72.把宇树、ABB 等四家具身拉进小黑屋聊真心话：转型派 vs 新秀派，具身的现状、挑战与未来

Hello，大家好，欢迎来到漫谈 Light Star，我是诗杰。三月中受到 SAP 赛普的邀请，我在他们主办的第五届全球运营高峰论坛峰会上主持了一场有关具身智能的圆桌论坛。SAP 是企业应用和商业 AI 方向的全球领导者，业务横跨一百九十多个国家，在一百多个地区拥有创新和研发中心。这样一家数字化企业在 AI 浪潮下，也成为观察各行各业 AI 化转型的窗口。SAP 深耕的数字化解决方案与 AI 结合后，能够为企业打造一个业务感知型的 AI 底座，将数据、业务理解借由 AI Agent 打通，成为 AI 落地企业所必备的商业大脑。这样的商业大脑还需要具身的本体，才能够真正将数字世界的智能影响至物理世界，为制造业创造更多实际价值，所以具身智能就成为 SAP 赋能全产业的绝佳切口。这其中一个重要问题是，每个企业都渴望拥抱 AI，但是否每一家企业都具备直接拥抱的条件？这场圆桌中答案自然会浮现。这场圆桌凑齐了热门行业中的众多明星公司：ABB 机器人中国区软件及数字化负责人 Robin 郑锡亮，拓斯达具身智能业务线矩阵智拓 CMO Ryan 王琪，宇树工业场景解决方案负责人 Peter 谢一鹏，星动纪元亚太和中东地区负责人 William 王浩然，以及 SAP 大中华地区客户咨询团队总经理徐勐、创业邦创始人兼 CEO 南立新。本期播客共有两部分组成，第一部分是由我主持的圆桌实录，第二部分是我将四家具身企业单独留下录制的闭门访谈部分。这里是漫谈 Light Star，我们一起记录时代的每一寸跃进。接下来把我们的时间留给东道主徐总。徐勐我觉得包含几个因素：第一个是深圳，第二个是出海，第三个是具身智能。

1. 深圳聚集具身智能

在深圳举办这个圆桌论坛，有它特殊的原因。中国供应链配套最齐全的地方就在长三角、珠三角，所以大量具身智能企业都出现在这两个区域。

第二个是，很多具身智能企业从初创伊始就具备出海基因，或者瞄准了海外市场，有这样的雄心壮志。第三个是，具身智能企业具备初创企业的所有特质，但也有一些不同点：随着 AI 的迭代，它们的产品会快速迭代，正处在爆发式的成长期。可能今年就是我们走进现场、走进客户、走进实践的元年。

难道不是因为具身智能企业现在账上现金都比较多吗？

这个问题有些尴尬，但我们看重的是前景。和企业合作，我们看重的是企业的前景和成长性。

外面可能有个误解，觉得 SAP 合作的更多是世界500强企业。其实这是个误会，因为在 SAP 客户金字塔的基石中，80%以上都是中小型企业，都是成长型企业。现在很多500强企业，在 SAP 刚开始和他们合作的时候，比如林德、西门子、拜耳，规模也并不是特别大。我们服务好客户的过程中，伴随着客户成长，客户的实践也会不断反哺 SAP 自己的产品。

2. AI重写SaaS标准

现在有一种声音，觉得具身智能这么火，上一代的工业 AI 公司都应该归入历史了。面对 AI 的冲击，包括 SaaS 面对这些压力的时候，SAP 焦虑吗？

我觉得是三七开：30%是焦虑。我觉得资本市场可能比我们更焦虑；但70%是兴奋。

这一轮 AI 的出现，实际上在帮助我们重新定义 SaaS 的标准。未来，SaaS 公司更多的 AI 能力，是从数据和应用中成长出来的，这会成为新一代 SaaS 的标准。

SAP 给客户提供的，就是基于我们的应用、基于我们的数据成长出来的 Agent。我们可以提供一个原生、安全的 Agent 底座，这也是我们未来变革的一个方向。

3. SAP连接具身智能生态

接下来要上场的企业，都是你们生态里的合作伙伴。你们和他们进行什么样的合作？为什么在 AI 时代，大家都非常需要 SAP？

我觉得有三点。

第一，具身智能企业今年肯定是爆发的元年，更多企业会走向 To B 领域。在这个过程中，每个企业都会经历从试生产到量产、螺旋式上升的过程。降本增效、出海合规，一定是这些企业所面临的问题，这些 SAP 都可以提供很好的支撑。

第二，所有具身智能企业所需要的营养都来自数据，尤其是具有上下文、来自客户端的数据。瞄准 To B 市场的企业，大部分客户都是 ICP 的客户，也是我们的客户。

第三，SAP 也推出了自己的 Business AI 解决方案。我们会和在座的具身智能企业打通，实现 Agent 从物理世界向数字世界、从数字世界向物理世界的穿透。所以我们的合作方式是多维的，也是丰富的。

我听明白了。具身智能企业对你们来说，是高增长、有全球化雄心的企业，是很好的合作伙伴。反过来，你们现有的客户也是高价值、决心拥抱 AI 的客户，所以双方可以形成很好的助力。

4. 传统机器人开始转型

接下来，我们把时间交给圆桌的其他几位嘉宾。开场我先非常武断地把台上的嘉宾企业分成两大派：一派是转型派，像 ABB、拓斯达，从工业时代的翘楚穿越而来，面临着具身智能转型；另一派是新秀派，就是宇树和星动纪元，在这波具身智能浪潮中受到关注的企业。

先给转型派一个犀利的问题：你们会对“转型具身智能企业”这个标签有抵触吗？为什么要转型？转型过程中遇到的挑战是什么？我们先从 ABB 的 Robin 开始。

谢谢师姐。师姐一上来，似乎就把 ABB 归到了“老登”这个范畴，谢谢。

其实是这样的：作为上一个经营周期里的成功企业，我们一定有焦虑。但正是因为这种焦虑和求生欲，让我们保持谦逊。

ABB 从1974年开发出第一代全自动、全电动机器人，到今年已经50年了。这期间经历了很多周期和变化。举个例子，我们做的双臂机器人是2015年出现的，到今年已经10年了。应该说，我们也是具身智能机器人领域的先驱者，所以我们是以一种谦虚的心态往前走。

大的方向上，我们认为现在正在经历范式变化。以前可以用老的方法，但现在不能有路径依赖，必须用新的方法去做，就像自动驾驶一样。

在这样的情况下，ABB 提出的是自主多功能机器人。我们希望从原来由人编程、让机器人执行，转变为机器人能够按照任务自动操作。它能够自动进行路径和任务规划，自我感知、自我决策、自我执行，还可以切换多个场景。对业主来说，它的资本回报率也会非常好。

我听说你在内部算是内部创业，是吗？

是的。我们确实是在把 AI 技术放进来，把自己定位成内部创业者，希望从一个老兵变成一个新兵。现在正在经历这样一个巨大变化，我们既有焦虑，但更多的是兴奋。

ABB 是全球四大机器人家族之一。四大家族面对 AI 浪潮时，是什么心态？

我们对工业场景的理解是非常不错的。现在具身智能领域出现了很多新秀，应用领域比较宽泛。

举个例子，工业机器人通常是4到6个自由度，如果加上外轴，可能是7到8个自由度。一个人形机器人最多可以做到80多个自由度。两者不同，任务的广泛性一定不一样。

但在工业领域，要求的是稳定、可靠和高精度。在这样的细分场景中，我们认为自己在具身智能落地上有天然优势。我们不必一开始就适配很多场景，只要把一些特定场景做深、做细就可以了。比如视觉检测，工业视觉已经有很多落地，大量企业都在使用。

在这种单点应用上，我个人认为，工业机器人有可能会走在具身智能前面。划重点：在落地应用上，我们很有信心。

接下来请拓斯达的 Ryan。过去18年间，拓斯达经历了很多次转型，而且一直保持着高增长。讲讲你们的心路历程。

我们2007年成立，2017年上市，发展到现在将近20年，经历过很多高光时刻，也有过很多困难时刻。

我认为有一条主线一直贯穿始终，就是我们一直以客户需求为导向，帮助客户解决问题。2007年，我们从注塑周边设备起家；2010年开始布局直角坐标机器人；2013年进入4到6轴工业机器人领域；到2025年发布了轮式人形机器人，今年1月又发布了四足轮式机器人。

