Agility Robotics：第一张可算清楚的人形机器人经济账

为什么先用Agility给行业定标：先证明“工作”，再证明“经济价值”

研究Physical AI最容易被演示视频带走。Agility的价值恰好相反：Digit已经开始进入真实工业工作流，公司又通过SPAC材料披露了合同、RaaS定价、人工替代成本和成熟规模Product Margin。于是我们第一次可以把“机器人会不会做动作”推进到“机器人这门生意怎么算”。

在算经济账之前，先确认Digit今天到底在干什么

Agility的路线非常务实：先做容易标准化、容易计算ROI、也容易验证是否成功的工业任务。Digit v4当前典型动作包括从AMR取下周转箱放到输送带、搬运工业零部件篮筐、在既有生产线与仓库中完成重复物流动作。这里最重要的变化是：客户已经不只是一个“合作名单”，而是一个个被机器人真正接入的工作流（workflow）。

确认“它真的在工作”以后，下一步才有意义：同样一小时工作，人需要多少钱，客户给机器人多少钱，机器人公司自己又花多少钱？

三种价格必须分开：特定工种人工$30.5/h、客户支付Digit约$16/h、成熟产品成本约$4/h

这三个数字对应三种完全不同的概念：客户原本要付多少钱给人、客户实际付多少钱给机器人服务、机器人公司自己生产这一小时服务花多少钱。把它们混在一起，就会误判Physical AI的真实经济效率与价值捕捉。

$30.5/h：这是某一个具体工种的价格，不是“美国人工平均价格”

Agility采用的是美国物料搬运类岗位（material mover）的人工基准。$21.49/h是基础工资锚，再加35%的雇主福利及附加成本，以及5%的工资上涨假设，得到约$30.5/h fully burdened labor cost。这里的35% benefits可理解为医疗保险、雇主税费、退休福利、带薪休假、工伤保险等综合雇主负担。

31K小时：五年寿命模型，不是已经跑出来的单机纪录

这已经是很高的设备利用率，相当于每周约71%的全部自然时间都在工作。65K+是整个Digit fleet累计真实运行证据；31K/台则是管理层用来建模的五年生命周期假设。投资上必须把“已验证的fleet hours”和“单机未来寿命假设”分开。

客户为什么会买：当前阶段大约把同类劳动力支出减半

但管理层模型只是“报价逻辑”。要让投资人把它当作行业尺子，还需要第三步验证：客户是否真的愿意按接近这个价格签合同。

$300M ÷ 1,000台 ÷ 3年 ≈ $100K / robot-year：同一份真实合同，同时落在Agility的收入表和客户的成本表上

截至2026年5月，Agility披露Digit v5累计订单超过$300M；SEC脚注进一步给出约1,000台Digit v5、三年RaaS合同的结构，同时这些合同存在里程碑条件及warrants安排。因此它不能直接当作Agility当前已经确认的Revenue或ARR。但这份合同之所以重要，是因为同一笔约$100K/robot-year的现金流，在交易双方代表完全不同、却可以相互验证的经济含义。

为什么这比“订单有$300M”更重要：它开始证明企业端也能算出ROI

按Agility当前模型，一台Digit每年约提供6.2K服务小时；若替代的是约$30.5/h的特定物料搬运工作，则同等人工价值约为$190K/年，而机器人服务采购成本约$100K/年。也就是说，当前真实合同所对应的商业逻辑，是企业用约一半的同类人工预算购买机器劳动力，并把剩余差额作为可测量的成本节省。

这件事对采用方非常关键。机器人不再只是“创新项目预算”，而开始能够进入企业正常的资本预算和运营预算讨论：一台机器人每年花多少钱、替代或增强多少人类劳动、节省多少成本、多久回收。只有这种ROI能够被CFO、管理层和董事会持续解释，也能够向股东说明为什么扩大机器人部署是提高效率而不是单纯增加科技CAPEX，Physical AI才可能从试点真正走向大规模采购。

能力升级以后，客户捕捉的经济价值为什么可能成倍扩大

今天Digit先从约$30.5/h的搬运类工作开始，因此企业看到的是“约$190–200K人工价值 vs ~$100K机器人服务成本”。如果未来同一台机器人具备更强的手部操作、感知、自主性和可靠性，能够进入更高工资、更高技能、更危险或更难招聘的工种，而Robot Hour售价与all-in cost没有同比上升，那么Human-equivalent Labor Value会向上移动，企业可捕捉的成本节省和ROI就会随之扩大。

