具身智能正在告别只看发布会视频的阶段。
过去几年，人形机器人一次次靠跑步、跳舞、搬箱子、拧瓶盖吸引关注。展台上，机器人越来越像人；短视频里，机器人动作越来越流畅。但真正决定产业价值的，已经不只是“会不会动”，而是能不能在真实工厂、仓库、商超、医疗、应急等场景中长期运行。
换句话说，具身智能的下一站，不是更会表演，而是进入“实训场”。所谓“实训场”，不是实验室里的封闭测试，也不是展会上的单次演示，而是真实生产生活环境中的持续训练、持续验证和持续改进。机器人要在这里面对真实地面、真实灯光、真实物料、真实人员流动、真实故障和真实客户要求。只有经过这些考验，具身智能才可能从“能看”走向“能用”，再走向“好用”。
从演示验证转向作业模式
政策层面已经出现明确信号。工业和信息化部、国务院国资委联合启动2026年度人形机器人与具身智能实景实训专项行动，目标是推动人形机器人等重点产品在代表性场景中完成应用验证和常态部署，开启“作业模式”；到2026年底，形成百个以上高价值应用场景，带动万台级规模落地能力。
这个动作的意义在于，它把具身智能从“技术展示”推进到“场景考核”。过去行业关心机器人能不能站起来、走起来、抓起来；现在更需要回答：它能不能连续工作，能不能适应复杂现场，能不能形成数据闭环，能不能被客户长期使用。
这也是人形机器人产业进入工程化阶段的标志。
图：具身智能从演示验证走向真实作业的实训闭环（机器人电报制图）
实训场为什么比实验室更重要
具身智能和大模型最大的不同，是它必须在物理世界里行动。大模型回答错了，可以重新生成；机器人动作错了，可能抓错物料、撞到货架、打断产线，甚至带来安全和责任问题。
因此，机器人不能只靠离线训练，也不能只靠仿真数据。它必须进入真实场景，在一次次执行任务中积累经验。真正有价值的数据，不只是视频和图片，而是机器人在真实环境中形成的动作轨迹、任务成功率、失败原因、异常处理、维修记录和客户反馈。
这些数据反过来会影响模型、控制算法、本体结构、零部件可靠性和部署流程。谁能掌握更多高质量实训场，谁就能更快形成“场景—数据—模型—产品”的闭环。
智元：从量产下线到产线实训
中国企业中，智元机器人是一个值得观察的样本。据新华社报道，6月23日至28日，8台智元“精灵G2”在人形机器人与具身智能实景实训专项行动中，进入龙旗科技南昌工厂MMIT测试工段，连续并线作业6天，每天10小时，并进行公开直播；报道还提到，今年4月，4台“精灵G2”曾在同一工厂完成8小时作业，成功率达到100%。
这类案例的价值，不在于机器人完成了某个单一动作，而在于它进入了真实产线。真实产线不会为了机器人随意让路，物料、节拍、工位、人员协同都有自己的要求。机器人要做的不是“演示一遍”，而是在连续作业中不断暴露问题，再把问题带回模型和本体迭代。
智元此前还推出AgiBot World数据集。公开资料显示，该数据集包含超过100万条轨迹、217个任务，涉及五大场景。对于具身智能来说，这类真机数据是训练“大脑”的燃料，也是机器人从单一任务走向多场景泛化的重要基础。
从这个角度看，智元的路径不是单纯做一台机器人，而是在尝试打通量产、真实部署和数据训练之间的循环。
优必选：工业场景里的任务驱动
优必选的Walker系列则代表另一种路线：先从工业场景切入。证券时报报道称，优必选首批数百台全尺寸工业人形机器人Walker S2已开启量产交付，并将分批投入产业一线应用。优必选官网对Walker S2的介绍中，也强调其面向工业人形机器人的协作智能体Co-Agent，以及产线级任务驱动的群体智能能力。
这说明，工业人形机器人并不是简单把人形本体搬进车间，而是要围绕任务理解、动作规划、工位协同和持续运维重新设计系统。对客户来说，机器人是否“像人”不是最重要的，能否稳定完成搬运、上下料、检测、分拣等任务，才是决定采购和复购的关键。
国际公司也在抢实训场
