浙江人形机器人熊蓉：物理世界不可约，人形机器人落地不可急 ｜ WRC 2026

从生产线到生产力，难在稳定，更难在泛化。

作者丨吴思梦

编辑丨岑 峰

人形机器人开始进工厂之后，也在逐渐迈过从“展示能力”到“承担生产”的边际。

8月20日，2026世界机器人大会在北京开幕。在“应用牵引”主题论坛上，浙江大学求是特聘教授、浙江人形机器人创新中心首席科学家兼总经理熊蓉正面谈到了这道门槛。

她和团队用两年半时间，把人形机器人带进了3C电子、服装、物流、汽车装配等真实工业场景，部分应用已经开始规模化落地。

但订单和指标并不是故事的终点。熊蓉真正想拆开的，是机器人进入物理世界之后暴露出来的那些“Demo视频之外”的问题：视觉看不全交互的本质，数据堆砌替代不了举一反三，而物理世界本身又具有不可约性。

所以，人形机器人距离真正成为生产力，差的也并不是再多一个Demo，更棘手的是如何让它在不确定的世界里，既做得准，又能举一反三。

以下为熊蓉在2026世界机器人大会主论坛的演讲精编稿。雷峰网·AI科技评论基于现场演讲录音转写稿，在不改变原意的基础上进行了编辑整理。

01

多场景落地：三道难关

大家下午好。我是来自浙江人形机器人创新中心的熊蓉。我们在两年半的时间里，主要是面向人形机器人能否在多场景中应用、如何做到这一点，开展了一系列工作。经过两年半的努力，也展示了我们目前不管是在零售、商服，还是在工业的各个场景里面，验证了这套技术体系的有效性，部分在工厂里也实现了真正的落地应用。今天在这里给大家介绍一下我们在基座和生态建设上开展的工作。

我的报告会分为四个方面展开。首先来讲一下多场景应用所面临的难点。

随着社会的发展，越来越多的行业场景对机器人提出了应用需求。但与目前很多场景中机器人规模化应用相比，这些场景面临着这样的特点。首先，整个市场需求很大，但就每一个场景来讲，应用量可能并不是那么大规模的——所以它是高度碎片化的。而且这些场景差异很大，里面的物品各种各样，并且随着生产生活的发展，也在快速迭代。

第二，很难再用“一个机器人干一个活”的思路。往往是由人完成一系列工作——包括取料、对准、使用工具、最后放到指定地点。如果用传统方法，可能需要多个机器人，占用更大空间，改造成本较高。所以如何让一个机器人完成长程的多样化任务，是第二个难点。

第三，任务的执行是柔性变化的。生产制造正向柔性化、个性化发展，需要能够快速换线，甚至频繁换线。生活中各种情况会突发，需求在不断调整，环境又是动态变化的，具有很强的非结构化特征。所以很难用传统方法，由专业人员提供解决方案，做场景固定、定制开发等。原来的方法很难在这些场景中实现。

所以我们选择具身智能这条途径，来解决场景多样化、柔性化的需求。我们希望通过通用的行为智能，加上人形机器人作为通用载体，更好地适应人类为自己打造的生活和工作环境。当二者能力叠加，市场非常广阔，其规模与智能水平密切相关。

现在已经有很多在产线上和生活中应用的机器人，基本具备L2级智能，部分具备L3级，大多数处于二三级之间。我们要做的是达到L4级——能够适配多个场景，在场景中完成非结构化、柔性化的任务。当具备这个能力后，才能通过数据叠加，推动大模型向全面智能进军。

这两年具身智能技术快速发展。人形机器人整机方面，中国已有近200家整机企业。具身智能大小脑模型，各家都开展了丰富的研究。总体来看，2024年我们应用模仿学习加强化学习，使人形机器人具备了灵活的运动能力；2025年做了充分展示，并结合语言视觉大模型提升机器人的自然交互能力。到今天，沿着VLA、VLN等端到端行为策略学习，到结合世界模型构建世界动作模型，可以看到作业智能大大提升，大家也在多个场景中进行了验证。在这次世界机器人大会上，相信大家也有深刻感受。

但这些技术演示如何落地？还要解决哪些问题？如果机器人真正进场，还有一些问题需要解决。

02

从演示到产线：四个Gap

首先，它能否在工厂环境中长期可靠地运行？进了工厂以后，会有很多突发情况、异常工况。这种情况发生时，模型会失败，导致整个作业失败，就需要采集数据、补充数据、进行训练。

第二，泛化能力实际上还不足。现在往往是一试一训——当物体变化、场景变化、光照变化，又要重新采集数据、进行学习训练。

第三，目前操作基本在厘米级到毫米级，但工业上往往要达到亚毫米级。而这部分操作精度，视觉已经不可见，需要用力触来解决——这方面我们还有欠缺。

最后，大家都觉得机器人执行效率偏低。因为感知、推理、决策到控制形成的回路，与原来闭着眼睛重复干相比，多了很多环节，还要保证推理执行的准确性，都使其更加耗时。这些使得它与真实落地应用之间，除了要解决泛化性，还要保证可靠性、高效率、低成本，以及工业场景中的高精准——之间还存在一个gap。

我们会发现，现在这些方法并没有真正解决传统模型的问题。泛化性不够，希望通过数据多样性来学习——并没有达到这一点，甚至失去了原来机器人所具备的精准、可靠、高效的执行能力。这是我们所面临的问题。

归根到底，这是因为物理世界具有不可约性。为什么专家模型不行？因为专家模型无法用总结学习出的规则来描述物理世界的复杂性。同样，现在的数据和模型能力，也无法涵盖物理世界的丰富性和复杂性。

