“很多機器人運動控制做得不錯，能跳舞、打拳，但真正‘干活’時與外界交互仍存在問題。”

——————————

當前，人工智能模型和人形機器人技術快速迭代，讓工業機器人從傳統自動化設備向可感知、可決策、可自主作業的智能體快速躍遷。

工業領域高危、重復、高強度崗位的替代需求持續爆發，各大行業開放大量落地場景，產業入場窗口期持續打開。近日，在以“數智首鋼·鏈聚新程”為主題的2026首鋼冬奧辦公區機器人大本營產業大會上，清華大學自動化系副教授封碩認為，“今年具身智能領域最重要的信號，是要在具身智能的‘大腦’上取得突破。”

從需求端來看，當前工業場景對智能機器人的落地需求已經從概念探索轉向剛需實操。此次大會上，首鋼股份發布涵蓋煉鐵、煉鋼、熱軋、冷軋、質檢、能源六個工序的38個高危場景機器人替代清單，精准覆蓋鋼鐵生產全流程危險作業環節﹔北京地鐵開放服務引導、設備巡檢、物資搬運等12類剛需應用場景，助力軌道交通運維智能化、無人化升級﹔石化產業重點企業也明確提出智能巡檢、高危作業、應急搶險、環保安防等核心需求。鋼鐵、軌道交通、石化三大傳統工業領域，已累計落地超百項實操場景……

但從供給端來看，當前行業發展的短板依舊顯著。高端項目落地難度大、低端賽道產品同質化的矛盾持續凸顯。

高質量數據稀缺

物理AI指讓AI理解重力、摩擦、空間這些現實世界的物理規律。其終極目標，便是借助物理“身體”，成為具身智能，使其替代人類完成真實世界中的復雜作業。在此應用過程中，更適配傳統生產、服務環境的人形機器人便是當下市場追捧的“香餑餑”。

然而，這一過程並不簡單。凌雲光元客視界總經理李淼表示，“真實世界的每一個動作，反饋都不盡相同。但當前機器人訓練仍長期停留在理想化、簡單化環境——空房間、沒有真實的人或物體交互。”

與之形成對比的是，人類在正式上崗前，往往要經歷二三十年的學習與成長，且這些知識不僅來源於書本，更重要的是在真實世界中與環境、物體持續交互，在海量試錯中沉澱經驗。即便如此，人類在實際工作中也難免出現失誤。正是這種“真實的動態空間交互數據”，成為當前行業公認的稀缺資源。

李淼進一步解釋，“這類數據決定了模型訓練的上限，類似於機器人的‘天賦’。”但此類數據的採集並不容易。“採集1000小時的真實數據，可能要花3個月時間，投入大量人力物力。”高額的採集成本、漫長的採集周期，導致優質工業場景數據難以快速積累。

除了數據資源少、採集難，具身智能落地工業場景，還需要攻克小概率高價值場景數據缺失的關鍵問題。封碩認為，“從測試角度看，小概率的高價值場景才是最有價值的。”他特別提到，一類“人覺得簡單，但機器人實際表現不佳的場景”，因其隱蔽性和潛在風險，正在成為制約工業應用的關鍵卡點。

相較於數據量不足，工業數據的閉環壁壘、標准混亂問題，進一步加劇了數據短板。中檢智測總經理劉典陽表示，當前具身智能與工業場景應用的最大痛點之一，是數據標准不統一。由於硬件接口、通信協議、數據格式、標注顆粒度各廠商自成體系，不同品牌機器人之間難以實現數據互通和協同作業。簡言之，阻礙行業高質量數據積累的核心困難是：數據壁壘高筑、技術路線紛雜、企業各自為戰，“數據孤島”已成為產業協同的核心障礙。

不僅要會跳舞，還要能感知

除了更會“深度思考”的“中樞神經系統”，在“接受信息”與“邊緣計算”的“周圍神經系統”上，我們離工業機器人的實景交互也還有距離。

“很多機器人運動控制做得不錯，能跳舞、打拳，但真正‘干活’時與外界交互仍存在問題。”他山科技研發副總裁侯廣東告訴中青報·中青網記者，視覺僅能完成“看見”的基礎感知，無法識別物體軟硬、粗細、紋理等工業生產環節所需要的深層物理屬性，而觸覺便是機器人真正“上手干活”、完成精准物理交互的核心能力。“要達成穩定、可靠的工業作業交互，觸覺技術不可或缺。”

