人形机器人的天花板不在算法，在热力学

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。 循环锁 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"。 功率变化曲线 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。 能耗对比 四、一个绕不