# 15 种零件、20 秒、99.5%：华硕把第一台人形机器人放在最不好看的工位上

> 15 种小零件、薄透明袋、单板约 20 秒，目标是把成功率做到 99.5%——和给人的标准一样。华硕第一台人形机器人没去发布会，去了自家 EMS 工厂的包装工位。

### TLDR

- **首秀工位**：华硕集团 EMS 工厂的主板配件包装工位，**15 种小零件**，许多装在薄而透明的袋里，单块板约 **20 秒**。
- **考核标准**：目标是在 **20 秒内达到 99.5% 成功率**，官方写明「与我们对一个人的标准相同」。
- **硬件口径**：本体与带触觉的灵巧手均为自研，机内只有一块 **NVIDIA Jetson AGX Thor**，电机等标准件来自既有供应商；目前是**固定基座双臂**，轮式版本在下一步。
- **时间表**：项目 **2026 年初**启动；未来一年把自研手装机、加轮式底盘、在 **Computex 2027** 向客户展示；**2027 年**客户试点，**2028 年下半年**面向市场供货。
- **判断：99.5% 这个数真正的分量不在「高」，而在它被限定在「20 秒内」——成功率与节拍绑在一起才算验收指标。按 20 秒一块板、8 小时一个班算，一个班 1440 块板，0.5% 的失误率对应约 7 次失误。华硕没写这 7 次由谁接管、多久恢复，而这恰恰是「机器人能不能顶一个岗」和「机器人能不能省一个人」之间的全部距离。**

### SRC

主源为华硕官方新闻室 **2026-11-13** 发布的署名博文（https://press.asus.com/blog/factory-proven-physical-ai-asus-gallop-humanoid-robot/ ），作者 Dr. Albert Chang，配套信息为联席 CEO 许先越（S.Y. Hsu）于 **2026-11-13 上午**在 CNBC《Squawk Box Asia》的介绍。原始发布在美东 11-12 晚间至 11-13，中文转述于 11-14 早间落地，均在本批时间窗「前一日 18:00 → 当日 09:00」（2026-11-14 18:00 → 2026-11-15 09:00）之外，按扩窗规则第一条处理：**本窗新增量为中文科技媒体对该博文的集中转述与工位细节的完整披露**（15 种零件、20 秒、99.5%、单芯片 Thor、2028 下半年供货），本文即依此增量写作，不冒充窗口内首发。

可靠性分层：①工位、零件数、节拍、成功率目标、芯片型号、时间表均出自**厂商官方博文原句**，属一手自述，可核；②「与对人的标准相同」是华硕自己的定义，**未给出人手在该工位的历史实测成功率**，因此无法判断这个目标相对人是偏高还是持平；③官方通篇给的是**目标值**，没有任何一处给出当前实测成功率或已连续运行时长，属关键缺口，本文不替它补；④「Jetson AGX Thor」为博文表述，具体算力档位、内存配置未披露。文中判断均以「判断：」开头，版权与免责声明由模板自动附加。

### BODY

<p>人形机器人发布通常从一个舞台开始。华硕这次从一个包装工位开始，而且主动把最难看的参数写在了最前面：15 种小零件，薄透明袋，20 秒一块板。</p>

<div class="sec">
<div class="eyebrow">一、为什么挑这个工位</div>

<p>官方给的理由是「因为它难」。这三个字值得展开：薄、透明、小，是人形机器人抓取的三重困境，而且三者叠加时最难。</p>

<div class="jx-cols">
<div style="flex:50">
<p><strong>薄</strong>：袋子本身没有厚度可抓，指尖合拢时容易滑脱；力控稍微大一点，袋口会被捏皱，零件在袋里移位，后续摆放就全错。这是力控问题，不是视觉问题。</p>
</div>
<div style="flex:50">
<p><strong>透明</strong>：透明袋让基于 RGB 的分割几乎失效——背景透过去，边缘不成立。多数团队在这里被迫上深度或多光谱，而深度相机对薄膜这类高反光、半透材质本身就不稳。</p>
</div>
</div>

