第一篇|产业发展逻辑:从复杂终端产品到新兴产业集群的形成
过去七十余年,全球工业软件的发展始终与现实工业体系的演化紧密联系。从早期计算机辅助设计、有限元分析和数控编程,到现代CAD、CAE、CAM、EDA、PLM、工业自动化和数字孪生平台,工业软件已经形成庞大的专业技术体系,并逐渐成为现代制造业不可分割的组成部分。它所积累的不仅是软件代码和产品功能,更是人类长期探索几何、材料、运动、流动、传热、电磁和复杂工程系统过程中形成的数学方法、物理模型、数值算法与工程知识。
这种长期积累,使工业软件成为一个具有明显技术连续性和产业路径依赖的领域。成熟软件厂商的竞争优势不仅来自现有产品功能,更来自长期形成的求解精度、模型兼容性、工程验证经验、行业流程、用户技能、合作伙伴网络和客户历史数据。对于发展时间相对较短的中国工业软件产业而言,这些积累意味着进入成熟市场具有相当高的综合成本。即使某些局部技术已经取得显著进展,企业仍然需要面对产品成熟度、工程可信度、产业生态和商业体系等方面的长期竞争。
然而,产业发展并不是沿着固定市场边界进行的线性竞争。历史上多次重大的产业技术变革,都不是单纯由一种新技术替代另一种旧技术所完成,而是新的终端需求改变了技术组合方式,进而带动供应链重新分工、产业资本重新配置和专业技术能力不断发展。汽车工业的电动化便是其中具有代表性的案例。新能源汽车并没有抛弃汽车工业长期积累的车辆动力学、机械设计、制造工程与质量管理能力,而是将动力电池、电力电子、软件和新型能源基础设施引入已有产业体系,推动形成新的产业组织方式。
具身智能及其机器人产品,可能使工业软件再次面临类似但并不相同的产业演化过程。
与主要在数字环境中执行任务的人工智能系统不同,具身智能必须理解并作用于真实物理世界。机器人需要感知空间和物体,预测动作引起的状态变化,处理接触、摩擦、运动、柔性变形和环境扰动,并通过不断执行任务积累经验。它的能力边界因此既受到AI模型的影响,也受到机械工程、材料、传感器、动力学、数值计算和控制系统的共同约束。
这意味着,具身智能并不是一个完全脱离传统工业技术体系的新领域。相反,它可能成为将过去几十年积累的工业软件、计算物理学、先进制造与现代人工智能重新组织到同一产业需求之下的重要力量。
本报告尤其关注其中尚未被充分论证的一项可能性:如果机器人产业的发展产生了持续扩大、可重复、可验证的物理世界训练和实验需求,那么传统工业软件中的几何内核、有限元求解器、计算流体力学、多体动力学、系统建模和数字孪生能力,是否能够从主要面向工程师的设计分析工具,进一步成为供机器智能持续调用的物理计算基础设施?
在这一问题之下,还存在一个更具体的技术命题。人类能否在继承成熟工程仿真体系的基础上,通过模型降阶、Physics AI、世界模型、实时物理引擎与跨软件协同计算,逐步建立能够加载不同物理能力、接受智能体动作、保持状态演化并支持大量重复实验的开放式虚拟物理世界?
这一方向已经拥有相当丰富的技术基础,但远未达到可以任意组合物理学模块并保证计算结果正确的程度。传统CAE求解器与现代机器人仿真框架具有不同的设计目标;高速代理模型与高精度物理求解存在适用边界;不同物理领域的计算模型也难以仅靠统一文件格式实现自动耦合。因此,本报告不会将开放式虚拟实验场描述为一项已经成熟的通用技术,而是把它作为需要结合现有成果、系统验证和进一步研发的潜在共性基础设施。
从更宏观的产业角度看,这项研究的最终目的也不是提出一套新的软件架构,而是理解具身智能为何可能成为一个具有长期产业牵引作用的新兴产业,以及这种牵引作用怎样在真实市场需求、基础技术发展、供应商分工、工程能力积累与区域产业集群之间形成相互促进的关系。
我们既不能把新能源汽车产业的发展历史直接视为具身机器人未来成功的保证,也不能因为当前机器人产业尚未形成成熟的通用消费市场,就忽略其潜在的技术和产业价值。需要研究的恰恰是两者之间的历史相似性与现实差异,识别终端市场形成的必要条件,以及复杂工业产品如何在不同发展阶段激活既有技术体系。
本报告因此采用产业经济学、技术演化史、工程科学与企业竞争研究相结合的方法,既分析工业软件自身的技术连续性,也考察人工智能对物理建模、工程计算和自动化实验带来的真实变化;既研究国际领先企业的技术体系,也研究中国在机器人、工业软件和先进制造方面已经形成的能力基础;既关注技术突破,也关注产业分工、投入产出关系、开放标准、市场规模和商业化约束。
