企业官网建设流程全解析

简介：《2024人形机器人产业链白皮书》面向人形机器人产业研究、投资研判、产品规划与战略分析人员，系统梳理行业从“0到1”导入期的关键问题。内容围绕社会发展需求与市场空间展开，覆盖宏观环境、产品定义及发展历程、产业链上中下游、主要生产企业、商业化落地场景与投资建议，重点拆解运动控制、环境感知、人机交互三大核心能力，并对比体能型与智能型两条技术路线，讨论制造业与服务业的应用优先级。读者可据此建立产业链分析框架，理解上游硬件成熟度、软件算法攻关方向及2035年千亿美元级市场预测背后的逻辑。包内为1个PDF文件，压缩包约2.96MB，结构完整、便于检索。目前已有2398人学习下载，适合需要快速掌握人形机器人产业格局、技术路线与市场前景的从业者与研究者参考。

1. 从宏观到量产：一份产业链白皮书该怎么拆

人形机器人这个词这两年被提得太多，但真正把「产业链」讲透的材料不多：厂商路演只讲自己那一段，研报模型漂亮却说不清一个谐波减速器到底卡在哪。这份《2024 人形机器人产业链白皮书》少见地给了全链条视角，从宏观环境、产品定义、发展历程，一路推到产业链拆解、企业扫描和市场规模预测。适合三类人：做硬件选型和 BOM 评估的工程师、要给立项做技术判断的负责人，以及想快速建立全局认知的从业者。它最值钱的不是那几个预测数字，而是把三大技术模块和上游物料对应起来的那套框架——后面几章我把它拆成能直接抄的表格和打分步骤。

2. 拆研究框架：三大技术模块怎么落到一张产业链地图上

拿到一份产业资料，我习惯先看它怎么划边界。边界不清，后面的市场规模、渗透率、增速全是浮沙，引用的人越多，错得越远。这份白皮书在开篇就把范围界定得比较严格，也正因为严格，后面那几张表才好用、才敢拿去和别的资料做对比。

2.1 从「仿人形 + 三大能力」倒推研究边界

白皮书给的定义是：人形机器人是一种模仿人类外形的机器人，除具备人形和模拟人类动作外，还兼具智慧化和可交互性。落到技术上，它被拆成三大核心技术模块——环境感知、运动控制、人机交互。对应到人体结构很好记：眼、耳、鼻、皮肤是感知，躯干和四肢是运动，大脑是交互。

范围界定那一页是整份资料里最该先看的一页。报告只覆盖「通用型人形机器人，主要为大型双足」，把小型教育娱乐机器人、商业功能型机器人、商场或博物馆的引导型机器人全部排除在外，理由是这些品类在类人程度和人工智能应用程度上与通用人形机器人差距太大。这条划线看着不起眼，实际决定了后面所有市场数字的口径——如果你拿它去套一台教育类桌面机器人，所有结论都会失真。

把三大模块和硬件对应起来，就是一张最基础的产业链地图：

这张表的价值在于它把「人形机器人」这个大词切成了三条可以分别调研的线。你要做选型，第一步不是问哪家整机好，而是先确定自己站在哪条线上——站在运动控制线上，减速器和执行器是你的主战场；站在人机交互线上，算法和数据才是核心；站在感知线上，传感器标定和一致性会消耗掉大部分研发时间。

我一般会做「边界三问」：覆盖整机还是零部件？双足还是轮式？通用还是专用？三问答不上来的资料，后面的数字一律不引用，哪怕它上了热搜。这套动作做过两三次之后你会发现，市面上相当一部分「人形机器人市场预测」其实是在用整机口径套零部件，或者拿轮式底盘的数据说双足，误差大得离谱。

2.2 上游硬件的成熟度分档：把物料清单按四象限排一遍

白皮书把核心硬件放进了「技术生命周期 × 本土供应链渗透率」的两维图里，分萌芽期、发展期、成熟期、衰退期四档。这个排法比单纯列一张物料清单有用，因为它同时回答了读者最关心的两个问题：这个件能不能买到现货？能买到谁家的一致性版本？

