中国科学院沈阳自动化研究所副研究员、辽河实验室边缘计算与云化控制方向执行负责人兰大鹏

当前，全球制造业正站在智能化转型的历史节点，从预设程序的机械臂到能感知、理解并适应物理环境的智能体，一场从“机械执行”到“具身感知”的深刻变革悄然来临。这不仅是技术的迭代，更是工业系统底层逻辑的重构。本期我们对话中国科学院沈阳自动化研究所副研究员、辽河实验室边缘计算与云化控制方向执行负责人兰大鹏博士，探讨工业具身智能的本质内核、当下挑战与充满可能的未来。希望凭借其团队横跨中欧的深厚学术背景与产业洞察，致力于打通前沿智能技术与严苛工业场景的“最后一公里”。

记者：近年来，工业智能正从传统预编程的机械自动化，迈向能够感知、理解并自主适应物理环境的具身智能。您如何理解“工业具身智能”？

兰大鹏：从工业行业的特质来看，我们一直围绕着“人-机-料-法-环”这5个主题开展，那么对比传统机械自动化与工业具身智能，我们同样可以在这个里面找到一些答案。

首先我们从原理上看：传统自动化的特点是依赖预设程序和规则；无自主学习能力，依赖人工更新程序；初始投入相对明确，但柔性差带来的隐性调整成本高。而工业具身的特点是“感知-决策-执行”闭环，通过与环境交互动态调整；持续学习和优化，云端知识共享，模型迭代进化；初始技术投入可能较高，但长期适配性更强，能降低多品种生产的综合成本。

人（人员素质，人机协作）：传统自动化通常需隔离操作，灵活性差，缺少人机交互的能力，而工业具身提倡更多的人机协作，自然交互以及安全协作，并且能理解模糊指令；对于未来人员的要求也越高，需要既懂OT（运营技术）、又懂IT（信息技术）和AI的复合型人才。

机（机器，设备）：传统自动化设备在工业生产中扮演着至关重要的角色，它们通过机械、电气和计算机技术的结合，替代人工完成各种重复性、高精度或高风险的任务；例如生产加工设备，数控机床(CNC)、数控铣床、工业机器人；而工业具身智能体，包含具身智能的“身体”，是其与物理世界交互的执行终端，“眼睛”和“大脑”，通常以套件形式加载到上述载体上，例如复合型机器人、类人形机器人。

料（物料，零件）：传统自动化面向高重复性的，大批量的焊接、喷涂等，而工业具身智能适用于小批量、多品种生产（如航天焊接、个性化定制）、非标件精密装配、极端环境作业（高原焊接）。

法（工艺）：传统自动化的工艺相对固定，更刚性，仅适用于结构化、封闭环境，变更成本高；而工业具身的特点与优势在于高柔性，能应对非结构化、动态变化环境，适应性强，未来变更成本低。

环（环境）：传统自动化的弊端劣势在于缺乏实时感知和调整能力，难以处理偏差和突发情况，而工业具身的特色体现在未来可基于多模态感知（视觉、力控等），实时决策，能处理复杂装配、精密焊接等。

记者：在您看来，工业智能的这一转变最根本的突破在于什么？您认为这将对制造业的底层逻辑带来怎样的重塑？

兰大鹏：当前我们面临的挑战与突破主要集中在以下几方面：

（1）技术整合复杂度高：多模态感知数据的融合与实时处理对算法和算力要求极高。

（2）初始成本与投资回报：前期技术投入可能较高，需要评估长期价值。

（3）对可靠性安全性的极致要求：工业现场对故障的容忍度极低，需确保决策和执行的绝对可靠。

（4）人才与知识储备缺口：需要既懂OT（运营技术）、又懂IT（信息技术）和AI的复合型人才。

面向未来，这将重塑制造业的底层逻辑，主要体现在：

（1）与工业互联网、数字孪生深度融合，实现更精准的仿真和优化。

（2）“云-边-端”协同进化：智能体在云端训练和知识共享，在边缘和终端执行和优化。

（3）人机协作深度化：从“人适应机器”转向“机器适应人”，交互更自然。

（4）标准化与模块化：旨在降低开发成本，加速推广应用。

记者：目前，工业具身智能在实验室或特定场景中已展示出巨大潜力，但在大规模工业部署中仍面临可靠性、成本与柔性平衡等挑战。您认为，当前最主要的产业化瓶颈是什么？

兰大鹏：工业具身智能要从“展示”走向“量产”，确实面临不少挑战。这背后是技术、成本、生态乃至标准的多重博弈。瓶颈体现在技术、成本与商业闭环、生态与标准等多个层面，它们相互交织、彼此影响。

