芯耀
与非AI
56
制造业对机器人的想象，正在被重新定义。
过去三十年，工业机器人解决的是“能不能自动化”的问题。传统工业机器人长期依赖人工编程、固定工装和重复轨迹，适用于结构化程度高、任务边界清晰的生产场景。它们本质上是“定场景、定工序、定程序”的专用装备，需要针对单一工位做专属硬件适配与深度定制编程，换产成本高、适配场景有限，服务的是标准化大规模生产。
但中国制造业正从大规模标准化生产转向多品种、小批量的柔性模式。
据统计，当前中国离散制造业中多品种小批量生产企业占比已超过65%，产品换产周期平均缩短约30%，而传统机器人偏长的换产调试周期与较高的改造成本，正在与这种柔性需求形成越来越明显的错配。
正是在这样的产业拐点上，通用智能机器人开始进入行业视野。它指的并非某一种特定形态的硬件，而是一类具备跨行业、多任务作业能力的机器人系统。通用智能机器人能够通过感知、决策与执行的闭环，在少量示教甚至自然语言指令下快速适应新任务。
这个赛道如今有多热？
据MIR 睿工业数据显示，2025年中国通用智能机器人整机市场规模约84亿元，其中智能协作机器人约25亿元、销量突破4万台，同比增速超过30%；人形机器人市场规模约51亿元，预计2026年增至125亿元。
图片来源：《2026年中国通用智能机器人产业发展白皮书》
但热闹之下，行业对“通用智能机器人到底是什么、技术走到哪一步、离真正通用还有多远”，其实并没有形成统一答案。10月13日，MIR 睿工业正式发布《2026年中国通用智能机器人产业发展白皮书》（以下简称“白皮书”），从产业定义、产业链结构、市场格局、技术路线与发展趋势等维度对这一赛道进行了系统梳理，为行业参与者提供参考。
01、通用智能机器人的边界与谱系
相比传统工业机器人，通用智能机器人是具备环境感知、自主决策与学习进化能力，能够在非结构化环境中完成多类型任务，依托模块化、可重构软硬件架构适配多元场景的机器人系统。区别于面向单一任务、固定场景的传统专用机器人，其核心特征是任务通用性与场景适应性，可在工业、商用、特种等领域灵活部署。
从物理形态看，通用智能机器人分为固定式机器人与移动式机器人两大类。固定式机器人协作机器人为核心品类，包括单臂协作与双臂协作形态，技术成熟、精度可靠；移动式机器人具备自主移动与作业双重能力，进一步细分为单臂轮式机器人、轮式人形机器人和足式人形机器人。
在这样一条赛道里，涌入的玩家比传统机器人更为庞大和复杂。
中游厂商大致分成两个阵营：
一边是深耕机器人领域的本体厂，内部又可细为四类——从埃斯顿、埃夫特、汇川等传统工业机器人厂商转型而来的老牌力量；从协作机器人向智能协作与人形延伸的节卡、珞石、越疆，其中节卡已构建起覆盖单臂、双臂、轮式人形、足式人形的产品矩阵；从宇树、云深处等仿生机器人公司向协作与通用机器人延伸的厂商；以及2023年以来智元、银河通用、魔法原子等带着“AI+机器人”复合背景闯入的人形新势力。
另一边则是跨界而来的产业力量：汽车阵营里，特斯拉Optimus已开启量产进程，比亚迪“尧舜禹”机器人项目、小鹏IRON人形机器人、广汽慧仑等纷纷进入市场，拓普、均胜等汽车零部件Tier1也在切入核心部件；科技阵营里，小米将机器人纳入“手机+汽车+AIoT”战略框架，蚂蚁集团则通过灵波科技布局具身大模型。
按自主作业能力从低到高，通用智能机器人划分为L2至L5四个等级：
通用智能机器人自主作业能力进化图（L2-L5）
图片来源：《2026年中国通用智能机器人产业发展白皮书》
目前，全球产业正处在从L3向L4规模化跃迁的关键阶段，L3级产品兼具落地可行性与商业价值，是未来两三年工业场景的主力。在通用智能机器人中，协作机器人是这一阶段商业化最成熟、渗透率最高的L3级形态。它凭借关节力控实现人机共融，无需安全围栏即可与人同工位作业，部署灵活，在AI加持下可自主完成工件识别、轨迹规划与异常处理。反观人形机器人市场体量虽大，但应用仍集中在科研教育、文娱表演与示范产线，量产车间的实际台套数有限。
图片来源：《2026年中国通用智能机器人产业发展白皮书》
协作机器人有成熟本体、有存量客户、有真实场景数据回流，这些正是训练一台会干活的智能机器人最需要的土壤。
02、通用智能机器人的技术路线分层模块化还是端到端VLA？
要判断这台机器到底够不够智能，先要看它的大脑是怎么思考的。
目前行业实际跑着两条路径。
一条是分层模块化架构，以节卡等中国头部厂商的工程化方案为代表，将系统拆分为感知模块、大模型认知模块、运动规划模块、底层运动控制模块四大层级，各模块独立开发、解耦迭代，通过标准化接口交互通信。
该架构的特点和优势是工程落地稳定性更强，便于分模块调试与故障排查，更适配工业、商业场景下的真机落地，也是当前协作机器人、单臂轮式复合机器人具身化改造的主流技术选择。
以JAKA EVO工业具身智能平台为例，其采用分层智能体架构：云端大模型负责视觉感知、任务规划、技能选择与异常决策；边缘端模型结合规则引擎，负责动作规划与力控执行；底层采用成熟运动控制算法，以高速响应保障稳定执行，既能让上层模型持续升级，又避免模型“幻觉”影响底层安全控制。