我把报告里散落在图上的品类整理成了一张可以直接用的表。阶段是白皮书口径，最后一列是我自己读出来的落地含义：

注意：白皮书这张图是定性分布，横纵轴都没有给出精确百分比。不要从图上反推「某某减速器渗透率 43%」这种数，这类数字一旦进了汇报材料，被追问时很难圆回来。

拿到这张表之后，可执行的动作是三步。第一步，把你要做的产品 BOM 逐行对照上表分类，分类标准就按「运动执行 / 环境感知 / 动力 / 其他」四块来。第二步，给每个品类补三个字段：供应商数量、有没有车规或工业级现成供应链、交付周期。这三个字段比成熟度标签更能决定项目排期。第三步，把所有「发展期 + 单一供应商」的品类单独拎出来，组成风险清单。

具体的判断规则我一般这么定：成熟期品类走比价和双供，不要在设计阶段就绑死一家；发展期品类走联合开发加备选方案，宁可多花两周做二供验证；萌芽期品类不写进首版 BOM，除非你自己有自研团队并且愿意承担延期风险。这套规则的血泪经验来自太多次「样机做出来了，某个传感器交期六个月」的翻车现场——成熟度标签只是参考，交期才是真的。

2.3 用专利分布反推技术攻关优先级

白皮书里还有一组容易被跳过但信息密度很高的数据：人形机器人技术领域的专利已接近 2 万件，其中 90% 以上分布在本体结构、驱动控制、智能感知三块。分技术分支看，本体结构 7949 件、驱动控制 4800 件、智能感知 4191 件、核心零部件 927 件、支撑环境 506 件。

这组数的读法要反过来想。专利密集的地方说明过去几年钱和人都往那里涌，不代表那里还有肉；专利稀疏的地方要么是真正的洼地，要么是门槛根本不在可专利化的设计上。本体结构占了四成多，意味着结构层面的创新已经非常拥挤，靠一个关节构型就拿壁垒的时代过去了，剩下能拼的是工艺、成本和一致性。核心零部件只有 927 件，占比不到 6%，但这不代表零部件好做——恰恰相反，减速器、丝杠、力矩传感器这类东西的门槛在材料、热处理、标定经验和长期可靠性数据里，这些都不太容易写成专利。

把占比算出来会更直观：本体结构约 43%、驱动控制约 26%、智能感知约 23%、核心零部件约 5%、支撑环境约 3%。支撑环境那一栏只有 506 件，对应的是标准体系、检验检测、中试验证、开源工具这些「不直接产生产品」的环节，恰恰是产业规模化最缺的东西。

可执行的动作是这样：先把你负责的方向映射到上面五个分支中的某一个，算出分支占比；然后判断自己是在红海里拼工艺，还是在洼地里啃硬骨头。如果落在本体结构，规划里就得明确写出成本路线和制造工艺路线，不能只写结构创新；如果落在核心零部件，别指望靠专利数量讲故事，要拿得出寿命测试数据和批次一致性报告；如果落在支撑环境，短期收入模型会很难看，但中长期是标准话语权。

3. 市场规模那一页怎么用：把 2035 年的千亿美元拆回可验证的假设

市场预测那一页是全篇最容易被截图转发的，也是最容易被误用的一页。数字本身问题不大，问题在于大多数人只记住了「千亿美元」，没记住它前面还挂着「保守估计」和「2035 年」两个限定词，更没注意到同一页上还有一条出货量曲线和一条金额曲线，两条线的口径根本不是一回事。

3.1 两条曲线差在哪：把结论还原成假设

白皮书给了保守和乐观两条路径。保守路径下，2024 年全球市场千台量级起步，到 2030 年达到 7.6 万台，2035 年市场规模在千亿美元量级；乐观路径下，2030 年出货量就能突破百万台，2035 年市场规模接近两千亿美元量级。两条路径共享的底层假设其实只有两条：一是劳动力缺口持续扩大，二是机器替人的成本收益比在某个时间点跨过临界值。差异全部体现在渗透速度和单机成本下降曲线上。