03

技术破局：四个层面

技术方面，我认为有几个点需要注意。

第一是表征层。具身智能的核心在于与环境的交互，这种交互不仅体现在视觉上，而现在大量模型学习都基于视觉表征。但交互一定涉及力触，且这种力触与形状、重量、材质、行为强相关。我们很难用视觉表征出物理交互的本质。在仿真中学习，也面临Sim to Real的gap问题。所以我们在表征层提出了将视觉、力触融合的通用表征方法，可以支撑在仿真中学习训练，再迁移到真实环境。

第二是感知层。现在很多做法是将语言、视觉和行为做对齐，这极大依赖于语言视觉大模型。但这些大模型并不完善，缺乏空间理解能力和物理常识。在开放混杂的场景下，感知精准性会显著下降。当看不清、识不准时，会直接影响行为生成。所以不能仅仅依靠行为与感知的对齐来解决问题，感知能力依然需要增强。我们在VLM基础上增强了空间理解能力，并构建了对环境中各种物体在非接触和接触状态下的预测模型，用预测模型推动行为学习。由空间理解能力、预测模型和实时感知模型形成世界模型，让世界模型与具身模型协同进化。

第三是模型层。目前高度依赖数据堆砌和驱动，但缺少抽象思维能力。如果学会了怎么拿一双鞋子，鞋子千变万化，人不需要学习很多双鞋子怎么拿，不需要采集那么多图像。所以要考虑如何举一反三。否则，当各种任务、各种数据堆砌在一起时，多维度、高维度数据融合带来的学习挑战会更大。我们通过表征的突破，形成了Real to Sim to Real的数据飞轮，构建了大规模训练数据。

第四是数据。仍然需要低成本获取大规模高质量数据的方法。现在已有多渠道的数据采集方法，如何提升数据质量，也需要持续优化。

这是我们目前形成的整个智能模型体系。在智能世界模型中做了认知模型加强、感知模型优化、即时预测模型。在具身模型方面，做了大小脑分段训练，再做融合。让大脑适应环境和任务，实现混杂开放场景下的长序列规划，并能检测错误进行纠正；让小脑适应环境的即时动态变化、适应各种物体，保证具有语义性、精准性的技能作业能力。

认知基础模型和感知重构模型对具身大脑模型发挥主要作用，认知基础模型和即时预测模型对小脑发育起主要作用。同时引入专家模型，让我们能学习专家模型中已有的人类总结过的知识能力，具备通用性，不需要反复采集数据训练；同时通过数据补偿专家模型对长尾场景的覆盖不足。

通过这样的方式，我们将模型各部分拆解、优化，再融合进化，既能实现更好的端到端发育，也推动这些技术直接在应用中落地。训练架构上，我们会采集真实环境、物体和人的操作行为数据，通过高保真重构和重定向技术进入仿真环境。在仿真中，环境变得可编辑，能生成各种新数据。用通用表征建立基础预测模型，推动行为策略学习，行为策略又与预测模型不断迭代，推动两者能力提升。语言视觉大模型提供语义表征，已有专家模型提供专家知识表征。

通过这种方式，很多场景中可以不用重新训练，直接在真实场景中通过人的简单示教，一次示教就能完成具体任务。当然，对于部分复杂的、特别是高精度操作，需要做一些校正，通过真机强化来实现。

04

基座与生态：从实验室到产线

通过这些体系，我们构建了具有泛化性和精准可靠性的具身智能大小脑模型，为实现通用奠定了基础。同时作为产品体系，也要有好用的机器人。我们注重能够双臂手协同作业的机器人，保证精度、实时和可靠；以及能够在多行业中、让开发人员便捷使用的工具链。它构成了面向各行业、各种场景应用的基座和支撑，也构成了与行业合作伙伴合作的基础。这是我们的工具链和整机，具体不展开了。

目前已经实现了多行业、多场景应用，部分已实现规模化。3C领域已签约百台级订单；服装领域签到了2000台订单——能完成汽车装配，服装柔性面料抓取，包括做衬衫布、牛仔布、贴袋模板机操作；也能做透明液体的精准分液，精度可达1毫升；能做物流中的拆垛、码垛，以及柔性屏的撕膜、贴膜、上下料检测。也有出口海外完成各种任务。在服务场景中，包括厨房，今年3月发布了机器人总厨Cook。也有面向安防巡检的1.8米全身人形机器人，在教育领域也做了很多推广，培养相关人才。

总体来讲，验证了通过基座和产品体系能实现跨场景应用，并达到工业级亚毫米精度和4个9（99.99%）的成功率，得到工厂高度认可。特别是效率近几个月快速提升——搬运5米内可达35秒；贴袋全流程人工40秒，机器人可做到50秒，达到人工的80%。

在这样的基础上，这几年也一直在与生态合作。上游供应链方面，提出优化需求，进行性能测试，为合作方提供组装工艺和作业指导，推动国产化率提升。下游覆盖了多个行业，与头部合作企业共同打造新的解决方案。有一批数据合作伙伴，为他们提供标准化数据采集与标注工具链，共同面向行业需求定义场景和采集规范。与很多应用开发伙伴联合创新解决方案，为他们开发赋能。

除了产业协同，我们也深感整个产业人才非常缺乏。所以与研究类大学、应用类本科、职业类高职和中职院校都开展了合作，结合应用方企业共同进行人才培养赋能。提供整套课程体系、教学载体，把实际场景融入实训基地。成立了产教融合共同体、产业联盟和行业人才培训基地。目前已培训200多名教师和1000多名学生。

我们希望为具身智能人形机器人的发展打造更好的基座，让我们走得更远更好。谢谢。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