这和Kerwin此前研究软件Agent时的逻辑完全一致：Agent之所以值得进一步部署，不只是因为“它能完成任务”，而是因为每个成功任务都可以逐渐测出Human Cost / AI Cost与Human-equivalent Economic Value Multiple。当这个倍数不断扩大，企业就有更强的经济动机把AI从一个点扩展到更多工作流。

因此，$100K/robot-year最重要的地方不是它单独告诉我们“Agility能赚多少钱”，而是它把供应商变现能力与客户经济回报第一次放进同一张合同里。只有这两边同时成立，Physical AI的规模化飞轮才真正有可能转起来。下一步，才需要问Agility能把这$100K年收入中的多少保留下来。

约75% Product Margin最值得看的，不是“今天赚75%”，而是规模化后利润池可能落在哪里

先纠正一个容易误解的点：Agility SEC材料中的约75% Product Margin并不是公司当前已经实现的历史毛利率，而是管理层在10K台/年成熟规模情景下的目标/示意模型。它建立在机器人BOM下降、RoboFab放量、服务成本可控、31K小时寿命等多项假设上。

产品层直接成本口径包含Digit BOM、约$15K一次性deployment，以及每年约$15K的软件与维护交付成本；不包含公司R&D、SG&A和资本成本。因此“75% Product Margin”绝不能等同于“75%公司经营利润率”。

有了客户售价和供应商成本，我们终于可以讨论真正的核心问题：AI创造出来的经济剩余有多大，又由谁拿走。

当前技术应用时点：企业省一半，机器人公司也拿走一部分；未来分配比例一定会变

以Digit当前搬运类benchmark为例，如果把$30.5/h视作客户原本的特定工种人工替代成本，把~$16/h视作客户支付的机器人服务价格，把成熟情景~$4/h视作产品层直接成本，那么一小时工作创造出的技术红利可以被直观拆开。

当前阶段，客户大约省下$14.5/h，Agility在产品层可能保留约$12/h毛利。随着技术成熟、供给增加和竞争发生，售价会下降，更多经济剩余可能流向应用企业；但与此同时，机器人如果从物料搬运进入更高工资、更高技能、更危险、更稀缺的工种，可替代的人类劳动价值又会显著上升。

所以长期问题不是“今天客户和Agility各分了多少”，而是两件事同时发生：总经济盈余能不能持续扩大，以及扩大后的盈余在机器人供应商与应用企业之间如何动态重新分配。这一步也把Digit自然接回Kerwin此前对软件Agent的研究。

AI最终沿两条生产函数前进，但都要回答同一个问题：它比人创造多少倍经济价值？

Kerwin对AI的核心判断正在从“模型有多聪明”转向“机器能生产多少经济价值”。从最终应用形态看，AI大致沿两条路径向现实经济渗透：一条是Software AI / Digital AI，以模型与Agent承担数字劳动；另一条是Physical AI，把智能装进机器人、自动驾驶汽车和其他机器身体，承担现实世界的物理劳动。

两条路线看起来不同，投资人的终极检验却完全相同：一单位AI完整成本，最终能够生产多少相当于人类劳动的经济价值？ Kerwin将这一指标定义为 Human-equivalent Economic Value Multiple（人类等价经济价值倍数）。

从软件Agent小样本到Digit：2×只是客户看到的价格改善，底层成本倍数可能更大

在Kerwin此前的Agent审计小样本中，同一标准化知识工作的人类成本约为底层Agent模型调用成本的10倍左右。这个小样本并不代表所有Agent任务，但它提供了一个重要方向：数字智能已经能够在部分标准化知识工作中，把“人类劳动价值”和“机器生产成本”拉开很大的经济差。

Digit当前给客户看到的是另一种数字：特定物料搬运工人工约$30.5/h，对比RaaS约$16/h，客户采购成本改善约1.9×。但$16/h是Agility的售价，不是机器人的底层产品成本。若使用Agility 10K台/年成熟Product Margin模型反推约$4/h产品层直接成本，则：