这两条假设能不能站住，直接决定预测值可不可信。劳动力缺口这条相对硬，人口增速放缓和老龄化是慢变量，白皮书引用的数据是全球 65 岁以上人口占比持续上升、部分经济体老龄化接近 30%，这个趋势短期内不会反转。成本这条就软得多，它取决于减速器、丝杠、力矩传感器这几类关键件的降本速度，而那几类件恰好又落在上一节的「发展期」区间里，变量很大。

真正需要动手做的是把结论还原成假设，然后自己算一遍。白皮书正文提到「50% 以上的高增速」，这个说法如果不标口径，很容易在转述中变形。用几行代码把两个口径分别反算一下，差异立刻显形：

def cagr(begin, end, years): """反算年复合增长率：begin 起点值，end 终点值，years 年数""" return (end / begin) ** (1 / years) - 1 # 口径 A：出货量。2024 年千台量级 -> 2030 年 7.6 万台，跨 6 年 print("出货量 CAGR:", round(cagr(1_000, 76_000, 6) * 100, 1), "%") # 口径 B：市场规模。2024 年 6.2 亿美元 -> 2035 年 1102.7 亿美元，跨 11 年 print("金额 CAGR:", round(cagr(6.2, 1102.7, 11) * 100, 1), "%")

跑出来的结果，出货量口径约 106%，金额口径约 60%。

逻辑说明：这两个数不是一回事。出货 CAGR 描述的是「台数涨得多快」，金额 CAGR 描述的是「钱涨得多快」，后者被单机降价压着，天然低于前者。所以引用「50% 以上高增速」时，必须说清楚是金额还是台数，否则两个部门拿同一句话能推出完全不同的备货计划。

参数说明：years一定要用「终点年份减起点年份」，不要用表格里的行数，白皮书的年份列有空档，按行数算会少算一年，CAGR 能差出十几个点。起点值如果是「千台」这种约数，算出来的结果只能看量级，不能当精确值写进财务模型。另外金额起点 6.2 亿美元是 2024 年预测值不是实际值，用它算出来的 CAGR 严格说是「预测的预测」，只能用于交叉校验，不能单独作数。

这一步做完你会发现一个反直觉的结论：保守路径下的出货量增速其实比「50%」激进得多，而金额增速反而更接近这个说法。白皮书用「50% 以上」作为概括，是把两条曲线揉在一起讲了，读的时候必须自己拆开。

3.2 三阶段落地路径：时间轴上的能力要求

白皮书把商业化落地分成三段，这个分段比市场规模数字更有参考价值，因为它把「什么时候需要什么能力」讲清楚了。

阶段一是 2024 到 2027 年，从制造业工厂切入，应用标准是「替代相对简单且重复性的劳动」。这个阶段的产品不能执行更复杂的任务，用户对新生事物的接受程度也不高，应用场景比较局限。阶段二是 2028 到 2030 年，工厂场景渗透加强，在持续降本的基础上逐渐走进餐厅、商场这类商业场景。阶段三是 2030 年以后，大模型与人形机器人结合，走向具身智能，开始进入家庭。

这张表最实用的地方是它标出了每一阶段的瓶颈不一样。阶段一卡在可靠性和成本，一台机器在产线上连续跑三个月不出故障，比它能做多少个动作重要得多；阶段二卡在交互和多任务切换，因为餐厅商场的环境比工厂乱得多；阶段三卡在泛化和安全，家庭场景里任何一次误动作都是事故。你在哪个阶段做产品，就死盯哪个瓶颈，别拿阶段三的技术指标去要求阶段一的产品——这是我见过最常见的资源错配，团队把钱花在演示效果上，结果连产线验收都过不了。

3.3 用渗透率类比法做自检

白皮书拿智能手机和新能源汽车的 S 曲线做参照，理由是两个品类都完整走过了「导入期 0 到 1、成长期 1 到 N、成熟期」的路径。方法本身没问题，但直接套用会出问题，我总结了三条要卡住的地方。

