在具身智能规模化路上，动易科技加速“智能流动”

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

从羽毛球到乒乓球，动易科技试图验证一套智能跨场景流动的路径。

虽然 WRC 展台内，依旧是各类演示令人眼花缭乱，但展台外具身智能已经进入商业化筛选期。当单次技术演示含金量不断降低时，行业真正需要回答的问题，已经顺着演示继续往后延伸：同一套智能换一台机器人、换一项任务，走出展馆进入另一个真实场景之后，究竟还能留下多少？

过去两年，本体硬件经历了一轮密集迭代。双足机器人走得更稳，关节扭矩更高，全身运动越来越接近人类，翻跟头、跳舞、格斗也逐渐成为展会上的常规节目。但一台机器人在固定环境里学会一项技能，距离产业期待的规模化仍有相当长的距离。

环境发生变化，模型可能需要重新训练；任务稍有调整，数据和控制策略又要重新积累；换到新的本体，感知、决策与执行链条还要再次适配。许多看起来已经“落地”的机器人，背后依然对应着一套高度定制的项目工程。

所以，真正拉开规模化成本差距的，往往发生在第二次部署之后。

第一项任务可以依靠集中资源攻关，但到了第二项、第三项任务，过去投入的数据、模型、代码和工程经验究竟还能留下多少，决定了企业交付的是一个个彼此孤立的机器人项目，还是一套能够不断复制和扩张的产品体系。

换句话说，具身智能最终需要解决的，已经不只是机器人有没有智能，还有一个更加工程化的问题：智能能不能流动起来。

这里的“流动”，落到产业里，它意味着此前训练出来的感知、决策与运动能力，可以从一台机器人流向更多机器人，从一项任务流向下一项任务，再从实验室流向展会、商场乃至更复杂的真实环境。随着机器人不断运行，新产生的数据和经验还能重新进入训练体系，让过去的部署成为下一次部署的起点。

于是，过去行业讨论的泛化、迁移、复用，最终都要被换算成一组更加具体的工程指标：进入新场景需要新增多少数据、补充多少训练、花费多长时间，已有能力能够保留多少，又能部署到多少台机器人上。

这也是动易科技在 2026 世界机器人大会上展示 PHYBOT C2（简称 C2）人机乒乓球对打，更值得观察的地方。

单看现场，它只是又多了一项足够吸睛的运动技能。把时间线拉长，这场乒乓球背后连接着一条更完整的“智能流动”路径：2025 年 11 月，动易科技在实验室完成双足人形机器人自主对打羽毛球的关键技术验证；2026 年 4 月，这项能力走上广交会展台；7 月至 8 月，机器人又进入广州商场，在近一个月的「够 C 羽球馆」中接触近万名消费者；到了 WRC，乒乓球成为其物理智能体 PhyAgents 尝试迁移的又一项高动态任务。

动易科技验证的，正是此前形成的智能决策与运动控制能力，能否随着场景变化继续“流动”：能够留下来的继续复用，需要改变的重新组合、增量训练，而不是每增加一项任务，都重新从零开始。

从羽毛球公开展示到乒乓球能力亮相，中间不足一月。相比机器人最终接住了多少颗球，这短短数月间究竟有多少能力被保留下来，又有多少环节需要重新搭建，可能才是更有产业意义的问题。

关于具身智能“大脑”的讨论，在 2026 年明显升温，同时具身智能“落地”也成为另一条并行的主线。一边是具身智能公司不断提高模型能力，另一边是场景方则越来越关注稳定性、投入产出比和后续维护。两股力量、两条线汇到一起，行业评价机器人的尺度也在发生变化，完成任务仍然重要，但完成之后留下了什么，正在成为更难绕开的指标。

这背后是具身智能长期存在的一组结构性矛盾。

数字世界里的模型可以运行在相对统一的算力环境中，物理世界却由摩擦、冲击、光照、地形和人的随机行为共同组成。模型给出一个看起来正确的动作，机器人未必能够稳定执行；实验室训练出的策略来到商场或工厂，也可能因为环境中的细微变化迅速失效。感知、决策、运控以及身体性能之间任何一处脱节，最后都会变成现场工程师需要解决的问题。

因此，当下不少机器人“落地”依然带有浓厚的项目制特征。每进入一个新场景，企业重新采集数据、标定环境、调整模型，再安排团队驻场维护。这种模式可以支撑示范项目，也能够帮助企业获得早期订单，但随着场景数量不断增长，研发与交付人员往往也要同步增加，机器人的商业模式仍然沿着人力投入线性扩张

具身智能真正需要摆脱的，是这种“项目孤岛”。

智能能否流动，也因此可以拆成三个相互关联的层次：训练完成的一项能力能否复制到更多机器人上，决定设备的复制效率；既有能力能否成为下一项任务的能力底座，决定场景扩张的速度；不同机器人在真实世界里产生的数据与失败经验能否重新回到训练体系，则决定系统能否随着部署数量增加而持续进化。

