机器人产业迎来新爆发：具身智能与人形机器人的商业前景与挑战

从技术突破加速迈向商业应用，机器人行业正屹立于新一轮增长的起点。在资本注入、政策扶持以及多样化场景的驱动下，机器人是否已迎来自身类似ChatGPT的革命性时刻？人形机器人是未来必然形态还是可选方案之一？

这些问题的背后，宏观数据为行业提供了重要参考依据。

IDC于今年7月预测，到2029年全球机器人市场规模将突破4000亿美元大关，其中中国市场占比接近一半。同时，2024年全球商用服务机器人出货量已超过10万台，其中送货机器人和清洁机器人分别以38.4%和33.3%的份额领先，而中国厂商在此领域的出货量占比高达84.7%。

针对人形机器人市场，IDC预测2025年中国商用人形机器人出货量约为5000台，2030年将增长至近6万台，年复合增长率超过95%。种种迹象显示，从劳动力短缺到技术迭代创新，机器人市场正在迅速扩张。

围绕多个热点话题，界面新闻记者在ROSCon China 2025期间与多位行业专家进行了交流，共同探讨机器人领域备受关注的几个核心问题。

话题1：具身智能何时能迎来自己的ChatGPT时刻？

对于具身智能的ChatGPT时刻，几位行业专家的看法存在分歧。

地瓜机器人开发者生态副总裁胡春旭接受界面新闻记者采访时表示，他对具身智能和机器人行业的未来充满信心。

“从大模型和AI技术驱动来看，我们正迈入智能化新时代，机器人必将被人工智能重塑。我对具身智能的发展非常乐观，坚信未来会有机器人大规模落地应用。”尽管他也承认，目前存在通用性不足的挑战，“在一个场景中机器人表现良好，切换到另一个场景却可能失败率急剧上升。”但在他看来，这是技术演进必经的过程。

深圳市机器人协会秘书长谭维佳也指出，过去十年机器人渗透率一直较低，“仅个位数水平”，原因在于每进入一个新场景都需要高昂的二次开发成本，企业难以承受。而具身智能为产业“注入了新活力”，缩短了开发和实施周期，让更多基础性能改进能够应用AI算法。

她认为，具身智能有可能催生类似ChatGPT的涌现现象，也可能先在特定场景积累数据，“沿途下蛋”逐步创造商业价值机会。

与之对应的是一些辩证的观点。

非夕科技创新业务技术负责人施丰鸣在接受界面新闻采访时提醒说，具身智能是实现通用人工智能的潜在路径之一，但技术瓶颈和商业困境真实存在，“短期内的过度宣传需要谨慎看待，长期发展则应保持理性乐观。”

他强调，更重要的是解决“智能”如何与真实物理世界进行高效可靠交互的根本问题。

那么，在政策与资本高度关注下，是否意味着行业正在“等待一个拐点”？多位行业人士在接受界面新闻采访时的观点更偏向“沿途开花”。

大湾区大学信息学院访问学者姚嘉俊认为，应当将“长远乐观”与“短期务实”并行推进：一方面，具身智能的真正突破需要底层架构重构，当前主流视觉语言动作模型在信息流与控制流强耦合，设计相对简单，叠加本体通信与算力限制，难以在非标准化环境中保持稳定泛化；另一方面，真实数据的获取本身也面临人为因素阻力。

“因此与其一开始就追求通用机器人，不如先在招工难、风险高的工位实现‘场景通用’，以点带面，沿途沉淀高价值数据与工艺知识。”姚嘉俊表示。

话题2：人形，是必然形态还是可选方案？

人形机器人的未来路径在业内一直存在争议。麦肯锡今年6月发布的分析指出，一般用途机器人形式多样，不一定要仿人，但人形机器人的外形确实在适应现有环境上具有优势，它们可以在为人设计的空间中行动，无需大规模改造工作环境，这是人形机器人的独特卖点。