我们的研究不预设具身机器人一定会复 制新能源汽车的发展速度,也不预设未来必须形成单一的通用机器人形态或者统一的物理世界平台。报告将把已经得到验证的事实、具有充分理论依据的推断和仍需要实验检验的假设明确区分,力求在尊重已有工业知识和产业积累的基础上,理解新兴需求可能带来的长期变化。
这份研究的核心,不是证明传统工业软件将被人工智能颠覆,而是理解具身智能如何可能改变工业软件被使用、被组合和被创造的方式,并由此推动新的产业演化。
判断一个新兴技术领域是否具有重大的产业战略意义,不能只观察其技术先进性、融资规模或者社会关注程度,还需要分析它能否形成持续增长的最终需求,以及这种需求能否促进上游产业分工、生产组织、技术投入和专业知识的长期积累。
在产业经济学中,终端产品与基础技术之间存在复杂的相互关系。基础科学和通用技术进步能够创造新的产品可能性,而最终产品市场一旦形成,又会向上游持续提出性能、可靠性、成本和制造规模方面的要求。这些需求能够使原先停留在实验室或少量专业应用中的技术,获得进一步工程化和产业化的条件。
汽车、民用航空、半导体和通信设备产业的历史表明,复杂终端产品往往具有超出自身销售收入的产业影响。现代汽车制造涉及机械结构、材料、动力系统、电气电子、嵌入式软件、自动化设备和供应链管理。大型航空器则需要气动力学、结构力学、复合材料、控制系统、航空电子、数字化设计、验证与认证等高度专业化的能力。半导体产业虽然具有不同的产业组织结构,但芯片设计与制造同样将EDA、材料、精密机械、光学、化学、真空技术和自动化控制连接成复杂的技术网络。
这些产业具有一个共同特点:最终产品的性能不是由某一项技术单独决定,而取决于多个相互依赖的子系统能否有效协同。正因为这种高度互补性,终端需求能够跨越不同专业领域,持续影响整个产业链的技术发展方向。
在这一意义上,具身智能机器人值得被视为一种潜在的产业牵引型产品,而不仅是一类新增的智能设备。它既需要复杂的机械结构、传动机构、驱动系统和传感器,也需要软件、控制、AI模型和真实物理环境中的行为学习能力。机器人能力越复杂,其研发和部署过程对专业化工程技术的需求通常也越广泛。
但是,技术复杂度并不自动等于产业规模。航空航天领域具有极高技术复杂性,却未必形成与大众消费电子相似的终端数量;某些高度复杂的科研装备也可能长期处于低批量、高价值市场。因此,我们在评价具身机器人时,不能仅仅因为它包含大量先进技术,就推断其最终市场必然巨大。
真正值得研究的是,它能否同时满足三个条件:具有广泛而可持续的终端使用价值,存在不断降低生产和使用成本的技术路径,并且能够通过产品平台化和产业分工,将复杂研发成本分摊到足够大的市场之中。
如果这些条件逐步成立,具身机器人便可能兼具复杂装备和规模化终端产品的特征,进而成为带动相关技术长期发展的产业力量。
近年来,人工智能技术的发展显著改善了机器处理语言、图像、程序和其他数字信息的能力。大规模预训练、多模态模型以及模型推理与工具调用技术,使计算机能够在越来越多的知识性任务中表现出较强的适应能力。然而,数字信息任务与现实物理操作之间存在根本差异:前者的行动结果大多仍然发生在软件和信息系统内部,后者则需要面对真实世界的连续状态、物理约束和不可完全预测的外部变化。
当一个AI系统需要回答技术问题、编写程序或检索资料时,其主要活动发生在符号、文本和数字数据空间中。即使结果存在错误,很多情况下仍然可以通过重新计算、回滚版本或人工审核予以修正。具身机器人则不同,错误动作可能导致物体损坏、设备故障甚至人员伤害;环境也不会因为一次算法计算结束而停止变化。
因此,具身智能要求机器不仅能够识别物体与理解任务,还必须在连续时间中处理动作与物理后果之间的关系。一台移动机器人需要依据自身速度、质量、惯性和地面摩擦条件决定运动方式;一台机械臂需要根据物体形状、质量、材料和接触状态控制抓取力;一台人形机器人在运动过程中还必须维持身体平衡,并在外部扰动发生时及时调整控制策略。
这些问题并不是人工智能时代才被发现的。机器人学、经典力学、自动控制、最优控制、多体动力学和计算机视觉已经围绕相关问题进行了数十年的研究。现代具身智能的重要发展方向,是通过数据驱动学习与基础模型,为已有机器人技术增加任务泛化、环境理解与动作适应能力,并探索减少大量任务专用编程和示教工作的可能性。
这意味着具身智能的发展既具有连续性,也具有新的技术特征。连续性来自物理规律与工程方法不会因为AI出现而改变,新的技术特征则来自机器人有可能通过大规模数据与虚拟交互经验,获得过去难以依靠显式规则完成的行为能力。