<p>第三重是「小」。零件小意味着抓取容差小，而容差小意味着每一次成功的窗口都很窄。一个夹爪能不能干这活，跟它有几个自由度关系不大，跟它在毫米级误差下的重复性关系极大。</p>

<p>华硕自己写了一句比任何参数都硬的判据：<strong>「如果一个人还得全程站在旁边，那就谁也没得到好处。」</strong>这句话把「演示」和「上岗」切开了——演示允许人站在旁边随时兜底，上岗不允许。</p>
</div>

<div class="sec">
<div class="eyebrow">二、把 99.5% 换算成一个班</div>

<p>20 秒一块板，一小时 180 块。按一个 8 小时班算，1440 块。0.5% 的失误率意味着<strong>每 200 块错 1 次</strong>，一个班下来约 <strong>7 次</strong>。</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">成功率 99.0%</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">约 14.4 次/班</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">成功率 99.5%（华硕目标）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:50%"></div></div><div class="jx-bar-val">约 7.2 次/班</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">成功率 99.9%</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:10%"></div></div><div class="jx-bar-val">约 1.4 次/班</div></div>
<div class="jx-legend"><div class="jx-lg">按单班 8 小时、20 秒一块板、无停机连续作业推算，一个班 1440 块；实际含换料、换型、故障停机，产出会低于理论值。三行同为「每班失误次数」，可直接互比。</div></div>
</div>

<p>七次失误是什么概念？如果每次失误后需要人进场处理 3 分钟，一个班要停 21 分钟；如果处理一次要 10 分钟（找零件、重装袋、重新过检），一个班要停 70 分钟，占掉 15% 的产能。</p>

<p>更关键的是失误的<strong>形态</strong>。包装工位的一次失误不是「少装一个零件」，而是「装错的板流到下一道工序」。这条线上流的不是散件，是已经装了配件的主板；错一块，代价不在这一站，在下游的检测、返工甚至客诉。所以这个工位的真实指标不是成功率，是<strong>漏检率</strong>——机器人自己错了能不能自己发现。</p>

<div class="keypoint">判断：华硕给的 99.5% 是一个「人也能接受」的宽容度，不是一个「设备能接受」的宽容度。人失误了会自己回头补，因为人知道自己刚才手滑；机器失误了如果不知道自己错了，那 0.5% 就会全部变成流出品。因此在包装类工位上，「自检与回退」的价值高于「成功率再提高一个九」。博文里 supervisor 这一层「每一步都检查、出错就重新规划」的设计，正是冲这个来的——但它没有给出误报率，而误报率高到一定程度，产线会被人为关掉。</div>
</div>

<div class="sec">
<div class="eyebrow">三、四层架构与那台单芯片</div>

<p>Gallop 的内部结构被写得很清楚，四层：</p>

<div class="jx-tl">
<div class="jx-tl-row"><div class="jx-tl-t">planner</div><div class="jx-tl-b">看场景、理解任务、拆成步骤</div></div>
<div class="jx-tl-row"><div class="jx-tl-t">supervisor</div><div class="jx-tl-b">第二个 AI，逐步检查，出错时重新规划</div></div>
<div class="jx-tl-row"><div class="jx-tl-t">skills</div><div class="jx-tl-b">伸手、抓取、放置这些动作技能</div></div>
<div class="jx-tl-row"><div class="jx-tl-t">control</div><div class="jx-tl-b">精确驱动手臂与手，异常时立即停止</div></div>
</div>

<p>四层之间用固定接口通信。官方明确说这么设计的目的是「每隔几个月就会有更好的模型出现，这套架构让我们换模型而不用重造机器人」——这句话的潜台词是：<strong>他们预期自己的 AI 会在两年内被淘汰至少一次</strong>，所以把机器人做成了可换脑的壳。</p>