一直以来，我们都以积极、开放的态度拥抱时代变化。

SAP 在你们转型过程中起到什么作用？

有一句话不知道合不合适用来比喻：攘外必先安内。SAP 在我们内部管理和运营方面，提供了很好的底座。

我们现在有很多业务，比如具身智能工业机器人、数控机床、注塑周边设备和整机业务线，业务相对比较多。在计划、订单管理、仓储物流、财务等各方面，都需要用标准、规范的方式运营。SAP 给我们提供了很好的底座，让我们能够安安心心地向外拓展。

这里打个补丁，拓斯达是一家强扩张型的企业，过去这些年经历了快速增长、业务扩张和全球化扩张。在企业的不同生命阶段，SAP 都提供了数字化转型的核心支撑。比如在快速增长期，SAP 解决了企业管理和业务协同的难题；业务扩张时，SAP 通过模块化结构满足了各业务线的个性化管理需求；在全球扩张时期，SAP 完善的国际化适配能力能够帮助公司快速融入不同地区的财务、法律合规框架，有效规避海外扩张的风险。在具身智能时代，拓斯达基于工业土壤发展 AI 能力，SAP 系统则如同一座桥梁，在关键的场景数据闭环构建方面发挥着重要作用。

刚才你讲到“安内”，那我必须聊聊“攘外”了。ABB 的全球化业务非常庞大，在全球化高速扩张的过程中，SAP 起到什么作用？

SAP 对我们来说帮助很大。今天袁总的会议主题是出海，出海是从中国走向海外；过去很多外企则是从外面走到中国，方向虽然不一样，但本质是一样的。

ABB 使用 SAP，或者说使用 ERP 系统，本身的逻辑是全球一盘棋，希望把全球资源整合起来使用。无论是设计开发、供应链管理还是生产，都希望全球协同。

但本地确实不一样，需要本地适配、本地共生，在本地保持韧性。就像一个国际化餐厅，菜单大体一致，但必须配合当地口味，而且还要不断推出新品。SAP 给我们提供了很好的灵活性和敏捷性。

5. 新秀进入工业场景

接下来把时间交给新秀，先从宇树开始。宇树和星动纪元，你们要回答一个问题：现在具身智能创业公司太多了，在业内人士看来似乎都差不多，同质化也很严重。请用一句话介绍自己在这个行业中的差异性。先从宇树的 Peter 开始。

宇树科技专注于高性能足式和人形机器人的开发、应用和产品化。

从2017年开始，我们就广泛和工业界合作。现在，我们正在更加努力地和科研界、工业界开展深入、具有高度的合作，努力突破技术边界。

大家好，我是星动纪元的 William 王浩然。星动纪元致力于打造能够自主工作的机器人。我们在大脑、模型以及灵巧手方面，应该说都可以做到业内领先。

大家不要觉得两家是劲敌，其实可以看到，你们强调的重点不太一样。

我刚刚和王兴兴有过一场访谈，很有趣。春节期间，王兴兴说他觉得人形机器人落地还需要5到10年，但我发现最近在 GTC 上，他的口径好像又变了。

现在科技发展的速度，以及科研界探索的广度和高度，都达到了前所未有的水平。我们自身也非常努力，去深入理解，甚至亲身参与工业企业的各种实践。

对于需求理解的深度和广度，应该说也对得起我们自己的努力。整个技术发展非常快，我觉得大家还可以再期待一下。

也因为那场访谈，我想谈一下我对宇树的理解和你们的独特性。我觉得这是一家非常善于借势修炼的企业。

当时我和王兴兴聊到你们参加春晚，我认为最幸福的是，你们借由春晚这样的高压场景和平台，不断倒逼自己的技术进化。这让我有一个猜测：你们过去在 To C 的表演场景，以及 To Lab 的科研实验场景都非常强，为什么现在也要做 To B、做工业？是不是因为工业场景有魔鬼级的压力，能够让你们更快地进化技术？

从2017年开始，宇树的产品就已经应用在工业领域了。我们会追求可验证的快速闭环，从任务编排、任务执行到数据收集，形成一个闭环。

巡检应用是比较早在工业领域走通的小闭环。对于拥有高价值资产的重资产企业，尤其是制造过程中对停产极度敏感的连续型生产工厂，它们已经能够感受到价值传递和价值创造。

对我们来说，在这个过程中亲身参与企业运营，可以更深入地理解客户需求，也可以快速迭代产品。经过几年的迭代，我们的发展速度非常快。

从表演的角度来看，大家比较广泛地看到人形机器人表演，应该是去年发生的事情。首先，我们和非常懂表演的专家进行了深入合作，才能理解表演对产品究竟有哪些需求；其次，要做到机器人在几个小时或几天内学会一段新的表演，效率必须足够高，技术才能为表演行业创造价值。

我们在工业领域也追求同样的深度和价值创造。

宇树在落地工业场景的过程中，有没有遇到什么挑战？

这次和 SAP 合作的也是一个巡检场景。每个行业都有自己的行业专家，这些专家可能已经积累了几百年、几千年的知识，短的也有几十年。

SAP 在企业数字化、企业运营流程、数据治理等方面，都有很长时间的积累和深刻理解。这些理解是我们寻求合作的基础。

在合作中，我们可以和 SAP 相互增益：我们提供具身智能执行的物理框架，SAP 则从任务规划一直到数据收集之后的处理和分析，帮助整个应用完成闭环。这是一个很好的合作范例。

类似的努力，我们也在和各个行业的专家一起探讨、一起推进。

William，我知道这次星动纪元和 SAP 合作的是物流场景。先给大家科普一下：星动纪元2023年才成立，这两年你们到底在忙些什么？你们打算在工业场景做到什么程度？

我加入这个行业也不久。和各位前辈相比，他们可能已经在这个行业耕耘了十几年，乃至几十年。但在加入星动纪元之前，我其实是一名全职脱口秀演员。

怪不得这么有趣。

不过我的学术背景一直是机械工程及自动化，所以也不算入错行。

星动纪元是一家很新的公司，很多事情和想法也比较新。我总结为三点。

第一是好产品。我们可以做到世界顶级的大脑和灵巧手，我们认为这两样东西对于具身智能来说非常重要。

第二是国际化。我们的创始人陈建宇老师毕业于加州大学伯克利分校，我毕业于布朗大学，公司里也有很多留学生。我们的订单大约52%来自海外。所以国际化对我们来说可能不是一个目标，而是写在 DNA 里、与生俱来的东西。

第三是和 SAP 的合作。目前我们主要集中在物流解决方案场景。物流是一个非常痛的行业，尤其是分拣场景。大家都知道，双十一、618，包括美国的黑色星期五，工厂和物流都会爆仓。即使是7×24小时、三班倒，也还是做不完。

SAP 和我们之间，我觉得会有非常好的契合点。刚才提到焦虑，其实我们也有焦虑。当全世界都在谈论具身智能时，SAP 能拿出什么东西给客户，给他们一套什么方案？我们的焦虑在于，用什么样的平台、什么样的伙伴，才能真正把具身智能落地到工业场景。

在这件事情上，我们是一拍即合。刚才我提到自己是演员，我想用舞台做个比喻：我是一个导演，要给观众展现一台戏；星动纪元就要像演员一样，随时保持战斗状态，保持 ready 状态。

所以我们会和 SAP 做好接口、API、SDK 的打通，把方案和产品打磨到最佳状态，让 SAP 将来面对合作伙伴时，可以随时把我们的产品推上去，交出一份满意的答卷。这就是我们的目的和契机。

6. POC驱动数据飞轮

我之前也陪伴星动纪元的人进过工厂，见证了那个过程。最先进的那一批工厂，现在非常主动地想拥抱 AI，焦虑感也特别强。

老板们跟我说，这件事很矛盾：既对技术充满期待，同时又觉得现在具身智能的泛化性还不够。怎么说服工业界的朋友布局这件事？毕竟大家都需要投入成本。

这个问题我想听听大家的简短意见，先从 Peter 开始。

具身智能要为客户和行业创造价值，必须建立在深刻理解行业需求的基础上。

我们需要理解真实需求，深入真实现场、真实动作和真实任务，了解哪些是以前的技术方案暂时无法满足的，以前有什么困难，现在新的技术能够满足到什么程度，以及往哪个方向努力才能突破临界点。

