配图为主题示意，不代表产品界面、真实工程路线或交易凭证。
装好一台样机，关节动作不顺，可以拆开重配零件；一批样机里挑一台状态最好的去演示，也说得过去。订单要是变成几百台，修配与挑选就不再是办法。每台关节装配上的细微偏差都要有人解释，每一次设计变更都要找到受影响的批次，坏了的零件还得有办法替换。机器人能完成动作，与工厂能稳定造出同一种机器人，隔着一整套制造工作。
《Robotics & Automation News》10月10日发表了对Fictiv/Misumi业务负责人Steve Ricketts的采访，主题正是人形机器人从少量原型机走向数百、数千台时遇到什么困难。受访者谈到执行器、加工与检测、公差、工艺转换、数字化修订控制。这是一篇行业技术访谈，不是Fictiv或Misumi当天发布新品的消息，也不能据此说哪家人形机器人企业已经实现千台量产。采访的价值，在于把展示台上看不见的事情放到桌面。
一台能调好，不等于一批都能装好
早期原型机给工程团队很大的调整空间。某个零件装配后有偏差，工程师可以人工修配；一个关节状态不理想，可以筛选更合适的部件。到了批量阶段，如果每台都需要同一位熟练技师“救场”，工时就无法预测，交期也很难承诺。设计在图纸上满足尺寸要求，却仍可能因多个零件的误差叠加而在总装时卡住。
这也是“公差”听起来无聊、实际却决定成败的原因。公差不是把所有部件都做得越精密越好。不同位置对装配、磨损和性能的影响不同，过度收紧要求会抬高加工与检验成本，过于宽松又会把问题留给总装。成熟的工程讨论会问：哪个尺寸影响关节运行，误差如何沿装配链传递，哪些检测必须留在生产线，哪些可以抽检？这些是从访谈主题延伸出的工程核对问题，并非受访者给出了每一种关节的统一答案。
受访者把执行器列为重要瓶颈之一。电机、精密减速器、轴承、编码器和外壳，任何一环加工或检测不稳定，都会影响整套执行器的装配一致性。样机阶段，采购少量高质量零件再反复调试尚可应付；批量生产则要面对持续供货、替代件、批次差异与质量追溯。即使控制软件越来越好，也不能把机械尺寸漂移当作软件问题一笔带过。
执行器之所以值得先查，还因为它同时牵动零件与系统。某个关节偶尔动作不稳，不能只问控制算法有没有补偿；也要沿着部件规格、配合、装配记录和检测结果回查。若不同批次在同一动作上表现不同，负责机械、电子和控制的人需要看同一台机器的完整配置，而不是各拿一份经过筛选的演示数据。访谈没有给出特定厂商的故障案例，这里讨论的是量产准备的排查路径。
从采购角度看，单一部件的性能参数也不足以说明供应可靠。关键部件有无稳定的检验口径，供应商换批次后尺寸分布是否变化，替代件要经过哪些重新验证，都关系到整机交期。团队可以在样机阶段容忍长时间等待特定部件；承诺批量交付后，等待时间会变成排产和库存问题。把供应风险放在图纸定型后再讨论，常常太晚。
工艺转换不是把同一张图交给另一家厂
采访还讨论了CNC、3D打印与铸造、注塑等工艺之间的取舍。原型期用CNC或3D打印，便于快速改设计、做小批试验；设计趋于稳定后，某些零件可以考虑更适合规模化的工艺。但“可以转换”不等于“该立刻转换”。零件结构是否适合、需求规模是否足以覆盖准备成本、后续设计还会不会大改，都要放进决策里。若今天定模、下月重画图，节约的单件成本可能早已被变更吞掉。
工艺换了，旧图纸上默认的加工条件和检测方式也要重新审视。新的生产方法可能改变表面质量、成形限制、后处理要求或尺寸分布；装配基准与关键尺寸必须被重新确认。不能凭样机合格就推定另一种工艺制造的零件同样合格。尤其是涉及执行器的壳体与传动配合时，制造路径和最终功能之间要有可查的验证记录。
一支机器人团队在工艺决策上容易出现两种错觉。第一种是继续沿用样机的全部做法，反正机器已经跑起来了，等订单落地再想降本；结果是每多一台就多一份人工修配。另一种是在设计尚未稳定时急着为低成本工艺定型，随后每次改动都要协调工具、供应商与库存。两边的问题相同：把阶段性的正确做法当作永久做法。
因此，工艺路线最好跟着产品成熟度一起评审。试验阶段优先获得反馈，设计趋稳时再核算规模化成本；一旦切换工艺，要用功能测试回答“换了方法的零件是否仍能装成同样的关节”。设计人员、供应商和质量人员都要参与这次回答。只由采购部门比较两张报价单，通常漏掉验证、报废和返修的支出。
对小团队而言，检查表未必需要一套昂贵的软件才能起步。一份受控的零件清单、标清版本的图纸、可检索的变更记录、每台机器的配置档案，已经能避免不少混乱。规模扩大后再把数据接进PLM也不迟；但如果最初没人负责写清零件版本和批准状态，换一套系统也不会凭空生出秩序。
配图为主题示意，不代表产品界面、真实工程路线或交易凭证。
版本不清，修好的可能不是同一种机器
采访提到数字化修订控制。它并不只是给设计文件加个版本号。量产中的设计改动会传到采购清单、加工程序、检验规范、装配指导和维修备件。工程师换了一处配合尺寸，库存中旧版零件是否还能使用？哪一批机器已经换上新版？现场故障集中在哪个版本？如果这些问题无法回答，企业连“这台机器人是按哪套设计造出来的”都说不清。
