出貨量升得快，肉眼卻未必睇到「進化」

8月20日一篇關於2026年世界機械人大會的文章，提出一個幾有反差的觀察：具身人工智能（embodied AI）在商業化和出貨量方面跑得很快，但機械人在公開示範中展示的能力，未見同步出現同樣明顯的跨越。12

大會有大量令人眼前一亮的演示，包括跳舞、做運動、搬運、分揀，以及在工廠工作的場景。不過，文章認為，其中不少內容看起來仍然是上一年常見項目的改良版或重新包裝，未能清楚證明機械人已經具備更穩定、更廣泛的自主能力。12

這不代表技術沒有進步，而是「賣出更多機械人」和「機械人真正學識應付新情況」原來是兩回事。

市場已經進入量產賽道

文章報道，2026年上半年全球人形機械人出貨量已超過2.2萬部，全年預計突破5萬部。當中，AgiBot約出貨9,700部，Unitree超過7,000部，Galaxy General則超過1,100部；市場集中度亦相當高，頭五大企業合共佔有86%市場份額。12

目前的應用主要集中於：

• 娛樂：約38%；
• 數據生產及研究：約26%；
• 智能製造：約16%；
• 倉儲及物流：約10%。12

換句話說，行業已經不只是靠展覽會「秀肌肉」，而是開始進入出貨、部署和累積實際使用數據的階段。不過，出貨量本身並不等於機械人已經可以在陌生環境中獨立工作。

真正樽頸：不是再加一個更靚的硬件

文章指出，具身AI目前的難題，未必單純是機械人手臂更有力、步行更穩，或者動作更快，而是以下幾個更難解決的問題：

1. 數據夠不夠多、夠不夠靚？ 機械人需要大量、多元及高質素的實體世界訓練數據，但這類數據比文字或影像更難收集。
2. 示範是否只是「背稿」？ 機械人能夠在指定場景完成預先設計的動作，不代表它可以將能力帶到另一個環境。
3. 遇到新情況能否變通？ 物件位置、貨架佈局、工具、工作流程，甚至整間工廠一變，系統可能便要重新適應。
4. 工程上要不斷重新校準。 真實部署涉及感測器、動作控制、環境變化及安全要求，往往需要持續調整，而不是裝機一次便一勞永逸。12

Unitree創辦人王興興的看法是，在固定場景內做到可靠運作，正逐漸變得可行；但如果要跳出固定場景，就需要大量後訓練，而且目前仍離不開人類持續參與。12

Galaxy General的王鶴則將測試標準推得更遠：機械人是否可以由一間工廠泛化到100間工廠，或者由一間店舖泛化到1,000間店舖？它又能否聽明白人類用語言下達的指令，並在從未見過的環境中完成工作？12

文章把現時的具身模型形容為大約處於「GPT-2階段」，並提到業界預期約在2028年左右，才可能接近GPT-3.5至GPT-4級別的能力。這是發展預測，而不是已經獲得獨立驗證的結果，不能當成現成表現來理解。12

Unitree與Galaxy General：兩條不同路線

Unitree：先將身體造好，再追求大規模落地

Unitree的優勢，文章主要歸納為動作控制、機身工程、低成本及量產能力，而不是具身基礎模型的領先地位。12

在大會上，Unitree預告一款最高速度可達每秒12.65米的機械人；公司2026年上半年人形機械人出貨量超過7,000部，約佔市場31%。12

這條路線的重點較實際：先令機械人造得出、行得郁、成本壓得低，並且可以大量生產。至於機械人能否跨場景理解任務和自行處理突發情況，則是另一場仍在進行中的競賽。

Galaxy General：將焦點放在「機械人大腦」

Galaxy General在大會展示雙足人形機械人ET1，並表示其通用全身模型以約10萬小時人類動作數據訓練。12

公司的差異化方向，是發展具身基礎模型，並以WAM-TTT（World Action Model Test-Time Training）處理機械人到新場地後的適應問題。按照相關研究及報道，客戶可以拍攝工人實際工作的影片，讓模型在測試時學習；過程毋須逐項手動標註，也毋須以遙控方式逐個動作教機械人，目標是減少每次部署都要由零開始編程。14

文章又指出，Galaxy General據報已由單機概念驗證，進一步部署到寧德時代（CATL）數十間工廠。不過，這類部署數字應理解為公司或相關報道所提供的商業落地資料，並不等同於獨立基準測試，亦不能單憑此證明機械人已經具備一般智能。12

大會真正揭示的是：商業化快過泛化

整體而言，這篇8月20日文章並非認為具身AI停滯不前，而是提醒讀者不要將聲勢浩大的示範，直接等同於通用能力已經成熟。

人形機械人市場正快速整合，出貨量和真實部署都有實質增長；但決定下一階段勝負的，將不只是誰可以做出更快、更似人的動作，而是誰可以令機械人在不同工廠、店舖和陌生環境中，聽得明指令、學得識新工作，並在較少人手介入下穩定完成任務。12

