《具身智能驱动的工业软件产业演化：物理世界、AI 基础设施与新兴产业集群》

第一篇｜产业发展逻辑：从复杂终端产品到新兴产业集群的形成

第三章｜机器人产业边界：从工业自动化、专业服务到通用具身智能

3.1 为什么必须重新认识机器人产业的边界

在新能源汽车产业的发展历史中，纯电动汽车的出现并没有改变汽车作为交通工具的基本产品属性，却显著改变了其动力系统、电子电气架构、供应链分工与技术竞争结构。传统汽车产业由此出现了新的进入者、新的技术平台和新的产业组织模式，而长期积累的车辆动力学、机械设计、安全工程与规模制造能力仍然是整个产业发展的基础。正是在这一意义上，新能源汽车构成了研究具身智能产业演化的重要参照，但机器人产业所面临的问题比汽车电动化更为复杂，因为具身智能不仅可能改变机器人的控制系统和智能水平，还可能进一步扩展机器人能够完成的任务范围以及人类使用机器人的基本方式。

过去数十年，全球机器人产业已经形成工业机器人、专业服务机器人、消费服务机器人、医疗机器人及其他特殊用途机器人等不同市场。工业机器人广泛应用于汽车制造、电子装配、金属加工、物流搬运等领域，专业服务机器人逐渐进入仓储、清洁、农业、巡检与公共服务场景，而面向家庭的扫地机器人和割草机器人则已经形成了较大规模的消费市场。这些产业的发展证明，人类早已能够利用机器人在现实物理环境中执行复杂任务，机器人技术本身并不是伴随生成式人工智能出现的新兴技术。

然而，随着视觉语言模型、视觉语言动作模型、强化学习、世界模型和大规模机器人数据训练方法的发展，机器人产业正在出现新的技术分化。部分研究机构和企业开始尝试让机器人不再完全依赖针对每一项任务编写的控制程序，而是通过自然语言、视觉信息、动作示范和交互经验，学习更加通用的操作能力。机器人研发的重点由此从如何让一台设备按照预先设定的程序稳定运动，逐渐扩展到如何让一台设备理解任务、适应环境、规划行动，并能够在不同物体、不同空间和不同任务之间迁移已经学习的技能。

这种变化具有重要意义，却也带来了新的概念混淆。工业机器人、人形机器人、智能机器人、通用机器人和具身智能，并不属于同一层级的分类。工业机器人和服务机器人主要依据应用用途和作业环境进行区分，人形机器人主要依据机械形态进行识别，而具身智能则更多涉及智能系统通过身体与环境进行感知和行动的能力特征。一个人形机器人未必具有高度通用的智能能力，一台非人形机械臂也可能具备先进的视觉感知、语言理解和操作学习能力。

如果将这些概念混为一谈，后续产业研究就容易产生三个问题：首先，错误地把整个工业机器人市场规模视为具身智能市场规模；其次，把人形机器人销量当作具身智能技术成熟度的唯一指标；最后，过度集中于机器人整机制造，而忽视工业软件、物理求解器、机器人训练系统和工程基础设施在不同机器人形态中的作用。

因此，本章首先需要建立一个具有明确技术边界和统计口径的机器人产业分类体系，再讨论不同类型机器人对工业软件、物理仿真与人工智能基础设施提出的具体需求。这样既能够避免夸大新兴市场，也能够识别具身智能真正可能改变的产业环节。

3.2 机器人产业的既有分类：产品用途、机械形态与智能能力必须分开

国际机器人联合会（International Federation of Robotics，IFR）的统计体系，是研究全球机器人市场的重要资料来源。IFR长期发布工业机器人和服务机器人年度统计，并采用国际标准化组织ISO相关机器人术语标准作为概念基础。现行发布的ISO 8373:2021《Robotics — Vocabulary》为机器人领域提供了标准术语，截至2026年10月，ISO正在推进下一版术语标准的修订，因此研究中必须区分已发布标准与尚在制定的草案。

传统机器人分类的重要价值，在于为产业统计、设备采购、安全规范和工程应用提供相对稳定的定义。但是，这种分类主要服务于既有机器人产品和应用市场，并不能单独说明机器人采用了何种智能算法，或者是否具备跨任务学习能力。