这里面蕴含着非常大的工作量和深入思考。

我提两个概念：一个是 POC，也就是 Proof of Concept，场景验证；第二个是数据飞轮。

首先，客户也不知道我们能做到什么程度，我们也不知道客户具体想让我们达到什么效果。所以双方先进行接触，签完 NDA 之后，客户发一些视频过来，告诉我们想实现什么，我们再评估目前的技术能力在哪些场景可以得到很好的示范。

我们公司有一个 Demo Room，可以进行快速验证。比如先判断这件事能不能做；如果能做，需要多长时间。我们会给客户一个初步的 MVP，也就是最小可行产品。这样第一步就能知道这件事大概能不能做，之后再进行模型调优和训练。

第二步是数据飞轮。机器人行业强调模型能力和训练，但传统行业的老板想的是几件事：第一，我现在投了钱，什么时候能看到效益？

模型训练需要时间。按照传统方式，可能需要几个月甚至一年，需要大量视频、文字和图像进行训练。但工业客户等不及，怎么办？

我有一种设想，未来可能会形成一种国际化的模式。假设欧洲客户需要一个场景，也有一定预算；中国公司把模型、产品和技术打磨好，数据采集和遥操作放到东南亚，比如菲律宾、越南。

在菲律宾，一个人的月工资可能是1500元。3个人7×24小时三班倒，一个月4500元；但在欧洲，一个人的成本可能是一两千欧元。通过这种跨地域的方式，可以把成本降到最优，客户也能立刻享受到产出，而我们可以继续把这些视频用于模型训练。我觉得这是一个非常理想的效果。

徐总，能不能给大家补充一下 SAP 的 Business AI 解决方案到底是什么？

从最近很火的 OpenClaw 就可以看出，大家对 AI 的需求是什么。

首先，它是开放的；第二，它不和某一个大模型一对一绑定，不是必须使用某个模型才能实现功能；最重要的是，它是可执行、可落地的。

企业级 AI 也是这样的需求，包括具身智能机器人。重点是执行，重点是开放，重点是不和某个大模型一对一绑定。另外，企业级场景对安全和控制的要求不同于个人场景，所以安全非常重要。

从这个角度来看，SAP 和具身智能机器人企业的合作可以说是天作之合。大家提到的行业知识、行业经验，最终都会落到 SAP 的数据、上下文关联的数据图谱和知识图谱里。所以从这个角度来说，现在和未来，我们都是很好的合作伙伴。

场上还有一位美丽的女士一直没有发言。南老师，我知道 SAP 和创业邦合作了一本具身智能白皮书，过程中有哪些行业群像的发现？

去年我们看到了资本热潮，大量资金涌入具身智能行业。已经公布的资金超过520亿元，超过500起融资事件发生在这个行业里；还有很多没有公布的。今年开年，也有大量资本进入这个行业。

另一方面，我们也看到了宇树在春晚上的表演，让大家在舞台和赛场上看到机器人。但这些具身智能企业到底如何进入企业场景，进入商业化世界？其实我们和 SAP 一样都很好奇。

过去一年，我们一起访谈了50多家国内比较优秀的具身智能创业公司，看到了很多在舞台和商业报道中看不到的景象。

其中一个重要发现是，目前还处在一个断层阶段。现在，在物流、巡检等企业场景中，已经有一些批量应用和实际使用，但大部分仍处在 POC 和小批量验证阶段。企业主还有很多担心。

最大的担心是，具身智能企业除了要突破物理智能和机器人大脑，还需要商业智能。这也是为什么现在企业只能停留在小批量验证阶段。除了本体技术、大脑和小脑的技术突破之外，也需要整个产业链打通。

这也是 SAP 愿意和我们一起，把大量数据贡献出来，和这些企业共同创造，帮助具身智能企业进入商业世界和企业级应用场景的原因。

我们相信未来一年会看到很多进展。这也是我们做报告的初衷：把商业智能、物理智能和具身智能企业完整结合起来，呈现更好的应用场景。

物理智能要交给所有机器人和具身智能企业一起攻坚，商业智能则需要 SAP 这样的代表性企业参与其中。这也为我们构建了一个比较完整的产业链生态图。

7. 资本加速行业洗牌

第一个问题：我听说头部具身智能企业账上都不少于10亿元人民币，一点都不缺钱。Yes or no？

No。我认为真正的具身智能竞赛才刚刚开始，未来还有很长的路要走。大量的数据、大量的场景、大量的人才，都是未来需要重投入的资源，所以钱不够花，再多的钱也不够花。

Yes。我听说，如果从仿真、合成数据训练的角度讲，一次训练就要2000万美元，10亿元人民币很快就没了。

两个觉得不缺钱的，Peter。

我也听到了你听到的情况，不少于10亿元人民币，所以我举 Yes。

但这个领域最宝贵的资源是时间。昨天早上我和一家企业一起讨论方案，昨天下午又在一家企业的生产线上亲自动手测量，今天下午还约了一家物流企业，要去实际做一下分拣动作。

我觉得把机器人搬过去试来不及，所以我要自己先去做工人的动作。我们的时间真的非常宝贵，我们会加倍努力。

首先，我非常同意时间不够用这个问题。现在每天的时间确实都不够用。

第二，确实也缺钱。虽然家大业大，但开销也大。为了做更好的模型和产品，我们需要聘用更多优秀人才；在国际化进程中，还有售后、认证等很多事情要做。

所以，10亿元虽然不少，但如果想把产品做好，需要的资源会更多，时间也需要更多。

我觉得会缺钱。刚开始未来走向量产时，所有 POC 都没有发挥出具身智能机器人的三维特征。现在很多事情，可能二维的传统机器人也能做到。

未来走向真实场景，尤其是量产，会需要大量资金投入到这个行业。

第二个更刺激的问题来了：头部具身智能企业里，有没有你们觉得名不副实的？

我在工作和生活中看到的，从事这个方向的人都非常努力。我相信，应该还有很多大家不知道的成果正在孵化过程中。

这还是很有王者风范的回答。Robin，你先讲讲。

我觉得有两个方面。

第一，现在即使是人形机器人，也还没有真正做到具身智能。它更多还是硬件，和工业机器人没有本质区别。现在工业机器人已经卷得非常厉害，人形机器人很快也会进入这种状态。当然，如果真正达到具身智能，情况就不一样了。

第二，技术变化这么快，现在的情况和未来的情况可能会发生巨大变化。所以这两个因素让我对它是否名副其实打一个问号，行业肯定会洗牌。

我会以背靠老兵的中坚企业身份，更谨慎、更长期地看这个问题。

各种资本、人才、资源和政策都在向这个方向倾斜。每一轮技术周期都有洗牌过程，大家也都经历过痛苦的下行期。谁能迈过这个阶段，我认为谁才是真正经受住考验的企业。

这个话题确实不太敢说，毕竟现在还在风口期，可能是泥沙俱下的状态。我也认为之后会有一定洗牌。

我想提醒大家，战局还远远没有结束，也许会有新的黑马出现。今天的头部未必是未来的头部，真正惨烈的竞争可能才刚刚开始，因为有太多钱进来了。

重点是，计算机产业正在被重新定义，我们只是身处在这个正在被定义的过程中。所以现在谈谁是泥沙，还为时尚早。

因为时间关系，还有两个问题我先留到后面：一个是会不会担心行业乱象导致机器人再度变冷；另一个是现在机器人普及的进度条到底是多少。

最后进入收尾阶段，请每个人用一句话谈谈对2026年的展望。先从 Robin 总开始。

回到工业领域，工业机器人本来就是来做任务的。对业主、对工厂来说，它的期待值不会那么高，所以我认为工业机器人确实能够先落地。

举两个很短的例子。比如打磨，工业机器人原本只是做运动，如果再加上力控，让它感受到打磨工艺中的力度，加上这几个维度的数据，就能够把工作做好。

我个人认为，工业机器人应该走在前面，把这件事先做好。我还和同事打过一个赌：10年内，人形机器人在家庭中的渗透率能不能超过1%？我希望经过业内努力，能够达到这个目标。

