机器人产业边界：从工业自动化、专业服务到通用具身智能

第三章　机器人产业边界：从工业自动化、专业服务到通用具身智能

3.1 为什么必须重新认识机器人产业的边界

在新能源汽车产业的发展历史中，纯电动汽车的出现并没有改变汽车作为交通工具的基本产品属性，却显著改变了其动力系统、电子电气架构、供应链分工与技术竞争结构。传统汽车产业由此出现了新的进入者、新的技术平台和新的产业组织模式，而长期积累的车辆动力学、机械设计、安全工程与规模制造能力仍然是整个产业发展的基础。正是在这一意义上，新能源汽车构成了研究具身智能产业演化的重要参照，但机器人产业所面临的问题比汽车电动化更为复杂，因为具身智能不仅可能改变机器人的控制系统和智能水平，还可能进一步扩展机器人能够完成的任务范围以及人类使用机器人的基本方式。

过去数十年，全球机器人产业已经形成工业机器人、专业服务机器人、消费服务机器人、医疗机器人及其他特殊用途机器人等不同市场。工业机器人广泛应用于汽车制造、电子装配、金属加工、物流搬运等领域，专业服务机器人逐渐进入仓储、清洁、农业、巡检与公共服务场景，而面向家庭的扫地机器人和割草机器人则已经形成了较大规模的消费市场。这些产业的发展证明，人类早已能够利用机器人在现实物理环境中执行复杂任务，机器人技术本身并不是伴随生成式人工智能出现的新兴技术。

然而，随着视觉语言模型、视觉语言动作模型、强化学习、世界模型和大规模机器人数据训练方法的发展，机器人产业正在出现新的技术分化。部分研究机构和企业开始尝试让机器人不再完全依赖针对每一项任务编写的控制程序，而是通过自然语言、视觉信息、动作示范和交互经验，学习更加通用的操作能力。机器人研发的重点由此从如何让一台设备按照预先设定的程序稳定运动，逐渐扩展到如何让一台设备理解任务、适应环境、规划行动，并能够在不同物体、不同空间和不同任务之间迁移已经学习的技能。

这种变化具有重要意义，却也带来了新的概念混淆。工业机器人、人形机器人、智能机器人、通用机器人和具身智能，并不属于同一层级的分类。工业机器人和服务机器人主要依据应用用途和作业环境进行区分，人形机器人主要依据机械形态进行识别，而具身智能则更多涉及智能系统通过身体与环境进行感知和行动的能力特征。一个人形机器人未必具有高度通用的智能能力，一台非人形机械臂也可能具备先进的视觉感知、语言理解和操作学习能力。

如果将这些概念混为一谈，后续产业研究就容易产生三个问题：首先，错误地把整个工业机器人市场规模视为具身智能市场规模；其次，把人形机器人销量当作具身智能技术成熟度的唯一指标；最后，过度集中于机器人整机制造，而忽视工业软件、物理求解器、机器人训练系统和工程基础设施在不同机器人形态中的作用。

因此，本章首先需要建立一个具有明确技术边界和统计口径的机器人产业分类体系，再讨论不同类型机器人对工业软件、物理仿真与人工智能基础设施提出的具体需求。这样既能够避免夸大新兴市场，也能够识别具身智能真正可能改变的产业环节。

3.2 机器人产业的既有分类：产品用途、机械形态与智能能力必须分开

国际机器人联合会（International Federation of Robotics，IFR）的统计体系，是研究全球机器人市场的重要资料来源。IFR长期发布工业机器人和服务机器人年度统计，并采用国际标准化组织ISO相关机器人术语标准作为概念基础。现行发布的ISO 8373:2021《Robotics — Vocabulary》为机器人领域提供了标准术语，截至2026年10月，ISO正在推进下一版术语标准的修订，因此研究中必须区分已发布标准与尚在制定的草案。

传统机器人分类的重要价值，在于为产业统计、设备采购、安全规范和工程应用提供相对稳定的定义。但是，这种分类主要服务于既有机器人产品和应用市场，并不能单独说明机器人采用了何种智能算法，或者是否具备跨任务学习能力。

例如，一台用于汽车焊接的工业机器人，可能采用传统示教程序完成固定轨迹，也可能通过视觉识别焊缝并实时调整动作；一台物流移动机器人，可能主要依靠地图、定位与路径规划，也可能结合学习模型处理更复杂的环境变化。两者虽然在控制算法方面存在差异，却仍然可以按照其实际应用归入相应的产业统计类别。

人形机器人则更加特殊。它的机械结构通常模仿人类身体的部分或整体特征，包括躯干、双臂、双足或者类似人类的操作机构，但其应用可以发生在工业生产、物流、商业服务、科研和家庭等不同场景。因此，人形机器人不能与工业机器人、服务机器人作为完全互斥的市场类别直接相加。