三者共同决定了一件事，部署越多，下一次部署究竟会变得更容易，还是仍然需要重新做一遍。

围绕这道题，行业已经形成多条路线。有企业押注通用具身大模型，希望依靠更大规模的数据获得跨任务泛化；有企业从标准化本体切入，通过硬件统一降低模型适配成本；也有企业长期深入工厂、仓储和商业服务，通过场景工程积累数据和系统 Know-how。

动易科技选择了一条相对更重、也更完整的路线：向下覆盖关节模组、本体和运控模型，向上又把决策智能体、场景方案乃至运营体系纳入同一套架构。它试图解决的，是智能从模型走向身体之后，怎样继续沿着机器人和场景向外流动。

体育互动成为这条路线最早选择的技术验证入口，也有其特殊价值。

球类运动集合了高速目标、连续决策、全身协同和实时人机交互，能够高频暴露感知、预测、控制与硬件之间的问题。预设动作可以提前编排，球却不会沿着固定轨迹飞来，每一次回球都要求机器人重新判断。

这些体育场景未必是人形机器人最大的市场，却很像一套针对物理智能的高频压力测试，它逼迫感知、决策和运控在极短的时间窗口里形成闭环，也能够直观检验一套智能到底能不能真正进入身体、进入环境，并随着任务变化继续流动。

动易科技在体育交互这项测试的起点是羽毛球。

2025 年 11 月，团队在实验室完成双足人形机器人自主对打羽毛球的关键验证；五个月后， C2 在第 139 届广交会上面向公众展示这项能力。按照动易科技披露的数据，C2 能够完成正手、反手和高吊等动作，击球速度最高达到 20m/s，回球覆盖约 5×8 米的场地范围，并曾在现实环境中与人连续对打 25 个来回。

羽毛球速度快、轨迹变化大，机器人需要持续追踪球体，在有限时间内预测落点、移动身体、调整重心并控制手臂击球。过去机器人运动控制经常把上半身动作与下半身移动拆开处理，面对羽毛球这样的高动态任务，局部能力已经很难拼成完整表现。机器人的视觉、决策与全身运控必须运行在同一条连续的时间链上。

而从实验室走向广交会，首先检验的是这套智能能否从训练环境流向公开环境

随后，「够 C 羽球馆」又把测试向前推进了一步。7 月至 8 月，动易科技在广州商场运营了近一个月的限时快闪店，让机器人面对不同年龄、不同水平的普通用户。公司披露，场地单日最高接待上千次体验，累计吸引近万人次互动。相比展会上相对可控的体验环境，商场带来了更加随机的击球方式、更复杂的人流以及更长时间的运行，也把设备维护、用户安全和现场运营放进了同一套考题。

从技术角度看，把实验室能力送入社会开放环境，意味着智能开始在更复杂的现实变量中持续运行。更重要的是，场景也由能力的终点，变成了新的数据源。

机器人在真实环境里遇到的失败、干扰和极端情况，会不断暴露训练阶段未曾覆盖的问题。一套系统只有能够把这些问题重新吸收进去，第一次部署产生的经验才可能继续进入后面的部署。真实世界由此不再只是检验模型的考场，也开始成为训练体系的一部分。

在这之后，乒乓球承担了另一层验证：智能，能不能从已有任务流向新的任务

乒乓球场地更小、往返节奏更快，机器人留给感知和决策的时间进一步缩短。按照动易科技披露的技术路径，其采用人类示教与多阶段强化学习建立初始策略，再让机器人在仿真环境中进行大量自我对抗训练；部署阶段引入扩展卡尔曼滤波器，对高速运动球体进行状态估计和轨迹预测，最后由全身控制系统协调下肢移动、身体平衡与上肢挥拍。

但与“智能流动”真正相关的，是羽毛球与乒乓球并非两套彼此孤立的系统。

动态目标感知、轨迹预测、身体移动和平衡控制等基础能力可以继续保留，需要重新适配的主要是球体模型、反应节奏、击球动作以及场地约束。动易科技 PhyAgents 所尝试的，是把这些能力组织成可以保留、组合和增量训练的系统模块，让新任务尽可能站在旧任务积累之上。

这也是为什么，从羽毛球公开展示到乒乓球在 WRC 亮相不足一月便攻克。时间本身并不说明问题，真正需要追踪的是新增一个场景之后，数据量、训练量和工程投入究竟下降了多少，这背后考验的是架构创新。

物理智能体正是承载这一思路的技术架构。它由决策智能体 PhyAgent 和运控模型 PhyCore 协同构成：前者负责处理环境信息、任务目标与行为决策，后者将这些决策转化为机器人能够稳定执行的全身动作。人类示教提供任务的初始策略，强化学习与仿真自训练扩展策略覆盖范围，真实运行产生的数据再持续修正系统。

这套架构试图解决的，是物理世界里长期存在的断点——机器“知道应该做什么”，与身体真正“做得出来”，长期以来并不是同一件事。决策和执行只有形成足够紧密的耦合，智能才有机会离开模型，沿着身体进入现实世界。

