2026年世界機械人大會（WRC）的核心訊息，可以濃縮成一句話：中國可能已經贏了人形機械人的早期「鬥出貨」階段，但真正困難的考驗，現在才開始——這些機械人能否持續、自主地完成工作，並實實在在提升生產力？

中國出貨量領先，但「4萬部」並非沒有爭議

大會上發表的一份行業報告指，中國在2026年上半年出貨逾4萬部人形機械人，約佔全球出貨量97%。大會相關報道形容，行業已由小規模試點，逐步走向日常部署及更大規模的實際應用。 101215

但這個數字不應視為全球市場唯一、已獲一致確認的總數。Smart Analytics Global估算，同期全球出貨量約為19,100部；Counterpoint Research則估計超過22,000部；另有估算指，單是中國供應商已出貨超過3萬部。不同結果，似乎與統計口徑及計算方法各異有關，因此實際出貨量暫時難以獨立核實。 14

相比單一數字，較穩妥的結論是：人形機械人的生產及部署正在加速，而中國製造商在已報告的市場份額中佔據明顯主導地位。

大會劃清界線：吸睛表演不等於生產力

WRC 2026的示範，正好說明人形機械人為何如此吸引眼球，也說明點解單靠示範已經唔夠。Unitree在會議室展示機械人，並預告一款標稱速度達每秒12.65米的機械人，反映行走能力及產品落地速度都有進步；但速度、平衡，或者在受控環境下完成一段流暢表演，都不足以證明機械人能夠勝任一般勞動工作。 13

大會更重要的分野，是由固定場景的「才藝表演」，轉向能夠經得起現實變數考驗的工作。相關報道提到，機械人正由展覽場地的演出，走向快遞分揀、煮麵、商品包裝，以及工廠和家庭等應用。 815

對買家而言，問題從來不只是機械人能否完成一次預先安排好的工作，而是同一套系統能否面對不同物件、場地布局、指令、光線及突發故障，而且不用每次都由工程人員重新設定。

下一個基準：面對陌生工作仍然做得到

大會上被討論的商業門檻，遠高於在實驗室或示範場景完成單一任務。一部真正有價值的人形機械人，應該能夠進入陌生的工作場所或家庭，理解要做甚麼，快速學會新任務，再以可靠的速度及準確度完成工作。 13

目前系統仍有幾個明顯缺口：

• 泛化能力： 為一個場景訓練的機械人，遇到不同物件、表面或工作次序，可能立即失準。
• 精準度： 實體操作中，即使只是很小的誤差，也可能令任務在實際運作上變得不可用。
• 速度： 示範中做得到，不代表速度足以與人類工人競爭。
• 自主性： 如果經常要遙距操控、工程支援或人手介入，部署所帶來的經濟價值可能被大幅抵銷。

這些並非枝節上的微調，而是決定人形機械人究竟會成為靈活的勞動平台，還是只懂做幾項示範工作的昂貴機器。

「識摺衫」與「有效率咁摺衫」是兩回事

Starship Navigator引用的基準顯示，現時系統的任務表現約為人類的70%至80%；另有一部機械人據報花了接近兩分鐘摺一件短袖恤衫，最後仍要由人手介入。 1320

摺衫例子之所以有用，是因為它將一項看似令人驚嘆的能力，轉化成營運問題：每小時可以處理幾多件？失敗率是多少？要幾多監督？

機械人能夠摺一件衫，代表它展示了抓取及操作能力；能夠獨立、快速地處理不同款式和狀態的衣物，才代表它可能成為可行的家居服務。

工廠及倉庫的情況亦一樣。一部機器即使技術上能夠搬動某件物件，如果速度太慢、機身太脆弱，或者只為非常狹窄的流程受訓，仍然可能無法成為真正可用的商業產品。

重訓時間由10小時減至1小時，關乎生意能否成立

大會相關報道提到，其中一個目標是將機械人學習新任務所需的重訓時間，由約10小時縮短至約1小時。重點不只是方便，而是每次客戶更改流程時，都可以減少數據收集、程式編寫及工程整合的成本。 13