例如，一台用于汽车焊接的工业机器人，可能采用传统示教程序完成固定轨迹，也可能通过视觉识别焊缝并实时调整动作；一台物流移动机器人，可能主要依靠地图、定位与路径规划，也可能结合学习模型处理更复杂的环境变化。两者虽然在控制算法方面存在差异，却仍然可以按照其实际应用归入相应的产业统计类别。

人形机器人则更加特殊。它的机械结构通常模仿人类身体的部分或整体特征，包括躯干、双臂、双足或者类似人类的操作机构，但其应用可以发生在工业生产、物流、商业服务、科研和家庭等不同场景。因此，人形机器人不能与工业机器人、服务机器人作为完全互斥的市场类别直接相加。

具身智能进一步跨越了这些产品分类。一个系统是否具备具身智能，并不取决于它是否拥有双腿，而取决于其能否通过身体和传感器与环境建立闭环联系，并利用对环境和任务的理解完成有目标的物理行动。对于产业研究，还需要进一步观察这种能力在多大程度上依赖学习、能够适应怎样的变化以及是否具有跨任务泛化能力。

我建议本报告采用三个相互独立但可以交叉映射的分类维度。

这一分类方式存在一个重要优点：它能够避免将技术演化简单理解为不同机器人产品之间的替代。

工业机器人可以逐步获得更先进的AI能力，物流机器人可以从固定路线导航发展到更加开放的环境交互，非人形机器人可以通过通用操作模型学习不同物体的处理方式，而人形机器人则可能首先在某些有限任务中建立商业价值。不同类别之间并不存在必须依次经历的线性升级关系。

对于本报告特别关注的工业软件产业，这种多维分类还有另一层意义。工业软件服务的不是某一个单独的机器人市场，而是不同机器人系统在几何、结构、动力学、接触、材料、传感器、控制和制造方面产生的共性工程需求。因此，工业软件的潜在需求范围，可能比某一种机器人形态所对应的整机市场更加广泛。

3.3 全球机器人市场的现实基础：成熟产业与新兴产业并存

在讨论具身智能未来市场之前，必须建立一个准确的机器人产业现状基准。

国际机器人联合会2026年9月24日发布的《World Robotics 2026》数据显示，2025年全球工业机器人新增安装量超过60万台，同比增长11%，全球在役工业机器人达到约500万台，中国当年新增工业机器人约35.4万台，占全球新增安装量约59%。这些数据表明，工业机器人已经构成全球制造业的重要技术基础，而中国不仅拥有庞大的制造业自动化需求，也已经成为工业机器人部署和产业发展的核心市场。

与此同时，专业服务机器人正在形成不同于传统工业机器人的商业结构。IFR于2026年9月30日发布的《World Robotics 2026 Service Robots》指出，2025年全球专业服务机器人销量接近25万台，同比增长24%，其中运输与物流机器人销量达到约11.75万台，占该类机器人销量的47%。专业清洁、酒店及公共接待、农业、巡检维护等应用则构成其他重要细分领域。

值得特别关注的是，IFR在2026年服务机器人报告中开始提供有关人形机器人商业化的独立观察。报告指出，2025年全球销售的全尺寸人形机器人约为7000台，且现阶段多数应用仍然较为专用，一些实际操作依赖人工遥操作。对于人形机器人进入更广泛市场，安全标准、训练与维护成本、可靠操作能力和商业经济性仍然构成重要限制。

这一数据与大众媒体中经常出现的机器人未来市场预测形成鲜明对照。具身智能可能拥有较大的长期需求空间，但就已形成实际产品销量的市场而言，传统工业机器人和专业服务机器人仍然占据更成熟的位置，人形机器人尚处于相对早期的商业化阶段。

还必须注意IFR服务机器人统计具有样本调查性质，调查对象与报告覆盖范围会随着年份变化，不能把不同年份的统计结果未经调整便当作完全一致的总体市场连续序列。因此，本报告在使用服务机器人市场数据时，将优先采用IFR发布的同比口径，并对样本限制进行说明。