具身智能进一步跨越了这些产品分类。一个系统是否具备具身智能，并不取决于它是否拥有双腿，而取决于其能否通过身体和传感器与环境建立闭环联系，并利用对环境和任务的理解完成有目标的物理行动。对于产业研究，还需要进一步观察这种能力在多大程度上依赖学习、能够适应怎样的变化以及是否具有跨任务泛化能力。

我建议本报告采用三个相互独立但可以交叉映射的分类维度。

这一分类方式存在一个重要优点：它能够避免将技术演化简单理解为不同机器人产品之间的替代。

工业机器人可以逐步获得更先进的AI能力，物流机器人可以从固定路线导航发展到更加开放的环境交互，非人形机器人可以通过通用操作模型学习不同物体的处理方式，而人形机器人则可能首先在某些有限任务中建立商业价值。不同类别之间并不存在必须依次经历的线性升级关系。

对于本报告特别关注的工业软件产业，这种多维分类还有另一层意义。工业软件服务的不是某一个单独的机器人市场，而是不同机器人系统在几何、结构、动力学、接触、材料、传感器、控制和制造方面产生的共性工程需求。因此，工业软件的潜在需求范围，可能比某一种机器人形态所对应的整机市场更加广泛。

3.3 全球机器人市场的现实基础：成熟产业与新兴产业并存

在讨论具身智能未来市场之前，必须建立一个准确的机器人产业现状基准。

国际机器人联合会2026年9月24日发布的《World Robotics 2026》数据显示，2025年全球工业机器人新增安装量超过60万台，同比增长11%，全球在役工业机器人达到约500万台，中国当年新增工业机器人约35.4万台，占全球新增安装量约59%。这些数据表明，工业机器人已经构成全球制造业的重要技术基础，而中国不仅拥有庞大的制造业自动化需求，也已经成为工业机器人部署和产业发展的核心市场。

与此同时，专业服务机器人正在形成不同于传统工业机器人的商业结构。IFR于2026年9月30日发布的《World Robotics 2026 Service Robots》指出，2025年全球专业服务机器人销量接近25万台，同比增长24%，其中运输与物流机器人销量达到约11.75万台，占该类机器人销量的47%。专业清洁、酒店及公共接待、农业、巡检维护等应用则构成其他重要细分领域。

2025年全球机器人市场的不同发展阶段

60万+台

工业机器人新增安装

成熟的制造业装备市场

约25万台

专业服务机器人销量

专业场景扩张中的市场

约3,420万台

消费服务机器人销量

以特定用途家用机器人为主

约7,000台

全尺寸人形机器人销量

尚处于商业化早期

来源：IFR《World Robotics 2026》，2025年度数据。工业机器人采用新增安装量，服务机器人采用销量或出货量；全尺寸人形机器人指高度超过140厘米、面向商业和专业用途的产品。各类别统计口径与样本覆盖不同，不能简单相加。

值得特别关注的是，IFR在2026年服务机器人报告中开始提供有关人形机器人商业化的独立观察。报告指出，2025年全球销售的全尺寸人形机器人约为7000台，且现阶段多数应用仍然较为专用，一些实际操作依赖人工遥操作。对于人形机器人进入更广泛市场，安全标准、训练与维护成本、可靠操作能力和商业经济性仍然构成重要限制。

这一数据与大众媒体中经常出现的机器人未来市场预测形成鲜明对照。具身智能可能拥有较大的长期需求空间，但就已形成实际产品销量的市场而言，传统工业机器人和专业服务机器人仍然占据更成熟的位置，人形机器人尚处于相对早期的商业化阶段。

还必须注意IFR服务机器人统计具有样本调查性质，调查对象与报告覆盖范围会随着年份变化，不能把不同年份的统计结果未经调整便当作完全一致的总体市场连续序列。因此，本报告在使用服务机器人市场数据时，将优先采用IFR发布的同比口径，并对样本限制进行说明。

这种谨慎不是为了低估具身智能的发展，而是为了确保未来关于产业增长、工业软件需求和共性基础设施投资的判断，能够建立在可靠的市场基础上。

从技术发展角度看，机器人的真实需求已经广泛存在，但是不同应用领域对于通用智能的依赖程度具有明显差异。生产节拍固定的搬运任务可能主要依靠传统自动化就能够实现较高经济性，而复杂环境中的多步骤物体操作，则可能更需要具身智能模型和学习能力。

因而，具身智能技术的发展并不必然以新的人形机器人替代既有机器人为主要路径。它也可能首先通过改善传统工业机器人、移动机器人和专业服务机器人的任务适应能力，逐渐形成更加广泛的产业影响。

3.4 工业机器人：高度成熟的工程体系与智能化升级空间

工业机器人产业已经形成相对完整的机械本体、伺服驱动、控制器、运动规划、集成应用和维护服务体系。ABB、FANUC、安川电机、KUKA以及其他机器人供应商的产品，长期服务于汽车、电子、金属加工、机械制造和工业物流等领域。中国企业也在工业机器人本体、控制、集成和应用场景方面不断发展，并形成较为广泛的市场参与者。