我在团队里负责市场洞察和客户需求挖掘，和大家分享一下我们看到的情况。

从去年开始，我们走访了几十家头部制造业企业，也请咨询机构写了很多报告。我们看到，现在大部分客户场景仍然有很多人在工作。另一方面，老龄化越来越严重，年轻人也更喜欢选择灵活就业，比如网约车、外卖，因为更加自由、轻松。

这种劳动力缺口会越来越大。从客户需求来看，这一定是我们未来的机会。但从供给端来看，具身智能机器人能做哪些工作，还有很长的路要走，尤其是在稳定性和效率方面。

我非常认同 Robin 讲的工业机器人先落地。所以我们现在规划了两条路径。

一条是基于传统工业机器人工作站，先把 AI 能力赋能上去，加上 AI Agent，让它快速解决客户的存量问题。还有一些场景需要人形机器人，比如搬运，解决“最后10米”的问题。传统工作站相对难以解决，人形机器人就是一个好的方案。

在我们对需求的洞察中，既有现在可以用工业机器人工作站解决的问题，也有未来留给人形机器人去征服的星辰大海。

2026年，我们希望在整个行业、科研界共同努力下，让技术更快创新，让大家更快感受到科技给生活和社会带来的进步。

2026年，具身智能行业才刚刚进入大航海时代。谁是未来的四皇，目前还没有定论。

既然这个行业很新，我相信大家都有机会。我也希望大家参与进来，从这个行业中获得收益、赚到钱。

最后我想说，对于 SAP 来讲，我买了你们的股票，希望你们业绩一路长红。

理论上这里就可以结束了，但还是请南老师再讲一讲。

第一，2026年具身智能企业肯定不缺钱，真正缺钱的可能是2027年和2028年。

第二，我觉得2026年肯定还实现不了商业化和商业价值，大部分企业应该还处在技术突破阶段，期待能够出现类似 AlphaGo 的时刻。

对于这些企业来说，今年进入制造业、大规模进入工厂，可能还不现实，可能仍然会处在大规模 POC，以及数据和训练的过程中。今年和未来两年，大部分时候我们可能还是会在赛场和舞台上看到这些机器人企业，其他企业应该还在实验场。

比起家庭场景，工业场景肯定会最先落地，这也是我们为什么和 SAP、和各位机器人企业一起努力的方向。

谢谢徐老师。

我的希望是，通过这次峰会以及和南总合作的白皮书发布，2026年我们能有越来越多机会，和更多具身机器人企业建立伙伴关系，开展共创和客户层面的全方位合作。

这种伴随式成长是双赢的。SAP 也能从成长型企业的成长过程中学到很多东西，再反哺我们的 Agent 和产品。

借用南老师的一句话，我们赛场上见。

8. 商业闭环决定胜负

刚才开始之前，我看到你们在那边聊天，特别 peace and love，完全不像是同赛道的玩家，甚至还互相夸赞。

刚才那个问题，头部具身智能企业里有没有你们觉得名不副实的？除了宇树之外，所有人都举了 Yes 牌。洗牌之后，核心竞争点、核心战场到底在哪儿？

我们做业务的思路，是从一个商业闭环走向下一个商业闭环。我觉得一项技术是不是真正能够创造价值，能不能长期发展，核心就在于能不能形成商业闭环。

我觉得刚才这个问题的答案就是：这个业务能不能自己造血。

刚才没来得及讲，拓斯达现在是在注塑行业里想把一个场景打穿、打透，打透之后再横向扩展，是这个意思吗？

没错。我们希望像激光一样，把资源和人才聚焦起来，把一个场景打通，再从一个场景去复制。

打完第一个胜仗以后，不管是士气、信心，还是资源获取能力，都会更好，我们也能申请到更多资源，去做更多事情、更多场景。

过去凭借注塑这一个场景，你们的增长表现是什么样的？

大概有几个阶段。2021年之前，我们营收每年的复合增长率大概在40%以上，那是快速发展期。

后来，我们对智能能源、环境管理业务，以及一些自动化业务进行了精简和收缩，开始先做大，再进行收敛，聚焦于更有价值、更有附加值，或者更有未来前景的业务。

于是就形成了目前以具身智能工业机器人、注塑机及周边设备、数控机床为主的核心产品和业务集群。

工业场景的战略地图是什么样的？现在有一些想法吗？

去年我们调研了一年，现在正在画这张地图。客户需求是存在的，未来一定会有很多劳动力缺口，也一定会有很多岗位需要用机器人或自动化的方式替代。

供给端的技术可能还有一些不成熟的地方，所以我们要在两端之间找平衡，先打通一个小闭环，逐步让飞轮滚起来。

所以你们会优先选择人力供给缺口最大、价值最高的场景？

对。我们找到第三方写了一些报告，也有一些数据，之后会对外发布。

比如以注塑产品为核心的上下游场景链，国内目前就有几百万人从事相关工作。未来，AI 工作站、自动化、AI 加自动化，以及 AI 加人形机器人，会逐步一点点渗透，完成这些工作的替代。

刚才大家也聊到一个核心价值点，就是搬运。搬运其实是在解决仓储物流“最后10米”的问题。还有上下料，相关品种非常多，我们会从简单的开始。

去年我们也交付了一台加入 AI Agent 的工作站，解决客户的实际问题，再一步一步提升它的泛化性。

之前我陪智元机器人进工厂时，他们也是做搬运场景。我觉得搬运现在已经非常卷了，大家可能都想做，也都觉得自己能做。在这么内卷的情况下，大家怎么办？拼谁做得更好？

“搬运”两个字很简单，但工厂里的搬运，刚才拓斯达也提到了一点，从技术实现角度已经可以分成很多类别，还可以从更多维度分类，每一种都非常不一样。

比如配合注塑机。注塑机有一模多穴，需要高速、高节拍地从注塑机里下料。下料之后还有后处理，也许希望同一台机器一起完成。

如果是机加工，出来的零件可能更重一些，表面还有油污，之后有些机加工零件需要拿到测量室抽检，或者搬到仓库。还有乱序码垛、乱序拆垛、装车、卸车、装箱、分箱、配盘。

很多行业都有类似动作，但之所以叫不同的名字，是因为这些动作背后的逻辑不一样。它们是非常细分的场景，而且很多都有高精度要求。

那怎么选呢？

我们非常感恩整个社会对宇树的支持，我们的关注度确实比较高。有时候会让我们觉得，自己处在一个被选择的角色上，因为很多人会主动找到我们。

但更重要的，还是理解发展的本质。从现在开始，未来几年整个社会对制造业的需求在哪里，制造业需要怎样转型？

比如未来不确定性进一步增加，物流转运从 A 供应商切换到 B 供应商的速度，以及供应补上的速度，都需要进一步提升。打破部门之间、企业之间的数据壁垒，这些需求也会进一步增加。

在这样的宏观环境下，肯定需要越来越多的 AI。更多 AI 会带来更多算力需求，也会带来更大的能源需求，很多行业都会因此改变。

比如车企，未来总装厂有没有可能不再是总装线，而是一个个总装岛，做成更小规模的总装厂，放到更靠近客户市场的地方？

汽车零部件制造也在追求新技术。大压铸几年前就开始出现，技术还在不断迭代；复合材料、轻量化材料，以及 C2C、C2B 等技术，车厂也都在积极探索。

至少他们已经感受到行业变化。在应对变化的过程中，需要新技术、新的生产方式，也需要在新的生产方式中培训新的工人，或者培训新的具身智能专家。

他们需要更加适应、更加匹配新生产布局的产品。我们要针对客户需求提升能力，满足它未来使用的生产工具、工装治具、检测和测量方式，甚至满足未来来料分拣和产品包装的变化。

