2026世界机器人大会主论坛大咖观点（二）

2026世界机器人大会主论坛应用牵引篇章

嘉宾观点一览。

张峰 中国电子学会理事会党委书记、中国人形机器人与具身智能百人会理事长

人形机器人是人工智能与机器人深度融合的重要载体，正由舞台展示和赛事竞技加速迈向家庭与工厂。产业呈现四个趋势：技术创新进入集群涌现阶段，全产业链制造能力持续提升，行业应用由小批量试用转向常态化和规模化部署，产业生态则以标准、人才、国际合作和创新基础设施为支撑，逐步形成共生共融的新范式。

王兴兴 宇树科技股份有限公司创始人、董事长

机器人从展品走向产品的最大瓶颈仍是效率、泛化能力以及模型与真实世界的精确对齐，特别是最后几厘米、几毫米的误差会显著拉低成功率。行业需要海量高质量的人类与真机数据，并建立由大模型编程、仿真训练、实机测试和人机评价组成的自进化闭环；当机器人在多数陌生场景中仅凭语言指令即可完成约80%的任务时，才真正接近具身智能的“ChatGPT时刻”。

Wolfram Burgard 德国国家工程院院士、德国纽伦堡工业大学教授

机器人进入家庭和开放环境，必须超越文本与视觉模型，形成融合语言、视觉、触觉和力觉的多模态基础模型，并理解“干净的房间”“打开抽屉”等任务背后的语义、状态与连续行为。未来还需要建立“机器人互联网”，汇聚全球设备数据支持终身学习和自我进化，同时兼顾边缘运行的能耗与成本；只有具备真实世界模型、精细操作和安全触碰能力，机器人才能成为家庭新成员。

高继扬 星海图人工智能科技股份有限公司创始人

基础模型正成为具身智能产业化的核心驱动力，商业模式将由整机销售逐步转向场景解决方案订阅，最终可能转向物理世界Token服务，价值重心也将从硬件迁移到智能。机器人形成生产力要同时提升速度、精度和泛化性，依靠预训练、真机强化学习和低成本后训练，把零样本泛化、通用抓取、长程任务和毫米级操作转化为电商零售、工业制造、物流与商业服务中的真实订单。

王鹤 银河通用机器人股份有限公司创始人、首席技术官、北京大学研究员

通用人形机器人需要仿生的“大脑—脑桥—小脑”体系：大脑负责高层动作意图和世界理解，小脑负责高频、稳定、抗干扰的全身控制。走向通用的关键在于融合VLA与世界模型的世界动作模型，以及仿真强化学习、人类数据、真机回流数据共同构成的数据体系；再通过只需普通视频、无需动作标签的低门槛后训练，让各行业能够快速把通用模型训练成高成功率的场景模型。

Michael Dowling 德国国家工程院院士、德国雷根斯堡大学教授

机器人技术能否持续成功，最终取决于是否找到客户愿意付费、企业能够盈利的市场，而不只是技术先进。制造、物流仓储、农业和医疗健康将率先受到深刻影响，机器人即服务、柔性生产和人机协同将重塑企业组织与商业模式；同时必须重视岗位冲击与再培训、安全伦理和监管标准，并把机器人视为可承载新业务的商业基础设施，而非孤立设备。

Nancy M. Amato IEEE机器人与自动化学会主席、美国伊利诺伊大学厄巴纳香槟分校西贝尔计算与数据科学学院主任、美国艺术与科学院院士

机器人拥有更强物理能力之后，核心挑战转向如何在复杂、长期和非结构化环境中规划并协同。多机器人系统的规划复杂度会随数量指数增长，应把全局结构化规划与局部反应式协调结合起来，并通过自然语言、VR、眼动和手势等直观接口引入人的经验，使非程序员也能指导机器人；同时，生物神经元与硅基系统结合的低能耗“湿硬件”可能成为下一代机器人计算的新方向。

曹鹏 京东集团技术委员会主席、京东云总裁

具身智能实现规模化复制的核心制约是高质量真实场景数据不足，模型泛化能力不够。京东将依托零售、物流、健康、家政和工业等超级供应链场景，建设覆盖采集、存储、标注、训练、评测、仿真的数据基础设施，目标在两年内采集超过1000万小时人类真实场景数据和100万小时机器人本体数据；再通过仿真评测、人机动作对齐和数据交易平台，把原始记录转化为可训练、可流通的高质量资产。

