中國科學院沈陽自動化研究所副研究員、遼河實驗室邊緣計算與云化控制方向執行負責人蘭大鵬

當前，全球制造業正站在智能化轉型的歷史節點，從預設程序的機械臂到能感知、理解并適應物理環境的智能體，一場從“機械執行”到“具身感知”的深刻變革悄然來臨。這不僅是技術的迭代，更是工業系統底層邏輯的重構。本期我們對話中國科學院沈陽自動化研究所副研究員、遼河實驗室邊緣計算與云化控制方向執行負責人蘭大鵬博士，探討工業具身智能的本質內核、當下挑戰與充滿可能的未來。希望憑借其團隊橫跨中歐的深厚學術背景與產業洞察，致力于打通前沿智能技術與嚴苛工業場景的“最后一公里”。

記者：近年來，工業智能正從傳統預編程的機械自動化，邁向能夠感知、理解并自主適應物理環境的具身智能。您如何理解“工業具身智能”？

蘭大鵬：從工業行業的特質來看，我們一直圍繞著“人-機-料-法-環”這5個主題開展，那么對比傳統機械自動化與工業具身智能，我們同樣可以在這個里面找到一些答案。

首先我們從原理上看：傳統自動化的特點是依賴預設程序和規則；無自主學習能力，依賴人工更新程序；初始投入相對明確，但柔性差帶來的隱性調整成本高。而工業具身的特點是“感知-決策-執行”閉環，通過與環境交互動態調整；持續學習和優化，云端知識共享，模型迭代進化；初始技術投入可能較高，但長期適配性更強，能降低多品種生產的綜合成本。

人（人員素質，人機協作）：傳統自動化通常需隔離操作，靈活性差，缺少人機交互的能力，而工業具身提倡更多的人機協作，自然交互以及安全協作，并且能理解模糊指令；對于未來人員的要求也越高，需要既懂OT（運營技術）、又懂IT（信息技術）和AI的復合型人才。

機（機器，設備）：傳統自動化設備在工業生產中扮演著至關重要的角色，它們通過機械、電氣和計算機技術的結合，替代人工完成各種重復性、高精度或高風險的任務；例如生產加工設備，數控機床(CNC)、數控銑床、工業機器人；而工業具身智能體，包含具身智能的“身體”，是其與物理世界交互的執行終端，“眼睛”和“大腦”，通常以套件形式加載到上述載體上，例如復合型機器人、類人形機器人。

料（物料，零件）：傳統自動化面向高重復性的，大批量的焊接、噴涂等，而工業具身智能適用于小批量、多品種生產（如航天焊接、個性化定制）、非標件精密裝配、極端環境作業（高原焊接）。

法（工藝）：傳統自動化的工藝相對固定，更剛性，僅適用于結構化、封閉環境，變更成本高；而工業具身的特點與優勢在于高柔性，能應對非結構化、動態變化環境，適應性強，未來變更成本低。

環（環境）：傳統自動化的弊端劣勢在于缺乏實時感知和調整能力，難以處理偏差和突發情況，而工業具身的特色體現在未來可基于多模態感知（視覺、力控等），實時決策，能處理復雜裝配、精密焊接等。

記者：在您看來，工業智能的這一轉變最根本的突破在于什么？您認為這將對制造業的底層邏輯帶來怎樣的重塑？

蘭大鵬：當前我們面臨的挑戰與突破主要集中在以下幾方面：

（1）技術整合復雜度高：多模態感知數據的融合與實時處理對算法和算力要求極高。

（2）初始成本與投資回報：前期技術投入可能較高，需要評估長期價值。

（3）對可靠性安全性的極致要求：工業現場對故障的容忍度極低，需確保決策和執行的絕對可靠。

（4）人才與知識儲備缺口：需要既懂OT（運營技術）、又懂IT（信息技術）和AI的復合型人才。

面向未來，這將重塑制造業的底層邏輯，主要體現在：

（1）與工業互聯網、數字孿生深度融合，實現更精準的仿真和優化。

（2）“云-邊-端”協同進化：智能體在云端訓練和知識共享，在邊緣和終端執行和優化。

（3）人機協作深度化：從“人適應機器”轉向“機器適應人”，交互更自然。

（4）標準化與模塊化：旨在降低開發成本，加速推廣應用。

記者：目前，工業具身智能在實驗室或特定場景中已展示出巨大潛力，但在大規模工業部署中仍面臨可靠性、成本與柔性平衡等挑戰。您認為，當前最主要的產業化瓶頸是什么？

蘭大鵬：工業具身智能要從“展示”走向“量產”，確實面臨不少挑戰。這背后是技術、成本、生態乃至標準的多重博弈。瓶頸體現在技術、成本與商業閉環、生態與標準等多個層面，它們相互交織、彼此影響。

