從技術突破到商業落地，機器人產業正站在新一輪爆發的起點。在資本、政策和場景的多重驅動下，機器人是否已迎來自己的“ChatGPT時刻”？人形是必選還是可選？
這些問題背後，宏觀數據給出行業一定參考。
IDC今年7月預測，到2029年全球機器人市場規模將突破4000億美元，其中中國市場佔近半。同時，2024年全球商用服務機器人出貨量已超10萬臺，其中送貨機器人和清潔機器人分別以38.4%和33.3%的份額位居前列，而中國廠商在此領域出貨量佔比高達84.7%。
針對人形機器人市場，IDC預測2025年中國商用人形機器人出貨量約5000臺，2030年將增至近6萬臺，年複合增長率超95%。種種跡象表明，從勞動力短缺到技術革新，機器人市場正在快速擴張。
圍繞多個話題，界面新聞記者在ROSCon China 2025期間與多位行業人士聊了聊，共同探討機器人領域關注較高的幾個問題。
話題1：具身智能何時能迎來自己的ChatGPT時刻？
對於具身智能的ChatGPT時刻，幾位行業人士的觀點並不一致。
地瓜機器人開發者生態副總裁胡春旭接受界面新聞記者採訪時表示，他對具身智能和機器人行業未來充滿信心。
“從大模型和AI驅動看，我們正在進入智能化時代，機器人必然會被AI重塑。我對具身發展非常看好，堅信未來會有機器人大規模落地。”儘管他也承認，目前存在通用性不足的問題，“一個場景裡機器人做得不錯，換到另一個場景卻可能失敗率飆升。”但在他看來，這是必經的過程。
深圳市機器人協會秘書長譚維佳也指出，前十年內機器人滲透率一直很低，“僅個位數”，原因在於每進入一個新場景都要進行高昂的二次開發，企業難以承受成本。而具身智能給產業“開了命”，縮短了開發和實施週期，讓更多基礎性能改進能用上AI算法。
她認為，具身智能有可能催生類似ChatGPT的湧現現象，也可能先在特定場景積累數據，“沿途下蛋”創造商業價值機會。
與之對應的是一些辯證的聲音。
非夕科技創新業務技術負責人施豐鳴在接受界面新聞採訪時提醒說，具身智能是實現通用人工智能的潛在路徑之一，技術瓶頸和商業困境是真實存在的，“短期過度宣傳要謹慎看待，長期則應保持理性樂觀。”
他強調，更重要的是解決“智能”如何與真實物理世界進行有效可靠交互的根本問題。
那麼，在政策與資本關注下，是否意味著正在“等待一個拐點”？多位行業人士在接受界面新聞採訪時的觀點更偏向“沿途開花”。
大灣區大學信息學院訪問學者姚嘉俊認為，應當把“長遠樂觀”與“短期務實”並行起來：一方面，具身智能的真正突破需要底層架構的重構，當前主流VLA在信息流與控制流強耦合，設計偏簡單，疊加本體通信與算力限制，難以在非標環境保持穩定泛化；另一方面，真實數據的獲取本身也面臨人因阻力。
“因此與其一上來追求通用機器人，不如先在招工難、風險高的工位做‘場景通用’，以點帶面，沿途沉澱高價值數據與工藝know-how。”姚嘉俊表示。
話題2：人形，是必然形態還是可選方案？
人形機器人的未來之路在業內一直存在爭議。麥肯錫今年6月發佈的分析指出，一般用途機器人形式多樣，不一定要仿人，但人形機器人的外形確實在適應現有環境上具有優勢，它們可以在為人設計的空間中行動，無需大規模改造工作環境，這是人形機器人的獨特賣點。
然而，從產業應用角度看，目前商業落地路徑更偏向靈活多樣。北京人形機器人創新中心具身天工事業部負責人劉益彰提到，目前國內人形機器人市場剛起步，去年銷量僅數百臺，今年預計增至約2萬臺，“這些機器人多數投向科研和教育領域，真正走入工業或服務場景還在驗證中。”