这一产业的核心技术具有明显的系统工程特征。工业机器人机械结构的精度和刚度影响其运动性能，伺服驱动与控制算法决定运动稳定性和响应能力，末端执行器决定其能够完成的实际任务，而机器人工作站的总体性能还受到工艺设备、物料、夹具、安全系统和生产流程的共同影响。

对于传统工业机器人，工程师通常在设计阶段使用CAD和CAE软件完成机构建模、强度分析和动力学验证，在应用阶段通过机器人编程、离线仿真与数字化产线工具规划工作过程，再通过控制器和现场设备完成真实生产。工业机器人软件因此既包括整机研发所需的工业软件，也包括机器人运行、离线编程和制造系统集成所需的软件。

具身智能可能改变的并不是这些基础技术是否继续存在，而是机器人技能的开发方式。

以汽车生产线中的焊接和搬运为例，如果工件形状、位置和生产工艺高度稳定，传统工业机器人可以通过精确示教和轨迹规划实现高质量生产，完全没有必要因为大模型技术出现就放弃已有控制方法。但是，如果生产线经常需要处理不同形状的工件、非标准化的物料或频繁变化的装配任务，那么视觉理解、动作学习和任务规划能力就可能带来新的价值。

这一区别可以从系统运行成本理解。传统工业机器人在高度重复的任务中具有很强的可靠性和效率，其主要优势来自成熟的工程设计、工艺流程和控制体系。具身智能的潜在价值，则是降低部分任务的编程、示教和重新部署成本，使机器人能够更快适应工作条件变化。

但新型AI控制方法并不是没有代价。机器学习模型可能带来不可预测的失败模式，需要额外的数据采集、模型训练、安全约束和系统验证。如果一项任务原本已经能够通过传统控制低成本、高可靠地完成，引入更加复杂的AI系统未必具有经济优势。

因此，工业机器人智能化并不是将传统控制器替换为大模型的简单过程，而是在成熟机器人控制与安全体系之上，逐步增加感知、任务理解、技能学习和复杂环境适应能力。

这一过程会产生与工业软件直接相关的技术需求。过去主要用于结构设计和控制验证的动力学模型，可能进一步用于生成训练环境；过去由工程师配置的机器人工作站模型，可能被转换为机器学习系统能够进行大量交互的数字场景；原先用于控制器测试的硬件在环技术，也可能成为验证AI策略安全性和物理可执行性的重要环节。

但这种转变必须保留传统工程技术的可靠性基础。工业机器人在生产现场运行，不仅需要能够完成动作，还必须保持稳定节拍、明确的安全边界与可追溯的故障处理流程。具身智能模型应当通过适当的系统架构与传统控制、运动约束和安全机制协作，而不应被视为可以直接替代全部确定性控制系统的通用解决方案。

由此可以判断，工业机器人市场将是具身智能技术与传统工业软件发生深度交汇的重要领域之一，而这种交汇的主要形式很可能是逐步融合，而不是两套技术体系之间的突然替代。

3.5 物流与移动机器人：从环境导航到物体操作的技术延伸

物流与移动机器人是近年来机器人产业商业化程度较高、应用扩张较快的领域之一。自动导引车、移动机器人、仓储分拣系统、货到人系统和配送机器人，已经广泛参与仓储、制造物流和部分商业配送活动。

这一市场之所以相对较早形成，首先与其任务边界具有较强的可定义性有关。仓储物流需要持续处理物料移动、货物存取和订单履行等任务，企业能够通过吞吐量、运输效率、人工成本、设备利用率和订单履约能力评价自动化项目的经济性。与开放式家庭环境相比，仓库和工厂通常也更容易对道路、障碍物、物流流程和人员活动进行组织管理。

IFR的2026年统计显示，运输与物流机器人在2025年专业服务机器人销量中占比约47%，达到11.75万台。这表明物流应用已经形成相对明确的市场需求，而不仅仅是研究型机器人系统的试验场。

不过，移动机器人的技术能力与通用具身智能之间仍存在显著差异。

传统自动导引车可以依靠固定路径、磁条、反光板或其他导航技术完成运输任务，较先进的自主移动机器人则结合激光雷达、视觉、地图和路径规划实现动态导航。这些系统已经能够在不同程度上适应环境变化，但其核心任务通常仍然围绕设备自身移动和货物运输展开。

当机器人进一步需要抓取、摆放、整理或装配物体时，问题的复杂程度显著上升。移动导航主要涉及机器人自身与周围空间的运动关系，而物体操作还需要处理机器人与外部物体之间的接触、施力、材料和状态变化。

例如，移动机器人可以把货架运输到指定位置，但如果希望它进一步根据视觉信息从货架中取出形状不同、包装材料各异的商品，就必须增加对物体姿态、接触力、抓取稳定性和操作结果的理解。对于复杂物品，机器人还可能需要在动作过程中不断调整抓取策略，而不能只依赖事先确定的运动轨迹。

