宇树的数据其实藏着"量产"和"上岗"之间的巨大鸿沟：
先看数据对比
宇树累计下线 1.8 万台，上半年全球人形机器人总出货约 1.91 万台，宇树一家占全球 31%
摩根士丹利已将2026年中国人形机器人出货预测翻倍上调至 5万台
但数字漂亮，落地却又是另一回事。
卡住上岗的几道坎：
① 卡在一个"土得掉渣"的零件上
不是AI算法，不是整机设计，而是高精度圆弧导轨——一个人形机器人关节里听上去很普通的机械件。微米级尺寸稳定性、复杂受力下的运动精度、热处理后不变形……实验室手工打磨几个单件可以做到，难的是第一件和第一万件完全一致。这种批量一致性，是砸钱买进口机床也跨不过去的。
② 场景泛化比实验室演示难10倍
仿真环境≠真实环境。一个任务换了一个物体就要重新训练，长尾场景（罕见但危险的情况）难以穷举。机器人可以在展台上走得很稳，但到了真实的工厂弯道、夜间光线、复杂人流里，路径规划和避让就会混乱——它没有真正"理解"环境，只是在机械执行算法。
③ 续航和能源是硬约束
商用场景需要机器人持续工作，但当前电池能量密度、安全性、减重之间难以平衡。续航不足直接限制了工业场景的可用性。
④ 成本还没有到大规模替代的临界点
尽管零部件国产化在加速推进，但单台成本仍偏高，大多数工厂"算不过来账"。
⑤ 真实训练数据极度稀缺
具身智能需要海量真实世界的操作数据来训练，但这类数据采集成本极高，Sim2Real（仿真到真实）的差距依然显著。
总结一句话： 下线 1.8 万不代表上岗 1.8 万——前者是制造业问题，后者是物理世界的一致性、泛化能力和商业可行性的综合难题。2026 是量产元年，但真正的商业化爆发，可能还要等 2-3 年供应链成熟之后。