对于工业软件产业而言,这种变化尤其值得关注。传统工程仿真 主要服务于设计、分析、优化和验证,机器人学习则可能要求物理环境能够长期执行、反复初始化、接受动作干预并产生大规模训练数据。虽然已有大量仿真系统具备部分能力,但随着训练规模扩大、环境复杂度提高和物理领域不断增加,现有软件架构可能需要进一步演化。
因此,具身智能对工业软件的潜在影响,不仅是增加机器人企业这一类客户,更可能改变工程计算能力的使用频率、接口形式、部署环境和软件之间的协作关系。
机器人产业的现实基础,首先来自长期发展的工业自动化和专业机器人应用。
国际机器人联合会于2026年9月发布的《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,同比增长约11%,全球工厂中运行的工业机器人存量达到500万台。中国当年新增安装工业机器人约35.4万台,占全球新增安装量的59%。这一数据表明,工业机器人已经成为全球制造业的重要装备基础,而中国在机器人部署规模方面具有明显优势。
这些市场事实对于研究具身智能具有重要意义,但其代表的是成熟工业机器人产业,而不是通用人形机器人市场。
现有工业机器人主要针对相对明确的工作任务,通过固定程序、离线编程、示教、视觉引导和控制系统完成生产操作。近年来,机器学习和自主规划不断进入工业机器人应用,但大量生产场景仍然强调可预测的节拍、重复精度、质量稳定性和安全保障。
通用具身机器人则希望提高设备跨任务和跨环境的适应能力,从而减少针对每一种操作单独开发软件和工程系统的成本。这一目标具有很高的潜在价值,但也意味着机器人需要在非结构化、动态变化和长尾情况丰富的环境中保持可靠性。
2026年9月发布的IFR服务机器人报告显示,2025年专业服务机器人全球出货量接近25万台,同比增长24%,其中运输与物流机器人是重要应用类别。专业服务机器人市场的增长说明,机器人正在从传统工业生产线扩展到物流和其他专业服务场景,但这一数据同样不能直接用来衡量通用人形机器人的商业化程度。
我们因此需要在产业研究中保留明确的技术与市场分类。工业机器人、移动机器人、专业服务机器人、人形机器人和具备跨任务学习能力的通用机器人,可能共享部分机械、传感器和AI技术,却不具有完全相同的成本结构、客户需求和发展节奏。
具身智能的长期影响可能首先发生在传统机器人技术能够与新型感知、规划和学习方法相结合的领域,而不是必须等待通用人形机器人进入千家万户之后才开始显现。
这一区分还具有现实的战略价值。如果把具身智能产业简单定义为人形机器人整机产业,容易忽略大量已经存在、并可能通过AI增强而扩展能力边界的机器人形态。反过来,如果将所有自动化设备都纳入具身智能,又容易夸大AI在机器人产业中的实际商业化规模。
本报告将以机器能否通过感知、决策和物理行动完成任务,以及这些能力是否能够通过学习不断改善,作为理解具身智能系统的重要技术维度,同时在市场规模分析中保持严格的产品分类。
在研究具身智能对工业软件产业的影响时,有必要区分产品技术构成与产业组织结构。前者回答一台机器人由哪些技术组成,后者回答这些技术由谁开发、如何交易、怎样协同,以及在什么条件下形成具有持续创新能力的专业化产业体系。
一台具身机器人可以被理解为由机械本体、动力与执行机构、感知系统、计算与通信系统、控制软件、智能模型以及能源系统构成的复杂机电一体化产品。机械系统决定机器人的运动范围、刚度、承载能力和物理操作边界,驱动和控制系统决定动作精度、响应速度与稳定性,传感器提供有关环境和机器人内部状态的信息,人工智能系统则负责将任务要求、感知信息与动作决策联系起来。
这些系统之间具有显著的技术耦合。机械结构变化可能改变控制算法需要处理的动力学特性,传感器布置影响环境观测质量,执行器性能限制控制策略可实现的动作空间,而AI模型生成的动作又必须满足机构约束、接触稳定性和设备安全边界。因此,机器人并不是将几个成熟零部件简单组合便能够获得预期性能的产品,而需要持续开展跨学科系统工程。
这种特征与现代汽车存在一定相似性。整车企业通常承担整车架构、系统集成、性能定义、质量管理以及供应链组织等工作,而大量专业供应商负责零部件、材料、电子模块和技术服务。汽车工业经过长期发展,逐步建立了不同层级的供应链结构、专业设计规范以及面向整车研发和制造的工程软件体系。
具身机器人是否也会形成类似的成熟分工结构,目前仍然存在较大不确定性。一方面,机器人企业可能需要将机械、控制与AI模型进行深度联合优化,以获得显著优于通用组件组合的性能;另一方面,如果关键接口和产品形态逐渐趋于稳定,专业供应商就可能在执行器、减速器、触觉传感器、控制器、仿真模型和训练工具等领域获得更大的独立发展空间。