跟着制造业的转身而转身。

对。制造业需要通过轻变化，应对不确定性。

以汽车行业为例。家电企业我也走访过一些，有些黑电企业看起来是传统行业，但产品迭代周期只有6周。这两个很有代表性的行业都能说明，制造业的生产方式正在发生变化。

行业顶尖企业已经为现有生产方式做了很多努力，几乎穷尽了所有方法。新技术进来之后，还有很多适配性问题，也许只能在其中一小部分地方使用。

更重要的是，如何用新技术改变运营模式，让运营更高效、库存更少、反应速度更快、产品迭代更快，并且把生产工艺做成高质量、稳定、可靠、高效的状态。

如何让包装、装车、装箱不再依赖人力和搬运工的体力，如何让产品更快周转、到达客户手里，如何让客户需求快速反馈到生产和设计，这是所有制造企业都关注的方向。

但这需要非常贴身。对一家创业公司来说，很容易陷入一个个项目，稀释自己的精力。

这是一个非常好的问题。如果从提供解决方案的角度看整个行业，交付方案会不会很重？

工业界的需求长期以来都非常碎片化。但宇树是一家产品公司，我们会把主要精力放在深入理解客户需要什么解决方案、如何更新产品、如何提升产品上。

我们会从机电、AI、芯片等各个方面改进产品的可靠性、稳定性和用户体验，实现快速、灵活的适配。

也许现在我们只能在某个地方实现几个小时的适配周期，过一段时间，经过努力，又能在另一个地方实现几个小时的适配周期。这样我们就能以产品制造为中心，形成更大的规模效应。

规模效应扩大之后，企业成长起来，有了更好的利润，又能推动内部快速迭代科技。这是我们期待的循环。

我对你们的理解是，宇树现在的规模性和产品一致性，以及开箱即用的能力，像一个循环，互相促进。这个飞轮应该是你们现在比较大的优势。

去年我们交付了6000多台人形机器人，大体上以一款型号为主，就有这么大的交付量。

另外，我们还有四足机器狗，已经在工业巡检中有很多应用，所以总产量增长得比较快。今年我们希望做到2万到3万台。

我刚才问宇树会不会陷入项目制时，William 狠狠地点了头。你说说你们怎么选择工业场景？你们是在座最年轻的企业。

资源永远不够用，尤其现在竞争激烈，研发资源非常宝贵。我们会从经济角度和技术可实现性两个方面考虑。

首先要看我们能做什么。我现在手头大概有300个 POC，优先做谁，要打分和评估。第一看经济角度，第二看公司战略，第三还要综合考虑品牌、声望等因素。

最先要考虑的是能不能做。星动纪元目前专注于物流相关解决方案。如果刚好是分拣需求，major 部分不变、minor 部分需要改变，那就是比较好的场景，因为我们能做，需要的改变也不大。

你们能做，别人也能做。你们会有自己的一套算法吗？我想问的是，现在我看到一些大家都能做的场景，竞争非常激烈，最后就是拼谁做得更好，对吗？

我觉得首先要看能不能做，其次要看谁的服务更好。

你刚才问了两个问题。第一个是现在是不是每个场景里都有很多竞争者。能做的大家都能做吗？我认为是，也不是。

如果只说物流场景，大家可能都能做，但物流场景还可以继续细分：分拣是不是都做？搬运是不是都做？装车、卸车是不是都做？每个不同场景仍然有细分领域。

目前来看，蛋糕还是足够大，大家还可以各干各的，并没有完全同质化，也根本没有进入零和阶段。

而且有些事情是整个行业都做不到，不是某一家不行。所以大家现在都是借助场景修炼，通过场景迭代自己的技术。

对于你们来说，工业地图有一二三吗？

第一优先级是物流，第二是工业场景，后面还有巡检、感知、导航、动态路径规划等。每家可能都有自己的方案。

但对我们来说，现在的第一要务是考虑 ROI：我替代什么人，能让价格变得更便宜。

另外还有一类场景，我认为更适合当前阶段。我和国外一些客户聊天时，对方首先提出了机场场景：第一是巡逻，第二是能不能排爆，也就是拆炸弹。

为什么我认为这种场景很好？第一，人的生命安全远远高于经济价值。比如培养一个拆弹专家需要十几年，即使离得再近、防护装备再好，炸弹爆炸后，这个人大概率还是会死。

如果机器人能够拯救人的生命，这个价值非常高。此时甚至不需要自动化，不需要模型，直接遥操作就能拆炸弹。机器人炸了就炸了，再买一台新的，但人的生命无法重来。

第二类是不要求精度的场景。现在具身智能整体上存在精度问题，可能事情能做，但精度不够高。有一类场景不需要精度，只要有人把活干了就行。

比如玻璃纤维、采矿等工作，会带来尘肺或其他职业伤害。还有喷漆、有毒有害物质处理等场景，只要机器人能做就可以，不需要特别高的精度。

我认为这些场景适合当前的具身智能：第一，价值更高；第二，不需要那么高的精度。让机器人先去做挖矿这类人不想做的工作，先替人承担风险，这个价值远远高于先去替代人。

作为后起之秀，最难的是怎么弯道超车。你们现在是通过全球化，在海外挖掘高价值场景和客户吗？

是这样。您之前的一版问题里提到，已经进行数字化的企业，会不会比还没有进行数字化的企业更有优势？我后来想到一个答案，但也不一定完全准确。

举个明显的例子：假设你在香港或北京 CBD 做拆迁，把一栋楼拆掉再盖新的，和我直接找一片农村推平、盖一座新城，哪个更容易？很明显是后者，因为它没有历史包袱。

先发确实有先发优势，但也会背负沉重的技术债。比如纽约地铁，一百年前中国还在清朝时，纽约就已经有地铁了。但到今天，它的信号灯管理和规划已经跟不上使用需求，系统不堪重负。

在这种情况下，反而不如一个新城，直接推平重建，规划得更有效。后发也有自己的优势。

尤其具身智能行业比较新，而且非常依赖模型、灵巧手等技术。现在在这个行业里，我们也许才算是老手。

要看具体行业。Robin，ABB 是四大家族之一，刚才讲了很多焦点问题，肯定也是你关心的。你有什么补充吗？

在商业逻辑下，我觉得大家的思路是相似的，大道至简，无外乎聚焦这些事情。

但进入一个行业，需要找到切入点和场景。到底是找到一个量很大的场景，还是找到一个像拆弹一样具有很高社会意义、但数量很小的场景？你选择哪个切入点，是先考虑商业利益，还是先考虑社会价值？这是公司选择的问题，没有对错。

如果分两个方向来看，人形机器人有点像家里的扫地机器人。我记得十几年前从美国背了一台 iRobot 回来，后来一直迭代，几乎每年都会买一款新的，把原来的换掉。

这个行业一定会有 early adopter。对具身智能企业来说，确实需要一个场景，让人信服，开始出现 early adopter。

在工业领域也是一样。对 ABB 来说，一定要从现有服务的行业里挑选场景。因为如果你过去没有服务过这个行业，连 know-how 都没有，怎么去服务它？

所以还是要在现有服务领域里，找到可以落地的场景，先落地。

举个例子，中集的负责人曾经分享过一个需求：集装箱焊接可能和汽车焊接不一样。汽车焊接的进料通常符合六西格玛标准，CPK 要求很高，公差很小。但集装箱进来的铁板，两个铁板之间可能有很大公差。