这使移动机器人与机械臂的结合成为值得研究的技术方向。移动操作机器人既具备空间移动能力，也具备与环境中物体进行物理交互的能力，其研发需要同时解决移动底盘、机械臂、环境感知、任务规划与全身控制等问题。

从工业软件角度看，这一变化能够使机器人仿真的对象从导航和避障逐步扩大到操作、接触、工艺和物体状态演化。传统物流仿真可以研究物料流动、设备调度和系统吞吐量，而机器人操作仿真则可能需要进一步处理物体几何、质量、摩擦、柔性、碰撞及复杂交互。

这两类仿真并不是互相替代的关系，而是分别描述不同层次的现实系统。一个具备移动操作能力的机器人，既需要在物流系统中接受任务和完成运输，也需要在局部物理环境中可靠地操作物体。因此，未来面向复杂物流环境的仿真平台，可能需要将离散事件仿真、机器人动力学和AI策略训练进行更加紧密的协同。

这正是既有工业软件与新兴物理智能基础设施之间可能形成的一类重要连接。

3.6 专业服务与特种机器人：复杂物理环境对智能系统的不同要求

专业服务机器人市场具有较强的异质性。与工业机器人主要服务于生产制造不同，专业服务机器人涉及公共环境清洁、农业生产、设施巡检、应急救援、建筑施工、交通物流和医疗辅助等多种任务，其工作环境、物理约束和商业模式之间存在明显差异。

这种差异决定了具身智能不能被简单理解为一种可以在所有场景中采用相同模型、相同机械本体和相同训练环境的通用技术。

例如，农业机器人需要面对作物形态变化、土壤条件、天气、地形和自然光照等因素，机器人对环境的感知与操作往往具有较强的季节性和环境依赖。设施巡检机器人可能需要在大型工业现场或复杂基础设施中移动，识别设备异常，并与现有维护流程连接。建筑机器人则可能面对施工现场不断变化的几何结构、材料位置和人员活动，需要同时理解工艺要求与作业安全条件。

这些应用中的智能能力固然重要，但真正决定系统表现的并不是模型推理能力单一因素，而是机械可靠性、环境适应、物理感知、任务执行和运营维护共同形成的系统能力。

对于特种机器人，物理环境条件还可能更加复杂。水下机器人需要考虑浮力、阻力、流体运动和水下通信，无人机需要考虑空气动力学、风场、飞行控制与电池能量管理，面向高温、高辐射或其他危险环境的机器人则需要在材料、电子和结构可靠性方面满足特定要求。

这些系统已经存在较长时间，也广泛使用传统工业软件与物理仿真技术。航空航天工程中的空气动力学仿真、水下装备的流体力学计算、结构强度与疲劳分析、系统级控制仿真，都已经形成成熟的工程方法和专业软件。

具身智能的引入，可能使这些机器人在复杂环境中的感知、自主决策和任务适应能力进一步改善，但不会消除它们在物理设计和工程验证方面的专业要求。

这对于我们研究可组合虚拟物理世界具有特别重要的意义。不同类型机器人可能需要不同物理领域的高精度模拟，而一个统一平台未必需要在每个任务中同时执行全部物理求解。水下机器人训练可能更关注流体动力学和浮力，工业装配机器人更关注接触与结构变形，移动服务机器人更关注导航、感知和人机交互。

因此，开放式物理实验平台如果能够按照任务需要加载不同物理能力，就可能更好地适应这种应用多样性。但物理模块的组合仍然需要基于具体任务的精度要求、时间尺度和耦合关系进行设计，不能仅通过安装更多模块来判断虚拟环境是否更加真实。

从产业组织角度看，专业服务与特种机器人也可能使不同领域的工业软件企业参与具身智能产业。那些长期从事CFD、结构仿真、电磁仿真、控制仿真或专业设备建模的企业，其技术能力可能在特定机器人应用中具有较高价值，而不一定需要进入人形机器人整机市场。

这说明具身智能作为产业牵引力量的潜在范围，应该覆盖广义机器人与自主物理系统，而不仅限于人形机器人。

3.7 人形机器人：机械形态的通用性设想与商业化的不确定性

人形机器人之所以获得大量关注，一个重要原因在于人类社会的许多物理环境原本就是按照人体尺寸、活动方式和操作习惯构建的。楼梯、门把手、工具、工作台、车辆、储物设施和生产设备，大量采用适合人类身体结构的设计。具有人类相似身体结构的机器人，在理论上能够利用这些已有设施，减少部分专门改造环境的需求。

这一优势具有明确的工程逻辑，但并不意味着人形结构在所有任务中都是最优选择。

例如，对于需要持续搬运重物的物流场景，轮式移动平台可能在能耗、稳定性和成本方面具有优势；对于固定工位的高精度装配，专用机械臂可能更容易实现较高刚度和重复精度；对于狭窄空间中的移动作业，蛇形或其他特殊形态机器人可能更适合具体任务。人形结构的价值，取决于它能够多大程度上利用人类环境，并通过通用操作能力覆盖足够多的有价值任务。