从技术经济学角度分析,纵向一体化与专业化分工之间并不存在永久不变的最优答案。在产业形成早期,关键技术尚未成熟、供应商数量有限、接口频繁变化,企业可能更依赖内部研发和紧密协同。随着产品架构稳定、市场规模扩大、专业模块质量提高,外部采购与专业化供应的经济优势可能增强。
这一演变过程对工业软件尤为重要。机器人整机企业是否愿意采购第三方物理求解器、训练环境或世界模型服务,不仅取决于软件功能是否先进,也取决于采购后的系统集成成本、模型性能、接口稳定性、数据安全以及对核心技术自主控制的要求。
因此,未来具身智能产业即使形成规模化终端市场,也可能出现不同的产业组织模式。有的整机企业采用高度垂直整合的发展方式,有的企业依赖开放式机器人软件生态,也可能出现大型平台供应商统一提供训练、仿真与计算基础设施的模式。这些模式之间的竞争,将直接影响传统工业软件企业、新型物理AI企业和独立软件开发者在机器人价值链中的地位。
终端产业对基础技术的牵引作用,需要通过具体的工程活动才能转化为市场需求。
以一台需要完成工业装配任务的具身机器人为例,其最终用户通常不会直接购买几何内核、有限元求解器或者多体动力学平台。用户关注的是机器人能否完成指定操作,能否达到生产节拍和质量要求,是否可以安全进入现有生产流程,以及其综合使用成本是否优于替代方案。
这些最终需求会被逐步转换为工程约束。机器人制造商需要根据任务确定运动范围、负载、末端执行器、关节精度和控制响应要求,并通过机械设计、结构分析、运动学建模和控制仿真评估不同设计方案。进一步进入真实场景后,还需要解决物体识别、操作技能学习、复杂接触、异常恢复及与工厂设备之间的协同问题。
由此形成一条从应用需求到专业工程能力的传导路径。
但是,工程需求的产生并不等于相应软件市场立即扩大。企业可以通过已有商业软件、开源项目、自研工具或专业工程服务满足这些需求,而不同实现方式对应的商业收入和产业分工并不相同。
例如,机器人训练对高频刚体动力学的需求,可能更多由开源或商业实时物理引擎满足;复杂材料与结构分析则可能依赖专业CAE软件;一些重复调用的计算任务又可能通过ROM和AI代理模型实现加速。如果机器人企业能够自行完成特定算法研发,相应的价值便可能更多体现为内部研发能力,而不形成第三方软件采购。
因此,研究工业软件产业演化时,需要同时关注技术需求增长、软件能力的供给方式和实际价值捕获。不能直接依据机器人市场规模乘以某个软件成本比例,便推导出未来工业软件市场规模。
对于具身智能而言,尤其值得关注的是软件调用主体的变化。过去,工程师使用CAE软件完成一次设计分析,通常需要进行模型准备、工况设置、求解和结果判断。未来,如果AI训练系统能够通过标准接口自动调用相同的物理计算能力,一种软件能力便可能被嵌入大量自动化实验之中,其调用频率、部署方式和计算资源结构都会发生变化。
这为工业软件产业带来了新的可能性,也提出了新的技术要求。软件供应商需要解决的不仅是单次计算是否正确,还包括模型能否被自动生成和检查、任务能否批量运行、计算资源能否弹性调度、结果能否被机器解释,以及高频实验是否能够维持合理的运行成本。
这些变化可能使工业软件从交互式工程设计工具,进一步发展为可由智能系统调用的工程计算服务。但这一演化既不意味着人类工程师退出软件使用过程,也不意味着全部工业软件都必须采用同一种云端或AI原生架构。
机器人产业发展过程中,一项具有特殊意义的研发活动是利用虚拟环境完成物理任务训练和验证。
与只在数字信息环境中运行的智能系统相比,具身智能必须考虑动作与物理后果之间的关系。机器人抓取物体时,需要处理质量、惯性、接触位置、摩擦、变形和运动约束;机器人行走时,需要处理关节动力学、足地接触、平衡控制以及外部扰动;机器人操作柔性材料时,还可能涉及大变形、复杂接触、材料非线性和状态变化。
如果所有学习都依靠真实机器人完成,将面临设备占用、硬件磨损、环境搭建、实验安全和数据获取方面的限制。虚拟仿真能够在一定程度上降低这些成本,并提供现实中不易获得的完整状态信息。
但虚拟环境也可能产生与真实世界不一致的行为。特别是在复杂接触、柔性物体操作、传感器噪声和长期连续任务中,模型误差可能沿时间不断累积,导致机器人在仿真环境中学习到的策略无法直接迁移到现实场景。
因此,机器人虚拟实验的价值不能仅以场景数量或训练速度评价,还必须考虑实际任务中的迁移效果、计算成本及模型验证水平。