对AI+CAD、AI+CAE及PLM工具来说，机会也在这里。设计阶段可以尝试辅助发现装配干涉、零件成本与供应风险，仿真阶段可以帮助比较方案；PLM记录谁改了设计、改动经过什么批准、哪批产品执行了新版本。软件不该被宣传成代替工程师签字的万能裁判。它能减少漏项、缩短回查路径，前提是设计、制造、检验和售后确实使用同一条受控的信息链。
量产后，还要让质量问题回到设计。只报一个整机合格率远远不够：是零件来料波动，装配方法不一致，还是某次修订带来的问题？返修时换下的部件、发生故障的批次与对应加工工艺最好能够互相定位。没有这些记录，生产越多，团队越容易用经验和猜测追故障。采访没有提供任何具体企业的缺陷率或成本曲线，外界也不应把这些工程问题改写成对某家厂商的质量指控。
版本管理还有一个不太直观的后果：质量数据不能脱离版本单独讨论。假设某批机器的某个关节返修较多，先看这一批使用哪版设计、哪家供应商的零件、什么工艺和装配方法，再比较相同条件下的其他批次。否则，算法更新、零件替换和装配工序变化同时发生，谁造成改进或退步谁也说不准。数字化工具的工作是保存这种关联，而不是自动宣告“根因已找到”。
给准备扩大产量的团队列一份真问题
若团队目前只能做十台，不妨从最费力的装配步骤查起：哪处必须手工打磨、反复试配，哪些零件需要从一堆来料中挑？把工时和调整动作记录下来，再去改零件基准和公差设计，而不是要求装配工更熟练。与此同时，为电机、减速器、轴承、编码器与壳体逐项建立供货、检验和替代方案；关键部件出现偏差时，应知道是在来料、加工还是总装阶段发现。
第二步是给每个工艺选择设一个“转换条件”：设计冻结到什么程度，预期订单怎样，关键尺寸能否被新工艺稳定控制，首件验证与批次验收如何做。CNC、3D打印、铸造与注塑不是技术排位赛，适合哪种工艺取决于零件与阶段。企业内部若只拿单件报价比较，却不计版本变化、检具、报废与返工，得到的所谓低成本方案往往过于乐观。
第三步，给变更留痕。工程变更从提议到批准要经过谁，旧版库存怎样处理，供应商何时切换，售后拿到的是哪个版本的备件，都应能查到。试生产时也要按批次保存关键尺寸、装配调整与故障反馈，避免不同版本的数据混在一起后得出一个毫无解释力的平均值。问题越早暴露在几十台的阶段，修正越便宜；到了千台之后，缺陷会沿着供应链和售后一起扩散。
采购方同样有问题要问。展示机器连续完成一次任务，证明的是当次功能，不证明批次一致性。评估供应商时可以要求查看配置管理规则、关键部件的检验方法、试生产记录、故障回溯与备件策略。哪些证据需要第三方测试，哪些属于商业机密，可在保密与验收安排中明确；不能因为拿不到全部图纸，就只看一段表演视频决定采购。
把试生产当成学习阶段，而不是把产量目标写在墙上的冲刺阶段，也许更实际。先用有限批次暴露装配费时的部位，记录来料合格情况和返修，再决定哪些设计应冻结、哪些供应商可以增加份额。放大产量前做一次反问：现在的合格品是靠规范生产得到的，还是靠少数人不停救回来的？两种答案对应完全不同的扩产风险。
这套方法也给采购方一个判断边界。尚处样机期的团队可以展示研发能力，不必假装拥有成熟的售后网络；已经谈批量交付的团队，则应拿出与承诺相称的制造和维护证据。把两个阶段的评价标准混在一起，既容易错杀值得继续试验的技术，也容易高估尚未准备好交付的产品。
工厂端还得准备一个常被演示视频省略的答案：不合格品怎么处理？关键尺寸超差后，是允许返工、必须报废，还是可以降级用于研发？决定要事先与质量规范对齐，并留下记录。否则，筛选样机时暂时堆在一旁的零件，到了批量阶段可能悄悄进入正常库存。售后备件也要适配已经交付的版本，不能只按今天的最新版采购。
有些团队会希望算法补偿制造波动。补偿可以是设计选项，但应说明允许补偿的范围，验证不同环境与寿命阶段的表现，并留存原始制造数据。若机械问题只在演示现场被软件调到看不出来，生产线仍无法稳定交付。反过来，机械质量改进也要通过整机任务测试检验，不应只停留在一张漂亮的尺寸报告。
人形机器人仍在快速迭代，过早把所有设计固定下来并不合理；永远只靠样机团队救火也不是量产路线。企业需要一边保留修改产品的能力，一边让每次修改都能在制造与售后环节被识别。这正是访谈中“从十台到千台”问题的核心：不是多雇几个人组装，而是能在不靠个别高手的情况下，重复造出符合规格、可追溯、可维修的机器。至于谁已经做到，采访本身没有给出答案，得看持续交付和质量记录，也要看维修后能否用同一套配置资料定位问题、及时拿到兼容的零件。演示结束后，制造的考试才刚开始。
资料来源
- Robotics & Automation News, “Interview: Humanoid robots are advancing fast. Manufacturing them at scale is the next challenge”, 2026-10-10. https://roboticsandautomationnews.com/2026/10/10/interview-humanoid-robots-are-advancing-fast-manufacturing-them-at-scale-is-the-next-challenge/105812/