（1）技術可靠性與自主性挑戰

·“大腦”與“小腦”的協調難題：“大腦”（認知與決策）對復雜物理世界的深度感知和理解仍處初級階段；“小腦”（運動與控制）的動作控制成功率，國際領先技術成熟度約40%，我國約20%，難以滿足高精度工業任務需求。

·核心硬件依賴進口：高端芯片（如英偉達平臺）也落后于歐美。

（2）成本與商業化的現實困境

·投資回報周期長：高昂的初始投入和較長的部署調試周期，使得投資回報周期較長，讓許多企業，尤其是中小企業望而卻步。

·商業化場景碎片化：工業場景標準化程度低，不同產線、不同工藝的需求差異大。為特定場景定制開發成本高昂（如某汽車廠商定制焊接機器人需調整2000個參數），難以規模化復制，導致“項目制”困局。

（3）生態碎片化與標準缺失

·缺乏統一標準與互聯互通：硬件接口、通信協議、數據格式等缺乏統一規范。不同廠商的產品構型與軟件架構互不兼容（如宇樹科技用ROS，優必選用自研ROSA），導致集成難度大、成本高，制約產業協同和規模化應用。

·“數據孤島”現象普遍：企業自建數據集規模不足且質量參差，跨場景數據共享機制缺失，制約了模型訓練和算法優化。高質量3D數據集尤其稀缺。

記者：您認為行業應如何構建跨學科的合作生態來加速具身智能相關技術/產業落地？

蘭大鵬：突破上述瓶頸，絕非單一組織能完成，需構建一個“政-產-學-研”多方協同的開放生態。

（1）共建基礎平臺，避免“重復造輪子”

·鼓勵開發從硬件到軟件、從AI模型底座到3D數據集的通用開發套件，如開源代碼庫、仿真環境庫、開源數據集等，降低創業和研發門檻。

·建設跨行業測試平臺和具身智能機器人測試中心，提供多場景、多任務的標準化物理測試環境，降低企業技術驗證成本。

（2）深化產學研用融合，打通創新鏈條

·建立創新聯合體：形成“龍頭企業牽頭、高校院所支撐、產業鏈上下游協同”的創新聯合體。

·推動人才聯合培養：通過中外聯合博士生培養計劃等方式，培育兼具國際視野與創新能力的復合型人才。

（3）推動標準化與開放互聯

·加快制定硬件接口、通信協議、數據格式等統一標準。鼓勵建立“具身智能兼容性認證”，對通過兼容性測試的產品給予補貼，推動互聯互通。

·鼓勵科技企業開放核心能力（如工業大模型），賦能整個產業鏈。

（4）工業具身智能的規模化產業化，是場攻堅戰。它需要：

·技術層面持續攻關，提升可靠性、降低成本和能耗。

·產業層面打破壁壘，共建生態，避免“重復造輪子”。

·標準層面加快制定統一規范，促進互聯互通。

·商業層面聚焦場景，打造標桿，驗證價值。

與蘭博士的對話，勾勒出的不僅是技術路線圖，更是一幅制造哲學演進的未來圖景。工業具身智能的終極目標，是讓生產線像生命有機體一樣，能感知、思考、適應甚至進化，從而將制造業從“機械的精確”推向“智能的柔性”。可以預見，當工業機器真正擁有了理解環境的“身體”與自主決策的“智慧”，我們所熟悉的制造業面貌將被徹底重塑。它不僅是效率的飛躍，更是創新模式的根本改變，為個性化定制、可持續制造等新范式開辟道路。

摘自《自動化博覽》2025年12月刊