过去几十年形成的工业软件技术,能够为这一问题提供重要支撑。几何建模和装配技术可以描述物体结构,多体动力学可以计算机构运动,有限元和流体仿真可以处理复杂连续介质,控制系统仿真可以研究执行器和反馈控制,而传感器仿真与实时渲染技术则为机器人提供虚拟观测数据。
然而,这些工具并不天然具备统一的场景语义、物理状态和计算接口。不同求解器采用的空间离散方式、时间步长、变量定义和数值算法可能存在较大差异,将其组合为一个持续运行的虚拟环境需要解决相当复杂的软件与工程问题。
这也是开放式、可组合物理世界值得研究的原因。
如果不同物理求解器、AI代理模型、机器人模型和传感器模块能够通过明确的接口与验证机制进入共同的计算环境,产业便有可能减少部分重复开发,使独立专业供应商参与同一训练生态。
但这种开放能力必须以物理正确性和工程可验证性为前提。流体、热学和结构力学插件虽然可以分别安装,却不能不考虑能量交换、边界变化和数值稳定性而简单叠加。通用插件接口、专业耦合机制和可信执行环境应当被视为不同层次的技术问题。
对于产业组织而言,这一点尤其重要。只有当物理能力能够被第三方可靠提供,并以可预期的成本进行集成和验证,开放式生态才可能具有超出传统软件产品集成的经济价值。
具身智能能否成为产业集群发展的牵引力量,还需要考察企业之间的知识流动、专业服务、人才市场和产业基础设施。
产业集群通常不是将大量从事同一行业的企业集中到某个区域便自然形成的。产业集群的发展往往与专业供应链、劳动力市场、知识外溢、科研机构、客户需求和地方制度条件之间的相互作用有关。企业空间集聚可能提高信息交换和工程协同效率,但地理距离本身并不能替代实际产业联系。
复杂终端产业之所以可能具有集群牵引作用,是因为其研发、制造和部署活动需要大量不同技术主体协同完成。机器人整机企业能够提出系统需求,关键零部件供应商持续改进产品,软件企业开发设计、仿真与控制工具,科研机构研究基础算法和材料,应用企业提供真实工作场景,而测试机构与工程服务商则承担验证和集成工作。
当这些主体之间产生稳定的技术合作、采购和人才流动关系时,区域产业体系可能形成持续的知识积累。一家企业研发过程中发现的工程问题,可能推动专业供应商发展新的产品;供应商形成的技术又可能被其他机器人企业或工业装备企业采用,进而扩大其应用市场。
新能源汽车产业的发展已经表明,复杂终端产品的规模扩张可以支持大量专业供应商成长,但机器人产业是否会形成同样的空间集聚结构,不能直接由汽车案例推导。
机器人在硬件制造方面可能利用现有汽车、消费电子和精密机械供应链,AI模型与软件开发则可以通过跨区域计算和远程协作完成,实际部署又高度依赖不同城市和行业的应用场景。因此,未来机器人产业集群未必按照传统整车制造基地的方式组织,而可能形成制造基地、AI研发中心、专业软件集群和应用测试中心之间的网络化分工。
这里还存在一个值得深入研究的变化。过去,许多工业软件企业的市场主要围绕既有制造业客户形成,企业所在地区是否拥有软件研发人才和相应客户十分重要。具身智能如果产生新的基础物理建模和训练需求,可能加强机器人企业、工业软件企业与AI计算平台之间的联系,促使一些原本相对独立的产业集群形成新的交叉合作。
但我们必须通过真实企业关系和产业项目验证这种可能性,而不能简单把同一地区的机器人公司、工业软件公司和AI公司加总,就宣布形成了新的完整产业生态。
具身智能产业研究中,一个容易出现的判断偏差,是把机器人的技术先进程度直接转化为产业价值判断。一个机器人如果能够完成后空翻、复杂舞蹈或者具有视觉冲击力的操作,确实能够体现其动力学控制、机械设计或动作学习方面的能力,但这些展示与其是否适合长期执行有价值的生产任务之间,并不存在简单的对应关系。
产业需求最终取决于产品能够解决怎样的问题,以及相对于现有人工、自动化设备或其他技术方案,是否具有可以接受的综合经济性。
因此,对于具身机器人,我们需要区分技术能力、应用价值和商业价值三个层次。技术能力涉及机器人能够完成什么动作、适应怎样的环境以及如何从经验中学习;应用价值涉及这些能力是否解决真实的生产或生活问题;商业价值则进一步涉及设备购置、部署集成、维护、能源、软件更新、故障停机和整个使用周期的成本。
只有当三者形成有效联系时,技术发展才可能推动市场持续扩大。
这种逻辑同样适用于工业软件基础设施。如果一个虚拟物理世界能够展示复杂的多物理场计算,说明其具有一定技术能力,但并不意味着机器人企业必然愿意为其支付高额费用。只有当这种能力能够缩短真实研发周期、减少实验设备消耗、提高训练效果或者改善产品可靠性,并且收益超过部署与使用成本时,它才有可能形成可持续的市场需求。
