芯耀
与非AI
137
编者按：具身智能机器人产业已站在技术迭代与规模落地的关键交汇点，加速走进千行百业，整个行业正从 “技术验证期” 快步迈向 “商业化普及期”，新一轮增长的轮廓愈发清晰。与此同时，更多现实命题也摆在每一位产业从业者面前：技术该向何处突破，市场该向哪里深耕，生态应该如何共建……基于此，在2026世界机器人大会召开之际，《中国电子报》邀请多家机器人领域企业代表，围绕技术演进、市场落地、生态协同、未来趋势等核心议题，收集产业一线声音，为机器人产业的下一程，留存一份鲜活的注脚。
结合贵公司所在产业链位置和业务布局，您认为在从技术验证迈向规模化商用的过程中，具身智能机器人行业面临的最突出挑战是什么？技术成熟度、成本控制、场景适配、产业生态建设，哪个是当下最大的挑战？
四点挑战环环相扣，最突出的系统性瓶颈是“三座大山”：一是数据闭环，行业缺的不是数据，而是可复用的物理交互数据，各厂商互不通用，“孤岛”严重；二是世界模型，多数机器人仍停留在“识别+预设动作”，缺乏物理推演能力；三是成本效率，最终看能否帮客户赚钱、降本、提效。但三座大山是分层的：封闭、标准化场景的商业飞轮早已跑通，不能以通用人形的终极难题否定全产业。
超能的解法是以模式创新对冲技术周期：定位一站式整机定制与应用场景服务商，以9S店+线上平台组织千行百业的长尾需求。全球首家9S店开业以来接待客户近500批次、观众4万余人，沉淀商机140多个，单店销售额超4000万元，印证了这条路径的价值。
我们认为最突出的挑战是技术成熟度与场景适配的脱节，核心在于打通“硬件-感知-数据-模型-场景”的闭环。
当前行业存在“重演示、轻落地，重硬件、轻全栈”的结构性短板。很多企业仅聚焦单一灵巧手或单一算法模块，但机器人“看得见、走得动”只是基础，能稳定、精细、连续地操作物体，才是具身智能进入产业的关键，这需要“硬件-感知-数据-模型-场景”的全栈能力。例如，在工业精密装配和电力高危检修场景中，机器人需要亚毫米级的操作精度、多模态触觉反馈以及长时间连续作业的可靠性，这背后是硬件、数据、模型和场景工程化的深度融合，单点突破很难解决系统性难题。我们选择全栈自研路线，正是为了打通从底层硬件到场景交付的完整链路，让技术真正适配工业的严苛标准。
乐聚机器人助理副总裁 张大鹏
坦率地说，这四个挑战不是"或"的关系，而是"且"的关系——它们交织在一起，共同构成了产业化落地的系统性门槛。
从乐聚的实践来看，场景适配是当前最直接的瓶颈。工业场景对可靠性、稳定性、节拍效率有着严苛要求，从"能跑能跳"到"能干活、干好活"，中间的工程化鸿沟远比外界想象的要大。每一个具体场景都需要大量真机数据训练和反复调优。
紧随其后的是成本控制。人形机器人要变成"生产力工具"，整机成本需要持续下探。乐聚通过全国首条万台级人形机器人自动化产线，正在推动量产降本；同时乐聚夸父人形机器人国产化率超95%，并联合辉羲智能、维泛智能共建国产端侧算力底座，补齐具身智能全栈国产化的“最后一块拼图”实现全链路自主可控，从根本上构建成本优势。
产业生态建设则是加速器。单一企业无法覆盖所有场景需求，乐聚依托OpenLET国家级具身智能开源数据集社区，已汇聚70余家高校和产业链企业、超过10000名开发者，构建了"数据训练-场景中试-成果孵化"的完整开源生态，让场景落地效率实现指数级提升。
从技术落地走向商用，难点其实是多重叠加的。短期最直观的痛点是场景适配，实验室里效果很好，放到不同工厂产线就要大量定制改造，客户回本周期太长。硬件成本、技术成熟度是长期硬约束，但最根本的还是产业生态不完善。现在各家软硬件互不兼容、缺少统一标准，数据没法互通，上下游企业各干各的。生态问题不解决，降本、规模化落地都会持续受阻。
最突出的挑战还是数据的匮乏和模型的能力。当前主要制约具身智能机器人商业落地的因素还是在于智能侧（也就是模型），难以在非结构化场景达到高精度、高稳定性、高鲁棒性的要求，这是因为具身智能领域可用的数据远不如大语言模型拥有数十年来互联网积累的海量数据，无法训练出符合商业化落地要求的模型。因此，行业急需能以高效、低成本的方式产生更多的数据，作为“燃料”用于具身模型的训练，这也正是跨维智能多年的成功实践。