<p>所有计算跑在一块 NVIDIA Jetson AGX Thor 上，标准机器人软件栈。本体和带触觉的手自己设计，电机等标准件外购。</p>

<p>判断：单芯片方案在这个阶段是合理选择，但它把上限锁死了。planner、supervisor、skills、control 全挤在一块 Thor 上，意味着当模型从 3B 涨到 30B、当视觉从单目涨到多目加触觉阵列时，算力会先成为瓶颈，而不是算法。可换脑的架构对「换模型」友好，对「加算力」不友好——除非预留了第二块板的插槽，而博文没说。</p>
</div>

<div class="sec">
<div class="eyebrow">四、它怎么学：五个步骤里最贵的是第二步</div>

<p>官方把训练流程写成五步，顺序值得注意：</p>

<p>①<strong>通用知识</strong>——不自研巨型模型，直接用已理解「手与物体如何互动」的领先开源模型；②<strong>看人干活</strong>——熟练工经同意后头戴小相机，让机器人学真实做法；③<strong>仿真变体</strong>——为每个样例生成变化，让产线上的小改动不至于让机器人措手不及；④<strong>上手练</strong>——操作员戴 VR 头显与手套，用同一批零件、同一组相机引导机器人完成任务；⑤<strong>在岗学习</strong>——上线后机器人记录的东西回流到训练。</p>

<p>这五步里，最贵的不是模型，是第②步。熟练工头戴相机意味着要说服一线员工配合、要处理隐私与工会问题、要把「怎么做」这件事从默会知识变成可回放的影像。华硕自己总结了这条经验：<strong>「我们的优势不是更多数据，而是对的数据。」</strong></p>

<div class="keypoint">判断：这句话翻译成成本语言是——数据采集的边际成本不下降，规模效应就不会出现在数据侧，只出现在「同类工位复用」侧。官方也承认这点：「很多工作共享同一套取放技能，Gallop 在一个地方学到的可以带到下一个地方。」换句话说，这条路的单位经济性取决于「一个技能能覆盖多少个工位」，而不取决于「采了多少小时」。这也是为什么它把第一个市场定在电子制造——那是它最熟、工位最同质的行业。</div>
</div>

<div class="sec">
<div class="eyebrow">五、2028 下半年：时间表里藏着什么</div>

<p>项目 2026 年初启动，2027 年客户试点，2028 年下半年供货。从今天算起还有约两年。</p>

<p>这个节奏比多数人形机器人公司的口径慢，但比多数电子制造巨头的内部节奏快。慢的地方在于，它要等自研灵巧手成熟——博文写明「手是人形机器人最难的部分，全球都还稀缺，所以我们自己做，带触觉」。快的地方在于，它不需要等客户，因为它自己就是客户。</p>

<p>官方这句写得相当直白：「我们有自己的电子制造工厂，可以在真实零件、真实质量规则下测试。多数机器人公司得去租这个。」</p>

<p>判断：这句话是整篇博文里最有分量的一句，也是华硕这家公司在人形机器人赛道唯一的、别人短期买不到的优势。特斯拉和 Figure 走的是同一条路——用自家工厂当训练场；区别是特斯拉的产线是自己设计的，Figure 的产线是别人的（宝马），而华硕有几十年的 EMS 代工经验，见过的工位种类比任何一家机器人公司都多。但这个优势有代价：用真产线做实验，停线的机会成本不进任何一张报表，所以外界永远算不出它的真实投入。</p>

<p>最后要留一句提醒。整篇博文的数字都是目标：20 秒是目标，99.5% 是目标，2028 下半年也是目标。唯一被写成既成事实的是「完整回路已经跑通：人演示、机器人学、然后在产线上测」。这三件事跑通值得记一笔，但它们离「一个班 1440 块板、七次失误有人管」还有两年。</p>
</div>

<div class="srcline">来源：华硕官方新闻室 2026-11-13 署名博文（工位 15 种零件、单板 20 秒、99.5% 目标、四层架构、Jetson AGX Thor、2027 试点 / 2028 下半年供货）；CNBC《Squawk Box Asia》2026-11-13 上午许先越访谈（同一项目对外介绍）。每班产出与失误次数为本号按 8 小时单班推算，非官方披露。</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/asus-gallop-15-parts-20-seconds-995/*