（1）技术可靠性与自主性挑战

·“大脑”与“小脑”的协调难题：“大脑”（认知与决策）对复杂物理世界的深度感知和理解仍处初级阶段；“小脑”（运动与控制）的动作控制成功率，国际领先技术成熟度约40%，我国约20%，难以满足高精度工业任务需求。

·核心硬件依赖进口：高端芯片（如英伟达平台）也落后于欧美。

（2）成本与商业化的现实困境

·投资回报周期长：高昂的初始投入和较长的部署调试周期，使得投资回报周期较长，让许多企业，尤其是中小企业望而却步。

·商业化场景碎片化：工业场景标准化程度低，不同产线、不同工艺的需求差异大。为特定场景定制开发成本高昂（如某汽车厂商定制焊接机器人需调整2000个参数），难以规模化复制，导致“项目制”困局。

（3）生态碎片化与标准缺失

·缺乏统一标准与互联互通：硬件接口、通信协议、数据格式等缺乏统一规范。不同厂商的产品构型与软件架构互不兼容（如宇树科技用ROS，优必选用自研ROSA），导致集成难度大、成本高，制约产业协同和规模化应用。

·“数据孤岛”现象普遍：企业自建数据集规模不足且质量参差，跨场景数据共享机制缺失，制约了模型训练和算法优化。高质量3D数据集尤其稀缺。

记者：您认为行业应如何构建跨学科的合作生态来加速具身智能相关技术/产业落地？

兰大鹏：突破上述瓶颈，绝非单一组织能完成，需构建一个“政-产-学-研”多方协同的开放生态。

（1）共建基础平台，避免“重复造轮子”

·鼓励开发从硬件到软件、从AI模型底座到3D数据集的通用开发套件，如开源代码库、仿真环境库、开源数据集等，降低创业和研发门槛。

·建设跨行业测试平台和具身智能机器人测试中心，提供多场景、多任务的标准化物理测试环境，降低企业技术验证成本。

（2）深化产学研用融合，打通创新链条

·建立创新联合体：形成“龙头企业牵头、高校院所支撑、产业链上下游协同”的创新联合体。

·推动人才联合培养：通过中外联合博士生培养计划等方式，培育兼具国际视野与创新能力的复合型人才。

（3）推动标准化与开放互联

·加快制定硬件接口、通信协议、数据格式等统一标准。鼓励建立“具身智能兼容性认证”，对通过兼容性测试的产品给予补贴，推动互联互通。

·鼓励科技企业开放核心能力（如工业大模型），赋能整个产业链。

（4）工业具身智能的规模化产业化，是场攻坚战。它需要：

·技术层面持续攻关，提升可靠性、降低成本和能耗。

·产业层面打破壁垒，共建生态，避免“重复造轮子”。

·标准层面加快制定统一规范，促进互联互通。

·商业层面聚焦场景，打造标杆，验证价值。

与兰博士的对话，勾勒出的不仅是技术路线图，更是一幅制造哲学演进的未来图景。工业具身智能的终极目标，是让生产线像生命有机体一样，能感知、思考、适应甚至进化，从而将制造业从“机械的精确”推向“智能的柔性”。可以预见，当工业机器真正拥有了理解环境的“身体”与自主决策的“智慧”，我们所熟悉的制造业面貌将被彻底重塑。它不仅是效率的飞跃，更是创新模式的根本改变，为个性化定制、可持续制造等新范式开辟道路。

摘自《自动化博览》2025年12月刊