這可能直接決定部署的經濟效益。如果每一項新工作都要做一個度身訂造的整合項目，人形機械人或會長期停留在嚴格受控的試點；但如果操作員可以快速教識或設定新工作，而機械人之後又能穩定執行，同一套硬件便可在不同任務及地點重複使用，價值自然大幅提高。

所以，比起一段在社交平台爆紅的示範，倉庫能否持續提升生產力，才是更有意義的里程碑。這會考驗機械人能否長時間工作、處理變化、從錯誤中恢復，以及在不需要持續協助的情況下交出產量。

所謂人形機械人的「ChatGPT時刻」，仍然只是一個預測

部分公司估計，人形機械人達到通用能力突破，可能需要兩至十年，樂觀情況下或在2028年前後出現。不過，這些都是預測，並非已確定的時間表。 13

根本難題在於，具身人工智能要將感知、推理及實體行動連接起來。模型可能正確辨認物件，亦能講出一個合理計劃，但一到真實世界，仍可能無法準確完成動作。行業目前亦面對泛化能力不足、毫米級誤差，以及欠缺高質素實體互動數據等問題。 13

大會相關討論所描述的目標，是機械人最終能在陌生家庭完成約80%的任務。要達到這個水平，可能需要數以千萬小時計的有效訓練數據，亦要讓機械人真正轉移已學技能，而不是每次遇到新工作都由頭再學。 13

WRC 2026之後，應該睇甚麼？

大會將人形機械人的競爭，重新聚焦到五條實際問題：

1. 機械人能否離開預先編排的環境工作？
2. 它要幾快先學識一項真正全新的任務？
3. 長時間運作時，速度及準確度距離人類工人有幾遠？
4. 它幾常需要遙距或現場人手介入？
5. 長期部署後，是否真的帶來可量度的經濟價值？

中國報告中的出貨量優勢，較有力地回答了「能夠生產幾多部」這條問題，卻未能回答上述任何一條生產力問題。

因此，WRC 2026所描繪的並非人形機械人已經大功告成，而是行業正式進入驗證階段：下一關，是證明機械人不只可以大規模生產，更可以大規模、有彈性而且有經濟效益地工作。

2026年世界機械人大會（WRC）的核心訊息，可以濃縮成一句話：中國可能已經贏了人形機械人的早期「鬥出貨」階段，但真正困難的考驗，現在才開始——這些機械人能否持續、自主地完成工作，並實實在在提升生產力？

中國出貨量領先，但「4萬部」並非沒有爭議

大會上發表的一份行業報告指，中國在2026年上半年出貨逾4萬部人形機械人，約佔全球出貨量97%。大會相關報道形容，行業已由小規模試點，逐步走向日常部署及更大規模的實際應用。 101215

但這個數字不應視為全球市場唯一、已獲一致確認的總數。Smart Analytics Global估算，同期全球出貨量約為19,100部；Counterpoint Research則估計超過22,000部；另有估算指，單是中國供應商已出貨超過3萬部。不同結果，似乎與統計口徑及計算方法各異有關，因此實際出貨量暫時難以獨立核實。 14

相比單一數字，較穩妥的結論是：人形機械人的生產及部署正在加速，而中國製造商在已報告的市場份額中佔據明顯主導地位。

大會劃清界線：吸睛表演不等於生產力

WRC 2026的示範，正好說明人形機械人為何如此吸引眼球，也說明點解單靠示範已經唔夠。Unitree在會議室展示機械人，並預告一款標稱速度達每秒12.65米的機械人，反映行走能力及產品落地速度都有進步；但速度、平衡，或者在受控環境下完成一段流暢表演，都不足以證明機械人能夠勝任一般勞動工作。 13

大會更重要的分野，是由固定場景的「才藝表演」，轉向能夠經得起現實變數考驗的工作。相關報道提到，機械人正由展覽場地的演出，走向快遞分揀、煮麵、商品包裝，以及工廠和家庭等應用。 815

對買家而言，問題從來不只是機械人能否完成一次預先安排好的工作，而是同一套系統能否面對不同物件、場地布局、指令、光線及突發故障，而且不用每次都由工程人員重新設定。

下一個基準：面對陌生工作仍然做得到

大會上被討論的商業門檻，遠高於在實驗室或示範場景完成單一任務。一部真正有價值的人形機械人，應該能夠進入陌生的工作場所或家庭，理解要做甚麼，快速學會新任務，再以可靠的速度及準確度完成工作。 13

