问题：从“会算”到“会做”，机器人为何长期难以跨越 长期以来，机器人工厂、仓储、餐饮等较为结构化的场景中表现稳定，但一旦进入光照变化大、物体随机摆放、地面摩擦不一致等开放环境，可靠性和泛化能力就会明显下降。业内常将此阶段称为“规则驱动”：依靠预先编写的流程和边界条件运行，遇到突发情况往往需要人工介入。与数字世界里大模型能力快速提升不同，物理世界的难点来自重力、摩擦、材料形变以及连续动作控制等多重不确定性，因此“看得懂、说得清”并不意味着“拿得稳、做得成”。 原因：三道底层关口制约具身智能走向通用 王兴兴在会上提出一个衡量具身智能通用能力的经验标准：在相当比例的陌生环境中，机器人能根据自然语言指令完成较高比例的任务。这一目标之所以难实现，主要受三上限制。 其一是高维动作控制难度大。以倒水、抓取易碎物体为例，需要多关节协同、力控与触觉反馈的毫秒级闭环控制。不少机器人仍以离散动作拼接为主，难以在湿滑地面保持稳定，也难在物体滑落时及时修正轨迹，更难在连续任务链中做到顺畅衔接并保持安全冗余。 其二是高质量数据供给不足。语言模型可以利用海量文本训练，而机器人学习需要把视觉、触觉、力矩、位姿以及与环境交互的结果统一到可学习的数据结构中。真实世界采集成本高、周期长，且难覆盖长尾场景，“数据贫矿”因此成为普遍问题。 其三是学习经验难以迁移和积累。强化学习在单一任务上可能达到较高水平，但在机器人领域常出现“任务一换、能力清零”：开门、搬运、避障往往需要分别重训，既消耗算力，也不利于工程化部署。缺少可复用的策略库和技能组合机制，使规模化应用的边际成本长期偏高。 影响：产业逻辑加速重构，应用从“演示”走向“系统能力” 多位业内人士认为，一旦具身智能实现从规则系统到通用能力的跃迁，机器人产业的产品形态和商业路径将随之变化：从单点设备转向“可升级的通用平台”，从封闭场景走向半开放乃至开放场景。对制造业而言，机器人有望从固定工位的执行器升级为独立作业单元，承担搬运、上料、巡检、简单装配等跨工序任务；在社会服务领域，园区巡逻、应急辅助、危险环境作业等方向也可能出现新的基础设施型需求。此外，安全、可靠性、成本与法规等约束会同步提高，行业将进入“能力提升与风险治理并重”的阶段。 对策：以“混合数据+仿真训练+真机对齐”提升效率，软硬协同补短板 针对数据与学习效率的瓶颈，业界正在形成更明确的技术路线：先用互联网视频等公开资源建立对物理交互的初步认知，再在高保真仿真环境中进行大规模试错，最后用少量高质量真机数据做对齐与微调，以提高单位数据的有效信息密度，并降低真实训练的成本与风险。 在控制与硬件层面，提升关节自由度、传感器融合能力与实时计算性能仍是关键。以宇树科技的人形与四足产品迭代为例，小型平台强调在有限体积内集成足够的关节与传感器，便于开发者验证算法；更高、更强的机型面向工业作业与安全协作，强调稳定性、负载与作业半径；四足平台则侧重复杂地形通过性与巡检能力。业内人士指出，硬件成熟度决定“能不能上场”，算法和数据决定“能不能干活”，两者需要在工程指标上同时收敛，才能推动规模部署。 前景：拐点或在未来两三年显现，关键看通用能力与成本曲线 王兴兴预计，具身智能的产业拐点最快可能在一至两年出现，慢则两至三年。业内普遍认为，这一判断能否兑现，取决于通用任务完成率、长尾场景覆盖、运行安全与单位成本四条曲线能否同时改善。短期来看，具身智能可能先在半结构化场景形成示范应用，并在制造、仓储、园区等领域加速落地；中期来看，若可迁移技能库与标准化评测体系建立，机器人有望像软件系统一样持续迭代升级，推动行业从“项目制交付”转向“平台化供给”。同时，数据合规、训练安全、现场运行责任边界等治理议题，也将成为行业扩张过程中绕不开的关键变量。
当机器开始理解重力的约束、学会应对水流等不确定因素，人机协作可能进入新的阶段。这场跨越数字与物理边界的技术变革，不仅关系到产业升级，也可能重新划定生产与创造的边界。具身智能有望在一定程度上释放人类的体力与部分认知负担，但与之相伴的伦理框架、治理规则和社会适配，也需要提前布局与审慎推进。