从当下行业来看，技术取得诸多重大突破，但产业层面如何让机器人真正落地可用，是大家最关心的问题。我们观察到的行业现状是，模型能力实现快速跃迁，但真实场景部署推进依旧缓慢，产业化断层客观存在。当前不少具身智能从业者将真实世界当作大型测试集；而我们的观点是，从真实世界采集模型训练数据的过程本身，应当为现实生产创造实际价值，而非干扰正常生产运营流程。
当前行业已经出现UMI、Ego等技术方案，但这类方案依旧会对现有生产流程造成扰动，同时在力感知采集、作业精度采集层面仍存在明显短板。如何破解该难题？我们先介绍核心的不可能三角：机器人的通用、性能、自主三者无法在起点同时拉满；其中性能包含可靠性与作业速度。行业的终极愿景是机器人能够适配各类任务、完全自主运行，作业速度与完成质量比肩人类，但现阶段该目标还无法实现。
在三者仅可优先满足两项的前提下，当前具身智能与机器人行业分化出三条技术路线。
第一条路线，也是不少具身智能大模型企业正在探索的方向：优先追求通用与自主，对性能做出妥协。本次展会中不少展品就属于该路线，机器人普遍存在动作速率偏低、可执行任务有限、作业可靠性与成功率不足的问题。论文中任务成功率提升至50%-70%就可以产出优质学术成果，但这样的性能水平很难满足真实产业落地要求。
第二条路线是传统机器人发展路径：由专机走向通用。专机产品通用性弱，但性能、自主性表现优异，典型代表为工业场景机械臂、家用扫地机器人。先保障设备在特定任务下具备高自主性与高性能，再逐步拓展任务边界；行业也会通过为传统机械臂增加视觉模块、为扫地机器人加装机械臂的方式拓展通用性。
我们的思路是借鉴自动驾驶行业的发展经验。自动驾驶的演进逻辑是先牺牲部分自主性，保障通用性与性能，交付一台可以在多场景直接使用的车辆，再依托真实运行回流的数据持续提升自主能力。综上，具身智能领域，三条路径都在尝试攻克“不可能三角”，向着同一终极目标前进。
我们复刻自动驾驶验证过的落地路径，从L0 起步。当前具身智能领域存在一大缺口：缺少一套可由人示教操作、稳定完成实际作业的机器人。远程示教操作听起来门槛不高，手术机器人同样采用示教操作模式，但要打造一套高性价比、人机操作效率高、可直接投入多元场景作业的L0 级机器人，仍有很高门槛。类比汽车行业，整车产品逻辑并不晦涩，但 Model 3 的问世依旧成为自动驾驶的里程碑，它整套通信、计算、控制、感知架构面向自动驾驶需求设计，可初代产品本身并不具备自动驾驶能力。
从L0 起步，再迭代演进至 L2，我们已经在 L2 阶段完成大量实践，实现人机协同作业：AI 主体执行任务，当模型执行效果衰减、任务出现异常时，由人接管兜底；最终目标为实现限定场景下的 L4 自主作业。
参考自动驾驶的发展历程，机器人产业会长期处于L2 阶段，打造高质量可落地的L2 方案，是我们现阶段的核心目标。我们自研了远程示教操作系统，依托轻量化 VR 设备，即可完成跨地域的机器人远程示教操控。操作员无需复杂培训，佩戴 VR 设备就可以实现动作同步、所见即所得，如同 “附身” 机器人本体完成作业。
在L0 阶段，由人完成完整作业流程；依托这套系统，我们已经在零售、物流、酒店餐饮以及多类工业场景开展落地验证，在汽车行业的折弯、压铸、喷砂、喷漆喷涂等工序实现实际作业，把人员从恶劣工况中解放出来。后续迭代过程中，AI 承担的作业占比持续提升，人类介入占比逐步下降。自主与人工介入并非非零即一的二元关系，而是渐进迭代过程，这一点已经被自动驾驶行业验证：从车道保持、定速巡航，到自动泊车、封闭道路通行，再拓展至开放道路；仍有复杂路况待攻克。机器人也将遵循该演进逻辑，依靠数据闭环、影子模式持续采集数据，破解行业数据匮乏、落地不足的痛点。
