2026 年世界机器人大会近日在北京亦庄落幕。373 家企业携 3000 余件展品亮相，五天会期吸引观众 55.7 万人次。展馆内，分拣、烹煮、搬运等应用场景将“具身智能”推向聚光灯下。
摩根士丹利研报显示，2026 年上半年全球约 65% 的机器人出货量流向了娱乐、接待、教育及数据采集等领域。然而观察发现，多数机器人仍依附于简单、封闭的垂直场景，部分演示甚至需人工介入。行业共识认为，当前机器人整体泛化能力不足，距离真正的“通用”尚远。
科沃斯董事长钱东奇直言：“在泛化问题解决之前，眼下所有的 Demo 都只是特定场景的炫技。”
场景泛化难与开发成本高企
当前机器人产业叙事卡在两大基础问题上：场景泛化能力差与开发制造成本高。
主流开发模式仍是“一场景一机型”，即针对特定场景采集数据、定向训练。这种模式下，机器人一旦脱离预设环境，能力便迅速失效。行业瓶颈在于：机器人在固定场景成功率虽高，但更换物品或环境后表现骤降。正如业内所言，难点在于“最后几厘米、最后几毫米”的末端执行精度与真实世界要求无法匹配。
银河通用创始人王鹤指出，当前任务完成依赖专业人员后训练，难以低成本复制到千行百业。解决泛化问题的传统思路是“喂数据”，但这本身成本高昂。据测算，一台遥操作采集设备投入约 35 万元，单人日采集量仅约 500 条；采集 1 万小时数据需上百万元软硬件投入。
此外，数据标准缺失导致“数据孤岛”。传感器接口、数据格式互不兼容，有效训练数据稀缺。上海交通大学团队筛选 12 万小时第一视角数据，适用率不足 4%。
另一条技术路线是“世界模型”，旨在让机器人理解物理规律以实现推理泛化。尽管英伟达发布了 Cosmos 基础模型，中国电子学会也成立了相关委员会，但业界评价冷静。研究者指出，目前尚无世界模型能力真正进入可投产阶段，其短期角色更多是数据引擎而非驱动真机的“大脑”。
泛化难题之外，成本问题同样严峻。由于研发依赖定制化，新场景往往意味着整机推倒重来。加之量产规模有限（2025 年全球人形机器人出货量约 1.7 万台），无法形成类似汽车工业的规模效应，零部件成本居高不下。
维护成本亦是工厂顾虑。富士康工业互联网 AI 产品总监王丽表示，产线回本基准线为 3 年，而全生命周期下，机器人需 5 至 8 年才能与一名工人成本持平。结论很明确：眼下的机器人，账算不平。
破局之道：模块化开发范式
面对“泛化难、成本高”的困境，“模块化”成为值得审视的破局路线。这里的模块化并非简单的零件售卖，而是赋予机器人自由拆装、重组的能力——通过标准化模块适配不同场景，既扩充覆盖范围，又摊薄制造成本。
工业史上，大众汽车 MQB 平台已通过零部件通用化大幅削减成本、缩短制造时间。但机器人模块化要求更高：不仅机械电气接口要统一，动力、感知、控制及算法系统需随形态变化实时打通，实现整机协同。
目前市场上不少“伪模块化”产品仅停留在工具或外设更换层面，未触及核心功能边界。真正的模块化应分层打通。以本末科技为例，其技术布局涵盖底层标准化动力模组、中层轮足整机及顶层拼接系统。
2025 年底，该公司首发全球首款“整机模块”具身智能机器人 D1。基于自研 P10 一体化直驱关节模组及“通用小脑”算法，两台 D1 可在 3 秒内完成拼接，在双轮足与四轮足形态间切换，承载达 60 公斤且实现毫秒级协同。
今年 8 月，本末科技发布 HMD-P 系列一体化关节模组，进一步开放模块化底座。这种范式的意义在于：同一套模块可拼出巡检、运输等多种形态，无需整机重设计；维修逻辑从“整机返厂”变为“更换模块”，大幅压缩停机损失与售后成本。
模块化并未正面强攻 AI 泛化难题，而是通过工程化手段，先消除了“换场景需重新造机器”的成本困境。
从直驱到模块化的少数派路线
本末科技的崛起源于一条“非主流”路线。创始人张笛早年发现，去掉减速器采用直驱路线，控制效果反而更佳。尽管当时“伺服电机 + 减速器”是行业标准，他仍坚持直驱路线，最终通过规模化将模组成本降至极低，使公司成为赛道中罕见的盈利企业。
动力模组的标准化与规模化，为今日的整机模块化奠定了地基。只有当“关节”成为百万级标准件，整机自由重组才具备可行性。
工信部标委会副主任委员江磊判断，行业已进入规模化前期，2026 版标准体系中专门设立“肢体与部组件标准”以规范模块化发展。加拿大工程院院士孟庆虎也强调，建立核心部件标准、实现零部件互用，是机器人从演示走向量产的关键一步。
机器人的终极价值或许尚无定论，但在通往规模化的道路上，这种将机器人“乐高化”的开发范式，大概率是绕不开的一站。