然而，从产业应用角度看，目前商业落地路径更偏向灵活多样。北京人形机器人创新中心具身天工事业部负责人刘益彰提到，目前国内人形机器人市场刚刚起步，去年销量仅数百台，今年预计增至约2万台，“这些机器人多数投向科研和教育领域，真正走入工业或服务场景还在验证中。”

国家地方共建人形机器人创新中心感知与自主系统技术专家Echo也建议，不必急于一次性覆盖所有场景，而应像互联网、航天技术发展一样，先在一些特殊、国家层面支持的场景中投入应用，积累经验再逐步推广。

芝能智芯烟烟则从应用结构化的角度分析，家庭陪护等非结构化场景技术难度大，短期应先从半结构化场景起步再逐步过渡。她还提到机器人租赁服务模式，可以降低初期投入门槛，让企业先试用再扩展。

总的来看，业内更认可因场景而异的思路。人形机器人并非所有应用的必需品，但在与人类生活环境无缝衔接时拥有天然优势，替代方案可以是配合环境改造或选择其他平台解决方案。

话题3：成本与场景，ROI如何实现？

机器人能否真正走向市场，成本和应用场景的匹配至关重要。尽管市场前景广阔，但目前机器人的实际渗透率仍然很低。

谭维佳指出，制造业机器人渗透率仅为个位数，即使是在智能辅助方面也难有显著突破，原因就在于每进入新场景都需要昂贵的二次开发和部署。

实际上，企业需要明确投资回报才能大规模采用，否则即使设备能24小时工作，由于效率达不到预期，也难以收回成本，这就要求厂商根据场景需求优化配置。

姚嘉俊也补充指出，在焊接等非标场景中，工人对数据采集存在排斥心理，担心被替代。他认为，与其追求一步到位的通用机器人，不如先在特定高危或招工难领域实现场景通用，逐步推动技术落地与效益回报。

古月居联合创始人顾强类比手机产业史，认为随着量产和技术成熟，机器人成本终会下降，但眼下核心还是先聚焦有效场景。

刘益彰则强调，人形机器人的真正价值来自“情感和服务”附加值，而不仅仅是硬件成本。他指出，目前不少企业为了拿单打价格战，价格已接近亏本，“这样的内卷不利于行业健康”。

几位行业人士普遍认同，在价格落地前，机器人需要首先证明自身能解决问题，出现实际使用场景再谈降价才更有意义。

话题4：数据与标准限制如何解？

数据采集与标准化瓶颈长期制约机器人发展。

胡春旭坦言，目前业界尚未形成统一的数据采集标准，各家对视觉、语言、力反馈等多模态数据的采集标准不一。而缺乏统一标准意味着现有数据多为脏数据，质量参差不齐，难以直接喂给视觉语言动作模型等使用。

他指出，与汽车自动驾驶相比，机器人缺乏数量级的数据样本，“路上跑几千万辆汽车就能获得海量真实数据，但机器人场景没有那么多样本，数据问题是最大的痛点。”

同样，谭维佳也提到，以往依赖单一机器人构型采集数据效率低下，迁移到其他结构需要大量重复工作，需建立通用方式或世界模型来实现跨平台迁移。

标准化方面，业内尚在建设早期。刘益彰透露，人形机器人从工艺流程到测试标准、性能指标乃至关键部件接口，目前都还没有定论。例如什么样的运动安全性才算合格、机器人的可靠性和耐用度如何评价，都没有统一的规范。缺少标准意味着各家各自为阵、难以规模化推广。

此外，企业对于数据共享也持谨慎态度，传感器厂商和算法公司担心核心数据成了自身商业秘密，不愿意轻易放开。几位行业人士向界面新闻表达了相似的观点：只靠单一机构或国家很难解决这些问题，需要更开放的开源平台和生态来协作制定标准。

按照多位行业人士的观点，通用人工智能虽然是终极目标，但产业落地的路径或许更像是在实际场景中“沿途下蛋”，逐步积累数据、优化模型、降低成本，才能最终释放生产力和生活潜力。