目前系統仍有幾個明顯缺口：

• 泛化能力： 為一個場景訓練的機械人，遇到不同物件、表面或工作次序，可能立即失準。
• 精準度： 實體操作中，即使只是很小的誤差，也可能令任務在實際運作上變得不可用。
• 速度： 示範中做得到，不代表速度足以與人類工人競爭。
• 自主性： 如果經常要遙距操控、工程支援或人手介入，部署所帶來的經濟價值可能被大幅抵銷。

這些並非枝節上的微調，而是決定人形機械人究竟會成為靈活的勞動平台，還是只懂做幾項示範工作的昂貴機器。

「識摺衫」與「有效率咁摺衫」是兩回事

Starship Navigator引用的基準顯示，現時系統的任務表現約為人類的70%至80%；另有一部機械人據報花了接近兩分鐘摺一件短袖恤衫，最後仍要由人手介入。 1320

摺衫例子之所以有用，是因為它將一項看似令人驚嘆的能力，轉化成營運問題：每小時可以處理幾多件？失敗率是多少？要幾多監督？

機械人能夠摺一件衫，代表它展示了抓取及操作能力；能夠獨立、快速地處理不同款式和狀態的衣物，才代表它可能成為可行的家居服務。

工廠及倉庫的情況亦一樣。一部機器即使技術上能夠搬動某件物件，如果速度太慢、機身太脆弱，或者只為非常狹窄的流程受訓，仍然可能無法成為真正可用的商業產品。

重訓時間由10小時減至1小時，關乎生意能否成立

大會相關報道提到，其中一個目標是將機械人學習新任務所需的重訓時間，由約10小時縮短至約1小時。重點不只是方便，而是每次客戶更改流程時，都可以減少數據收集、程式編寫及工程整合的成本。 13

這可能直接決定部署的經濟效益。如果每一項新工作都要做一個度身訂造的整合項目，人形機械人或會長期停留在嚴格受控的試點；但如果操作員可以快速教識或設定新工作，而機械人之後又能穩定執行，同一套硬件便可在不同任務及地點重複使用，價值自然大幅提高。

所以，比起一段在社交平台爆紅的示範，倉庫能否持續提升生產力，才是更有意義的里程碑。這會考驗機械人能否長時間工作、處理變化、從錯誤中恢復，以及在不需要持續協助的情況下交出產量。

所謂人形機械人的「ChatGPT時刻」，仍然只是一個預測

部分公司估計，人形機械人達到通用能力突破，可能需要兩至十年，樂觀情況下或在2028年前後出現。不過，這些都是預測，並非已確定的時間表。 13

根本難題在於，具身人工智能要將感知、推理及實體行動連接起來。模型可能正確辨認物件，亦能講出一個合理計劃，但一到真實世界，仍可能無法準確完成動作。行業目前亦面對泛化能力不足、毫米級誤差，以及欠缺高質素實體互動數據等問題。 13

大會相關討論所描述的目標，是機械人最終能在陌生家庭完成約80%的任務。要達到這個水平，可能需要數以千萬小時計的有效訓練數據，亦要讓機械人真正轉移已學技能，而不是每次遇到新工作都由頭再學。 13

WRC 2026之後，應該睇甚麼？

大會將人形機械人的競爭，重新聚焦到五條實際問題：

1. 機械人能否離開預先編排的環境工作？
2. 它要幾快先學識一項真正全新的任務？
3. 長時間運作時，速度及準確度距離人類工人有幾遠？
4. 它幾常需要遙距或現場人手介入？
5. 長期部署後，是否真的帶來可量度的經濟價值？

中國報告中的出貨量優勢，較有力地回答了「能夠生產幾多部」這條問題，卻未能回答上述任何一條生產力問題。

因此，WRC 2026所描繪的並非人形機械人已經大功告成，而是行業正式進入驗證階段：下一關，是證明機械人不只可以大規模生產，更可以大規模、有彈性而且有經濟效益地工作。