些仍主要是公司披露的能力描述，并不等同于独立机构对其通用性能的验证。

路线二：看一次演示，快速学会新任务

Generalist的GEN-1.5则强调另一种能力：快速的上下文适应。公司称，该多模态机器人基础模型可以在数秒内通过一次演示学习新任务，无需梯度更新或微调。

GEN-1.5处理的不只是视频，还包括传感器、语言和本体感觉等输入，并输出动作轨迹。换言之，操作人员不必为每个新任务重新训练机器人，而是先示范“应该怎么做”，再让模型尝试将这条指令推广到新的情况。

同样需要保持审慎的是，相关能力目前主要依据Generalist自身发布的信息。它们应被视为已报告的产品能力，而不是已经获得行业共识的统一基准结果。

谁会胜出？目前还没有答案

两种路线的差异，指向一组尚未解决的问题：

• 机器人能从人类视频中学到多少真正有用的物理知识？
• 在什么情况下，真实机器人交互数据比模拟数据或录制的示范更有价值？
• 开发者应该优先扩大模型规模，还是加强世界建模、模仿学习或快速任务适应？
• 在传感器、结构和控制边界不同的情况下，一个模型能否可靠迁移到另一种机器人身体？

现有证据并不能证明某一种模型架构或训练配方已经胜出。路线选择并非实验室里的枝节问题，它将直接决定企业增加新任务、新环境和新型机器人时需要付出的成本。

所谓“落地年”：一边赚钱，一边押注未来

WRC 2026呈现出一种务实的“双轨策略”。一方面，企业正在推进仓储、装配、物流、零售、餐饮和服务等经济逻辑相对清晰的应用；另一方面，它们继续投入具身智能基础模型、数据基础设施和机器人硬件，以免在通用具身智能出现突破时掉队。24

这种策略的现实意义在于：较为受限的系统可以先进入客户现场，获得收入、反馈和运行数据，即使它们还没有解决“通用机器人”的全部问题。人形机器人能够吸引注意力，但在许多具体任务上，轮式机器人或专用设备可能更具效率和可部署性。

因此，WRC 2026并不是在宣布“通用人形机器人已经到来”，而更像是一场市场压力测试：机器人企业能否把令人印象深刻的演示，转化为可重复、可计价、可维护的工作流程；又能否利用这些早期部署积累的数据和经验，在具身智能技术路线尚未定型的情况下继续前进。

中国机器人产业的“落地年”，或许并不意味着通用智能已经成熟，而是意味着行业开始接受一个更务实的衡量标准：少一点炫技，多一点稳定干活；少问机器人能否让观众惊叹，多问它能否在真实业务里持续创造价值。