【要点】

• 丰田于2026年9月18日宣布正式进军面向生产现场的机器人业务。公司成立新组织“丰田机器人”，将陆续对外销售搭载自研AI的机器人。

• 中长期目标是应用约40万台机器人——丰田及集团15万台、供应商25万台。自2028年起，配合每年约1万亿日元（约500亿元）规模的设备更新，翻新全球约60座工厂。这40万台并非某一款机型的销售目标，而是包含既有工业机器人在内的应用计划。

• 核心机器人“埃莉（ELEY）”重约50千克、双指手、以轮子移动而非双足行走。它搭载丰田研究院（TRI）开发的基础AI“大规模行为模型（LBM）”——一种从大量演示数据中学习机器人动作的AI。现场演示数据越多、越多样，LBM就越聪明。

• 丰田计划把约1.8万名熟练技工“匠”的作业，转化为机器人学习的范本（数据）。不过，衡量成效的指标尚未公布。

“丰田机器人”成立，40万台是“数据收集网”的构想

丰田把面向生产现场的机器人明确定位为一项业务，并成立新组织丰田机器人。公司要把此前积累的成果——从投篮机器人“CUE”到生活支援机器人“HSR”——延伸到生产线上的落地应用与对外销售。

规模不小。中长期内，丰田计划应用约40万台机器人：集团15万台、供应商25万台。这并非只是新机型的台数，而是把包含既有工业机器人在内的整个生产设备，更新为下一代生产基础设施的构想。公司将配合2028年起每年约1万亿日元（约500亿元）规模的设备更新，随全球约60座工厂老旧设备的重建与改造陆续导入。

不能忽视的是，这40万台不只是“导入台数”。每一台在真实生产线上工作的机器人，都会在那里产生动作数据。40万台的规模，意味着一张从堪称全球最大的生产现场群中采集数据的网。具身智能的竞争，正在转向这场现场数据的争夺。

为何此刻拼的是数据：LBM靠现场演示变聪明

核心是AI伙伴机器人“埃莉”。它重约50千克、双指手、以轮子移动，搭载TRI开发的LBM。与以往逐个动作人工编程不同，它通过观看人的作业，从少量学习中获得不易失误的动作；已公开的演示中，它学会叠T恤后能自主重复完成。

LBM是“行为的基础模型”：正如语言基础模型靠海量文本变聪明，它从大量演示数据中学习机器人动作。其长处是只需少量追加学习就能掌握新任务，但这一底座的质量，取决于掌握了多少覆盖面广的现场演示数据。正因如此，约1.8万名“匠”的作业才格外宝贵——熟练的手感与诀窍这类优质数据，可以直接成为机器人的学习素材。

埃莉选择轮子而非双足，也可在此脉络下理解。双足行走控制难，且伴随跌倒风险与高耗电。在以平整地面为前提的工厂，轮子更便宜、更快、更易于成批导入。越早把机器人成批投入现场，数据就积累得越快。机体的形态不是目的，而是让数据得以持续采集的手段。

LBM不绑定特定硬件这一点同样重要。TRI在2025年公开了用LBM驱动美国波士顿动力人型机器人“Atlas”的演示。既然AI不受制于特定硬件，那么决定胜负的，就是能把这套AI放到多少多样的现场去跑、采集到多少数据。

各家真正争夺的，是“采集数据的场所”

从这一角度并列各家，竞争的本质便浮现出来。

特斯拉说得最直白。到2026年年中，它已在弗里蒙特等工厂部署了千台规模的Optimus，但对外销售为零，马斯克本人也承认这些机器人“主要用于学习和数据收集，并未在工厂里发挥实质战力”。这几乎等于公开承认，眼下的目的就是采集数据。但采集场所以自家工厂为主，现场的多样性有限。

德国宝马与梅赛德斯-奔驰不自造机器人，而是与专业初创企业合作。宝马在美国南卡罗来纳州斯帕坦堡工厂，把Figure AI的“Figure 02”投入长达十个月的验证，用于超过3万辆“X3”的生产工序，并推进到后继机型“Figure 03”的商用合同，初期约40台，按每台机器人每工作小时约25美元计费。奔驰则把美国Apptronik的“Apollo”引入柏林基地，从厂内物流与初期质量检查起步。在这种分工里，车企产线上的真实数据反而积累到专业AI企业一侧——握有数据的是AI提供方，而非车企。

在量产与部署速度上领先的是中国厂商。优必选于2026年9月在广西柳州启用智能工厂，年产能超过1万台——这是产能数字，而非部署实绩。即便如此，其“Walker S2”已有数百台投入使用，进入比亚迪、吉利、一汽大众、东风、一汽奥迪、北汽、富士康的工厂；欧洲空客也于2026年1月起推进采用相关工作。宇树科技截至2026年7月累计生产约1.8万台机器人，零部件自给率超过9成，并计划建成年产7.5万台的体制。小鹏汽车提出其人型机器人“IRON”在2026年底大规模量产。中国政府将2027年前年出货量超过10万台列为目标。2026年上半年全球人型机器人出货量超过2.2万台，据称中国企业包揽前五。中国厂商以快速把大量机器人投入多样现场的方式，正在最快地积累多样的现场数据。

丰田的胜算，与起步偏晚的数据时钟

从数据的角度看，丰田的潜在优势很大。除了拥有全球最大规模之一的生产现场，它还拥有其他企业难以复制的供应链腹地，并计划在供应商等环节应用约25万台机器人。工序各异的无数现场，可能成为多样而庞大的数据来源。“匠”的作业提供了优质范本。自有AI、机器人与工厂，也让丰田能在内部完成数据闭环——这与依赖外部专业企业的欧洲厂商不同。

问题在于，时钟起步偏晚。40万台只是中长期目标，正式发力要到2028年以后。而特斯拉在当下就以千台规模采集数据，中国厂商在当下就把机器人送进众多汽车工厂。数据积累具有复利性质：越早让闭环转起来，学习越深入，越能带动下一轮性能提升。一旦落后，差距往往随时间拉大。

第二重担忧是数据的偏倚。若现场只局限于丰田自身及其供应链体系，采集到的数据可能缺乏推广到其他公司工厂所需的多样性。这一庞大的供应链网络能否真正转化为数据优势，取决于它能向集团之外开放到什么程度。

看什么才能判断胜算

决定胜负的，不是40万台这个最终目标本身，而是丰田能否不等到2028年，就尽早、尽可能广地把实机送上真正运转的生产线，并尽早让高质量数据的采集与学习闭环转起来。

要看的点很集中。落地的节奏——何时、多少台、投放到哪些现场的真实产线。数据的广度——能横跨自家、集团与外部现场到什么程度。以及LBM在现场实际带来的良率与有效作业比例的改善值。