国际企业同样在把机器人推向真实场景。Figure AI披露，Figure 02曾在宝马美国Spartanburg工厂参与生产验证，累计运行超过1250小时、移动超过9万个零部件，并参与3万多辆BMW X3生产。这说明，海外人形机器人企业也没有急着直接进入家庭，而是优先选择汽车制造这种流程明确、价值较高、可量化评估的场景。
Agility Robotics的Digit也从物流仓储切入。GXO与Agility Robotics在2024年签署多年期RaaS协议，将Digit部署到物流运营中。其官方披露的场景包括在SPANX履约设施中，让Digit从协作机器人处搬运周转箱并放到输送线上。
这些案例背后有同一个逻辑：机器人商业化不是靠一次亮相，而是靠运行小时数、任务数量、故障率、部署成本和客户ROI来证明自己。
案例速览：实训场正在成为新基础设施
| 企业/机构 | 实训或部署场景 | 公开动作 | 观察意义 |
| 智元机器人 | 3C电子产线 | 精灵G2进入龙旗科技南昌工厂连续并线作业 | 从样机演示进入真实工位验证 |
| 优必选 | 工业制造场景 | Walker S2开启量产交付并面向产线任务协同 | 人形机器人向工业作业系统演进 |
| Figure AI | 汽车制造 | Figure 02在宝马工厂完成较长周期生产验证 | 用运行小时数和任务量验证可靠性 |
| Agility Robotics | 物流仓储 | Digit通过RaaS模式部署到GXO物流运营 | 以可量化任务切入商业化 |
仿真仍然重要，但不能替代真实作业
进入实训场，并不意味着仿真不重要。恰恰相反，仿真正在成为具身智能训练体系的重要底座。NVIDIA持续推动Cosmos世界模型、Isaac仿真框架和Isaac GR00T N模型，希望帮助机器人从仿真训练走向真实部署。Google DeepMind的Gemini Robotics也强调让模型理解物理空间，使机器人能在真实世界中执行动作。
但仿真和真实场景之间仍有差距。仿真可以降低训练成本、扩大数据规模、加速模型迭代；真实实训则负责检验机器人在复杂环境中的稳定性和边界。未来的主流路径，很可能不是“纯仿真”或“纯真机”，而是仿真预训练、真实场景验证、再反哺模型优化。
这也是为什么实训场会成为机器人企业的新基础设施。它既是测试场，也是数据场，还是客户验证场。
机器人电报判断
机器人电报判断，具身智能的真正拐点，不是机器人在展台上做出更复杂动作，而是能否在真实场景中持续训练、稳定作业并形成可复制的交付能力。
过去，人形机器人行业比的是谁发布得快、谁动作更炫、谁本体成本更低；接下来，行业会越来越多地比较谁有真实工位，谁有连续运行数据，谁有客户复购，谁能把失败经验变成模型和产品迭代。
中国具身智能企业的优势，在于制造业场景密集、供应链响应快、客户需求真实。如果这些场景能够转化为高质量数据和标准化交付能力，中国企业就不只是“造出机器人”，而有机会训练出真正能工作的机器人。
但这条路不会轻松。实训场会放大机器人的短板：续航、稳定性、力控、导航、故障恢复、现场协同、售后响应，都会被真实客户逐一检验。能在演示中完成动作，不等于能在工厂里连续工作；能完成一次任务，不等于能低成本、可复制地完成一千次任务。
具身智能的下一阶段，不是从“不会动”到“会动”，而是从“会演示”到“会作业”。谁能把实训场变成数据工厂，谁才可能在Physical AI时代走得更远。
资料来源
• 新华社/科技日报：2026年度人形机器人与具身智能实景实训专项行动启动。
• 新华社：中国经济面面观｜看具身智能迈向“作业模式”。
• 智元机器人：AgiBot World数据集公开资料。
• 证券时报、优必选官网：Walker S2量产交付与产品介绍。
• BMW Group：Figure 02在宝马工厂生产验证相关信息。
• GXO、Agility Robotics：Digit多年期RaaS部署协议。
• NVIDIA：Cosmos、Isaac、GR00T等Physical AI平台公开资料。
• Google DeepMind：Gemini Robotics公开资料。