这个问题现在还解决不了，但它其实是一个非常窄的场景，不需要很复杂的技术，只要解决这个小的间隙问题，就能让机器人快速适应很多任务。

这也支撑了你今天的论点：你觉得工业机器人短期内一定会跑在前面。

是的。在很窄的场景里，工业机器人加一点 AI 就可以做到。

ABB 规模很大，客户面也很广。从宏观角度来看，今天具身智能能做的场景里，是不是每个细分场景都有好几家，争着让甲方“用我、用我”？

在某些特定领域，不是几家，可能是上百家、上千家。

比如机器视觉，现在已经卷到非常厉害的程度，不是几家的问题，而是几千家都在做，几千块钱就能做下来。

但最终还是要看基础能力的积累，就像盖楼一样。首先要确保第一层所有模块都完整，电梯、柱子等基础设施不能缺失。基础能力必须过关。

你可以先选择几个领域，搭几根柱子，把能力做深，再去做第二层，最后到塔尖。这个大的思路，我相信大家应该是相似的。

今天台上我问过缺不缺钱的问题。南老师给了一个判断：2026年大家肯定不缺钱，缺钱的是2027年和2028年。你们认同吗？

举个例子，打螺丝在特定场景里可能已经可以做了，很多人也都在演示。但怎么找到一种普适性的打螺丝方法？

早期方法论是有的，但真正要让它成熟，需要把早期方法论沉淀下来，然后大量进入数据飞轮。你要进入很多企业收集数据、做测试，再回来训练数据。

当训练数据规模变大、覆盖客户越来越多时，钱确实会发生数量级的变化。后面可能是指数级增长，因为你甚至要把 corner case 引爆出来。

怎么找到 corner case？需要足够大量的数据。这个钱一定会指数级上涨。

从两个方向来说，第一是需要花的钱太多。比如训练数据的来源，整个行业还没有到 GPT 时刻，还在不断更新各种数据。目前的资金可能确实不足以支持这些投入。

第二是民众、社会和投资人对具身智能的期待。投资人需要看到效益。如果技术可能4年后才能满足市场需求，但现在还差一步，投资人的期待、民众的期待都在这里。

这就像买股票，买的是预期。如果你的表现达不到大家的预期，股价自然会下跌。对投资来说，如果没有达到预期，投资人可能就不愿意持续投资，这也是一个风险点。

9. 行业洗牌暴露数据难题

今天台上没来得及问的是，会不会担心行业乱象让这个行业再度遇冷。我们拆开问：第一个问题，现在有没有行业乱象？

工业机器人其实已经有很多乱象了，从财务报表上看得非常清楚。

大家给自己的叙事是：先去抢地盘，再发展，按照互联网那套方法做。这个本身就已经是乱象了。

至于人形机器人，我相信其他几位更有发言权。

至少我个人没有精力去想这些问题。我先把自己的事情做好，只要产品足够好，能够活下去就可以了。

我在和王兴兴的访谈中，他也提到，大家还是希望行业更加理性。

行业乱象一定会有。从房地产、新能源到汽车，过去有无数经验。太阳底下没有新鲜事，无非是把上一代炒房、炒大蒜的经验搬到炒机器人上。

有人为了赚钱，找一个投资人，做一台原型机，找几个地方去做演示，最后有没有真实订单，可能并不关心。

中国很多地方都在做具身智能。你刚才提到素材中心，或者说具身智能训练场，这听起来好像是对行业有好处。既然具身智能缺数据，那大家就加紧采集数据。但我的直觉是，其中可能还有一些值得关注的地方。

我整体上绝对支持做数据采集和数据工厂这件事，也认为它对整个行业非常有益。

确实缺数据，也需要高质量数据。尤其面对国外或国内客户做方案时，我们确实需要这些数据。从这一点上我没有任何疑问。

只不过，有些人可能比较急功近利。但至少对星动纪元来说，目前还是非常健康的状态。

刚才 Robin 在开场前提了一个很重要的问题：如果我做一套数据，能不能给别家用？你为什么会提这个问题？现在事实是什么样的？

我听说好像不能直接使用。

我对数据的理解是，数据需要标注，但什么是好数据、什么是坏数据，什么是好用、什么是不好用，从大的视角来看，要求并不一样。

比如自动驾驶基本可以理解为米级，人形机器人可能是厘米级，但工业机器人可能是毫米级。进入数据维度之后，怎么评估一个动作是好还是坏？你需要大量测量系统，光靠视觉可能不够。

动作是不是放到位了？测量系统怎么放？如何确保数据是好的还是坏的？这是一个很大的难题，后面还有很长的路要走。

所以理论上，一家企业做的高标准数据，如果开源出来，另一家可以使用；但实际上可能并不总是能用，是吗？

我们现在说“一段数据”，其实里面包含很多不同的东西。有些可以复用，有些不能复用。

比如视觉数据、环境数据可以复用，因为大家面对的是同一个环境。但轨迹、人类遥操作数据可能不能复用。

比如星动纪元 L7 产品身高1.7米，其他家的产品可能更高或更低。我的遥操作数据是基于1.7米的机器人做的，换成1.8米或者1.2米，可能就不能直接复用。

还有 local motion、抓取力等底层运动控制数据。每家的算法不一样，力控也不一样，所以可能不能复用。

因此要看具体是什么层面的数据，需要把数据进行更精细的区分，才能判断能不能用。

英伟达试图构建行业标准，国内一些头部企业也在尝试定义行业标准。我不知道宇树有没有参与这件事。

中国工信部正在推动标准制定工作，宇树也有参与。

从国际标准角度，我们也在积极关注，不管是 IEC、IEEE，还是其他组织有没有进展。我会密切关注，因为这对产品认证有直接影响。

关于 universal data，也就是统一动作空间，这些工作我们也看到了。英伟达目前更多是在科研阶段、论文阶段。

未来迭代速度会很快。重点是，如果大家在生活中看到一组特别有说服力的行业应用，发现它使用了某种数据格式，并且这些应用真正有效，就可能形成事实上的行业标准。

随着整个社会对数据格式的理解进一步加深，可能会出现一个被广泛接受的标准。这个时间长短没有办法预测，但往往会比我预测的更短、更快。

这说明在座的都是乐观者。William，之前我问你行业乱象会不会导致行业再度遇冷，你给了一个很犀利的判断：肯定会遇冷，机器人行业马上要进入寒冬。你确定吗？

我确实不担心。我认为接下来会有一轮洗牌，“寒冬”这个词可能有些过重，但洗牌是客观存在的。

刚才提到的行业问题、投资人的期待、民众和社会的期待，以及当前的研发进度，都可能带来一轮洗牌。当然，这只是我个人的观点。

大家对2026年这个行业的水温有什么判断？

大家都在往具身智能方向发展。从某种角度看，现在机器人本体已经卷得非常厉害，如果继续用老方法、老路径依赖去卷，大家都没有出路。

具身智能提供了一个新的赛道。虽然也是竞争，但已经是另一个层次的竞争。从更大的历史角度看，这个方向还是可以预见的。

我补充一下刚才的问题。我认为可能会有一定洗牌，是因为头部效应非常明显。

前两天我看到一组数据：这么多投资进入具身智能行业，前10家拿走了40%。剩下的可能有200家左右，平均下来每家可能只有几千万元到1亿元，但平均数对每一家没有意义。

所以，后面拿不到钱的企业可能很难活下去。前面的头部企业，我相信现在已经有6家或7家已经过了一百亿。当然，很荣幸星动纪元也是其中之一。

前面的头部企业，活下来应该没有问题，可能还会活得更好。但对腰部及以下，甚至到脚脖子这个 level 的企业来说，寒冬可能肉眼可见、马上到来。

参与这个方向的所有人都要更努力，包括客户里的专家。所有人都应该更努力。

很多小公司如果现在还没有拿到特别多的钱，可以扪心自问：我是不是走在正确的方向上？我有没有在做对行业、对社会有利的事情？

社会上还有很多没有被满足的需求，我有没有真正满足其中哪怕一个需求，或者很快能够满足其中一个？只要找到了正确方向，即使暂时融到的钱少，也要把正确的事情做好、做透，要相信社会是在往前走的。

10. 工业领先家庭落地

接下来聊聊具体场景。开始前我也和大家讨论过，今天有一个判断：工业肯定会走在家用前面。但我对此有一个问号。

美国现在在做家用保姆机器人，已经有 Demo 可以展示从做饭、叠被子到照顾人，像一个管家。虽然 Demo 可能是加速过的，但看起来也能完成。国内也有很多创业公司在做家用消费级场景。

为什么大家判断工业一定会走在家用前面？

我和一些企业交流过。有些企业本身就是家电制造商，同时也有工业业务，他们在调研美国、欧洲和中国的家庭需要什么样的下一代家电。

不同地区的社会结构和生活节奏不同，大城市、郊区、农村都有不同需求。对家电行业来说，特别重要的是把细分市场的维度划清楚。

如果具身智能进入家庭，第一件事要做什么，之后想做什么，面向哪一类人的需求？给这些人贴标签的话，需要贴多少个？200个够不够？300个够不够？

我觉得家电企业需要在短时间内快速认识清楚这些问题，这是给行业朋友的一些建议。

工厂至少是一个被设计过的环境。有些任务可以放在相对可控的环境中完成。更重要的是，工厂也是一个小社会，是社会的重要元素，很多人在工厂工作，也要回家庭生活。

这些人需要在工厂里逐渐接受：在安全规范之下，只要机器人做到这些事情，产品对生活就是有帮助的。剩下的只是看这种帮助值多少钱、愿意花多少钱，是到门店购买、网上订购，还是租一台。

并不是说家庭场景一定会很晚，而是它会有一个过程。人总要先在某个环境中接受新事物，这个环境可能就是工厂。

Robin，你觉得呢？

一个方向还是用扫地机器人来举例。我当时把 iRobot 带回来，其实只用了一个星期。那时已经是第五代，大概花了1.5万元。用了一周之后，你会发现很多问题，用一次就会发现很多槽点，最后只能把它束之高阁。