第一，参照品类的渗透驱动因素必须可比。手机靠换机周期和移动互联网内容生态，新能源车靠补能网络和政策补贴，人形机器人靠的是劳动力成本对比，三条曲线的形状不一样，导入期长度也不同。第二，导入期时长不能照抄，手机从智能机出现到渗透率过半用不到十年，是因为底下有成熟的通信基础设施撑着，人形机器人没有这样一个现成底座，减速器、丝杠、灵巧手都得一行一行补。第三，渗透率的分母要选对，按「每万人保有量」算和按「制造业岗位替代率」算，结论能差好几倍。

我自己用的自检流程是四步：先确定分母并写成一句话，是总人口、制造业就业人数，还是某个具体工序的岗位数；再找两三个参照品类的同口径历史渗透曲线；然后把时间轴对齐，标出人形机器人当前点位；最后反推需要的年出货量，和白皮书的保守、乐观路径对一下，差异大就说明分母选错了。

4. 体能型和智能型：一条分型判据和一张场景打分表

4.1 两条路线的能力侧重：结构驱动与算法驱动

白皮书扫描主流产品后，从技术路线上分出两个阵营。体能型以海外几家做液压或电驱双足的平台为代表，定位工业和物流；智能型以海外几家做人形交互的平台为代表，定位家庭服务、康养陪伴和娱乐。报告同时给了一个演进判断：随着技术发展，体能型与智能型会高度融合，最终的形态是基于通用智能的具身智能。

这个二分法是「当下的产品定位」，不是「技术路线的优劣」。把它理解成两条赛道而不是两种对错，才不会在读企业案例时下错判断。

选型时问两个问题就够了：你的场景里「动作」重要还是「理解」重要？你的客户能接受多长的交付验证周期？第一个问题决定技术栈重心，第二个问题决定商业模式能不能闭环。制造业客户能接受三个月的现场调试，家庭用户接受不了三天，这是两条路线商业化节奏差的根本原因，不是技术先进性的差别。

4.2 制造业为什么先落地：六个维度的对比

白皮书用一整页对比了制造业和服务业对人形机器人的需求差异，结论是制造业环境相对封闭、工序相对标准、有明确的评判标准，在自动化发展受限的情况下替代部分人工，是最佳切入点。服务业的需求更分散，人机交互要求高，落地会逐步释放。

这张表可以再往下落一层。制造业内部也分结构化工序和非结构化工序：结构化工序是装配、检测、维护这类动作可枚举的活；非结构化工序是人、机、环境协同的场景，比如同一个工位上工人和机器要交替作业。白皮书的判断是结构化工序先落地，非结构化工序往后放。具体到汽车行业，小型零部件总装、整车总装里工业机器人做不到的精细组装环节，是第一批切入点——这些位置原本靠人工补，动作有明确 SOP，成功与否能被视觉检测客观判定。

服务业那边，白皮书提到的是综合家政服务这类多功能场景，以及复杂区域引导、灵活操作、鲁棒行走、多模态交互这些能力要求。对比之下很清楚：制造业要的是一致性，服务业要的是适应性。一致性可以靠工程打磨，适应性得靠数据和模型，后者需要的时间长得多。

4.3 拿这张表给具体场景打分

表格看懂是一回事，拿来判断一个具体工位值不值得上人形机器人是另一回事。我把上面的维度压成六个可打分的项，每项 1 到 5 分，加权求和，4 分以上优先切入，3 到 4 分观察，3 分以下先别碰。

举个虚构的例子。某个汽车总装车间的小件装配工位：场景封闭度打 5 分，围栏内作业、地面平整、光照稳定；工序标准化打 5 分，有完整 SOP、动作可枚举；评价标准清晰度打 4 分，装配到位与否能靠视觉检测判定；现有自动化覆盖度打 4 分，精细组装环节工业机器人确实做不了；人机交互强度打 4 分，只需要简单避让不需要对话；成本回收周期只能打 2 分，单机成本高、回本期拉到两年以上。加权算下来是 4.1 分，属于优先切入区间，但成本是最大的不确定项，方案里必须写清楚降本路径。

这个打分表的好处是把争论从「你觉得行不行」变成「哪一项分低、为什么低、怎么补」。我在评审会上见过太多次纯靠直觉的争论，最后谁也说服不了谁，有了分数至少能定位分歧在哪一格。

