过去两年，具身智能的热度一路攀升。

机器人跑步、跳舞、叠衣服、做家务，几乎每隔一段时间，行业都会出现新的演示视频。从模型能力到机器人本体，具身智能不断刷新着外界的期待。

然而，与消费市场的躁动不同，汽车行业的态度明显更为冷静。

车企当然关注模型进展，也关注本体能力，但一项技术能不能真正走进工厂，看的不是演示效果，而是工程验证。从完成一个动作到适应每天数百上千辆汽车的连续生产节拍，这中间隔着一整套制造体系。

7月3日，在盖世汽车主办的2026具身智能产业场景融合大会上，一场题为“车企需要什么样的具身智能伙伴——从技术展示到规模化交付”的热点对话，将这个问题推向了前台。北京银河通用机器人副总裁兼工业事业部总经理仓玉、中国长安汽车副总工程师谭颖聪、FMC³ Robotics联合创始人兼COO樊坚强、上汽通用动力科技智能设备技术负责人徐啸顺、中国一汽总装工艺主任宋伟佳，五位嘉宾从不同视角，讨论了具身智能落地汽车产业面临的现实问题。

工厂缺的机器人是什么样的？

第一个话题是机器人在汽车行业的应用场景优先级。

嘉宾们提到的，几乎都是那些长期存在、却始终没有太好解决方案的岗位，包括搬运、上下料、质量检测、高压作业、底盘装配、线束插接、零部件分拣等。这些场景有不少共同点，它们未必有多复杂，却常年消耗着大量人力。有些岗位劳动强度高，有些影响职业健康，还有一些直接关系到整车质量和生产安全。

物流是不少嘉宾提到的切入口。仓玉认为，高负载搬运、投料、分拣、回收等场景标准化程度较高，更容易形成完整闭环，也更有希望率先实现机器人的规模化交付。

图片来源：小米机器人

主机厂更关注质量、安全以及生产一致性。谭颖聪以车身间隙断差检测为例，人工完成一次全检往往需要一到两个小时，很多企业只能做抽检。如果具身智能能够胜任连续检测，效率更高，结果也更稳定。

安全和职业健康是另一条主线。电芯组装、化工品操作这类岗位，企业首先考虑的是降低安全风险。在徐啸顺看来，高压带电操作、化工原料涂胶等工序，机器人同样具有较高的应用价值。因为企业首先考虑的应是降低安全风险，而不是追求技术的酷炫。

从整车制造一线的视角来看，其当前重点关注的场景集中在三个方向：安全风险高的岗位、职业健康压力大的岗位，以及整车质量一致性强相关的工位，比如强电连接、底盘装配、线束插接等场景。

这折射出车企对具身智能的一套判断：新技术进场，不应是从最复杂的工作开始，而是应该优先填补传统自动化覆盖不到、人工又长期承压的环节。在汽车生产线上，一项技术的价值很少取决于能力的上限，更多取决于它能否长期、稳定地守住同一个工位。

从这个角度来看，车企或许更愿意接纳一个能解决老问题的新工具，它不需要太惊艳，但必须经得起每天重复的检验。

从样机到生产线，难在哪？

虽然机器人的应用场景越来越清晰，但真正把其送上汽车生产线，涉及的问题远比想象中复杂。对于机器人企业来说，一台样机完成了既定动作，一般就意味着技术取得了突破。但对于汽车制造来说，一次成功的演示其实离“可以用了”还差得很远。

两个行业对“可用”的理解，并不太一样。机器人追求的是能力不断突破，汽车制造追求的是稳定、可靠和可复制。一条生产线每天都在重复相同的节拍，一台设备停下来，影响的不只是一个工位，而是整条产线的运行。车企需要的是这样的人形机器人，即使每天工作八小时以上、连续运行数月之后，还能保持同样的精度、节拍和质量。

目前，机器人行业仍处于“发展阶段”。仓玉判断，除了具备通用的具身大模型之外，行业考验还在于体系化制造和交付能力。汽车制造经过几十年发展，很多环节已经形成成熟的终检体系。而机器人的生产过程中，大量工序仍然需要过程检验。“什么时候机器人的产线直接就是终检了，规模化交付的那一天才算真正到来。这既需要一个足够通用的大模型驱动，也需要成熟的体系化制造能力。”

图片来源：千觉机器人

而稳定之后，还要解决可复制的问题。一套方案在一个车型、一座工厂跑通了，不等于能快速推广到更多基地。因为不同工厂的产线布局不同，车型尺寸不同，检测点位也不同，所以对于大型汽车集团来说，更现实的问题是，机器人能不能做到一次开发、快速适配不同车型和不同工厂，而不是每部署一个项目都重新开发、重新标定。

樊坚强认为，目前制约规模化应用的主要问题集中在泛化能力、执行精度和运行速度三个方面。如果每增加一个新场景都需要重新采集数据、重新训练模型，部署成本很难降下来。他们正在尝试通过世界模型、VLA和原子技能库等构建新的工艺基模，缩短机器人学习新工艺、新任务的时间。

但对主机厂来说，模型只是其中一个环节。真正进入工厂之后，机器人还要面对方案设计、现场集成、运维保障等一系列工程问题。徐啸顺分享了今年部署人形机器人的实践经验：从二次开发到现场调试再到后续维护，每一个环节都需要机器人企业和整车企业共同参与。

毕竟，相比已经非常成熟的工业机器人，具身机器人仍处于产业化初期，备件体系、维修能力、现场保障都需要重新建立。企业甚至要提前准备备用方案，避免机器人出现故障后，影响生产线正常运转。

而在汽车行业利润空间持续承压的背景下，任何新增投入都需要证明自我价值。车企投放人形机器人下工厂同样如此，需要考虑经济账。宋伟佳透露，一汽已经成立了具身智能公司，希望通过整车制造场景与机器人企业开展更深入的协同，达到降本提质增效的目的。

