作者：彭昭（智次方创始人、云和资本联合创始合伙人）

物女皇：工时裁判权物联网智库 原创

这是我的第434篇专栏文章。

作为处女座，我的9月交织着代价与惊喜。在写完前一篇文章《重估具身智能,下一个万亿级”挖掘机指数”将在工厂车间诞生》之后，我又翻阅了宇树科技对上交所的两轮问询回复。

在文件里，有一组被折叠的数字：宇树的人形机器人收入中，科研教育占了绝对的大头（73.60%），商业消费占17.39%，而被资本市场寄予厚望的“行业应用”，仅有9.01%。

更有意思的是这9.01%的内部构成，问询回复显示，其中50%~70%的收入来自企业导览。用于智能制造、智能巡检等明确工业场景的收入，只有1570.20万元。

同期，其人形机器人的总营收是5.95亿元，两个数相除等于2.64%。这个数是我自己算的。

之前我曾提到，具身智能眼下最缺的是一张“考勤表”。投资人迫切地想给机器人的在岗工时定价，但翻遍所有财报，就是找不到这一栏。

巧合的是，那个观点抛出没几天，市场和监管就双双给出了回音。

The Information这几天援引知情人士报道，证监会已向部分投行和企业下发非正式窗口指导：人形机器人初创企业想IPO，必须证明自己具备产生“经常性收入”的能力，且已步入亏损收窄或实现实质性创新的轨道。

而就在我码字的当下，截至9月14日收盘，宇树股价报470元，总市值已悄然跌破2000亿元。

2.64%的现实、跌破关口的市值，以及监管层对“经常性收入”的要求，共同将具身智能行业逼到了墙角：真正站上流水线打工时，到底该怎么给它们算工资？

因此，本文将从底层的产业逻辑出发，逐步进行拆解。

三重工时：谁在为机器人“学徒期”买单？

今年7月，特斯拉二季度的股东材料里有一个很有意思的细节：Fremont工厂的Model S与X生产线已经被拆除，腾出的空间正在安装第一代Optimus生产线。而这批最初下线的机器人，并不会立刻去打工赚钱，而是被送进内部的Optimus Academy（擎天柱学院），专门用于训练数据采集和功能开发。

马斯克给这个动作补了个注解：这是特斯拉造过的最难规模化的产品，机器人上的一切都是新的。

一家公司为自己的机器人办了一所学校，第一批毕业生的雇主也是这家公司自己。

顺着这个现象，如果我们去分析当前人形机器人的“在岗工时”，会发现它根本不是一个单向维度的概念，而是被重构成了三种截然不同的形态：

第一种，学徒工时。

机器人为自己的制造商工作，或者为买下它来训练算法的实验室工作。它消耗的是研发预算或科研经费，产出的是“数据与能力”，而非任何客户愿意付费购买的商业交付能力。

用这个定义回看2026年的行业格局，人形机器人的第一雇主，几乎全是制造商自己。宇树73.6%的收入来自科研教育，高校买回去当训练设备，成果留在实验室；小鹏IRON的首批试用，也安排在自家门店和园区。

第二种，验证工时。

在学徒与正式工之间，存在一个由政策和公共资金托底的中间地带。今年6月，工信部与国资委下发了实景实训通知，要求年底前在代表性场景开启“作业模式”，带动万台级落地。

在这个模式里，场景方（比如各路央企）扮演的是“陪练”角色，他们负责开放工位、量化目标、提供作业流程数据，并配合验收。

第三种，客户工时。

这是真正的商业化闭环，客户为了机器人的劳动产出而买单，但目前这种工时极度稀缺。公开可查最细的两份考勤记录，付钱的“客户”其实都是“股东”。

所以，翻开经过商业验证的考勤表，第一页需要先记下每一小时的工钱到底是谁付的。

我们还需要回答另一个问题：为什么四足机器人的考勤表，人形很难复制？

过去3年，宇树把四足机器人的科研教育收入占比从68.61%降到了31.58%，学徒工时成功转成了客户工时。很多人据此乐观推断：人形机器人只是起步晚了几年，迟早也会复制这条路线。

但是不能忽视的事实是，四足能走通商业化，是因为它的第一份工业岗位，自带了一张传统的“考勤表”。

根据云深处的数据，绝影系列在变电站场景的识别准确率已达96.5%，暴雨夜间照常干活，平均无故障时间突破了1000小时。为什么锁定的场景是电力巡检？因为巡检恰好落在机器人的能力边界之内：有规程、有点位、有周期。任务在机器人到来之前，就已经被高度标准化了。四足机器人，只是接手了一份现成的考勤表。

但人形机器人面临的，是彻底的非结构化现状。人形的第一份工业岗位是装配、搬运或质检，核心要求是“操作泛化”，而这恰恰是瓶颈，能拿出一份现成规程来包容这种不确定性的车间凤毛麟角。