國家地方共建人形機器人創新中心感知與自主系統技術專家Echo也建議，不必急於一次吃下所有場景，而應像互聯網、航天技術發展一樣，先在一些特殊、國家層面支持的場景中投入，積累經驗再推廣。
芝能智芯煙煙則從應用結構化的角度分析，家庭陪護等非結構化場景技術難度大，短期應先從半結構化場景起步再逐步過渡。她還提到機器人租賃（RaaS）服務模式，可以降低初期投入門檻，讓企業先試用再擴展。
總的來看，業內更認可的是因場景而異的思路。人形機器人並非所有應用的必需品，但在與人類生活環境無縫銜接時擁有天然優勢，替代方案可以是配合環境改造或選擇其他平臺解決方案。
話題3：成本與場景，ROI如何實現？
機器人能否真正走向市場，成本和應用場景的匹配至關重要。儘管市場前景廣闊，但目前機器人的實際滲透率仍然很低。
譚維佳指出，製造業機器人滲透率僅為個位數，即使是在智能輔助方面也難有顯著突破，原因就在於每進入新場景都需要昂貴的二次開發和部署。
實際上，企業需要明確ROI才能大規模採用，否則即使設備能24小時工作，由於效率達不到預期，也難以收回成本，這就要求廠商根據場景需求優化配置。
姚嘉俊也補充指出，在焊接等非標場景中，工人對數據採集存在排斥心理，擔心被替代。他認為，與其追求一步到位的通用機器人，不如先在特定高危或招工難領域實現場景通用，逐步推動技術落地與效益回報。
古月居聯合創始人顧強類比手機產業史，認為隨著量產和技術成熟，機器人成本終會下降，但眼下核心還是先聚焦有效場景。
劉益彰則強調，人形機器人的真正價值來自“情感和服務”附加值，而不僅僅是硬件成本。他指出，目前不少企業為了拿單打價格戰，價格已接近虧本，“這樣的內卷不利於行業健康”。
幾位行業人士普遍認同，在價格落地前，機器人需要首先證明自身能解決問題，出現實際使用場景再談降價才更有意義。
話題4：數據與標準限制如何解？
數據採集與標準化瓶頸長期制約機器人發展。
胡春旭坦言，目前業界尚未形成統一的數據採集標準，各家對視覺、語言、力反饋等多模態數據的採集標準不一。而缺乏統一標準意味著現有數據多為髒數據，質量參差不齊，難以直接餵給VLA等模型使用。
他指出，與汽車自動駕駛相比，機器人缺乏數量級的數據樣本，“路上跑幾千萬輛汽車就能獲得海量真實數據，但機器人場景沒有那麼多樣本，數據問題是最大的痛點。”
同樣，譚維佳也提到，以往依賴單一機器人構型採集數據效率低下，遷移到其他結構需要大量重複工作，需建立通用方式或世界模型來實現跨平臺遷移。
標準化方面，業內尚在建設早期。劉益彰透露，人形機器人從工藝流程到測試標準、性能指標乃至關鍵部件接口，目前都還沒有定論。例如什麼樣的運動安全性才算合格、機器人的可靠性和耐用度如何評價，都沒有統一的規範。缺少標準意味著各家各自為陣、難以規模化推廣。
此外，企業對於數據共享也持謹慎態度，傳感器廠商和算法公司擔心核心數據成了自身商業秘密，不願意輕易放開。幾位行業人士向界面新聞表達了相似的觀點：只靠單一機構或國家很難解決這些問題，需要更開放的開源平臺和生態來協作制定標準。
按照多位行業人士的觀點，通用人工智能雖然是終極目標，但產業落地的路徑或許更像是在實際場景中“沿途下蛋”，逐步積累數據、優化模型、降低成本，才能最終釋放生產力和生活潛力。
本文來自“界面新聞”，作者：徐美慧，36氪經授權發佈。
