前言：为什么具身智能是工业机器人的下一幕
过去四十年，工业机器人靠"示教-再现"活着：工程师把轨迹编进控制器，机器人在围栏里重复一万遍。2024 年之后这条路被改写——视觉-语言-动作（VLA）大模型让机器人第一次能听懂自然语言指令、看懂开放场景、并把它翻译成毫秒级的关节力矩。IEEE TNNLS 2026 年的首篇 VLA 综述把具身智能定义为"通用人工智能（AGI）的基石"：智能不再只存在于文本与像素里，而必须在一个会碰撞、会磨损、会打滑的物理身体里被验证。
本专题不写概念科普，写可核验的事实：谁在真实产线上跑了多少小时、搬了多少件、精度多少；谁的数据工厂每天产多少条轨迹；云端大模型与端侧小模型如何分工。所有数字标注来源口径，争议数据（如特斯拉 Optimus 的产量）如实呈现双方说法。
一页看懂：2026 年具身智能工业落地的五个事实
一、落地是真的，但范围是窄的。Figure 02 在宝马 Spartanburg 工厂 11 个月试点：1250+ 运行小时、9 万+ 钣金件、 placement 精度 99%+、84 秒节拍，支撑 3 万+ 辆 X3 下线；Agility Digit 在 GXO 物流仓搬运 10 万+ 料箱、累计 6.5 万+ 小时。但这些全是"结构化环境里的重复性物料作业"，没有一个已验证案例能在完全无监督的非结构化环境长期运行。
二、中国厂商赢在出货量与数据飞轮。2026 上半年智元出货约 8400 台（全球份额约 44%）、宇树约 5900 台（约 31%），合计约四分之三的全球人形出货；智元上海 4000 平方米数据工厂近百台机器人日均产 3-5 万条轨迹，开源数据集 AgiBotWorld 贡献了英伟达 GR00T N1 约 80% 的真机数据。
三、"大脑"正在分层。云端千亿参数 VLA 负责规划（1-3 Hz），端侧百亿以下蒸馏模型负责运控（200 Hz-1 kHz），工厂边缘服务器承担集群协同（5-50 ms）。特斯拉 Dojo、英伟达 Jetson Thor（2070 FP4 TFLOPS / 40W）与 Cosmos 3 Edge 是这条链上的三个锚点。
四、学术边界在融化。VLA、世界模型、AGI 三个词在 2026 年的论文里互相引用：世界模型给 VLA 提供"未来预测器"，VLA 给 AGI 提供"物理验证场"。同济/电子科大 2026 年 1 月的综述把世界模型归为四类范式：世界规划器、世界动作模型、世界合成器、世界模拟器。
五、场景沿"工业→物流→商用→家庭"梯次展开，工业+物流已占出货七成以上；但家庭、户外、运动、水下等长尾场景正在被四足/轮式/人形多形态覆盖——本专题单列一章讲透。
本专题的读法
国际四强（Figure、Agility、Boston Dynamics、Tesla）与国产四强（智元、宇树、优必选、银河通用）各有一页机型参数与训练/测试数据档案；"学术边界"页讲 VLA/世界模型/AGI 的融合现状；"全场景应用"页覆盖工厂、家庭、户外、运动、水下；"云边端架构"页讲算力革命。恒桓作为第三方服务商，在每页末尾给出我们对该类设备的维保、二手与升级服务口径。
常见疑问
具身智能机器人和传统工业机器人最大的区别是什么？
传统机是"程序执行器"：任务变了要重新编程、重新布局；具身智能机是"指令理解器"：用自然语言下达目标，由 VLA 模型自行分解子任务并生成动作，换产线不换代码。代价是对训练数据与算力的依赖从"一次性集成"变成"持续运营"。
现在买具身智能机器人进厂划算吗？
看任务结构度。料箱搬运、上下料、巡检这类重复物料作业，2026 年已有付费商用案例（Digit@GXO、Figure@BMW）；非结构化精细装配仍建议用协作臂+视觉的成熟方案。恒桓的口径：先用租赁验证节拍与故障率，再决定采购。