另一条是端到端VLA（视觉—语言—动作）模型路线，以谷歌、NVIDIA、斯坦福大学等机构的研究为代表。
这条技术路线核心是将视觉、语言输入直接映射至机器人动作输出，弱化中间人工设计的感知、规划子模块，由模型自主学习视觉语言与动作之间的映射关系。端到端路线在复杂非结构化场景的泛化潜力更强，但对训练数据量、算力资源要求更高，现阶段鲁棒性不足，更多应用于人形机器人前沿科研验证。斯坦福大学2024年推出的开源模型OpenVLA、NVIDIA的GrootN1，都属于这一脉。
关于这两条差异化的技术路线，行业也在探索融合方案。如GeneralVLA采用分层设计：上层由视觉语言模型完成任务理解与物体可操作位置识别，中层进行知识引导的轨迹规划，底层底层执行动作控制，兼顾泛化能力与工程稳定性。
技术路线最终要落在软硬件平台上。这类平台主要分两类：一类是机器人本体软硬件平台，涵盖协作机器人、人形机器人本体，以及伺服关节、多模态传感器、机载算力单元和配套控制软件栈。其中协作机器人平台依托成熟本体叠加AI能力、以自然语言编程降低部署门槛，节卡Coboπ EI平台即支持Python脚本与原生JKS脚本自动生成与混合执行，用户输入自然语言任务描述即可生成作业脚本；人形机器人平台侧重全身运动控制、力感知与人机安全交互；单臂轮式平台则融合移动底盘与操作臂软硬件。
另一类是仿真与数字孪生平台，作为不占用真机即可完成动作试错与任务验证的基础设施。国内已有松应科技ORCA OS物理AI操作系统和节卡JAKA Studio Pro仿真平台。其中，节卡JAKA Studio Pro走的实现仿真训练模型直接部署真机的Sim2Real技术路线，依托仿真平台批量生成多场景、多干扰仿真数据集，真机仅需少量真实样本完成域迁移，同时全球三万余台运行机器人持续采集工业真实交互数据，构建工业场景专属具身数据集，形成数据飞轮。
03、通用智能机器人关键技术是训练、仿真与场景部署的全链路闭环
比路线选择更深一层的问题是：机器人的能力究竟从哪里来？答案不在本体，而在一套看不见的后端体系。
01、训练
通用智能机器人的训练数据来自真实遥操作、生产现场运行、互联网多模态内容与仿真合成四类，行业普遍采用混合方式；训练范式上，VA、VLA、WAM、UAM与强化学习并行演进，其中，WAM让机器人从“看见就执行”升级为“先预测再行动”， 让动作带有物理后果约束，大幅提升动作的合理性与鲁棒性。这一方向有利于提升机器人在开放环境中的泛化能力，但现阶段仍面临推理速度慢、三维空间理解不足和跨本体迁移难的问题。
图片来源：《2026年中国通用智能机器人产业发展白皮书》
02、仿真
仿真的角色同样在变化，过去用于离线编程和碰撞检查，如今已成为数据生成、模型训练与部署前测试的基础设施。NVIDIA曾用仿真平台在11小时内生成78万条合成轨迹，相当于约6500小时人工示教，与真实数据混合后模型性能提升40%。当然，Sim2Real仍是核心难点，未来要靠真机数据反向校准仿真参数，形成训练—验证—回流—迭代的闭环。
03、部署
在部署端，AI自然语言编程把机器人使用门槛从“会编程”降到“会描述任务”，用户描述任务后系统自动完成识别、规划与安全校验。以节卡JAKA EVO为例，其采用分层递阶控制和3B多模态操作模型，跨任务迁移可在100组以内示教数据、6小时内完成，相似任务零样本泛化，跨模态语义识别准确率不低于95%。未来部署平台将演变为统一管理模型、技能、数据与设备状态的“AI Hub”，部署不再是一次性交付，而是能力持续进化的起点。
结语
客观地说，通用智能机器人在指令理解、常规抓取、简单分拣、轨迹规划上已经具备商用基础。行业最大的公开数据集汇集了超过100万条真实机器人轨迹、覆盖22种本体，但和互联网上海量的图文数据相比，机器人交互数据仍是稀缺资源。跨行业、大幅变化的未知环境中，复杂工艺作业的准确率仍不足九成；遇到光照突变、工件偏移、意外遮挡，任务依然容易中断。
这意味着，短期内通用智能机器人最适合的，是那些动作链条较短、目标明确、环境相对可控的任务。真正的机会不在开放环境下的全能作业，而在制造、物流、检测、巡检、商业服务这些半结构化场景里，以更低的换产成本、更短的部署周期去替代传统自动化方案。
向前看，几条演进方向已经清晰：
基础模型让同一台机器人从“一个任务一套程序”变成“一个本体、技能持续扩容”；多模态大模型继续向端侧下沉，端云协同平衡实时性与智能；
世界模型与预测性智能成为下一阶段攻坚高地，让机器人学会预判动作后果；
从训练到部署的数据飞轮持续转动，工业现场沉淀的真实作业经验将成为最硬的竞争力；
安全、可验证，则会随着机器人走出安全围栏、进入人机共线场景，成为产业化的前提条件。
通用智能机器人的终局，不是某一款产品重塑人类生活，而是一整套技术范式的进步。机器人从按程序重复动作的设备，逐步成长为能够理解任务、预判结果并持续学习的智能作业单元。当中国制造业正以全球独有的产业纵深进行柔性化升级，当海量真实车间场景成为任何实验室都无法复制的训练土壤，这场迁移所能释放的，将不只是一个机器人赛道的增长，而是整个制造体系效率与韧性的提升。