从机械工程角度看，人形机器人具有复杂的系统约束。双足行走需要持续处理动态平衡和足地接触，双臂操作要求协调运动、力控制与物体交互，多个关节和执行器又使整机重量、能源效率、散热、控制带宽与可靠性之间存在相互影响。

这些问题过去已有长期研究基础，但要在商业产品中同时实现高效率、高可靠性、低成本和安全运行，仍然具有较高难度。

IFR在2025年7月发布的《Humanoid Robots — Vision and Reality》立场文件中，专门讨论了人形机器人的技术愿景与现实应用之间的差距，并指出人形机器人适应以人类为中心设计的工作环境，是推动其技术发展的重要理由之一。

2026年的市场统计进一步反映了这种发展状态。IFR报告约7000台全尺寸人形机器人在2025年实现销售，但同时指出很多当前应用仍然具有较强的专用性，部分操作需要人工遥控，高训练成本、维护、安全标准和商业经济性仍然限制更广泛的部署。

这一事实意味着，人形机器人产业已经开始出现真实产品销售，但不能将早期出货规模直接外推为成熟的通用劳动力市场，更不能将某一企业的试点部署等同于长期运行条件下已经获得可靠商业回报。

不过，从技术研究角度看，人形机器人具有一个值得重视的特点：它集中了机器人学中大量复杂问题，包括全身动力学、接触规划、双臂协调、视觉空间理解、操作策略学习、多模态感知和长时序任务执行。由此，人形机器人可以成为推动多个技术领域协同进步的重要研究载体，即使最终商业市场可能由多种机器人形态共同构成。

对于工业软件产业，这种技术复杂性具有直接意义。人形机器人的结构设计需要CAD和CAE，运动控制需要多体动力学与系统仿真，电机与执行器需要电磁和热学分析，材料与接触问题需要复杂的物理求解，而机器人训练则进一步需要能够支持大量并行环境和动作交互的仿真平台。

因此，人形机器人对工业软件的影响，不应该仅从其整机销量衡量，还应考虑它作为技术密集型研发对象，是否会推动新的机器人仿真、物理建模和AI训练基础设施的发展。

但这种研发牵引也不应被夸大。研发活动形成的技术需求，未必等同于长期可持续的软件市场。研究平台可能由整机企业内部开发、开源社区共同维护或者大型计算平台提供，专业工业软件企业能够获得多少独立市场份额，仍然取决于其技术能力和产业分工方式。

3.8 通用具身智能并不等同于通用人形机器人

在讨论人形机器人之后，还需要进一步区分机器人身体形态的通用性与智能能力的通用性。

人形机器人可以通过模仿人体结构获得某些环境适配优势，但一个人形机器人能否完成多种任务，仍然取决于其感知、推理、控制和学习能力。反过来，一台装有机械臂的移动机器人，即使没有双足和完整的人体结构，也可能通过先进的AI模型，在多种场景之间迁移操作技能。

因此，通用具身智能的核心问题，不是机器人是否具有与人类相似的外观，而是其是否能够跨物体、跨环境、跨任务学习和执行有意义的物理行为。

传统机器人自动化通常围绕确定任务建立系统。工程师通过机械设计、控制算法和工艺集成，使机器人可靠完成相对固定的操作。通用具身智能则希望降低为不同任务重新开发系统的成本，使机器人能够将已有经验迁移到新环境中，并通过新的指令或少量示范完成更多任务。

这种通用性并不是一个简单的有无判断，而是存在不同程度。机器人可能首先在同类物体之间实现操作泛化，进一步在不同空间布置之间迁移技能，随后逐渐形成跨任务的动作组合能力。真正开放世界中的长期自主操作，则涉及更加复杂的环境理解、记忆、任务规划、错误恢复和安全约束问题。

近年来，机器人基础模型研究为这一方向提供了新的技术基础。

Google DeepMind于2025年3月发布Gemini Robotics与Gemini Robotics-ER，提出将视觉语言理解、具身推理和机器人动作能力连接起来，重点探索机器人在物理环境中的任务理解与执行。

Google DeepMind

NVIDIA则通过Isaac GR00T项目，将机器人基础模型、数据处理、仿真环境、训练流程、推理软件和机器人计算硬件纳入同一开发技术栈，试图降低通用机器人行为开发的复杂度。其公开资料明确将GR00T定位为面向通用人形机器人的开放参考平台，而不仅是单独的一款动作模型。

NVIDIA Developer

这些实践说明，国际领先企业已经开始将机器人训练从单独优化某项控制算法，扩展到大规模数据、基础模型、物理仿真和机器人执行系统的协同开发。

但机器人基础模型目前仍然存在大量未解决的问题。视觉语言模型能够理解复杂指令，并不意味着它能够准确预测物体接触后的物理变化；一个策略在训练环境中获得较高成功率，也不意味着其能够在长期真实运行中保持相同表现；不同机器人之间的动作空间、机构参数和控制接口存在差异，也使跨身体形态的技能迁移具有相当复杂性。