但现在好多了。你看这个 Demo，甚至已经有商业化产品，但真正让人舒服地使用它，距离成熟还有很长的路。

第二，工厂是一个高度组织化的系统，任务已经被切分，所有东西都高度有序。承担一个任务相对简单，不像人的生活有那么多随机性。

从技术逻辑上讲，工厂已经被人为排序，而家庭里有很多不同的 case。

我也有同样的观点。从我们这个角度看，硬件的差距其实已经比较收敛，核心问题还是软件能力和泛化能力。

家庭里有海量场景，需要进行泛化、训练和兼容。但工厂的每一道工序，场景相对规范、相对封闭，所以大家会认为工厂是一个必经之路。

我们在这个过程中发现，可以先把工厂里一些简单工序拆解出来，用人形机器人逐步实现。这就是刚才聊到的方向：先实现小闭环，步子不用迈得太大，大家也能看到这件事有价值、有意义，资源和人才也会进来。

然后再一步一步走向更远的地方。我认为方向就是从小到大、从近到远。

听起来，在从 POC 到规模化的路径中，工业端的确定性至少会比家用端更大，因为场景比较收敛、比较成熟。

另一方面，工业也有一些困难需要克服。我们接触了很多工厂厂长和技术人员，他们最核心的问题是：节拍怎么样？稳定性怎么样？

这也是未来工业场景的一个趋势。纵向来看，方案的效率和稳定性要逐步提升，真正把每个环节跑通。横向来看，场景要不断泛化。

只说分拣，分拣的细分类就非常多；只说搬运，搬运也有很多种。我们要一个点一个点打透，从点到线，再从线到面，逐步拓展。

快到结尾了。关于进度条，我觉得这是两条单独的进度条：原本工业机器人时代的进度条是多少，现在具身智能的进度条是多少？如果最终把两个进度条合并，视为整个机器人的普及，现在的进度条是多少？

我先抛砖引玉。ABB 在1974年研发出全电动机器人，到今天已经50年了。

你刚才问的是标准问题。标准分软件和硬件。硬件方面，现在大家的共识是4轴、6轴，再加上 Y 轴。4轴或6轴意味着4个或6个自由度，可以做一定复杂度的工作，适应重复性任务。

不一定要7轴、8轴，因为多一个轴就意味着更高成本。但人形机器人还在尝试：特斯拉可能有50几个自由度，Agility 可能有80个，小鹏大概82个，Agile 可能是72个，大家还没有形成所谓的标准。

软件也是如此。安全性方面，协作机器人有安全距离，通常是预先定义好的，比如1米。但人形机器人有没有安全标准？我猜目前可能还没有考虑得那么多，因为它和人的交互还没有那么多。

这也是我今年特别努力的方向，包括参与和标准化组织的沟通，关注各个方向的研究。

还有一点是精度和稳定性。工业客户特别需要 reliable，也就是可依赖、可相信，不要出现意外。

比如我承诺自己能够完成这项工作，在这个范围内可以灵活调整，但不能突然失控。工业上有一个很重要的要求，就是算法和软件要有很好的收敛性。

平时精度都很高，突然有一天动作飞出去，这种情况会打断整个系统的稳定性，是工业领域非常厌恶的。

宇树从2017年开始做巡检，做巡检的企业对连续生产非常敏感，我们从那个时候就已经有认知。

宇树的产品迭代在这个方向上已经做了很多努力。接下来，会有更多行业制造领域的顶尖企业参与进来，和我们一起在真实环境中使用产品。这样我们又能获得新的理解，一定能够创新出新的方法，满足收敛性和可信赖度的要求。

回到工业机器人的进度条。工业机器人发展了50年，中国目前每1万名工人大概不到500台机器人，几乎处在世界前三位。韩国最好，大概每1万人有1000台机器人，其他国家平均水平可能更低。

如果一定要给个数字，我感觉工业机器人的进度大概是30%到40%，已经过了快速增长期，进入个位数增长区间。人形机器人则是刚刚开始，但从工业机器人的基础来看，人形机器人的迭代速度一定会更快。

从社会接受度角度，我还想到一点。最近几年，大家很努力地把水炮机器狗推向市场，主要用于消防。

消防场景既能挽救人的生命，又能让社会看到技术确实可以救人。不管是在演习中，还是在真正发生不幸时，它都能给人类提供过去没有的支持和帮助。

这个场景比机场排爆的需求量大得多。

关于进度条，我觉得大概在30%左右。

具体的时间节点，可以类比 iPhone 出现之前的诺基亚、摩托罗拉，以及“中华酷联”时代。现在各家百家争鸣，数据和接口都不一样，和当时的手机市场很像。

后来 iPhone 横空出世，给行业带来 iPhone 时刻。大模型有 GPT 时刻，而整个具身智能行业还在期待一个属于自己的具身时刻。

这也串回了刚才的问题：具身智能新秀除了技术本身，还有一些传统行业已经非常熟悉、但我们反而不熟悉的东西。可能我一说出来，传统企业就会说：“这个我几十年前就做过。”但这些恰恰是我们欠缺的。

第一是 CE 认证。我要卖到欧洲，必须做 CE 认证，但到底是消费级认证还是工业级认证？这对传统企业来说肯定不陌生，可对具身智能行业来说，除了讨论模型和云控，真正讨论 CE 认证的人还不多。

美国有 UL 认证，日本有 PSE 认证，中国有 CCC 认证。但具身智能发展太快，现在还没有真正统一的认证标准。中国都没有，更不要提欧洲了。但现在欧洲已经有客户，所以怎么适应欧洲的合规要求，是必须解决的问题。

第二是数据合规。刚才我提到数据飞轮：欧洲客户，中国的技术和硬件，菲律宾的人进行遥操作。这牵涉到数据跨境传输。中国对数据跨境传输有严格监管，欧盟更严格，包括人脸数据等。

这个问题需要解决。未来可能会有运营商提供相应方案，比如 VPN 或其他独立通道，但现在还处于摸着石头过河的阶段。

第三，客户会关心保修怎么做。一个欧洲或美国客户用了你的产品，坏了以后怎么维修？还有客户会问：我现在没有这么多钱，一台机器人要几十万元，能不能贷款？你能不能提供金融方案？

这些问题传统行业早就解决了，但对新兴行业来说，还需要一步一步摸索。怎么交付、怎么维修、经销商怎么做、品牌怎么建立、认证和合规怎么处理，都是新企业需要补课的地方。

回到家庭场景，我想确认一点：你看到的那个视频，是遥操作完成的，还是已经真正实现了纯 AI？

视频里看不出来。

如果是遥操作，大家都能做。但我记得去年 WRC 和 WAIC，机器人都是最火热的主题。我逛展会时看到大家展示所谓的大脑，但我确实觉得大脑还处在非常早期的阶段。

我前段时间看了银河通用一段打网球的视频，你看过吗？你觉得它是怎么做的？

我应该至少看过两篇用宇树机器人做类似 Demo 的论文，整个技术也开放出来了，写得比较透，可以看一下。

我从中学到一个思路：用 AI 解决问题，不一定一开始就追求做一个特别大的模型，解决所有问题。

在一个任务里，要先明确模型的输入和输出，需要多大规模的模型才能解决；再看眼前能够低成本、快速收集到的数据有哪些，几天或几周能收集到哪些数据，然后基于这些条件实现新功能。

比如视觉追踪和运动轨迹预测，能不能专门训练一个 AI，负责视觉追踪和预测轨迹？另外还有全身动作控制，把这两个模型的输入输出连接起来，是不是就可以实现一套新的闭环流程？

这就是一步一步向前迭代。再往前走几步，就会思考：现在这些分离的模型，能不能把能力集成到一个模型里，让动作更顺畅、适应性和灵活性更好。

这可以参考自动驾驶。自动驾驶一开始讲模块化自动驾驶，有很多基于规则的“拐杖”。视觉分析和分类可能会训练多个专门任务的模型，有的专门看标志，有的专门看车道线。

后来越来越多企业开始讲端到端，把前后拆成好几层的模型，其中一部分开始融合，很多基于规则的东西就不需要了。很多 corner case 也可以合成足够多的数据进行训练。