由此可以看出,具身智能产业对工业软件的牵引作用,既不是技术必然性,也不是纯粹的政策选择,而是需要通过真实产品开发和市场竞争逐步实现的产业过程。
在后续研究中,我们将分别评估机器人终端市场、工程研发活动、训练基础设施需求和工业软件市场之间的关系,并特别关注技术替代与新增需求的区别。某些软件能力可能因为AI自动化而降低单位使用成本,另一些能力则可能因为机器人研发规模扩大而增加总调用量。产业总需求的变化,将取决于这两种力量及其他经济因素的共同作用。
具身智能之所以值得作为新一代产业发展方向研究,不仅因为人工智能正在获得新的物理行动能力,也因为机器人可能成为把机械、电子、软件、计算物理、AI和先进制造重新连接起来的复杂终端产品。
但这种潜力能否真正转化为产业牵引能力,取决于市场需求、工程可行性、成本改善和专业化分工能否形成相互促进的循环。单纯的模型性能提升、机器人演示能力或者投资规模增长,都不足以证明一个成熟产业已经形成。
与此同时,机器人产业又具有较为坚实的技术和制造基础。全球工业机器人和专业服务机器人已经形成真实市场,中国在工业机器人部署和制造应用方面具有显著规模。这意味着具身智能并不是完全脱离现有产业的新技术实验,而是能够在长期形成的机械、控制、自动化、传感器和工业软件体系上持续发展。
对于工业软件,本章形成的核心研究判断是:具身智能可能使既有工程计算能力获得新的使用方式,其变化不仅涉及终端客户增加,也可能涉及模型自动构建、高频物理计算、虚拟场景组织、跨领域求解器协同以及AI自主实验。但是,这些新需求能否转化为独立的软件市场和开放式产业生态,仍需进一步研究具体技术条件与经济机制。
下一章需要通过新能源汽车产业史回答一个更加明确的问题:在一个成熟工业体系中,新技术如何通过终端市场扩张激活已有基础能力,推动新的供应链分工,并最终形成持续的产业积累;这一机制在具身机器人领域究竟具有多大的可迁移性?
新能源汽车产业与具身机器人产业之间的比较,是本报告产业战略分析的重要起点,但这种比较必须首先明确两者在产业发展阶段上的根本区别。
新能源汽车进入快速发展阶段之前,全球汽车市场已经拥有庞大的消费者基础、成熟的道路交通系统、汽车制造能力以及销售和售后服务网络。汽车的核心用途并不需要重新创造,消费者已经明确知道为什么需要汽车,并且愿意为交通便利性、使用性能、安全、品牌和舒适性支付费用。
新能源汽车的关键任务,是以新的动力技术和产品架构,更有效地满足已经存在的大规模交通需求。其市场形成过程虽然仍然涉及价格、续航里程、充电便利性和技术可靠性等障碍,但最终使用价值相对明确。
具身智能机器人则处于不同阶段。传统工业机器人已经拥有成熟应用,但通用具身机器人试图进入的许多任务,过去主要由人类劳动、专用机械或传统自动化系统完成。用户是否需要购置一台通用机器人,取决于机器人能够完成多少具有实际价值的工作,以及这些工作的自动化收益能否覆盖设备和系统成本。
因此,新能源汽车的发展在相当程度上属于既有大市场中的技术路线替代,而通用具身机器人则同时面临技术能力建设与新产品市场形成的问题。
这一区别非常重要,因为市场形成的不确定性,会直接影响整个产业链的发展速度。
对于新能源汽车,动力电池企业可以围绕逐渐扩大的整车市场组织生产,零部件供应商能够依据较为成熟的汽车开发流程参与产品研发。对于具身机器人,部分任务规范、产品架构、软件接口和验收标准尚在形成,不同企业对通用平台、人形形态、专用机器和AI模型架构的选择仍可能存在较大差异。
由此,本报告不采用简单的汽车销量增长曲线预测未来机器人销量,而是重点研究新能源汽车产业演化中能够被抽象出来的机制,包括技术继承、需求牵引、供应链分工、基础设施建设、规模经济、竞争开放和产业集群发展。
这些机制具有一定跨产业解释力,但具体表现仍必须结合机器人产业的技术与商业条件重新分析。
新能源汽车产业历史能够提供的第一个重要启示,是重大产业的发展往往需要长时间的技术积累与多种条件的相互配合,而不是由某一个重大项目或一家明星企业单独推动。
现代新能源汽车的发展建立在锂离子电池、电机、电力电子、嵌入式控制、汽车制造和能源系统的长期技术进步之上。相关技术原本分布于消费电子、电气工业、工业驱动和传统汽车等不同领域,随着电动车市场不断扩大,逐步形成围绕整车产品的产业协同。
中国新能源汽车的发展尤其体现了这种长期性。