簡單講：機械人已經愈來愈識「表演」，下一關是證明自己識「變通」。

出貨量升得快，肉眼卻未必睇到「進化」

8月20日一篇關於2026年世界機械人大會的文章，提出一個幾有反差的觀察：具身人工智能（embodied AI）在商業化和出貨量方面跑得很快，但機械人在公開示範中展示的能力，未見同步出現同樣明顯的跨越。12

大會有大量令人眼前一亮的演示，包括跳舞、做運動、搬運、分揀，以及在工廠工作的場景。不過，文章認為，其中不少內容看起來仍然是上一年常見項目的改良版或重新包裝，未能清楚證明機械人已經具備更穩定、更廣泛的自主能力。12

這不代表技術沒有進步，而是「賣出更多機械人」和「機械人真正學識應付新情況」原來是兩回事。

市場已經進入量產賽道

文章報道，2026年上半年全球人形機械人出貨量已超過2.2萬部，全年預計突破5萬部。當中，AgiBot約出貨9,700部，Unitree超過7,000部，Galaxy General則超過1,100部；市場集中度亦相當高，頭五大企業合共佔有86%市場份額。12

目前的應用主要集中於：

• 娛樂：約38%；
• 數據生產及研究：約26%；
• 智能製造：約16%；
• 倉儲及物流：約10%。12

換句話說，行業已經不只是靠展覽會「秀肌肉」，而是開始進入出貨、部署和累積實際使用數據的階段。不過，出貨量本身並不等於機械人已經可以在陌生環境中獨立工作。

真正樽頸：不是再加一個更靚的硬件

文章指出，具身AI目前的難題，未必單純是機械人手臂更有力、步行更穩，或者動作更快，而是以下幾個更難解決的問題：

1. 數據夠不夠多、夠不夠靚？ 機械人需要大量、多元及高質素的實體世界訓練數據，但這類數據比文字或影像更難收集。
2. 示範是否只是「背稿」？ 機械人能夠在指定場景完成預先設計的動作，不代表它可以將能力帶到另一個環境。
3. 遇到新情況能否變通？ 物件位置、貨架佈局、工具、工作流程，甚至整間工廠一變，系統可能便要重新適應。
4. 工程上要不斷重新校準。 真實部署涉及感測器、動作控制、環境變化及安全要求，往往需要持續調整，而不是裝機一次便一勞永逸。12

Unitree創辦人王興興的看法是，在固定場景內做到可靠運作，正逐漸變得可行；但如果要跳出固定場景，就需要大量後訓練，而且目前仍離不開人類持續參與。12

Galaxy General的王鶴則將測試標準推得更遠：機械人是否可以由一間工廠泛化到100間工廠，或者由一間店舖泛化到1,000間店舖？它又能否聽明白人類用語言下達的指令，並在從未見過的環境中完成工作？12

文章把現時的具身模型形容為大約處於「GPT-2階段」，並提到業界預期約在2028年左右，才可能接近GPT-3.5至GPT-4級別的能力。這是發展預測，而不是已經獲得獨立驗證的結果，不能當成現成表現來理解。12

Unitree與Galaxy General：兩條不同路線

Unitree：先將身體造好，再追求大規模落地

Unitree的優勢，文章主要歸納為動作控制、機身工程、低成本及量產能力，而不是具身基礎模型的領先地位。12

在大會上，Unitree預告一款最高速度可達每秒12.65米的機械人；公司2026年上半年人形機械人出貨量超過7,000部，約佔市場31%。12

這條路線的重點較實際：先令機械人造得出、行得郁、成本壓得低，並且可以大量生產。至於機械人能否跨場景理解任務和自行處理突發情況，則是另一場仍在進行中的競賽。

Galaxy General：將焦點放在「機械人大腦」

Galaxy General在大會展示雙足人形機械人ET1，並表示其通用全身模型以約10萬小時人類動作數據訓練。12

公司的差異化方向，是發展具身基礎模型，並以WAM-TTT（World Action Model Test-Time Training）處理機械人到新場地後的適應問題。按照相關研究及報道，客戶可以拍攝工人實際工作的影片，讓模型在測試時學習；過程毋須逐項手動標註，也毋須以遙控方式逐個動作教機械人，目標是減少每次部署都要由零開始編程。14

文章又指出，Galaxy General據報已由單機概念驗證，進一步部署到寧德時代（CATL）數十間工廠。不過，這類部署數字應理解為公司或相關報道所提供的商業落地資料，並不等同於獨立基準測試，亦不能單憑此證明機械人已經具備一般智能。12

大會真正揭示的是：商業化快過泛化

整體而言，這篇8月20日文章並非認為具身AI停滯不前，而是提醒讀者不要將聲勢浩大的示範，直接等同於通用能力已經成熟。

人形機械人市場正快速整合，出貨量和真實部署都有實質增長；但決定下一階段勝負的，將不只是誰可以做出更快、更似人的動作，而是誰可以令機械人在不同工廠、店舖和陌生環境中，聽得明指令、學得識新工作，並在較少人手介入下穩定完成任務。12

簡單講：機械人已經愈來愈識「表演」，下一關是證明自己識「變通」。