5. 避坑：这份白皮书里五处最容易读错的地方

白皮书本身写得比较克制，但结构是结论先行的，前半部分全是浓缩过的洞察页，特别适合被摘出来单独传播。我在几份内部汇报里见过因为口径没对齐被打回去重做的案例，下面五条按踩坑频率排，每条都给出从现象到解决的处理路径。

5.1 数字口径类

坑一：把「全球需求总量」当成 2035 年的年出货量。 现象是汇报材料里写「2035 年全球需求一百亿台」，现场被问一句「这个量平摊下来人均不止一台」就卡住了。原因在于原文这组数说的是长期累计需求总量，和同一页的年度出货量、市场规模不是同一个口径，混着用必然对不上。解决办法是引用前把三件事写全：单位、时间点、累计还是年度。写完自己用 CAGR 反算一遍，如果年出货量口径算出来的复合增速高到七位数，那一定是用错了口径。

坑二：把出货量增速和金额增速混着讲。 现象是一边引用「50% 以上高增速」，一边贴出货量曲线，两条线的斜率明显对不上，被懂行的人一眼看穿。原因是金额增速被单机降价压制，通常低于台数增速，这两个数天然不等。解决办法很简单，做两行表分别列清楚：出货量 CAGR 多少，金额 CAGR 多少，各自的时间窗口是什么。别怕麻烦，这两行字能省掉一轮返工。

坑三：用专利数量判断技术壁垒高低。 现象是看到某个技术分支专利数量少，就判断「这块没门槛，可以进」。原因是专利密度低往往说明门槛在工艺、材料、标定经验这些不太容易专利化的地方，而不是没门槛。解决办法是把专利数据只用来判断「过去谁在投钱」，不用来判断「现在好不好进」。真要看壁垒，去看这个品类的交期、良率和批次一致性数据。

5.2 结论与时间轴类

坑四：把「2035 年千亿美元」当成确定值写进立项报告。 现象是市场空间那一栏直接引用一个数，没有任何区间和前提。原因是原报告自己给的就是保守与乐观两条路径，两条路径在 2035 年差了将近一倍，只取一个数等于把不确定性藏起来了。解决办法是引用时带上区间，并附上自己算的 CAGR 和关键假设，至少写清楚「假设单机成本年降多少、假设渗透速度取哪一档」。评审的人不一定懂技术，但一定看得懂区间。

坑五：把体能型和智能型当成终局分类。 现象是拿这个二分法去判断某家企业「路线选错了」。原因是报告自己也写了，两条路线在融合，基于通用智能的具身智能才是终局，分型描述的只是当下的产品定位和场景选择。解决办法是看企业时盯两个问题：它现在在哪个场景收钱？这个场景的付费方是谁？至于它属于哪一派，等它开始规模化交付再说。

提示：这五条里前三条属于「读的时候就能避开」，后两条属于「用的时候才会暴露」。我的习惯是把后两条直接写在汇报材料的脚注里，让别人一眼看到边界，比事后解释省力得多。

6. 把白皮书用成资产：三个能反复用的动作

一份产业资料读完就放进文件夹，等于白读。我把它转成三个可以反复执行的动作，每个季度花半天就能更新一遍。

第一个动作是维护一张活的零件成熟度表。就用第 2 章那张表做底，每个季度重新打一次分，重点更新三列：供应商数量、交期、有没有新的车规或工业级玩家进来。成熟度标签会骗人，交期不会。我自己那张表里，有两三个品类在一年内从「发展期」变成了「成熟期」，靠的就是交期从二十周缩到八周这个信号，而不是谁的发布会。

第二个动作是任何产业数字先过一遍反算。不管是白皮书、研报还是厂商材料，看到增速、看到市场规模，先用第 3 章那段代码跑一遍，看起点、终点、年数三者能不能自洽。这个习惯救过我很多次，尤其是那种「五年增长一百倍」的说法，反算出来年化超过 150%，再一看起点是个位数，基本可以判断是在拿小基数讲故事。

第三个动作是用场景打分表替代拍脑袋。第 4 章那六项权重不是固定的，制造业项目我会把「工序标准化」调到 25%，服务类项目把「人机交互强度

本文还有配套的精品资源，点击获取