由此可见，影响具身智能规模化落地的，已经不只是技术本身。交付能力、工程体系、运维保障、成本控制，以及整车企业和机器人企业之间的协同能力等多项因素，每一项都会影响机器人能否真正进入汽车工厂，并长期稳定地运行。

什么决定能不能留下来？

如果说工程能力是机器人进入工厂的前提，那么数据和合作方式，则决定了它能不能长期留下来。

汽车制造积累的不只是产品数据，更包括工艺参数、生产节拍、质量标准以及长期沉淀下来的制造经验等。这些数据关系到企业的核心竞争力，也是主机厂最重视的部分。

仓玉认为，现在行业普遍追求更大规模的数据来训练通用基模，他建议数据采集、训练和推理主要在端侧完成，同时建立持续的数据和模型进化管线。

目前主机厂出于安全性考量，普遍倾向于把数据保留在端侧，不依赖云端训练。据谭颖聪介绍，近些年行业都在推进“数据同源”工作，核心是保证不同场景数据的一致性以及准确性，再基于这些场景数据来训练和优化模型，而不是简单追求更大的数据规模。在AI方向的重点工作可概括为：“用场景定义数据集，用高质量数据集提升模型能力。”

樊坚强更是从国家竞争层面点出了数据安全的重要性。“最后一公里数据”必须掌握在本国或本公司手中，就像培养操作工必须由自己公司培训一样。在他看来，行业需要建立关于工业数据所有权和知识产权的清晰标准。

图片来源：鹿明机器人

品牌是另一个被反复提及的话题。徐啸顺认为，机器人进入车企后，应作为品牌理念的延伸，要符合品牌定位。

宋伟佳则把品牌分内外两层理解。外层是用户能直接感知到的体验，比如红旗品牌的智能化功能、外观、内饰；内层是技术复用和技术同源，像智能驾驶、具身智能、智能制造在底层有很多共通之处。这些共通之处可以作为推进智能制造、实现“第二增长曲线”的战略支点。

上述讨论其实也反映了汽车行业的一种态度：车企愿意开放制造现场，也愿意尝试新技术，但合作始终建立在长期信任之上。这种信任，既来自机器人能够稳定完成工作，也来自双方对数据边界、知识产权和合作方式的共识。

对于汽车行业来说，机器人最终交付的，不只是一次演示、一套模型或一项功能，而是一种能够长期参与制造的能力。

未来会走向哪？

讨论接近尾声时，一个更深层的问题浮现出来：当机器人开始承担越来越多工位，制造体系本身会发生什么变化？未来3—5年，人形机器人批量进入汽车工厂能否成为现实？

仓玉提出了“Design for Robot”的概念。过去几十年，汽车工厂的工艺设计、物流动线和工位布局，几乎都是围绕人工建立起来的。AGV（自动搬运车）出现之后，整个物流体系都按照AGV的逻辑重新规划过。他期待到2027年左右，具身智能也能推动类似的变化。

谭颖聪从组织层面呼应了这一判断。他认为，如果机器人在检测、装配等环节不断成熟，如今围绕人工建立的工艺流程和产线布局，都有可能随之调整。 “原生智能”的组织形态，可能也不再以人为中心来设计流程和架构。

樊坚强判断，未来3—5年率先实现规模化应用的，未必是双足人形机器人，而可能是轮式双臂等更贴近工业需求的产品形态。

在他看来，工业4.0高度专用化的产线已经暴露出柔性不足的问题，影响产线的经济性。具身智能真正的价值在于提升产线的适应能力，让同一套产线兼容更多产品和工艺，而不是频繁重建。这种从专用到通用的转变，将是从工业4.0向工业5.0演进的核心方向。

变化已经开始出现。今年以来，多模态大模型已经能够完成排序、抓取、搬运等长序列任务。徐啸顺表示，在家政服务等部分场景下，机器人的节拍和故障率已经进入可接受范围，一些标准化程度较高的工序具备了复制推广的基础。

但就汽车行业来说，人形机器人普及仍需时间。宋伟佳认为，无论技术如何发展，都要先把简单场景做好，从搬运、小件取放、辅助装配开始，逐步积累数据、验证可靠性，再向更复杂的场景延伸。这样才能助推机器人在汽车行业更快地推广。

图片来源：无界动力

回看整场讨论，几位嘉宾来自不同企业、不同产业链环节，他们的判断各有侧重，但都认为汽车工厂不会因为机器人出现而推倒重来。真正的变化是， 机器人逐步融入现有制造体系，工厂的生产方式也在与之协同演进。不过，工艺设计、产线布局、设备协同、组织管理等领域的改变，不会集中发生，而是会在一个个项目落地过程中慢慢积累。

这场热点对话，几位嘉宾大部分时间都在聊这些“不性感”、却更贴近产业现实的东西：交付、工程、数据、协同、成本。

这种“不性感”，或许才是具身智能真正走向产业化的标志。

一项技术进入制造业，最难的从来不是技术本身，而是它能否融入一整套成熟的工业体系，并在这个体系里持续稳定地创造价值。

谭颖聪提到一个概念“原生智能”，指的是工厂和组织不再以人为中心来设计流程，而是把AI能力作为底层预设，重新思考产线布局、工位设置和组织方式。这听起来还很遥远，但却会在一个个项目落地过程中慢慢积累。

宋伟佳的一句话或许可以作为整场对话的概括：“说一万次不如做一次。”当大家不再争论技术路线，而是开始讨论交付周期、故障率和备件库存的时候，具身智能才算真正迈过了从样机走向产线的门槛。

返回第一电动网首页 >