这是一个从科研到工程、再到产品化的快速过程。最后消费者体验到的，就是可以拿出手机叫车，车自己从车库开过来接你。

机器人应用也可以参考这个路径：如何把科研最新成果快速迭代到产品中。

我说一下这个网球视频，只是个人猜测，也欢迎专业听友在评论区指正。

体育场景相对容易产生这样的成果，因为现在世界级体育赛事已经使用 AI 很多年了，有非常好的数据和算法，所以反而比较容易快速做成一个垂类大脑。

我补充一下刚才 Robin 提到的 IFR 数据。

我们之前也在做市场洞察，观察这个行业的机会。第一台工业机器人用在汽车生产线上，到了3C 行业爆发的时代，消费电子使用工业机器人的比例也非常高。

有些行业，比如仓储物流，使用率也很高。但还有很多行业使用率非常低。以冲压行业为例，为什么使用率低？因为它是多品种、小批量，每次换产都要重新调试，调试时间很长，产量还会下降，企业还不如使用人工。

这就是目前传统工业机器人和自动化无法完成的任务，也是未来 AI 加自动化、AI 加人形机器人的土壤、空间和蓝海。

传统自动化和工业机器人已经很好地完成了能够完成的任务，ROI 算得过来，效率和精度也都很高。未来真正的蓝海，是泛化性要求比较高、换产频繁的场景。

刚才提到的运动场景，本质上和工业场景类似，都是标准化、规范化的场景。最底层的问题，是怎么从简单走向复杂。

我认为那个网球视频应该不是遥操作，因为它的反应速度很快，能够实时进行运动。遥操作的难度反而可能比实时运动更高。

为什么它现在能做成？因为场地是规范的，格子画好了，高度、尺寸都统一。本质上和工业场景类似，都是相对标准化、相对简单。

家庭场景就不同了：户型不一样、颜色不一样、材质不一样、重量不一样、尺寸不一样，什么都不一样，难度会非常高。

还有没有没有回答进度条问题的？

我补充一下刚才 Robin 提到的 IFR 数据。

我们之前也在做市场洞察，观察这个行业的机会。第一台工业机器人用在汽车生产线上，到了3C 行业爆发的时代，消费电子使用工业机器人的比例也非常高。

有些行业，比如仓储物流，使用率也很高。但还有很多行业使用率非常低。以冲压行业为例，为什么使用率低？因为它是多品种、小批量，每次换产都要重新调试，调试时间很长，产量还会下降，企业还不如使用人工。

这就是目前传统工业机器人和自动化无法完成的任务，也是未来 AI 加自动化、AI 加人形机器人的土壤、空间和蓝海。

传统自动化和工业机器人已经很好地完成了能够完成的任务，ROI 算得过来，效率和精度也都很高。未来真正的蓝海，是泛化性要求比较高、换产频繁的场景。

刚才提到的运动场景，本质上和工业场景类似，都是标准化、规范化的场景。最底层的问题，是怎么从简单走向复杂。

我认为那个网球视频应该不是遥操作，因为它的反应速度很快，能够实时进行运动。遥操作的难度反而可能比实时运动更高。

为什么它现在能做成？因为格子画好了，高度、尺寸都统一。本质上和工业场景类似，都是相对标准化、相对简单。

家庭场景就不同了：户型不一样、颜色不一样、材质不一样、重量不一样、尺寸不一样，什么都不一样，难度会非常高。

我倒有一个问题啊，我回想几个重要的东西。像电脑 PC，第一台电脑应该是一九四五年宾夕法尼亚大学那台电脑，到真正爆发，我感觉应该是两千年左右才开始普及，间隔了六十多年。手机的话，第一台应该是一九七三年摩托罗拉做的，真正大规模普及应该是二零一零年左右。第一台工业机器人是一九七四年，大规模普及至少是九十年代、两千年左右。人形机器人我有印象以来可能第一次出现应该是 Honda Asimo，我也很好奇什么时候会有一个大规模爆发的点。

大家在评论区竞拍，看看哪年是具身智能真正爆发的年份。我确实觉得还有点远，只能说积跬步至千里。

但是我又回到最后在现场问的问题，你觉得十年内家用的人形机器人的渗透率能达到百分之一吗？家庭场景实在太泛化了，一条浴巾扔到马桶上要数据采集，扔到床上要采集，扔到行李架上也要采集。如果按照现在的模型方法，成本可能高到不可置信。一对比，菲佣月薪四千港币，所以最大的对手可能是菲佣。后面我们会迎来人力缺口，这件事情是确定性的。

刚刚 Peter 提到教一个人十几个动作就能学会，但机器人有一个最大的优势：一百个工人学完以后，每个人都不是一个标品；我把这些数据交给一个机器人，模型训练出来以后，一万台机器人都是统一的动作，可以 scale up。

对于家庭场景，也可以抽象成养老或者医院场景，因为可能更规范。什么时候上药、什么时候做康复，虽然复杂，但需求更强。医院里的老年人一定需要护工，如果机器人有这样的能力，我一定愿意使用机器人护工。

11. 机器人等待具身时刻

如果家庭里只能选择一个功能，每家会选什么？

那不就是扫地机器人嘛，至少一个。人形机器人最大的价值在于泛化性。

我一直在想，最近 OpenClaw 很火，这不代表公司，只代表我个人的想法。如果在机器人上部署一个 OpenClaw，同时调用不同的模块、不同家的模型，因为每家模型擅长的地方不一样，那么一个机器人是不是可以因此进步得更快？

它有时还可以自主学习，这一点我还没有验证。但我觉得 OpenClaw 这种 Agent 的思路，可能就像 AI 行业从大模型走向 Agent 一样。

对于具身智能来说，是不是也可以直接使用一个 OpenClaw 这样的 Agent，再调用不同家的 VLA 模型，甚至调用世界模型？它装载很多模型之后，通用性可能会很强。

我想补充一点。智能手机真正普及，除了 iPhone 时刻，还要看安卓的普及和开放，因为它需要一个开放生态。

所以 OpenClaw 带来的一个真正问题是，Agent OS 到底能不能出现。如果能够出现，整个行业会大大加速。

我对此是乐观的。人非常聪明，既然已经看到 Agent 在 LLM 领域取得成功，我认为在 VLA 领域之后一定会出现类似的 Agent。现在可能已经有不同公司在做相关尝试，所以我对此比较乐观。

Peter，你还没有回答百分之一的渗透率问题。

我肯定会努力帮助他赢这个赌局。他压力很大，但还有10年时间，可以努力完成这件事。

今天这个太精彩了，我都学到很多，希望以后还有机会，谢谢你们。好了，以上就是本期播客的全部内容。本期节目由企业应用和商业 AI 的全球领导者 SAP 独家赞助播出。SAP 作为数字化的集大成者，拥有真正能够了解企业业务的 AI 智能助手 Joule。Joule 和 SAP 业务系统深度集成，是自主式业务感知型的 AI 智能体，可以跨业务职能运作，链接数据、决策和行动，简化工作流，并实现端到端流程的自动化。这是 AI 应用中商业大脑的重要环节。这样一个商业大脑让机器人能够在现实世界中感知业务并执行动作，给机器人赋予商业智慧，将业务逻辑从数字世界执行到物理世界。

SAP 大中华地区总裁袁星的发言中也有几个亮点。首先，应用层就是 AI 时代的操作系统，Agentic layer，也就是智能体层的出现，让企业和业务的交互方式完成了质的飞跃。AI 的业务价值不会凭空出现，需要底层应用现代化作为基础，这正是 SAP 能够发力的地方。过去五十四年来，SAP 对业务数据、流程和行业的深度理解是发力的关键。他们的 AI 能力通过几万亿条数据训练出来，SAP 也在 Hugging Face 上发布了业内首个基于真实客户数据的企业级 ERP 数据集，在新一代架构中采用 API 优先策略，并推出了专为 ABAP 开发构建的基础模型，将多年积累的业务代码和最佳实践转化为 AI 能力，再通过开放生态应对客户和行业的快速成长。

好了，这期节目就是这样，希望能够给到所有创业和企业朋友们一些启发。如果你喜欢我们的节目，请留言并转发，也欢迎关注微博、B站、视频号、小红书等平台，我们下期再见。