证券配资网站制造业抢占具身智能规模化商用先机

界面新闻记者 | 肖芳证券配资网站

界面新闻编辑 | 文姝琪

“具身智能在C端（用户）和B端（企业）有不同的需求和预期，不能简单说哪个场景潜力更大。如果一定要说，我认为B端场景会比C端更快速落地。”

在谈及具身智能的商业化潜力时，均普智能集团研发总监何川对界面新闻表示，从他近年接触的几家头部机器人厂商来看，大家都在寻找一个通用的办法来解决具身智能能够重复使用的问题。“目前C端和B端场景都很难找到重复使用的场景，制造业的柔性化的模块工艺可能是一个潜在的机会点。”

过去一年，具身智能成为新风口。普通大众感受到的是机器人跳舞、格斗、跑马拉松的热闹场景，而从业者更关心具身智能的商业化问题。

去年3月，金沙江创投管理合伙人朱啸虎在接受媒体采访时给具身智能行业泼了盆冷水。他表示：“谁会花十几万买一个机器人去干这些活？”

据界面新闻了解，具身智能机器人在迎宾、接待、展厅讲解、导购引导等场景中的应用大多还停留在概念阶段。但在工业制造领域，一些企业已经开始核算具身智能机器人应用于产线的ROI，他们希望抢占具身智能规模化商用的先机。

具身智能如何从实验室走向产线？

去年12月下旬，均普智能-智元联合实验室联合研发的工业智能机器人G2在产线开启了“上岗”测试。

测试结果显示，在微米级接触式柔性装配上，该机器人成功率约为99%，强化学习放置成功率99.33%，视觉抓取成功率100%。当前平均作业节拍15.28秒，最快节拍可达12.97秒。

一家头部具身智能机器人公司内部人士告诉界面新闻，技术突破是具身智能机器人从实验室走向工厂产线的关键，其中柔性生产能力是一个关键指标。

柔性生产能力是制造业从大规模标准化生产向多品种、小批量、个性化生产转型的核心能力，它要求产线能够快速、低成本地切换并保持稳定产出。此前，柔性生产能力在服装、快消品、食品加工领域应用较多，但最近几年汽车制造、3C电子、医疗器械等行业对柔性生产能力的需求也越来越高。

作为一家智能制造装备解决方案供应商和工业数字化软件服务商，均普智能是主要面向智能电动汽车、医疗健康、高端消费品三个行业提供服务。

何川也看到了这些行业对产线需求的变化：传统汽车工业一般7-10年才会做一次整车平台的迭代，这期间生产的产品不会做大幅度的调整，但新能源汽车的整车平台1.5-3年就需要进行大换型，从上游主机厂到Tier 1、Tier 2的整个产业链都面临软硬件成本的上升，柔性化的模块工艺能够解决这些痛点。

何川表示，柔性化的模块就是在柔性生产能力的基础上再嵌套一层工艺模块。“装配类工艺主要包括72种，尽管产品类型需要快速变换，但装配工艺不变，我们就可以像搭积木一样，把一个个模块抽出来复用，而不是简单把硬件拆出来再搭一条产线，效率会提升很多。”

还有更多智能制造企业看中了新能源汽车制造对产线柔性化能力的需求。其中，以汽车自动化装备业务为核心的天奇自动化公司正在研发具身智能机器人在汽车制造及其他工业制造场景的解决方案，并在无锡投建具身智能机器人工业数据采集与实训中心项目；专注于汽车电子连接器研发、生产的珠城科技公司和优必选合作探索智能服务机器人零部件线束及连接器领域的应用。

在何川看来证券配资网站，具身智能机器人有望解决传统自动化柔性不足、复用率低、泛化性弱的行业痛点。

具身智能短时间还很难替代人工

过去一年，智元、宇树科技、优必选、银河通用等国内具身智能机器人公司在融资、出货量、技术能力等多个方面的比拼愈演愈烈，每一家公司都试图向市场证明自己更具备竞争力。

但上述头部具身智能机器人公司内部人士告诉界面新闻，具身智能机器人产业还谈不上真正的竞争，因为各家厂商在软硬件、模型等方向上都没有形成主流的技术学派。“大家更多还是在实验室场景中进行探索，而不是真正的量产阶段。”

均普智能-智元联合实验室推出的G2机器人，目前已经下线测试200台。何川透露，虽然G2机器人在几项测试上的准确率都达到了99%以上，但模型的泛化能力还有待提升。在生产的产品更换之后，即使是相同的工艺，机器人仍然需要大量的时间去做模型方案验证、数据标注、学习和训练。

“现在具身智能机器人的状态还没有真正做到替代人工，其需要正式、完整进入产线并稳定运行一段时间之后再做评估，目前第一阶段还没完成。”何川表示，G2机器人在原始物料抓取方面还没有完全实现稳定化，很容易在抓取目标物料时把旁边的零部件一起带起来，他的团队计划在2026年继续做第二阶段的研发。

据界面新闻多方了解，目前具身智能行业虽然到了尝试进入产业商用的阶段，但模型能力还远没有大语言模型那样成熟。

一方面，各家机器人基于“大小脑分层架构”的模型都是在特定本体的结构约束下开发的，模型训练和调优高度依赖本体的硬件设计、软件架构和传感器配置，模型本体的通用性不够。

另一方面，由于模型受限于不同的本体，真机数据采集大部分情况下也必须针对特定本体进行，无法利用像大语言模型在公域获取的通用数据集。