2009年,中国启动“十城千辆”新能源汽车示范推广工程,早期通过公共交通、出租车及其他公共服务车辆等场景,探索车辆性能、充电方式、运行安全和配套基础设施。世界银行在2011年的研究报告中明确记录了这一示范计划,并指出,早期选择运营路线相对可预测的公共车辆,有助于应对续航和基础设施方面的限制。
image
World Bank
这种路径具有明显的工程合理性。新兴复杂产品在技术不成熟时,首先进入边界条件较为明确的应用环境,可以更有效地识别实际问题,积累真实数据,并使供应链企业获得逐步改善产品的机会。公交运营的固定线路、统一场站和组织化维护条件,使早期电动汽车能够在相对受控的使用场景中积累经验。
随后,中国新能源汽车产业逐渐从公共示范应用扩展到更加广泛的乘用车市场,相关政策也从早期补贴和试点逐步延伸到技术创新、产业生态、市场秩序、充电设施和长期竞争能力等方面。
2020年发布的《新能源汽车产业发展规划(2021—2035年)》明确将技术创新、新型产业生态、产业融合、基础设施建设以及开放合作列为重要任务,同时强调企业在技术路线和市场竞争中的主体作用。
image
IEA
+1
这表明新能源汽车产业的发展过程,既涉及单个产品技术性能的不断改善,也涉及研发、制造、市场和公共基础设施之间的协同。
随着动力电池制造和整车销量增加,产业逐步形成规模化生产、工程经验积累、成本改善与需求增长之间的正向关系。与此同时,市场竞争也推动企业形成不同技术路线、价格定位和产品架构,而不是由一种技术方案从一开始就完全主导市场。
具身机器人能否形成类似的产业发展过程,关键不在于是否存在一项可以直接复 制的产业政策,而在于能否找到具有真实使用需求、技术条件可控并能够持续积累经验的早期应用场景,并在此基础上形成产品可靠性、成本和制造规模之间的有效循环。
在讨论中国新能源汽车产业时,特斯拉上海超级工厂具有重要的历史意义,但必须将其作用放在中国汽车工业与新能源汽车产业长期发展的背景中理解。
特斯拉对现代电动汽车的重要贡献之一,是通过连续的产品开发、技术投资和商业实践,证明高性能纯电动汽车能够进入全球汽车消费市场,并逐渐形成具有规模的研发与制造业务。其在电池系统、电驱动、整车电子电气架构、软件和生产制造方面所进行的探索,对传统汽车行业形成了显著的竞争压力。
特斯拉上海超级工厂于2019年开工,并在同年开始生产车辆。这一项目将国际新能源汽车企业的产品开发、质量要求和供应链体系,与中国已有的汽车零部件、电子制造、工业装备和产业配套能力连接起来。
但这种连接并不是单向的技术输入。中国制造体系的供应能力、生产效率与产业配套条件同样支持了特斯拉在中国扩大生产规模。中国本土供应商通过满足整车企业的质量、成本、交付和工程协同要求,积累了更多参与全球汽车产业竞争的经验。
从产业经济学角度看,特斯拉上海工厂的价值不应仅以工厂产量或投资规模衡量,而应进一步分析其对供应商能力升级、制造工艺、人才流动、竞争行为和产业合作网络所产生的影响。
其中一个值得强调的特征,是国际领先企业与本土制造体系之间存在互补关系。国际企业可能带来产品定义、技术标准和全球市场渠道,本土供应商则提供专业制造、工程服务、技术适配与成本优势。双方通过持续采购和工程协同形成相互依赖,而不是由某一方单独完成全部技术进步。
这一机制为具身机器人产业研究提供了有价值的启示。如果未来中国机器人产业能够吸引具有先进AI模型、机器人控制和系统架构能力的企业,并与国内已经形成的精密机械、电子、工业软件和自动化制造体系建立长期合作,那么相关产业之间可能出现类似的技术互补和能力提升。
不过,机器人产业与汽车产业在技术标准化程度、生产数量和供应链稳定性方面仍存在显著差异。汽车制造早已形成成熟的零部件分工、质量体系和生产流程,而具身机器人部分关键硬件和软件架构尚未收敛。因此,机器人产业中的合作模式可能更加依赖联合研发与系统集成,难以完全照搬成熟汽车产业的采购层级和产品开发流程。
这意味着产业研究需要特别关注,机器人企业与国内工业软件企业之间是否正在形成长期共同研发、技术标准协作和产品迭代关系,而不能仅把某些国际或国内整机企业的落地视为完整产业生态已经形成的证据。
新能源汽车产业历史中的另一个关键机制,是市场规模扩大能够改变专业技术的研发和生产经济性。
对于一项需要较高前期研发投入的技术,如果最终只能服务少量客户,企业可能难以分摊研发成本,也缺乏持续优化和产品化的动力。随着市场规模扩大,专业技术供应商能够将研发成果应用于更多产品和客户,从而形成规模经济与范围经济。
