演示台之下，工业具身智能到底走到了哪里？

一场从演示台到生产线的产业反思

这个夏天，机器人几乎承包了科技圈的热搜。

从世界人工智能大会到世界机器人大会，会跑步的、会后空翻的、能冲咖啡能叠衣服的机器人轮番登场，世界模型、通用具身智能这些词，也一次次被推上话题的高点。演示台上的每一次灵巧表演，都在构建同一个想象：通用机器人是不是明天就能进厂，替人类干完所有的活？

但如果你真的走进一间工厂，和产线负责人坐下来聊一个小时，得到的完全是另一种答案。他们不关心机器人会不会后空翻，他们关心的是另一件事：这个工位的活，它能不能连着干八个小时不出错？出了错能不能自己兜住？多久能回本？

热闹是概念的事，落地是工业的事。

当喧嚣散去，我们不妨循着一个更理性的视角，重新审视这个被讨论最多、也最容易被误解的领域：工业具身智能到底是什么？它解决了什么问题？走到了哪一步？离真正的商业化还有多远？

一、先别看机器人有多炫，看工厂有多难

要理解工业具身智能，不如先忘记机器人，看看今天的工厂正在被什么难题困住。

第一重难题：活变碎了

先看基本面：制造业正从大批量、固定流程的生产，走向多品种、小批量、快换型的生产。翻译成车间语言就是：一条产线今天做A产品、明天切B型号，来料的状态、位置、工况每次都不完全一样。过去那套预设好动作、闭着眼重复的自动化，换一次型的适应成本越来越高。机器越死板，工厂越累。

第二重难题：人越来越难招了

一组数据很能说明问题：2025年，中国总人口降至14.04亿，较上年减少339万；出生人口仅792万，出生率降至5.63‰；60岁及以上人口占比已达23%。老龄化、技能工紧缺、用工成本上升，让靠老师傅的经验兜底这件事，正在变得越来越奢侈。

一边是活越来越碎、越来越挑人，一边是人越来越少、越来越贵。那些换型、异常、非标的环节，传统自动化覆盖不了，人也不愿意干。这恰恰是工业具身智能真正的出生证明。

工业自动化几十年的演进，其实可以浓缩成四问：

▪单机自动化：一个动作，能不能机器做？

▪产线自动化：一组动作，能不能连续做？

▪柔性自动化：换个产品或工位，能不能较快适应？

▪任务闭环自动化：遇到未知情况，能不能自主感知、决策、执行并修正？

前三问，行业已经回答了几十年。而现在正在闯的，是第四问：当现场不再是完美的、预设的世界，机器能不能像一个靠谱的工人那样，自己把活干完、干好？

这正是工业具身智能要解决的问题。

二、长得像人没那么重要，对结果负责才是核心

聊到这里，很多读者的第一反应可能是：这不就是人形机器人进厂吗？

还真不是。这是理解这个概念时，最需要先扭转的一个认知。

它的定义可以这样表述：智能系统在真实工业场景中，围绕具体任务目标，在工艺、质量、节拍和安全约束下，形成感知、理解、决策、执行、验证的任务闭环，并通过数据回流持续优化能力。

这句话有点长，拆开来讲：工业具身智能关心的，是活干完没有、干好没有。它对任务的结果负责，至于载体长成什么样，并不重要。

所以，与其问它像不像人，不如问四个更实在的问题：

1.它是不是在真实工业现场持续运行？实验室里的桌面演示，不算数；

2.它是不是以任务结果为导向？围绕质量、节拍、安全和交付展开，表演单点动作不算本事；

3.它能不能形成闭环？感知、理解、决策、执行、验证、异常处理，一环都不能少；

4.它会不会越干越好？靠数据回流持续迭代，一次交付就定格的系统，谈不上智能。

按这个标准，很多事情就能看清楚了：

▪ 人形机器人，只是身体的一种选项。工位固定的活，机械臂往往比人形更稳、更划算；

▪ 世界模型、VLA、多模态大模型，属于大脑的增强模块。这里有一个容易被热度掩盖的判断：大模型并非工业具身智能的必要前提。在当前工业场景中，很多任务仍以规则、流程编排、传统控制和专用模型为主，大模型更多用于任务理解、泛化增强和异常处理；

▪ 传统工业机器人，解决的是预定义闭环。动作它来执行，遇到意外，仍要靠人来兜底。

工业具身智能真正的价值，在于把载体、模型、工艺规则和现场数据，重新组织成一套能对活负责的系统。身体是什么样，反而没那么重要。

三、拆开看：一套会上班、也会复盘的系统

那么这套系统内部长什么样？里面藏着两个闭环。

第一个闭环是在线运行闭环，解决的是怎么在现场干活：任务输入、感知与状态理解、任务理解与规划、策略与控制、执行与结果验证、异常处理。这就像工人上班时的全过程：接到派工单、看清现场、想好步骤、动手干、干完自查。