Seth Hutchinson 美国东北大学教授

走向人机共融不能只把机器人关进物理或电子围栏，而应把安全直接纳入控制优化，在完成任务的同时动态约束速度、动能、碰撞、自碰和物体姿态，使机器人能够在人靠近或环境变化时主动避让并保持可靠操作。数据驱动方法很重要，但数据质量、分布外场景和难以仿真的物理过程仍存在风险，因此高保真模型与可解释的安全约束不能被大模型简单取代，尤其在养老照护等高风险场景中更应谨慎。

陈建宇 星动纪元创始人、首席执行官

具身通用机器人应同时具备更高能力上限和更强泛化性，使新的任务不必重新开发整套软硬件。实现这一目标必须推动大脑、本体与场景协同进化：以端到端具身大模型和世界动作模型提升物理理解与零样本泛化，以高自由度本体、灵巧手和运动控制承载能力，再用物流、工业等真实场景产生的数据反哺模型，形成技术与商业化相互促进、能力可跨场景复用的进化飞轮。

Ferdinand Dudenhoffer 德国汽车研究中心主任、德国杜伊斯堡埃森大学教授

黑灯工厂和AI工厂的价值应从经济回报而非单纯技术投入来衡量，既要计算人工、物流等成本下降，也要判断真实需求能否支撑算力、芯片和基础设施的高投入，警惕供给扩张和金融兜底催生泡沫。更重要的是，数据构成企业的“DNA”和核心竞争力，企业不能轻易把关键数据交给通用AI供应商，而应通过私有模型、私有云和清晰的数据权责保护自身价值，并同步考虑错误输出带来的法律责任。

席宁 中国电子学会机器人分会主任委员、香港大学机器人与自动化讲座教授及系主任、新兴技术研究所所长

打通科研与产业之间的鸿沟，不能沿用“先研究、再转化”的单向模式，而应让应用中的真实问题直接形成研究课题，并让成果回到场景中验证，构成持续循环。物理AI不仅要处理任务逻辑，还要处理空间、时间和力交互关系，因此可将大模型的数据驱动优势与状态机、运动学、动力学等可解释符号模型结合，通过协同学习减少数据需求、提高迁移能力，从而把实验室方法更快转化为可落地的机器人能力。

吴明辉 明略科技集团创始人、首席执行官、首席技术官

机器人落地需要两类“大脑”：一类是单机的感知、推理和控制大脑，另一类是连接机器人、数字智能体和既有IT系统的组织大脑。具身智能可以借鉴Agentic AI在结构化技能、记忆和多智能体协作方面的经验，但真正进入餐饮、零售等生产系统，还必须重构岗位分工、流程和组织，并配套前沿部署工程师、维修运维体系以及开放互联平台；应用目标应是放大人的价值、提升组织上限，而不是以裁员为主要目的。

王潜 自变量机器人公司创始人、首席执行官

精细操作涉及遮挡、不确定性、三维空间和复杂接触，其难度并不低于语言智能，动作模态也无法由语言或视觉模型简单迁移而来，因此物理世界需要与数字世界基础模型并行的独立基础模型。应坚持端到端、统一多模态预训练，让模型同时学习动作、视频、语言和三维表征；同时把数据视为需要定义、采集、判别、处理和迭代的复杂工业品，而非可直接开采的“石油”，并通过模型、数据和训练基础设施的开源协作加速产业发展。

韩铮 苏度科技联合创始人、首席执行官

具身智能从科研走向商业，首要前提是高可靠性，单次执行或有限纠错后的成功率应达到99%乃至99.9%，否则很难进入产线和服务系统。可通过合成数据、仿真到现实迁移和少量真机数据构建抓取、放置、插拔、柔性物体操作等高可靠原子技能，并由上层开发者组合成长程任务；底层平台负责稳定、泛化的操作能力，上层团队专注智能体和行业流程，再以线下开发者中心、仿真工具和工程支持降低应用开发门槛。

