人形机器人进工厂的新闻已经不算新闻。过去两年,几乎每家整机企业都放出过车间视频,机械臂在产线旁抓取、转身、放料,动作流畅,配乐激昂。但视频和考勤是两回事:视频证明它能做一次,考勤证明它能连着做两个月。11月16日,乐聚智能给出的是一份考勤记录。
披露的数字很具体。在乐聚智能与一家上市公司联合打造的汽车零部件产线上,十五台被命名为兆聚X号的全尺寸人形机器人承担取料上料作业,已经连续无故障运行超过两个月,累计运行约一千小时,协助生产超过六万个零部件。设备型号是第五代产品夸父5-W,基于一百多种工业场景打磨而来。
作业对象是内径八十到一百二十毫米的小型轴承零件。这个尺寸区间值得注意:它既不是大件到可以套用工装夹具,也不是小件到可以用震动盘自动送料,恰好落在"形状规整但姿态不规整"的那个区间。机器人要在金属丝网框、多工位、上料台交错的狭窄环境里,完成预备、取料、转运、上料四段动作。
把它换算成节拍:单次上料循环控制在四十秒以内,适配十五个工位,覆盖十余种零件,成功率稳定在98%。这两个数字必须一起看。节拍四十秒而成功率只有九成,等于每十次有一次要人工介入,稳定性无从谈起;成功率很高而节拍两分钟,产线节奏被拖慢,客户不会接受。两个指标同时成立,这条线才算真的在跑。
算一下容错。四十秒节拍下,一天按二十小时有效作业计算,单台机器人一天大约一千八百次循环,十五台合计约两万七千次。98%的成功率意味着每天有五百多次失败动作。这个数字听起来很高,但关键在于失败之后能不能自己恢复:如果每次失败只损失一个循环,靠重试就能补上;如果要人工进场,五百次就是五百次停机。
因此产线设计里通常会给机器人留一点缓冲。料框里的零件不是精确摆放的,机器人需要在视觉引导下自行定位抓取点;抓取失败时,它可以换一个角度再试,而不是直接报警。这套"就近重试"的逻辑,是工程化程度最直观的体现,也是实验室演示里最容易被省略的部分。
更硬的约束来自产线原有的工艺。工厂不会为了机器人把整条线的节拍降下来,机器人必须适配既有的时间窗口。这就把每个动作的毫秒预算压得很死:视觉识别多久、路径规划多久、抓取执行多久,全部要在四十秒里分配完。这也是为什么人形机器人在简单工序上反而更难落地:简单工序的节拍通常被压到极限,没有余量给试错。
乐聚智能常务副总裁柯真东提到,车间灯光会变、人员会走动、设备有扰动、产线原有工艺还有约束,这些变量都要纳入整套方案设计。这句话点出了上料工序的真实难度:它的动作不难,难在环境一直在变。
实验室的抓取任务通常在固定光照、固定背景、固定姿态下评测,成功率可以做得很高。车间里同一台设备在不同时段的光照完全不同,白天有窗光斜射,夜班只有顶灯,金属表面的反光随角度剧烈变化;人员走动遮挡视线,设备启停带来震动,来料批次不同导致表面粗糙度有差异。每一项单独看都不致命,叠在一起就足以让实验室里跑通的策略失效。
联合团队做的工程化工作可以归成三类:在复杂动态工况下自主完成空间定位、识别与避障;基于数据驱动实现自适应抓取与放置;在料台开口狭小、取放姿态复杂时自主生成连续动作,形成任务闭环。第三类最难,因为它要求机器人在没有预设轨迹的情况下自己规划一条完整的动作序列,而不是执行一段录好的程序。
这也解释了一个行业现象:人形机器人落地最快的地方,往往是那些"动作简单但环境复杂"的工序。动作简单意味着算法不需要突破,环境复杂意味着传统自动化设备做不了。上料恰好卡在这个交叉点上,所以它成了这一轮进厂的第一个切口。
披露里最值得记的一条不是产能,而是数据。十五台设备同步作业,形成规模化并行采集能力,按当前数据产能测算,单月采集超过四万条,并随产线运行持续累积。乐聚智能CEO常琳的说法是,真机在现场持续作业,不断回传真实工况数据,用来迭代模型。
这条逻辑对整机企业的意义可能大于替人干活。实验室数采成本极高:要搭建场景、要安排操作员、要重复同一动作上百次,采集一小时的数据可能要花几倍的准备时间。而产线天然具备长时间、多工位、重复性任务的采集条件,粉尘、震动、来料偏差这些实验室模拟不出来的变量,恰好是模型泛化最缺的燃料。
但这里有一个尚未解决的变数:数据与本体绑定。真机采集的数据往往带有强烈的本体特征,关节构型、相机位置、力控参数一变,数据的可用性就会下降。硬件迭代速度越快,历史数据的价值折损越快。行业里目前没有统一解法,常见的折中是做数据与本体解耦的表征,但效果取决于具体任务。
这也是判断这类合作能不能复制的一个观察点。如果一条产线积累的数据只能用于同一型号的机器人,那它更像是一次性投入;如果数据能跨型号迁移,它就变成了资产。
把视角拉到公司层面。乐聚智能2016年在深圳创立,2025年收入2.58亿元,2023到2025三年复合增长率118.68%,其中夸父系列收入1.78亿元,占当年营收68.86%。按第三方机构数据,其2025年出货量或装机量在全球排第四。
增长的另一面是结构。科研教育仍是夸父系列的重要收入来源,商业领域基数虽小但增速更快,这意味着"进厂干活"目前还只是样板,不是主业。从十五台到一百五十台,要跨的不是算法关,而是三件事:单台成本能否降到客户愿意按工位采购、备件与售后能否跟上、客户换型时能否快速重新部署。
第三件事最容易被低估。汽车零部件产线的车型迭代周期通常是两三年,换型意味着工位布局、料框规格、零件型号全变。如果每次换型都要重新采数据、调参、验证,客户算总账时会把这笔成本计入,样板就复制不成一百五十台。
外部的市场预期给得很足。有机构预计到2035年全球具身智能机器人出货量将达二百六十万台。这类长期预测对当下的采购决策帮助有限,真正决定节奏的还是几个可核对的小数字:连续运行时长、人工介入频率、换型时间、单件成本。乐聚给出的前两项已有答案,后两项还没有。