在一座高度标准化的汽车工厂里，特斯拉Optimus执行固定货架上的零件抓取任务，成功率可以达到91%。
但当这台机器被推入真实的物流仓储环境——货架位置稍微偏差两厘米，零件包装出现轻微变形，或者现场光线发生改变——它的任务完成率立刻滑落到27%。
这个巨大的落差，揭示了当下人形机器人产业最真实的状态。
资本市场和地方政策正在合力推动“万台落地”与“产业化突破”。
整机厂商的交付数据也确实在增长。
但出货量的上升，并不代表具身智能已经具备了跨场景的通用能力。
硬件可以靠供应链快速堆叠，而面对真实物理世界的泛化适应能力，依然是一道尚未攻克的墙。
无论整机形态如何演变，上游的核心零部件、加工设备与训练平台，都已经提前进入了送样、验证与小批量导入周期。
这是一个硬件确定性走在软件成熟度之前的典型产业。
按照国家标准分类，机器人是具备两个或两个以上可编程轴，并拥有一定自主动作能力的机械设备。
人形机器人，则是服务机器人向通用方向演进的一种特定物理形态。它的核心特征，是拥有模仿人类的双腿、双臂、躯干与灵巧手。
之所以要把机器人做成人形，本质上是为了适配人类已经建立好的物理基础设施。人类现有的生产和生活环境，从门把手高度、楼梯坡度、货架间距，到各类手动工具的尺寸，都是按照人体工程学设计的。
如果采用非人形形态，就意味着每一个落地场景都需要进行大规模的自动化改造。人形结构的优势在于对固有环境的强兼容性，这能极大降低场景改造成本。
但这并不意味着人形是所有任务的最优解。在固定路线的平地运输中，轮式结构的效率和稳定性远高于双足。长得像人是为了进入人所在的场景，长得不像人则是为了在特定任务中实现极致效率。两者并不是替代关系，而是分工差异。
机器人产业可以划分为工业自动化与服务应用两大体系。传统的工业机器人通常固定在产线工位上，通过硬编码程序执行焊接、装配和搬运。这类设备精度极高，但缺乏对新环境和新任务的泛化能力。
服务机器人则面向更复杂的半结构化和非结构化场景。在服务机器人的演进路径中，产业正沿着三个递进的层次展开：
第一层是专用场景机器人。例如无人物流车、无人矿卡和环卫机器人，其作业路线相对固定，任务逻辑简单闭环。
第二层是跨专用场景机器人。一套底层控制与感知算法，可以在园区配送、高危巡检与特定产线之间进行复用。
第三层才是通用人形机器人。它需要感知陌生环境，理解模糊指令，在未经预设程序的场景中独立完成长程规划与物理操作。
从商业化节奏来看，专用场景已经在特定领域实现造血。通用人形机器人依然处于从0到1的早期探索阶段，需要通过专用场景的积累来完成数据与供应链的迭代。