他山科技CEO馬揚進一步強調，觸覺絕非單一傳感器，而是一套前端智能系統：“觸覺不光是感知，還包括邊緣計算和控制，是保証干活穩定性和速度的不可或缺的部分。”他補充道：“AI大模型與具身智能是連接關系，但具身智能的核心是從感知到計算再到控制。觸覺是其中重要一環。”

行業長期存在“重硬件、輕算法”的認知誤區，而工業觸覺技術的核心壁壘，在於軟硬件一體化深度協同。馬揚指出：“軟（模型）和硬（芯片）同等重要。最早行業把觸覺隻當作傳感器，我們把它定義為前端智能模塊，因此我們構建了‘芯片-傳感器-算法模型-場景應用’的完整技術體系。”

隨著落地場景從實驗室轉向復雜工業工況，行業對觸覺技術的核心需求也發生本質轉變。當前工業場景對觸覺的核心要求，已從靈敏度轉向魯棒性（指系統在內外環境變化時，仍能維持穩定運行的能力——記者注）和耐久性。馬揚坦言，工業應用場景下，早期更追求高靈敏度，如今更看重魯棒性與耐久性，“在高溫、潮濕、酸鹼腐蝕、高頻作業等嚴苛工況下，觸覺必須保持穩定。而靈敏度夠用就行，超過夠用沒有意義，但低於夠用也不行。”

與此同時，觸覺的價值也在持續升級，從單純的感知工具，轉變為工業機器人的安全屏障。侯廣東提出：“觸覺可以成為機器人的安全屏障，將事后的檢驗檢測變成實時的反射式防控，大幅降低工業作業的安全風險。未來，觸覺技術還將從指尖單點感知，延伸至手掌、關節乃至全身，全面集成到機器人感知、決策、控制全系統中，筑牢工業作業的交互與安全基礎。”

“機器人發展太快，標准制定跟不上迭代節奏”

封碩表示，“安全在行業發展早期是下限”——功能再強，如果不安全也無法落地。當技術功能迭代到一定水平后，安全能力就成為行業上限，直接決定企業能夠解鎖哪些高端、高價值的工業場景。

但目前國內工業機器人的安全體系尚未形成標准化、可復制的評測體系，行業安全保障高度依賴人工管控和大量的測試去構建。北京機器人融資租賃公司副總經理史乙坦言，當下部分企業能做到“零事故、零投訴”，並非行業成熟，而是依賴嚴苛的流程管控。他介紹：“我們將機器人現場部署分為前期測試、工程部署和后續運維服務三個階段。”

史乙他們曾組織30余家廠商、100多款機器人，對北京的一個項目進行了近一年現場實測，通過長周期驗証反復打磨安全邊界、排查作業隱患。但這種“重測試、重人力”的落地模式，成本高、周期長，無法適配產業快速規模化的發展需求。

而行業規模化落地的深層痛點，在於技術迭代與標准更新的速度嚴重錯配。

談及這一問題，劉典陽表示，技術迭代速度大大領先於標准的更迭周期，是當前行業規模化落地的關鍵瓶頸。國家標准從立項到發布的常規周期通常需要18個月，而具身智能領域大模型和運動控制等核心技術路徑持續快速迭代，標准剛發布就可能面臨技術代差。

不過，目前行業已迎來政策端積極信號，工業和信息化部人形機器人與具身智能標准化技術委員會正按“急用先行”原則，優先推進關鍵接口、測試評價、安全倫理等標准研制。但在劉典陽看來，評測體系的建設任重道遠——“即便有了框架，但針對鋼鐵、石化、軌道交通等細分工業場景的專用測試方法和安全限值還需要大量技術積累和場景驗証。”

未來，隨著行業打破數據孤島、補齊觸覺交互技術短板、完善細分場景標准化評測體系，物理AI將逐步走出實驗室演示階段，真正適配復雜、嚴苛的工業實景作業需求，成為制造業轉型升級、高危崗位替代、工業智能化升級的核心抓手，讓工業機器人真正實現大規模“入場落地”。（盧健  張景瑤）