伟创电气深耕电气传动与工业控制领域二十余年，依托长期积累的运动控制底层技术，向下延伸布局机器人核心零部件赛道，可满足各类机器人在力控、感知、动态响应及长期可靠运行上的多元需求。
在场景适配方面，我们聚焦具身智能、人机协作、高效移动三大方向，打造场景化解决方案。不同形态的机器人对核心零部件的诉求不同：人形机器人对高精度、轻量化要求极高；协作机器人强调力矩精度、控制能力，在复杂环境下的安全交互体验；移动机器人则更侧重低功耗与高度集成化设计。为此，伟创电气针对不同应用方向做定向优化，确保每一款产品都能在真实工况中发挥最优性能。
目前行业较为突出的挑战我认为是产业生态建设，这需要依靠全行业协同发力。联动上下游合作伙伴，打通“原材料—核心零部件—整机—终端场景”全链条协同体系，助力整个行业规模化、可持续、高质量发展。
月泉仿生依托“仿生拉压体机器人理论与技术”，围绕仿生人形机器人、仿生灵巧手、触觉感知及相关核心部件开展布局，处在关键部件与整机系统协同的交汇位置。从这一产业链位置看，如果必须在技术成熟度、成本控制、场景适配和产业生态中选择一个首要挑战，我认为是技术成熟度；但这里所说的不是实验室中的单项性能，而是场景约束下的系统工程成熟度。样机能够完成一次动作，并不等于产品能够长期运行。真正的规模化商用要求机器人同时满足任务成功率、连续运行能力、异常恢复、批量一致性、维护便利性、安全性和单位任务成本等要求。成本控制是工程成熟后的结果，场景适配是检验技术成熟度的方式，产业生态则决定成熟方案能否快速复制。因此，全行业需要跨越的核心鸿沟，是把“可以演示的技术”转化为“可以稳定交付、持续运维并为客户创造收益的产品”。
我们认为这几方面的挑战相互交织、共同存在。具体来看，技术层面，通用具身大模型的端侧适配、运动控制与感知决策的融合仍有优化空间，成熟的标准化算力与算法方案供给不足；成本层面，核心算力、传感器、执行器等部件的成本仍处于高位，制约了大范围普及；场景层面，不同行业的应用需求差异极大，碎片化特征明显，定制化开发成本高、复制性弱，难以快速形成规模效应；生态层面，产业链上下游的标准不统一，芯片、算法、整机、场景方之间的协同效率偏低，尚未形成高效的正向循环。
在数据、算力、算法、硬件等关键要素中，您认为哪一个最可能成为行业长期发展的“卡脖子”环节？应如何提前布局应对？
从长期来看，数据是具身智能行业最深的“护城河”，同时也是最有可能被“卡脖子”的关键环节。 模型架构可以复现，参数规模可以追赶，但真实世界中的高质量交互数据，必须依靠长期、成规模、系统化地采集与沉淀，无法在短期内被复制或购买。谁掌握数据的规模和质量，谁就掌握了定义下一代具身智能的主动权。
关于如何提前布局，我们的核心思路是：摒弃“数据孤岛”思维，以“智能总成本”为标尺，系统性地构建数据壁垒。 这里说的“智能总成本”，由数据成本、算力成本和研发团队成本三部分构成——不应只看单项投入高低，而要评估三者协同带来的长期智能效率。基于这一判断，星海图从三个层面展开行动：
第一，坚定押注真实数据，从源头确立优势。 星海图的预训练全部基于真实数据。在达到100万小时真实数据之前，坦白讲我们看不到使用仿真数据的必要性——因为真实数据对模型泛化能力的提升，目前仍无法被仿真替代。我们不迷信捷径，只相信“从真实中来，到真实中去”。
第二，联合共建规模化数据基础设施。 2026年6月，星海图联合亦庄机器人、亦庄国投三方共同组建数据公司“亦数智能”，并以之为载体启动“100万小时超高质量真实数据计划”，规划今年完成百万小时，未来三年迈向千万小时。为了直观理解这一量级，可以做个类比：一个人从0到18岁、清醒状态下与物理世界交互的总时长约为12万小时——百万小时相当于8个人的完整学习总量，千万小时则相当于80多个人。当你的“大脑”拥有80个人一生的真实交互经验，它所理解的物理世界，与今天已不在同一个维度。
第三，构建开放的数据生态联盟，我们联合蚂蚁数科、百度智能云、原力灵机等15家企业共同发起具身智能数据生态联盟已。我们相信，数据的长期壁垒不靠独占，而靠生态——归根结底，数据不是成本项，而是战略资产。 谁在今天以足够大的决心、足够系统的方式去积累它，谁就将在明天定义行业的天花板。