第二个闭环是离线迭代闭环，解决的是怎么越来越强：数据采集、数据治理、仿真与训练、评测与发布、部署回流。这就像下班后的复盘：把白天遇到的异常样本、失败案例整理归档，训练升级之后，第二天带着更强的能力上岗。

两个闭环靠数据回流连接在一起。判断一套系统的价值，也就有了依据：做成之后，能不能积累经验、越跑越稳。一次做成，只是起点。

而支撑这套系统的身体，远不止人形一种。按任务闭环划分载体，可以分为五类：

▪固定操作型（协作机械臂、双臂工作站）：守着工位干精细活，工程化基础最强；

▪厂内物流型（无人叉车、配送AMR）：把物料从A点稳定送到B点；

▪移动感知型（四足、轮式巡检机器人）：巡检、抄表、发现异常；

▪产线流转型（智能磁驱、柔性输送）：衔接工序、控制节拍；

▪移动操作型（复合机器人、人形机器人）：边移动边操作，能力上限最高，但系统复杂度也最高。

先有任务，再选身体，这也是观察这个行业最重要的一条逻辑。率先规模化复制的，往往是和任务最匹配的载体，未必是最先进、最通用的那种。

看懂了结构，还要看懂门槛。工业具身智能的核心难点可以归纳为三重，每一重都带着浓浓的工业味：

1.学会干活难：高质量任务数据供给不足，接触反馈、失败样本稀缺，长尾工况覆盖不够。示教能跑通少数任务，但跨任务、跨物料的迁移能力弱；

2.把活干稳难：demo能跑，长时间运行后成功率、节拍、稳定性下降；主流程没问题，异常流一出现就要人工救场；

3.规模复制难：不同工厂的设备、工艺、接口、节拍差异巨大，单点项目能落地，换个场景又要大量适配，ROI难以快速复现。

第三重门槛，正是区分技术和产业的分水岭：能不能低成本、可复制地交付，比算法多先进重要得多。

四、产业链地图：钱和机会，正在向后挪

看完了它是什么，再看谁在做。这张产业地图，和很多人想象中的机器人产业很不一样。

传统工业机器人的产业链，是一条以硬件为核心的线性链条，价值长期集中在减速器、伺服、控制器这些核心器件上。而工业具身智能的产业链，是一张围绕任务结果组织的网络：

▪上游（执行底座与能力模块）决定系统的能力边界：本体、核心部件、感知控制、模型能力、软件基础设施；

▪中游（载体平台、场景方案与集成交付）负责把载体、模型、工艺规则和现场流程，组织成客户可采购、可验收的任务闭环。这是当前最接近价值兑现的环节；

▪下游（工业客户与真实任务场景）用真实需求、验收标准和扩点意愿，决定商业化能否成立。

还有一个现象很有意思：中游玩家高度重叠。本体厂商向下游做方案和交付，集成商向上封装标准单元，方案商也在向运营延伸。这种重叠看似乱象，其实是完整任务系统由谁主导尚未收敛的必经阶段。大家真正在争的，是系统定义权、运行主控权和持续运营能力。

商业上，行业当前的盈利模式仍以项目制、方案制和组合收费为主：本体销售、方案交付、集成实施、运维服务。原因也朴素：产品还没标准化，现场定制深、交付责任重，收入自然跟着项目走。但方向也很明确：中长期，利润池将从硬件和项目收入，逐步后移至平台软件、任务编排、仿真训练、数据闭环和持续运营。

至于为什么说当下正处在战略窗口期，市场信号相当密集：

▪ 2026年6月，Agility Robotics宣布以25亿美元估值通过SPAC上市，募资超过6亿美元，其机器人Digit已在丰田、舍弗勒等客户侧商业运行；

▪ 2025年2月，Apptronik完成3.5亿美元A轮融资；

▪ Figure AI的Figure 02进入宝马工厂测试，汽车制造开始把这类系统引入真实产线环境；

▪ 技术底座上，Google DeepMind发布Gemini Robotics把大模型推向机器人控制链条，英伟达发布GR00T N1、又推出Halos for Robotics安全套件。供给端正在形成从基础模型、数据生成、仿真训练、真机部署到安全治理的可组合技术栈。

把这些信号放在一起看，这个阶段的样子就出来了：供给端加速入场、需求端开始形成真实牵引、技术底座进入可工程化阶段，而领先者的场景、数据和生态优势尚未固化。窗口开着，但没人锁定胜局。

五、离商业化还有多远？把场景摊开看

这是所有人最关心的问题，也值得花最多的篇幅来回答。

先给结论：工业具身智能不会在所有场景同步放量，它将从高价值、可闭环的任务率先突破。

把当前工业任务摊开来看，大致分为三层，每一层的答案都不一样。

▍成熟场景：最先跑通的，是最好验收的任务

第一梯队的答案有点反直觉。最先跑通的，是任务边界最清晰、ROI最好算的场景：物流流转（厂内搬运、线边配送、出入库）和固定工位作业（上下料、抓取放置、简单装配）。它们未必最像人、最智能，却最先创造了能被验收的价值。

