问题——从“能做”到“好用”，工厂更看重稳定与节拍 雷军在公开信息中介绍，小米机器人业务近期取得阶段性进展：人形机器人已进入汽车工厂开展“实习”，在自攻螺母上件工站、料箱搬运等场景实现自主作业探索。与实验室环境不同，真实产线追求的是持续稳定运行、可复制部署以及与工艺流程的精准衔接。业内普遍认为，人形机器人走向制造业，最大的门槛之一并非单次动作是否成功，而是能否长期稳定满足产线节拍与合格率要求。 原因——制造业应用门槛高，核心在“高频、刚性、零容错” 雷军指出，机器人作业从实验室到工厂存在“巨大鸿沟”——生产节拍。实验室阶段可以通过大量试错换取技术突破，但产线需要在高频循环中保持高度一致性，接近“次次成功”。以汽车制造为例，工位节拍紧凑、工况复杂，零件姿态偏差、夹具干涉、环境反光与振动等因素都会放大误差；同时，多工序串联决定了单工位的波动会向后传导，进而影响整线效率与质量稳定性。正因此，人形机器人不仅要“看得见、拿得起”，还要“拿得稳、装得准、跑得久”。 影响——“实习”释放产业信号，验证路线由展示转向工程化 据小米技术团队发布的信息，其机器人在汽车工厂自攻螺母上件工站中实现连续3小时自主运行，双侧同时安装成功率达90.2%，并达到最快76秒的产线节拍要求。该工站作业还需应对螺母在手内姿态不固定、定位销轴磁吸力干扰等装配难题，体现出对感知、控制与末端执行能力的综合要求。 业内人士分析，这类“走进工厂”的验证具有两个信号意义：一是技术路线从单点能力展示转向可度量、可复现的工程指标，企业开始以节拍、成功率、平均无故障时间等制造业语言进行对外沟通；二是应用落点更偏向“标准化、重复性强”的典型工站，先在可控范围内形成样板，再逐步扩展到更多工位与更复杂任务，从而降低规模化部署的不确定性。 对策——以底座模型为牵引，围绕良率与协同开展系统攻关 雷军介绍，小米在通用视觉-语言-动作基座模型Xiaomi-Robotics-0基础上，结合多模态感知能力与强化学习等方法推进能力落地，并在触觉抓取微调模型等方向增强触觉感知。面向更大范围的产业化部署，涉及的信息也提出需系统性突破“生产节拍和合格率”这个核心瓶颈，重点包括移动操作任务中的全身高效协同、通过灵巧手等提升作业效率等关键挑战。 从制造业导入规律看，下一阶段的工作重点往往不在“多做几个动作”，而在“把关键动作做到可控、可验、可追溯”：包括在复杂工况下提升稳定性与抗干扰能力，建立针对工位的工艺约束与安全冗余机制，完善数据闭环与持续训练迭代，推动从单站点试运行走向多站点复制部署。同时，机器人进入车间也意味着需与现有工装夹具、质量检测、产线节拍管理系统协同适配，形成“设备—工艺—管理”的整体方案。 前景——短期看“典型工站替代”，中长期看“通用能力平台化” 雷军预计，未来5年将有大批量人形机器人进入小米工厂参与工作。业界认为，若要实现这一目标，路径更可能是从若干高价值、标准化工站开始，逐步扩大覆盖面，并在产线运营中提升成本、可靠性与维护体系。在更长周期内，随着通用模型能力提升、触觉与灵巧操作成熟，以及工业场景数据积累，人形机器人有望从“单一任务机器”走向“多任务协作”，在装配、搬运、巡检等环节形成更灵活的劳动力补充。 同时也应看到，现阶段成功率、稳定性、维护成本与安全合规仍是规模应用的硬约束。能否跨越“实验室可用”到“工厂常用”的门槛，最终取决于工程化能力、供应链成熟度和与产业需求的精确匹配。
人形机器人走进工厂车间既是技术进步的表现，也反映了制造业转型升级的趋势。从实验室到生产线的跨越需要技术与产业的深度融合。随着核心技术突破和应用场景拓展，人形机器人有望成为智能制造的重要生产力。该进程既需要企业持续创新，也离不开产业链协同和政策支持。