高质量的物理世界交互数据，是具身智能长期发展的关键瓶颈。
具身智能不缺少漂亮Demo，而是缺少可复用、可评价、可持续产生的物理交互数据。
算力和算法可以通过通用技术平台快速迭代，高端硬件也可以通过精密制造攻关，但真正反映物理世界复杂交互逻辑的真机实操数据，没有捷径可走，必须依托真实场景沉淀出来。
当前行业普遍存在仿真数据与真实数据“Sim2Real”鸿沟大、真机数据采集成本高、行业数据形成孤岛等问题。
为此，灵巧智能提前布局了两件事：
一是自研DexStream全链路数据采集管线，打通真人示教、真机实操、无穿戴光学捕捉等多种渠道，开源DexCanvas大规模人手操作数据集，为行业提供数据燃料；
二是深度参与国家人工智能应用中试基地建设，依托真场景、真任务、真人、真机的验证模式，在真实工况中积累高价值数据，并将数据反哺模型迭代。
我们认为，数据是最容易被忽视但最可能成为长期瓶颈的环节。
具身智能与纯语言大模型的本质区别在于，它需要的是"具身数据"——即机器人在真实物理环境中执行任务所产生的高质量操作数据。这类数据的采集成本高、标准化难度大、场景覆盖度要求广，远比文本数据的获取困难得多。
乐聚的应对策略是"两条腿走路"：一方面，通过OpenLET开源社区构建国家级具身智能数据集，以开源方式汇聚产学研多方力量，降低数据采集门槛；另一方面，依托自身在工业制造、科研教育等场景的规模化部署，积累高质量真机操作数据，形成"真实场景驱动、开源生态加速"的数据飞轮。
在芯片和核心零部件方面，乐聚坚持全栈自研路线，核心零部件国产化率已超过95%，而且也联合辉羲智能、维泛智能共建国产端侧算力底座，补齐具身智能全栈国产化的“最后一块拼图”实现全链路自主可控，从源头上规避供应链风险。我们认为，真正的"卡脖子"往往不是单一环节的问题，而是产业链整体协同能力的不足，这需要全行业共同努力。
在数据、算法、算力、硬件这些要素里，长期最容易卡住行业发展的是高质量合规的场景数据集。算力、通用算法追赶起来相对更快；零部件国产化替代虽然有难度，但有清晰的攻关路径。但工业场景的数据权属复杂、安全限制多，企业之间数据孤岛严重，纯仿真数据又和真实环境存在差距。后续建议依托国家级平台搭建分级脱敏的共享数据集，配套公共仿真平台；同时以实际场景拉动高端关节、传感器等硬件持续迭代。
算力和算法可以靠投入和人才追赶，但具身智能所需的三维物理数据无法从互联网获取，靠真机采集也难以规模化解决。跨维智能选择以生成式仿真为核心、多源数据协同的数据工程路线，通过国产自研DexVerse™仿真引擎在虚拟世界中高效生成符合物理规律的仿真数据。我们今年6月发布Dexterity-BEV统一空间表征框架，7月又开源全球首个贯通“人类—仿真—真机”的时空动作对齐数据集Aligned DexWorld，正是为了从源头解决数据的“卡脖子”问题。
当前具身智能芯片行业整体处于起步培育、向产品化落地加速演进的初期阶段。目前市场上的方案仍以复用智能驾驶、消费电子领域的通用算力芯片为主，真正针对具身场景深度定制的专用芯片尚处于起步阶段，各家厂商都在探索最优的技术路径与产品定义。
核心机遇体现在2点：
第一，下游需求快速扩容，随着具身智能商用进程加快，行业对低功耗、高适配性的专用算力方案需求日益迫切，市场空间广阔；
第二，技术复用基础成熟，国内厂商在智能驾驶、消费电子 AI 芯片领域已积累了深厚的技术能力，底层架构、工具链可高效复用到具身智能场景，具备快速迭代的能力；
现实痛点也同样明显：
一是场景碎片化导致芯片定义难，不同机器人场景的算力、功耗、接口需求差异极大，难以用一款芯片覆盖全场景，产品定义的容错空间小；
二是行业标准缺失，算力、接口、测试的统一规范尚未形成，上下游适配成本高；
三是商用落地节奏仍有不确定性，专用芯片的研发投入大、周期长，需要匹配清晰的商业化落地节奏，才能形成研发与落地的正向循环。
从黑芝麻智能的实践来看，我们选择以车规技术同源复用的路径切入，推出系列化算力模组覆盖全品类机器人需求，快速落地多个标杆合作项目，正是对行业痛点的针对性回应，也是国内厂商探索具身智能芯片落地路径的先行实践。
作者丨中国电子报编辑部编辑丨吴丽琳美编丨马利亚监制丨连晓东