四足能接手电网的考勤表，前提是电力巡检早已被物联网改造成了点位、缺陷和周期。而人形机器人想要进车间，首先得有人把那些复杂的非结构化工位，变成同样标准化的数据。

这件事，机器人公司可能并不擅长，反而是做工业物联网的人更擅长。

考勤表三列：被折叠的产业硬逻辑

如果真要给机器人的“打工”标价，考勤表上起决定性作用的指标，主要有三列。

第一列：人工介入率

现有公开数据，几乎全是以光鲜的“成功率”面目示人的。智元6月在龙旗工厂搞了一场为期六天的直播，8台G2机器人作业64828次，官方口径的成功率是99.99%。

按这个比例推算，六天里大约发生了6到7次失败。那么问题来了：失败后是谁冲上去处理的？耽误了产线多久？这是成功率背后的隐秘角落，它直接决定了一台机器人的身边，到底得站几个“保姆”。

第二列：故障恢复时间

现在的指标都在卷“平均故障间隔”（MTBF），但这很狡猾，因为它只记录两次故障之间的跨度，却不记录每次停机到底停了多久。

传统工厂的设备，每天最多允许4%到5%的故障停机，卡壳了？清一下料或者重启就能恢复，但具身智能的故障恢复时间，是否在工厂的停机容忍度之内，还没有答案。

第三列：换线与再部署成本

这本该是人形机器人的绝对主场，却偏偏最缺乏量化数据。传统机械臂改造产线的周期动辄半个月，而人形机器人几小时就能切换工位。可以说，整个具身智能行业的千亿估值，一部分建立在这一列上。

好消息是，技术确实在狂奔。英伟达在9月初的博客中介绍了Skild AI发布的S1模型：操作员只需录一段视频作为提示，模型就能直接生成机器人的动作，免去了更新权重和针对特定任务的后训练。按公开转述的数据，其多步任务成功率约为66%（对照系统仅为9%）。

但这绝不意味着“学徒工时”被消灭了，它只是被压低了单价。硬币的反面是成本守恒定律：66%的成功率，意味着剩下三分之一的任务需要恢复或人工去接管和兜底。

这就是考勤表上最无情的博弈：第三列的“部署成本”降下来了，第一列和第二列的“介入与恢复成本”就会不可避免地上升。按下葫芦浮起瓢，任何一列成本的压缩，最终可能都会被挤压到另外两列中去。

终极问题：谁来为千亿规模“记考勤”？

前文提到的那三列决定定价的指标（介入率、恢复时间、换线成本），其实没有一列需要去发明新的传感器。

人工介入的时刻，通常保存在急停按钮、安全光栅和遥控接管的日志里；每次停机停了多久，产线PLC和MES系统的时钟一直在忠实记录；换一次线到底花了多少个工程师小时，集成商的项目表里算得清清楚楚。

数据全都在那里，现在欠缺的，是把它们从三个互不相通的系统里抽出来，对齐到同一条时间轴上，然后以绝对中立的第三方身份出具报告的那个环节。

当下的具身智能赛道，正在玩一场“既当运动员又当裁判员”的游戏。当本体厂商自己拿着99.99%的成功率去跟客户谈按件计费时，恐怕没有哪家租赁商或保险公司敢据此给出公允的报价。

要让商业机制运转起来，未来或将出现一个独立的“第三方AIoT平台”，来彻底打通上一篇提到的读取、对账、计价三层：

1. 读取层（不可篡改的黑匣子）：在机器人本体上外挂一个独立计时、数据直传的边缘网关。物联网厂商早就为挖掘机和电梯做过一模一样的东西，现在无非是换个安装位置。

2. 对账层（打通MES的计件器）：将作业计数与工厂的MES系统互通。龙旗产线上的G2已经接入了MES，这本就是工业软件厂商的日常，区别只在于今天接入的对象从一台贴片机，变成了一个会走路的机器人。

3. 计价层（基于数据的金融结算）：租赁商和保险公司只有拿到前两层脱敏且保真的数据，才能推出“按作业量结算”的合同与保单。

有了这套第三方裁判机制，具身智能或许才能真正领到属于自己的“工牌”，走向流水线去赚取真金白银。当成千上万张真实、不可篡改的“考勤表”在云端汇聚时，那个万亿级的“挖掘机指数”，才会在工厂车间里落地。

写在最后

目前的机器人行业，还没有跑出自己的“挖掘机指数”。介于验收权与计价权之间的“生产工时裁判权”，现在还是真空的，谁能吹响这个千亿赛道的“裁判哨”？

工业互联网平台有对账能力，但拿不到机器人底层的接口；本体厂商有接口，但数据不被金融机构采信。

或许，打破这个僵局的，不是下一家估值千亿的机器人本体厂，而是那个能把“考勤表”记在流水线上的第三方。