因此，本报告将通用具身智能视为正在发展的一种技术能力方向，而不是已经拥有统一定义和成熟统计口径的独立终端产品市场。对于具身智能产业规模的分析，需要将实际机器人产品销售、AI训练技术服务、模型研发和软件平台收入分别研究。

3.9 从自动驾驶到具身智能：物理世界学习的连续性与差异

理解通用具身智能的技术发展，还需要将机器人放入更广泛的自主物理系统历史中考察。自动驾驶汽车是其中具有重要参考价值的一类系统，因为自动驾驶不仅需要感知外部环境，还必须根据实时观测进行行动决策，并通过转向、制动和加速等控制动作改变车辆在物理世界中的运动状态。

自动驾驶研发长期采用车辆动力学、传感器仿真、道路交通场景、控制系统和软硬件在环测试。随着机器学习与大规模驾驶数据的发展，感知、轨迹预测、决策和控制的技术路线进一步扩展到端到端学习和世界模型等方向。传统工程仿真与数据驱动学习因此逐渐形成更加紧密的联系。

但自动驾驶与通用机器人操作之间仍然存在明显的物理任务差异。

汽车在正常驾驶过程中主要通过车轮与道路之间的接触力控制车辆运动，虽然涉及复杂车辆动力学、交通参与者交互和环境变化，但其动作空间和主要物理交互形式相对集中。具身机器人则可能通过手臂、手指、工具、身体或其他执行机构直接改变外部物体的状态，涉及抓取、放置、推动、旋转、连接、切割、装配和柔性材料处理等大量不同的接触模式。

由此，机器人物理训练不仅要解决机器人自身怎样运动，还需要解决机器人动作会怎样改变外部对象，以及这些变化如何影响后续操作。

例如，在自动驾驶训练中，改变道路摩擦系数、交通流量、能见度和车辆行为能够形成大量训练情形；在机器人装配训练中，除了环境与运动参数变化，还可能涉及零部件尺寸公差、接触刚度、材料变形、装配间隙、工具磨损和操作过程中的结构变化。

这些任务的复杂度不能简单地通过统一的场景数量衡量，因为不同物理交互背后可能需要完全不同的计算模型和数值求解方法。

这也解释了为什么自动驾驶的世界模型和视频生成技术虽然能够为具身智能提供重要方法，却不能直接替代机器人操作所需的物理仿真体系。视频模型能够生成视觉上连贯的未来画面，并不保证其严格满足动力学方程、接触条件、物质守恒和材料本构关系。

具身智能训练需要的是一个能够支持行动决策并产生足够可信物理反馈的环境，而不仅是视觉上逼真的场景。这一认识将成为本报告后续研究开放式物理实验场的重要基础。

3.10 从机器人形态分类转向物理交互分类：工业软件研究需要新的分析维度

如果研究目标只是统计机器人产品销量，按照工业机器人、服务机器人和人形机器人分类即可获得较清晰的市场结构。但本报告的核心是理解具身智能如何牵引工业软件产业演化，因此还需要进一步建立按照物理交互特征进行分类的技术框架。

这一分类并不是取代既有国际机器人标准，而是为了识别不同机器人任务对于物理建模、求解器、数字孪生和AI训练体系提出的具体需求。

从机器人与外部世界的关系出发，可以将典型任务理解为五种逐步增加复杂性的交互类型。

第一类是空间运动与导航。机器人主要改变自身的位置和姿态，需要理解环境几何、运动约束、障碍物和动态参与者，其物理计算主要涉及刚体动力学、运动学、接触、环境感知和控制系统。

第二类是刚体对象操作。机器人不仅移动自身，还需要抓取、搬运、推动和摆放外部物体。这类任务增加了对象质量、惯性、摩擦、接触约束和多物体交互等要求，机器人动作的结果可能改变环境中多个对象的位置与运动状态。

第三类是柔性与可变形对象操作。机器人需要处理布料、线缆、橡胶、薄膜、食品或柔性包装等对象，其物理状态不能仅由单一刚体的位置和姿态表示，还涉及形状变化、内部应力、复杂接触和材料特性。这类任务可能需要连续介质力学、有限元、粒子方法或经过适当简化的可变形体模型。

第四类是物质、能量与环境过程交互。机器人执行倒液体、喷涂、清洗、焊接、加热、冷却和其他涉及热、流体、电磁或化学过程的任务时，其动作结果可能由多个物理领域共同决定。与刚体操作相比，这类任务需要更加复杂的跨领域模型，部分过程甚至涉及相变、材料反应和不可逆状态变化。

第五类是具有工艺和任务约束的复杂系统操作。机器人不仅需要完成单个动作，还要按照制造流程或服务目标协调多个物体、设备和行动主体。例如，自动装配任务可能要求机器人理解零件装配顺序、尺寸公差、夹具状态和质量检验条件，并在操作失败时进行诊断和恢复。