这也解释了动易科技提出“Robot for AI”技术范式的底层逻辑。机器人并非只是模型最终寻找的一个终端载体，而需要从智能执行任务的需求反推身体设计。动易科技以 PhyArc 关节模组、PHYBOT 本体和 PhyCore 运控模型构成底层工程体系，再通过 PhyAgents 连接决策与执行，软件能力和身体性能从产品定义阶段开始协同，目的之一，就是减少智能从数字决策进入物理执行时的损耗。

不过，从羽毛球到乒乓球，仍然只是相邻任务之间的流动。更难的一道题，是跨本体。

动易科技目前拥有面向体育互动与社会生活服务的 C 系列、强调高负载和强动态性能的全尺寸 M 系列，以及面向重载运输与复杂地形的 D 系列四足机器人。不同产品在尺寸、自由度、构型与任务目标上都有明显差异，也天然构成了一组检验 PhyAgents 能否跨个体流动的样本。

未来，已经积累下来的决策、运控和训练能力能够以多大比例进入 M 系列和 D 系列，会比继续增加若干项 C 系列技能，更能说明 PhyAgents 真正的平台边界。

从羽毛球迁移到乒乓球，只解决了规模化的一部分问题。

客户最终购买的通常不会是一套孤立算法，还包括机器人本体、场地设施、部署调试、安全保障、运营方案以及后续维护。技术能力即便能够快速流向新任务，若每一个项目仍然需要重新搭建交付体系，商业扩张依旧会受到大量现场工程工作的牵制。

所以，具身智能真正的规模化，实际上存在两次“流动”。

前一次发生在技术内部，让数据、模型和能力可以跨机器人、跨任务、跨环境迁移；后一次则发生在产品与商业系统里，让已经验证过的部署经验、运营方案以及服务体系，跟随技术一起进入下一个场景。

动易科技在 PhyAgents 之外提出 PhyAgent Hub，正是在补后面这一环。按照公司的规划，PhyAgent Hub 将环境、硬件、模型、运营和维护五个模块打包成一站式解决方案。合作方不再需要从零选择机器人、改造场地、训练模型以及设计运营流程，而是获得一套已经具备基础运营条件的物理智能体应用。相比单纯出售机器人或模型，它更接近一种标准化的“场景产品”。

「够 C 羽球馆」可以被视为 PhyAgent Hub 的早期样本。它证明了人形机器人可以离开展台，进入普通消费者能够长期接触的公共空间。但真正决定它能否复制到第二家、第三家商场的，不只是机器人能否把球打回去，还包括场地成本、人员投入、收费方式、设备利用率以及维护成本能否形成稳定模型。

只有技术经验和商业经验都能被带往下一个场景，“智能流动”才真正开始变成规模效应。

当然，规模复制的另一块底座来自制造。

2026 年 2 月，动易科技智能制造中心落户广州，与北京研发团队形成两地协同。北京侧主要负责前沿技术、本体定义与算法研发，广州侧承担产品化、制造一致性和规模交付。

对于具身智能而言，这并不只是扩大机器人产能。软件能力能够低成本复用的一个重要前提，是不同机器人拥有足够一致的身体。如果同型号机器人的机械参数和装配误差差异过大，在一台机器人上训练完成的策略迁移到另一台之后依然需要重新调试，那么智能在个体之间的流动就会重新受到硬件约束。

能力复用降低软件的边际成本，制造一致性降低硬件的适配成本。两者最后指向同一件事：让已经产生的智能，尽可能无损地进入下一台机器人。

这也解释了动易科技为什么选择了一条相对较重的技术路线。相比只提供机器人本体的企业，它继续向下覆盖核心零部件，向上覆盖运动控制、决策系统和场景运营；相比单纯提供模型的平台，它还要承担供应链、制造以及线下服务产生的成本。

全栈体系的价值，是减少不同系统之间的适配损耗；代价则是更多难题被留在企业内部。技术、制造和商业运营任何一端跟不上，智能流动的链条都会在中途被截断。因此，对于动易科技而言，从羽毛球到乒乓球目前更像一次关于“智能流动”的第一站，而远非终点。

结语

新任务需要补充多少数据，从训练到部署需要多长时间，已有模型与代码能够保留多少，单个场景需要投入多少人工维护，同一项能力能够流向多少台机器人——这些数字，比一次演示的成功率更加接近规模效应。

它们最终需要共同形成的，是一条不断下降的成本曲线：部署次数越多，进入下一个场景需要重新投入的资源越少；机器人数量越多，整个系统积累的数据和经验反而越丰富。

这才是“智能流动”真正具有产业价值的地方。

今天的具身智能已经不太缺第一项技能。更稀缺的是，让第一项技能留下能够进入第二项技能的东西，让第一台机器人学到的经验能够进入第二台机器人，让第一个真实场景暴露的问题成为下一轮系统升级的养料。

具身智能真正的规模化，最终或许就是让智能摆脱一台机器人、一项任务和一个场景的边界，真正流动起来。

这也是动易科技物理智能体 PhyAgents真正的长期价值，每流动一次，都让机器人下一次进入现实世界的成本更低。