实现高质量远程示教操作，离不开三项核心基础要素：机器人本体、低时延通信、云端大脑。需要端到端低时延图像传输与控制信号传输，也就是我们重点布局的低时延通信技术。低时延通信带来另一重价值：计算架构可以部署在云端，不必完全依赖端侧算力。和汽车不同，人形机器人受本体尺寸、电池容量约束，端侧算力、功耗限制会制约模型推理速度与性能。远程低时延示教方案，允许在云端A100、B300 算力集群完成模型推理，保障推理速度与效果。
简单介绍落地案例：七鲜超市项目，这是国内少数实现开放零售场景长期商业化部署的人形机器人。超市现场未做定制化改造，机器人直接入驻门店开展远程作业；操作员部署在江苏宿迁，服务北京、天津、太原的线下门店，会议结束后大家也可以前往就近的七鲜超市，实地查看机器人运行状态。
能够作业只是基础，还需要保障作业性能与作业速率。在WAIC 工业物流赛事中，我们的参赛方案取得冠军。赛事比拼作业效率，熟练操作员操控下，机器人作业速率可达人类的 80%‑90%；动态分拣环节15分钟可完成 270 件，速度达到第二名方案的5倍，同时可完成高速高精度零件装配，该套能力同样复用到压铸工序。因此我们认为，兼顾通用能力与高性能的机器人，是下一代产业落地的重要解决方案。
结合产业场景分层落地思路：针对喷砂、打磨、喷漆这类高污染工况，以及噪音、化学、有毒等人员存在暴露风险的高危场景，优先落地L2 人机协同模式—— 机器人现场执行，远程专家兜底，让操作人员在安全舒适的环境完成监管介入。而工艺固化、高暴露的工序，更适合采用专机自动化方案，当前专机自动化技术已经较为成熟。至于柔性要求高、人机协同复杂的场景，现阶段落地刚性需求偏弱。因此工业领域我们优先切入人员存在安全与健康风险的作业场景。
我们搭建完整的数据飞轮与配套工具链，完整链路已经跑通：从边缘采集、自动上传、自动质检、清洗标注，最终沉淀为可复用的数据资产。任务漂移、运行中断、人工介入接管、修正故障等全部过程数据，都会回流，形成“介入‑训练‑减少介入” 的闭环。模型不确定、请求接管、人工纠错的困难样本，是价值最高的训练数据。
当下不少机器人大模型企业提出“一脑多型”，一套大模型适配多款机器人。我们现阶段不自研具身基础大模型，核心打磨高可用机器人本体、数据回流体系，打造可兼容多类大模型的高质量具身智能底座。目前机器人已经完成与主流开源及部分闭源大模型适配，依托大模型驱动机器人运转，持续运行在 “数据回流‑能力迭代‑提升自主性” 的循环中。
最后总结核心观点：L4 是结果，L2 是道路。与行业同行交流时，不少观点认为L2 依赖人工介入不够先进，期待L4时代快速到来。我早期从事自动驾驶投资，2013-2014 年就接触自动驾驶行业，彼时行业多次预判 2017、2019、2020 年会大规模普及无方向盘的L4自动驾驶车辆；时至 2026 年，L2 级辅助驾驶依旧是市场主流。L4是全行业共同向往的终极方向，但只有走通脚踏实地、可持续、可商业造血的产业路径，才能够抵达 L4 的未来。
EAI 100（聚合智能产业创新中心）于2025年揭牌成立，是国内首个聚合智能产业创新平台。创新中心致力于打通跨产业协同壁垒，依托汽车产业链现有优势，加速具身智能、低空经济等产业规模化应用，系统性推动智能汽车与智慧城市协同发展。统筹开展智库研究、行业活动、资源对接等系列工作，目前汇聚专家及企业成员数量突破150家，实现聚合智能领域全方位、全链条覆盖。