动力电池产业的发展较为明显地体现了这一机制。电池技术早已应用于消费电子和其他领域,但新能源汽车的大规模需求使其成为独立且庞大的产业体系,推动电池材料、制造设备、电芯结构、电池管理与回收利用等专业领域持续发展。
IEA《Global EV Outlook 2026》显示,2025年全球电动汽车销量超过2000万辆,中国电动汽车销量超过1300万辆,占其新车销售接近55%。同年,中国约占全球电动汽车生产量的四分之三。
如此规模的最终产品需求,使大量上游专业企业获得了持续开发、扩大生产和参与竞争的条件。但产业规模扩张也带来激烈的价格竞争,技术进步产生的收益可能以产品降价的形式转移给整车企业和消费者,而不全部留在技术供应商内部。
因此,研究机器人产业对工业软件的牵引作用时,不仅要考虑机器人销量增长可能带来多少新的工程计算需求,还需要分析专业软件供应商能否获得足够规模的复用机会,以及这种复用能否覆盖持续研发和工程验证成本。
假如每一家机器人企业都需要自行建立完整的流体、结构、接触、控制和传感器模拟能力,可能导致较高的重复开发成本。如果其中一部分能力能够由专业软件企业提供,并通过标准化接口服务多个客户,就可能形成更合理的产业分工。
但这只有在接口相对稳定、物理模型得到验证、客户具有明确采购意愿且供应商能够保证服务持续性的条件下才能成立。
由此可以发现,具身智能与工业软件之间的产业关系,不只是机器人对工业软件提出更多需求,更可能涉及专业技术能力是否能够形成新的可交易产品形态。这一问题将在后续关于物理计算基础设施与开放式插件生态的章节中进一步展开。
新能源汽车产业发展史能够解释复杂终端产业如何形成规模,但不能为具身智能提供确定的市场预测。
首先,两者的最终需求基础不同。汽车为消费者提供交通能力,市场价值经过长期验证,而通用具身机器人希望进入的部分工作和生活场景尚未形成成熟的产品定义。机器人是否能够以足够低的成本、足够高的可靠性完成这些任务,仍是决定未来市场规模的重要变量。
其次,两者的产品架构成熟度不同。现代汽车虽然存在大量技术路线差异,但交通功能、乘员安全和使用环境具有相对稳定的边界。具身机器人需要应对的任务范围更加广泛,专用移动机器人、人形机器人、轮式机械臂和其他形态之间并不存在已经确定的统一产品架构。
再次,两者的智能能力在产品价值中占据的地位不同。新能源汽车可以在不具备高级自动驾驶能力的情况下满足基本交通需求,而某些通用具身机器人的核心经济价值,恰恰取决于其是否能够可靠完成原本需要人类操作的复杂任务。
最后,软件和训练基础设施在两类产业中的作用也可能不同。汽车产业长期形成的工程软件主要服务于整车与零部件设计、仿真、生产和管理。具身智能除这些用途外,还可能要求大量仿真环境直接参与机器人策略的学习过程,从而使物理计算和AI训练之间建立更加紧密的联系。
因此,具身智能可能对工业软件产生不同于新能源汽车的技术需求,但这种差异不会自动转化为更大的软件市场。需要进一步考察机器人训练的计算效率、模型可复用程度、实际部署规模以及相关软件的商业供给方式。
新能源汽车的发展历史,为具身智能产业研究提供了重要参考,但其价值主要体现在产业演化机制,而非销量曲线、产品形态或者具体政策工具的简单复 制。
可以从这一历史中识别出若干具有跨产业意义的规律:复杂终端产品能够组织不同专业技术形成共同需求,早期应用场景可以为新技术积累工程经验,规模化市场能够改变专业供应商的研发经济性,制造能力与技术创新之间可能形成相互促进关系,而产业开放、标准化与真实市场竞争则会影响整个产业体系的发展效率。
与此同时,新能源汽车产业史也表明,规模增长并不保证每一家企业都获得利润,产业集聚不必然产生高水平技术创新,国际领先企业进入也不能替代本土企业的持续研发投入。
对于具身智能而言,最值得关注的不是未来是否会出现一家对应特斯拉的机器人公司,而是它能否形成一类足够复杂、足够广泛并具有持续发展需求的终端产品,使中国已经积累的工业软件、计算物理、精密制造、自动化和AI技术获得新的组合机会。
这一判断将成为下一章研究机器人产业边界的重要基础。
本篇最重要的研究依据包括国际能源署 Global EV Outlook 2026、国际机器人联合会 World Robotics 2026相关发布、世界银行对中国早期新能源汽车示范计划的 历史研究,以及国务院 《新能源汽车产业发展规划(2021—2035年)》。后续涉及企业个案、市场比较和产业链关系时,将继续优先使用年报、技术论文、官方标准及可追溯的一手资料,而不以行业宣传材料替代证据。