按物理交互复杂性构建的机器人任务分类

本报告提出的分析性分类。各类型可以同时存在于同一任务中，不构成严格的机器人产品等级。

这一分类能够帮助我们进一步判断，为什么虚拟物理实验场需要具有可组合的物理能力。

一个主要研究移动导航的训练环境，通常无需为每个场景启动复杂的流体和电磁求解器；而一个研究焊接过程的机器人训练系统，则可能需要考虑热输入、材料变形与工艺质量。研究对象不同，环境所需的物理真实性和计算成本也不同。

因此，通用虚拟物理世界的目标不应该是让所有物理求解器始终运行，而应该是在统一的状态与实验框架下，根据任务动态组合适合的物理模型，并保证必要的计算结果和耦合关系能够通过验证。

这将直接影响未来物理插件接口、模型有效域声明、求解器调度和AI实验系统的架构设计。

3.11 机器人市场的规模扩张，为什么可能产生新的共性计算基础设施

随着机器人从固定程序执行逐渐扩展到学习与自主操作，其研发活动可能发生两方面的重要变化。

一方面，机器人需要处理更加广泛的环境和任务条件，使传统依靠少量典型工况完成系统验证的方法面临新的覆盖要求。另一方面，机器学习方法需要大量训练数据和环境交互经验，使物理仿真从主要由工程师组织的研发环节，逐渐成为可以被自动化程序和AI训练框架反复调用的计算环节。

这两个变化相互联系，却具有不同的技术目标。

工程验证强调特定条件下的正确性、可靠性和安全性，训练则希望机器人在大量变化的情形中获得具有泛化能力的行为策略。前者通常需要明确的模型、工况和验收标准，后者则需要广泛的环境变化、任务奖励、数据采样与模型迭代。

因此，面向具身智能的物理基础设施需要同时支持两种不同的计算活动。它既要能够提供高吞吐量的训练环境，也需要在关键条件下提供高可信度的工程计算和结果验证。

如果把两者混为一谈，就容易出现两种错误路线：一种是使用计算成本极高的专业CAE求解器完成所有机器人动作训练，使训练吞吐量难以满足要求；另一种是完全依赖高速近似物理引擎和生成式模型，并将未经充分验证的结果直接用于工程安全判断。

更合理的技术路径可能是建立分层物理计算体系。大规模训练首先使用快速、适合任务的物理环境；对于重要接触、材料或复杂多物理场现象，通过专业求解器和真实实验建立高可信度参考；再通过ROM、神经算子或其他代理模型，使经过验证的特定物理能力能够以较低成本反复调用。

这一体系并不是完全新创的技术方向。工程领域长期存在模型降阶、实时仿真、模型交换和联合仿真，机器人领域也已有大规模并行训练和仿真随机化方法。真正的新增需求是让这些能力能够在更开放的架构中持续组合，并适应不同来源的机器人模型、物理资产和训练任务。

如果这种需求具有跨企业复用性，就可能支持专业物理模型供应商、独立求解器开发商、数据与场景提供商、模型验证机构以及平台集成商形成新的产业分工。

但是，这一产业分工能否成立，仍取决于开放接口的成熟度、专业模型的可移植性、知识产权保护与商业采购关系。不能仅因为技术上允许加载第三方模块，就认为相应市场已经形成。

3.12 从机器人市场向产业集群研究过渡：我们需要怎样的产业统计体系

本章建立机器人产业边界，还有一个更长远的研究目的，即为后续全球与中国产业生态分析建立统一的数据基础。

具身智能产业的范围非常广泛，如果只统计人形机器人整机企业，就会遗漏大量与物理智能相关的工业软件、关键零部件、机器人训练平台、感知系统和制造技术企业；但如果将所有机械自动化、通用AI、工业软件和电子设备企业全部算作具身智能企业，又会使产业规模和竞争格局失去明确意义。

因此，我建议后续建立三套彼此关联但保持独立的统计口径。

第一套是机器人终端产品市场，按照工业机器人、移动机器人、专业服务机器人、医疗机器人、人形机器人和其他机器人形态，统计实际产品销量、部署规模、收入与应用行业。涉及重叠类别时明确归属规则，避免重复统计。

第二套是具身智能技术与训练生态，包括机器人基础模型、数据采集、仿真训练、世界模型、机器人操作系统、运行计算平台和软件开发工具。对于这些企业，需要区分其是否拥有独立商业收入、是否主要服务于机器人产业，以及相关技术是否已经进入实际部署。

第三套是机器人上游工程与制造生态，包括几何建模、结构与动力学仿真、物理求解器、电磁与热仿真、制造软件、执行器、传感器、精密制造和系统集成等。对于这些领域，应当将其总体市场与实际服务于机器人产业的业务范围区分，不能将整个工业软件或工业自动化市场纳入具身智能市场规模。