Domenico Prattichizzo 意大利锡耶纳大学教授、WEART公司联合创始人

人形机器人要完成精细操作，不能只依靠视觉，必须获得力、触觉和温度等反馈；带有多方向触觉反馈的遥操作系统既能提高操作质量，也能采集训练灵巧手所需的关键数据，因此在机器人规模部署后将成为重要基础设施。机器人与人的关系也不应是二选一，可穿戴手指、可控机械臂等技术可以帮助中风或行动受限者恢复功能和参与感，让机器人成为身体能力的延伸，并确保人始终处于决策和控制闭环中。

曾光 中科云谷首席执行官

工业机器人与人形机器人协同应用，应以质量、效率、安全和柔性收益大于采购、集成、运维和停机成本为前提。人形机器人进厂不能简单复制原有人工动作，而要先优化工艺，在精益体系中明确任务约束，并以真实场景数据支撑模型；随后将物理AI、本体AI和智能体AI同工业软件、知识和数据体系打通，通过统一操作系统和数据飞轮，根据任务特点混合调度传统工业机器人、自适应机器人和人形机器人，实现从单机智能、一脑多形走向产线和工厂级群体协同。

王田苗 智友·雅瑞科创平台发起人、中关村智友研究院院长、圆桌发起人

机器人规模化应用不能只把“大脑”视为唯一答案，还要同时解决工程可靠性、批量一致性、供应链标准、成本回报和场景匹配。工业任务应按精度、节拍和容错要求分类，人形机器人优先进入非结构化、多品种小批量以及可容错环节，再通过真实运行形成数据闭环；产业发展也不会在某个“巅峰时刻”突然完成，而会从技术较成熟、需求明确的场景逐步推进，在人机共生框架下进入工业、商业与家庭。

赵同阳 众擎机器人创始人、首席执行官

具身机器人走向万台规模的首要卡点是大脑可靠性，现实应用不能满足于99%的成功率，还要提升到更高水平；更深层的难题则是数据、模型架构对多任务求解和泛化的能力。现阶段应让技术与产品在可实现范围内匹配，优先进入巡逻巡检、物业安保以及搬运、危险和易疲劳等工业任务，并开放软硬件生态让第三方开发应用；长期看，身体与“灵魂”需要统一，全栈平台企业可能形成头部集中。

程昊 加速进化科技有限公司创始人、董事长

机器人本体、硬件一致性和小脑控制正在逐步成熟，当前更大的瓶颈是尚未收敛的具身大脑路线，以及把系统可靠性提升到工程可用水平。产业可能依次经历本体、智能体和模型三个阶段：本体阶段百花齐放，智能体阶段硬件与系统逐步收敛、应用繁荣，模型阶段平台能力进一步集中；但应用不会等待完美大脑在某个时点突然成熟，而会像计算机产业一样循序渐进，ToB与ToC都从简单任务向复杂任务并行发展。

刘宇龙 智身科技联合创始人、联合执行总裁

面向当下的规模交付，大脑不必一步达到终极通用，只要在目标场景中“够用”，更现实的卡点是负载、温度适应、续航等硬件指标，以及万台生产中的良率、工艺、评测和批次一致性；行业还需协同建立标准与许可体系。未来人形操作还要弥合虚拟大脑与真实本体之间的差异，提高有效数据质量；应用路径可从科研和文娱扩展到巡检、应急、消防等危险、高频、重复场景，再进入更多工业、商业和消费领域。

焦继超 优必选副总裁、具身智能与人形机器人研究院院长

万台级量产要求研发立项、软件开发、导入生产、采购和质量管控形成标准化流程，保证产品一致性、稳定性和可靠性；应用端则应按任务指标和ROI选择切口，先在可容错工位落地，再通过数据闭环逐步进入高精度场景。具身大脑仍受数据数量、质量和模态类别不足制约，力觉和触觉数据尤为稀缺，现有多模态语言模型架构也未必完全适配；现阶段软硬件需要深度耦合，未来可能形成少数平台本体和丰富应用生态。

徐磊 京东智能机器人业务部负责人

规模化的关键是供需匹配，产品首先要解决真实问题、创造明确价值，而不是在所有场景追求同一可靠性指标；从订单看，当前高校、特种、工业和商用等B端需求明显强于C端，可优先通过垂直品类建立规模。产业短期会因技术和场景尚未收敛而百花齐放，长期则在标准化基础上按不同场景形成细分生态；京东将以采购、代工、销售、维修运维、真实场景数据和海外服务组成基础设施，推动中国机器人进入全球市场。