这种谨慎不是为了低估具身智能的发展，而是为了确保未来关于产业增长、工业软件需求和共性基础设施投资的判断，能够建立在可靠的市场基础上。

从技术发展角度看，机器人的真实需求已经广泛存在，但是不同应用领域对于通用智能的依赖程度具有明显差异。生产节拍固定的搬运任务可能主要依靠传统自动化就能够实现较高经济性，而复杂环境中的多步骤物体操作，则可能更需要具身智能模型和学习能力。

因而，具身智能技术的发展并不必然以新的人形机器人替代既有机器人为主要路径。它也可能首先通过改善传统工业机器人、移动机器人和专业服务机器人的任务适应能力，逐渐形成更加广泛的产业影响。

3.4 工业机器人：高度成熟的工程体系与智能化升级空间

工业机器人产业已经形成相对完整的机械本体、伺服驱动、控制器、运动规划、集成应用和维护服务体系。ABB、FANUC、安川电机、KUKA以及其他机器人供应商的产品，长期服务于汽车、电子、金属加工、机械制造和工业物流等领域。中国企业也在工业机器人本体、控制、集成和应用场景方面不断发展，并形成较为广泛的市场参与者。

这一产业的核心技术具有明显的系统工程特征。工业机器人机械结构的精度和刚度影响其运动性能，伺服驱动与控制算法决定运动稳定性和响应能力，末端执行器决定其能够完成的实际任务，而机器人工作站的总体性能还受到工艺设备、物料、夹具、安全系统和生产流程的共同影响。

对于传统工业机器人，工程师通常在设计阶段使用CAD和CAE软件完成机构建模、强度分析和动力学验证，在应用阶段通过机器人编程、离线仿真与数字化产线工具规划工作过程，再通过控制器和现场设备完成真实生产。工业机器人软件因此既包括整机研发所需的工业软件，也包括机器人运行、离线编程和制造系统集成所需的软件。

具身智能可能改变的并不是这些基础技术是否继续存在，而是机器人技能的开发方式。

以汽车生产线中的焊接和搬运为例，如果工件形状、位置和生产工艺高度稳定，传统工业机器人可以通过精确示教和轨迹规划实现高质量生产，完全没有必要因为大模型技术出现就放弃已有控制方法。但是，如果生产线经常需要处理不同形状的工件、非标准化的物料或频繁变化的装配任务，那么视觉理解、动作学习和任务规划能力就可能带来新的价值。

这一区别可以从系统运行成本理解。传统工业机器人在高度重复的任务中具有很强的可靠性和效率，其主要优势来自成熟的工程设计、工艺流程和控制体系。具身智能的潜在价值，则是降低部分任务的编程、示教和重新部署成本，使机器人能够更快适应工作条件变化。

但新型AI控制方法并不是没有代价。机器学习模型可能带来不可预测的失败模式，需要额外的数据采集、模型训练、安全约束和系统验证。如果一项任务原本已经能够通过传统控制低成本、高可靠地完成，引入更加复杂的AI系统未必具有经济优势。

因此，工业机器人智能化并不是将传统控制器替换为大模型的简单过程，而是在成熟机器人控制与安全体系之上，逐步增加感知、任务理解、技能学习和复杂环境适应能力。

这一过程会产生与工业软件直接相关的技术需求。过去主要用于结构设计和控制验证的动力学模型，可能进一步用于生成训练环境；过去由工程师配置的机器人工作站模型，可能被转换为机器学习系统能够进行大量交互的数字场景；原先用于控制器测试的硬件在环技术，也可能成为验证AI策略安全性和物理可执行性的重要环节。

但这种转变必须保留传统工程技术的可靠性基础。工业机器人在生产现场运行，不仅需要能够完成动作，还必须保持稳定节拍、明确的安全边界与可追溯的故障处理流程。具身智能模型应当通过适当的系统架构与传统控制、运动约束和安全机制协作，而不应被视为可以直接替代全部确定性控制系统的通用解决方案。