这种统计方法能够支持我们从不同角度观察产业发展。一方面可以判断机器人终端市场是否已经形成持续需求，另一方面可以识别相关技术平台与专业供应商是否因为机器人产业发展而获得新的应用和收入。

更重要的是，这种体系能够避免以企业数量代替产业竞争力。某个地区拥有大量机器人相关企业，并不意味着其掌握了关键物理求解技术或形成了具有国际竞争力的产业体系；一个地区虽然整机企业数量有限，却可能在精密传动、控制、机器人训练、工业软件或特定专业算法方面形成具有较大影响力的技术集群。

对于中国工业软件产业，后续研究尤其需要关注企业实际拥有的技术资产和可验证能力，而不是仅根据公司名称、业务宣传或者产品分类进行简单统计。

3.13 本章结论：机器人产业的价值不应被单一形态和单一市场定义

经过对机器人产业分类、现有市场、技术能力及物理交互复杂性的系统分析，可以得出一个对全书具有基础意义的判断：具身智能并不是传统机器人产业之外突然出现的独立市场，而是一组正在改变机器人感知、决策、学习和物理操作方式的技术能力，它可能在多种机器人形态和应用场景中逐步扩展。

传统工业机器人和专业服务机器人已经具有真实市场、工程经验和成熟产业基础，而通用人形机器人仍处于相对早期的发展阶段。具身智能的产业化不必完全等待通用人形机器人成熟，也不意味着所有传统机器人都必须转向相同的模型和控制架构。不同应用将在成本、可靠性和任务复杂性等约束下，选择不同程度的智能化方式。

对工业软件产业而言，这一认识具有重要意义。机器人产业的发展可能同时增加机械设计、结构仿真、系统建模、机器人控制、虚拟场景构建、物理计算和AI训练等多种需求，但这些需求对应不同的软件技术、供应商与商业模式，其市场规模也不能简单合并。

本章进一步提出，研究具身智能与工业软件产业之间的关系，除了按照机器人产品形态和应用市场分类，还需要按照机器人与物理世界的交互方式建立分析体系。空间运动、刚体操作、柔性物体操作、物质与能量交互以及复杂工艺操作，分别对应不同的物理建模和计算要求，而这种差异恰恰说明开放式虚拟物理实验场具有进一步研究的必要性。

我们此前提出的可插拔物理模块，并不是为了给所有机器人提供同样复杂的计算环境，而是希望在继承现有专业求解器和工业软件技术积累的基础上，使不同任务能够选择、组合和验证适用的物理计算能力。这个方向与机器人训练的大规模计算需求存在潜在联系，也可能使过去相对独立的几何、结构、流体、热学、电磁和系统仿真技术获得新的协同应用。

不过，建立统一虚拟物理世界仍然涉及计算精度、数值稳定性、物理模型有效范围、跨领域耦合、标准互操作和经济性等问题，不能因为AI生成技术进步就认为这些工程障碍已经解决。

从产业发展战略角度，本章最终形成三项相互联系的判断。

首先，具身智能有机会成为连接既有机器人产业和新一代AI技术的重要桥梁，其产业影响可能超出人形机器人整机市场。其次，机器人作为复杂终端产品，有可能通过持续增长的研发、制造和部署需求，促进工业软件、计算物理与先进制造能力进一步发展。最后，这种产业牵引能否形成长期可持续的集群效应，需要依靠真实市场规模、专业分工、共性技术基础设施与企业之间稳定的技术和商业联系共同验证。

具身智能真正值得研究的产业意义，不是未来会有多少台外形像人的机器人，而是机器获得更加广泛的物理行动能力之后，人类已经形成的工程技术、工业软件和制造产业体系将怎样共同演化。

这一结论使第一篇的产业发展逻辑形成完整衔接：第一章研究具身智能作为复杂终端产品的潜在产业牵引作用，第二章利用新能源汽车历史考察规模市场、技术继承与产业分工之间的关系，第三章则进一步明确具身智能所处的机器人产业边界，以及不同机器人系统对物理世界建模和工业软件的需求差异。

第三章主要研究依据

本章主要采用国际标准机构、机器人产业协会与技术平台的一手资料，包括：

• • ISO 8373:2021 — Robotics Vocabulary，用于机器人领域的标准术语及分类边界。
• • IFR — World Robotics 2026：工业机器人统计，用于2025年全球及中国工业机器人实际安装数据。
• • IFR — World Robotics 2026：服务与人形机器人统计，用于专业服务机器人、消费服务机器人及全尺寸人形机器人统计。
• • IFR — Humanoid Robots: Vision and Reality，用于人形机器人技术愿景与商业化限制分析。
• • Google DeepMind — Gemini Robotics，用于机器人基础模型和具身推理技术路线。
• • NVIDIA — Isaac GR00T，用于机器人基础模型、训练仿真与系统部署技术栈分析。

第二篇　工业软件技术演化：从工程物理建模到智能化计算基础设施