这说明Physical AI当前并不是“只有2×效率”。更准确地说，客户现在先拿到约2×的采购改善，而技术底层可能已经创造更大的成本优势；中间的经济剩余被机器人供应商以RaaS定价和产品毛利的形式保留了一部分。这正是价值创造与价值捕捉必须分开研究的原因。

Physical AI如何把价值倍数继续做大

Digit已经假设120小时/周，工作时间本身接近高利用率，因此未来的大倍数不会主要来自“机器人再多工作几个小时”，而会来自五个变量同时改善：Robot Cost下降、Autonomy提高、Human Intervention下降、Human-equivalent Output / Robot Hour提高、Task Value向更高工资工种升级。与此同时，Figure一类公司把巨额训练Compute摊到几十万、几百万台机器人后，智能的固定成本也会获得类似软件的规模效应。

价值捕捉为什么会不同，又为什么终究会变化

软件Agent的复制成本低、模型供给竞争强，因此大量经济剩余容易穿过模型层，留在应用企业和个人用户手中；Physical AI今天仍受机器人硬件、可靠性、安全、维修网络和现场部署约束，供应商拥有更强的稀缺性和定价权，因此Agility可以在给客户省近一半成本的同时，自己仍保留较高产品毛利。

但这不会永久不变。随着Figure、Tesla、Agility、Apptronik、Boston Dynamics、Unitree等越来越多机器人完成相似工业任务，竞争会把Robot Hour售价向下压，更多盈余重新流向应用企业；与此同时，机器人又会从约$30/h级搬运工种进入更高价值任务，使总盈余池继续变大。成本下降扩大应用，应用扩大规模，规模推动智能与服务成本继续下降，更高能力再进入更高价值工种——这才是Physical AI长期经济乘数的实现路径。

因此，Digit的意义不只是提供一个机器人公司Benchmark。它第一次让我们把Frontier Model Economics里的Token → Agent → Human-equivalent Work，与Physical AI里的Robot Hour → Human-equivalent Physical Work接到同一条生产函数上。

Physical Agent Unified Ledger（物理智能体统一账本）：把“倍数效应”和“谁拿走红利”变成可持续监测指标

到了这里，账本的用途就很清楚了。它不是机器人参数表，而是Kerwin针对Physical AI的核心研究与监测框架：把Figure、Tesla Optimus、1X、Apptronik、Agility、Boston Dynamics和Unitree持续压回同一组经济指标，检查Compute最终能否转化成可计费、可复制、正资本回报的Physical Labor。

这就是本文作为行业Benchmark的真正用途：以后研究宇树、Figure、Optimus、Apollo、Atlas、1X，不是拿Digit当“最后答案”，而是拿它当第一把可以量经济价值、成本效率与价值捕捉的尺子。

从Oregon State实验室到$2.5B SPAC：Agility正在从科研公司变成工业服务公司

Agility源于Oregon State University Robotics Institute，Jonathan Hurst长期研究双足动态行走，Damion Shelton负责公司化与商业推进。2024年起由前Microsoft与Magic Leap高管Peggy Johnson担任CEO。截至2026年5月，公司自成立以来累计股权融资超过$390M，投资与战略伙伴包括DCVC、NVIDIA、Amazon、SoftBank Vision Fund 2、Foxconn、Schaeffler、Abico与Playground Global。

资本市场真正需要验证的，不只是机器人能不能上市，而是上述单位经济能否在放量后穿透到公司层面的Gross Profit、Operating Cash Flow与ROIC。

哪些变量一旦错了，这套漂亮经济账就会失效

最重要的证据边界：65K+ fleet operating hours是真实历史；31K单机寿命、10K年产规模、约75%成熟Product Margin与约$4/h产品层成本仍属于管理层未来模型或Kerwin基于该模型的反推。

主要来源与证据边界

这篇Agility研究在Kerwin研究链里的位置

《真实案例：一个任务，AI和人各花多少钱？》 — Software AI小样本：用人类任务成本与Agent模型调用成本建立第一把数字劳动力经济尺度。

《Frontier Model Economics 1.0》 — 从Token继续向Agent Hour、Successful Task与Human-equivalent Work延伸。

《1GW AI Capital Cycle统一总账本》 — 从Power / Compute / Token继续向Agent、Physical Agent与最终经济价值延伸。

《Cybercab经济学：卖车，还是卖里程？》 — 另一类Physical Agent：机器资产如何持续出售物理服务时间。