由此可以判断，工业机器人市场将是具身智能技术与传统工业软件发生深度交汇的重要领域之一，而这种交汇的主要形式很可能是逐步融合，而不是两套技术体系之间的突然替代。

3.5 物流与移动机器人：从环境导航到物体操作的技术延伸

物流与移动机器人是近年来机器人产业商业化程度较高、应用扩张较快的领域之一。自动导引车、移动机器人、仓储分拣系统、货到人系统和配送机器人，已经广泛参与仓储、制造物流和部分商业配送活动。

这一市场之所以相对较早形成，首先与其任务边界具有较强的可定义性有关。仓储物流需要持续处理物料移动、货物存取和订单履行等任务，企业能够通过吞吐量、运输效率、人工成本、设备利用率和订单履约能力评价自动化项目的经济性。与开放式家庭环境相比，仓库和工厂通常也更容易对道路、障碍物、物流流程和人员活动进行组织管理。

IFR的2026年统计显示，运输与物流机器人在2025年专业服务机器人销量中占比约47%，达到11.75万台。这表明物流应用已经形成相对明确的市场需求，而不仅仅是研究型机器人系统的试验场。

不过，移动机器人的技术能力与通用具身智能之间仍存在显著差异。

传统自动导引车可以依靠固定路径、磁条、反光板或其他导航技术完成运输任务，较先进的自主移动机器人则结合激光雷达、视觉、地图和路径规划实现动态导航。这些系统已经能够在不同程度上适应环境变化，但其核心任务通常仍然围绕设备自身移动和货物运输展开。

当机器人进一步需要抓取、摆放、整理或装配物体时，问题的复杂程度显著上升。移动导航主要涉及机器人自身与周围空间的运动关系，而物体操作还需要处理机器人与外部物体之间的接触、施力、材料和状态变化。

例如，移动机器人可以把货架运输到指定位置，但如果希望它进一步根据视觉信息从货架中取出形状不同、包装材料各异的商品，就必须增加对物体姿态、接触力、抓取稳定性和操作结果的理解。对于复杂物品，机器人还可能需要在动作过程中不断调整抓取策略，而不能只依赖事先确定的运动轨迹。

这使移动机器人与机械臂的结合成为值得研究的技术方向。移动操作机器人既具备空间移动能力，也具备与环境中物体进行物理交互的能力，其研发需要同时解决移动底盘、机械臂、环境感知、任务规划与全身控制等问题。

从工业软件角度看，这一变化能够使机器人仿真的对象从导航和避障逐步扩大到操作、接触、工艺和物体状态演化。传统物流仿真可以研究物料流动、设备调度和系统吞吐量，而机器人操作仿真则可能需要进一步处理物体几何、质量、摩擦、柔性、碰撞及复杂交互。

这两类仿真并不是互相替代的关系，而是分别描述不同层次的现实系统。一个具备移动操作能力的机器人，既需要在物流系统中接受任务和完成运输，也需要在局部物理环境中可靠地操作物体。因此，未来面向复杂物流环境的仿真平台，可能需要将离散事件仿真、机器人动力学和AI策略训练进行更加紧密的协同。

这正是既有工业软件与新兴物理智能基础设施之间可能形成的一类重要连接。

3.6 专业服务与特种机器人：复杂物理环境对智能系统的不同要求

专业服务机器人市场具有较强的异质性。与工业机器人主要服务于生产制造不同，专业服务机器人涉及公共环境清洁、农业生产、设施巡检、应急救援、建筑施工、交通物流和医疗辅助等多种任务，其工作环境、物理约束和商业模式之间存在明显差异。

这种差异决定了具身智能不能被简单理解为一种可以在所有场景中采用相同模型、相同机械本体和相同训练环境的通用技术。

例如，农业机器人需要面对作物形态变化、土壤条件、天气、地形和自然光照等因素，机器人对环境的感知与操作往往具有较强的季节性和环境依赖。设施巡检机器人可能需要在大型工业现场或复杂基础设施中移动，识别设备异常，并与现有维护流程连接。建筑机器人则可能面对施工现场不断变化的几何结构、材料位置和人员活动，需要同时理解工艺要求与作业安全条件。