它们凭什么先成熟？目标单一、结果易验收、替人和提效的价值直接、路径规划和调度容易标准化。而且，它们已经走过了试点阶段，正在进入复制阶段：

▪ 海康机器人与纬创的合作中，AMR已从昆山工厂复制到成都、重庆等地，累计投入百余台，运营成本下降26%；

▪ 库卡与哈雷工厂的合作中，AMR覆盖线边配送、下线、出入库全流程，配送准确率99%，生产效率提升100%；

▪ 优傲（UR）与Toolcraft的合作中，吞吐量提升43%、生产成本下降23%，ROI约12个月；与Midgard的合作中，ROI约500个运行小时，单件成本节省约30%，废品率从10%降到1%-2%；

▪ ABB的YuMi装配单元导入后，单机8小时产量从5000套提升到6000套，回收期约2年。

注意这些数字的性质：它们是运行指标，是验收结果，不是发布会上的演示参数。这正是成熟场景的标志。

▍过渡场景：从能不能做，到稳不稳、省不省、能不能复制

第二梯队包括感知识别（巡检、检测）、产线流转（节拍协同、柔性换型）和半结构化作业（无序来料分拣、检测后处置）。

这一层的共同特点是：价值已经验证，真实案例已经出现，但复制条件还不成熟。比如优傲的ActiNav在舍弗勒实现了无序抓取、满足12秒节拍、投资回收期低于1年，说明半结构化抓取已经具备真实工业可用性；但一旦面对更多物料差异和异常分支，复制成本就会快速抬升。这一层的问题，已经从看不见，变成了看见之后怎么形成稳定的处置闭环；从能不能换型，变成了整线节拍协同和改造成本谁来扛。

▍远期场景：想象力最大，也最需要耐心

第三梯队是复杂装配、异常处置和通用多任务作业，也是人形机器人集中亮相的地方：

▪ Figure AI的Figure 02在宝马斯帕坦堡工厂累计完成1250+小时的真实产线部署、搬运90000+个零件。工业人形确实已经从演示视频走进了真实产线；

▪ 奔驰与Apptronik合作，在柏林和匈牙利工厂测试Apollo执行搬运和质检，并通过遥操作训练其自主化；

▪ 宝马莱比锡工厂与Hexagon合作，用AEON机器人参与高压电池组装等核心工序。

但对这些案例的定性，同样需要保持清醒：Figure证明了工业人形可以进厂工作，但尚未证明可以低成本、低接管率地规模复制；Apptronik证明了任务广度可以扩展，但尚未证明广度、稳定性和经济性可以同时成立。

▍那么，到底走到哪一步了？

把技术、产业、场景三部分放在一起，阶段判断可以浓缩成一句话：行业正处于从任务闭环向工程交付过渡的早期商业化阶段。少数场景形成了稳定闭环并开始复制，但距离大规模跨场景复制和持续运营，还有明显距离。

有一条主要矛盾，最能点破当下的处境：

技术能力提升快于复制能力
产品供给完整度高于商业成熟度

说白了：会干的活越来越多，但把活复制到一百个工厂的能力，还没跟上。未来的扩张，大概率会沿着一条朴素的路径展开：单点任务跑通、同任务簇复制、单工厂多点、多工厂推广。一格一格爬，没有捷径。

六、路在何方：短期看闭环，中期看复制，长期看运营

回到开头那场喧嚣。

对工业来说，掌声不是验收标准。这个行业的判断框架，朴实得几乎不像在谈风口：短期看闭环，不看概念；中期看复用，不看单点；长期看运营，不看一次性交付。

对不同的人，这句话要落到不同的地方。

如果你是工厂的决策者：别为演示买单，为运行指标买单。一组很具体的问题就能检验项目价值：成功率、节拍、接管率、连续运行时长、二次部署成本、回本周期。一个任务能不能被定义、被验收、被复制，比它用的是什么模型重要得多。率先落地的，多半落在任务边界清晰、ROI可量化、异常可兜底、验收指标明确的那一簇里，跟炫不炫没什么关系。

如果你是行业里的供给者：真正拉开差距的，是能不能把项目经验沉淀为任务模板、交付标准、运维体系和数据闭环。从做成一个项目，到做成一套可复制的系统，这一步决定了你是永远在接项目，还是在建立壁垒。

如果你是这个赛道的观察者：答案同样直白，关注真实订单、客户验收、连续运行、复购扩点和二次部署成本，别被本体形态、融资热度或通用智能叙事带偏。热闹会退潮，任务闭环不会。

具身智能的长期故事，也许最终会写进通用智能的宏大叙事里。但在那之前，它要先在工厂里，一个工位一个工位地，把活干完、干稳、干得让别人愿意再来一次。

这没那么性感，但这才是商业化的样子。

本文观点与数据均来自艾瑞咨询《2026年中国工业具身智能行业发展研究报告》，点击“阅读原文”可下载PDF全版报告。