智能机器人落地难题透视：数据、标准、安全与路径之争

基于对十余家智能机器人企业的深度调研，总结了产业发展的核心难题，并梳理了行业在发展路径上的分歧与探索方向。

01

数据需求多、获取难

与智能汽车相比，智能机器人训练所需的数据类别更广、数据量更大。类别上，机器人不仅需要移动数据（类似智能驾驶）、交互数据（类似智能座舱），还需要大量操作数据。数据量上，相较于汽车只有2D层面的制动加速、转向2个自由度，机器人涉及3D移动和操作，仅单个手部就有超过20个自由度，全身自由度超过100个，需要训练的“维度”更多，数据量需求可能更大（部分专家认为，现阶段很难判断具体需要多少数据量，只能大致判断需求量会更大）。

智能机器人数据获取难度更高。机器人训练数据来源主要包括网络视频数据、仿真数据、真实数据三类。其中网络视频数据数量众多但质量相对较差，由于不同机器人产品尺寸、重量、手部结构等细节差距较大，环节上往往只会用于早期的预训练；领域上只能用于移动、交互训练和操作训练中的任务理解，无法用于涉及与人类、物体接触等注重精确的具体操作训练。

仿真数据能够更好地匹配产品参数，但目前仍难以精准模拟真实世界的摩擦力、重心、物体表面软硬度等物理细节，仍主要用于预训练环节。

真实数据能够用于各类训练的全环节，但面临诸多挑战：一是缺乏冷启动数据。汽车没有智能驾驶也是一个完整的产品，因此智能驾驶汽车企业通过在数以百万计的“人驾”汽车上安装传感器就能获取真实驾驶数据。而机器人在智能水平不足的情况下很难大规模销售，获取真实数据只能依靠人为操控，成本极高。例如采集一条抓取动作数据需上千元人民币（涉及光线、角度、物体材质等变量调整）；训练一个电池分拣任务需上万条数据，成本达上千万元人民币；让机器人胜任汽车工厂中的工作成本可能高达5亿美元；

二是“数据孤岛”效应更明显。即使是汽车行业，一家企业的智能驾驶数据也因传感器、硬件配置不同，难以复用于其他企业的智驾模型训练。而相较行驶于道路等固定2D环境的汽车而言，智能机器人在尺寸、形态上的设计更加多样，软硬件配置更加多元，一个品牌的机器人真实数据更难复用于其他厂商。

因此，如何用少的算力、最低成本的海量数据做成数据飞轮，快速生产所需要的高质量数据是当前面临的一个关键挑战。  

02

分级体系和分场景标准制定难度大

智能机器人的分级评价体系存在分歧。参考智能驾驶L1-L5级分级标准，在智能产业发展早期阶段，一套统一的行业分级评价标准，能够更好的锚定行业发展阶段和未来方向，更好的向公众传播。但区别于场景特定、评价维度有限的智能驾驶领域，智能机器人涉及操作、运动、决策等多项功能和技术，难以兼顾“准确性”与“传播性”。

目前众多行业机构效仿智能驾驶分级，提出了智能机器人分级框架。例如国家地方共建人形机器人创新中心发布的《人形机器人分类分级应用指南》，从具身智能、下肢运动、上肢作业、应用环境四个维度划分L1-L4级标准（见图表1）；北京人形机器人创新中心牵头制定的团标《人形机器人智能化分级》从感知、决策、执行、协作四个维度建立了四维五级评价体系（见图表2）；此外，部分企业也建立了自己的分级评价标准，例如星动纪元从能力、技术、场景三个维度建立了L1-L5（见图表3）级的分级框架等。

图表1 《人形机器人分类分级应用指南》

资料来源：公开信息

图表2 《人形机器人智能化分级》

资料来源：公开信息

图表3 《人形机器人分级框架》

资料来源：星动纪元

图表4 人形机器人智能化、自主化演进路线

信息来源：国家机器人检测与评定中心（总部）等联合《机器人智能等级划分标准》；上海市标准《智能机器人智能化等级评估规范》自主性-场景模型，中国移动、创业邦《2024年人形机器人研究报告》。车百智库研究院整理

可靠性标准及相关测试验证体系不完善。传统工业机器人主要处理单一任务，以平均无故障时间（以下简称MTBF，Mean Time Between Failures）作为可靠性评价指标，主要考量硬件寿命。而智能机器人涉及连续复杂任务，面临的环境更加动态，除硬件可靠性外需要增加功能可靠性（任务完成度）、动态场景适应性等测评认证，目前相关标准、测试体系尚不完善，影响工业场景落地应用。例如汽车产业流水线投资大，任何单点故障或停滞可能导致整条产线中断，停产每分钟将造成数万甚至数十万美元的损失，需要严格的可靠性标准和验证体系。

场景侧、使用侧标准尚未形成。智能机器人不是一个行业，用于哪个行业就需要符合对应行业、场景的逻辑和要求，这一方面需要智能机器人企业不断提升产品泛化性，针对应用做适应性训练，也需要场景方、客户明确标准和提供相应的支持。目前大多数场景可能尚未做好准备，例如部分商场顾虑消防安全，要求机器人提供防火证明，但因缺乏相关标准，形成“自证陷阱”阻碍了落地推进。 

03

面临更加复杂的安全与社会伦理挑战

需要严密的数据安全和网络安全防护体系。与智能汽车类似，智能机器人需要传感器和网络连接来采集大量用户、场景相关数据。由于智能机器人未来应用场景更加广泛，可能无意间采集私人对话、空间布局甚至密码信息，产生安全事故的后果会更加严重，需要更加严密的安全体系。

需要额外考虑人机协作安全性。区别于以“避让”为主的智能汽车和以“静态环境”为主的传统工业机器人，智能机器人涉及大量人机混合作业，且运行于动态非结构化环境，处理人机协作的安全性成为核心挑战。这既包括一些技术难点，如在动态环境（如地面油渍、突发障碍）下的紧急制动难度较大，也在如何安全应对各种人类互动行为上形成了corner case（边角案例）难题。

面临更加严重的社会伦理问题。一是关于机器代人问题，区别于只涉及“司机”的智能驾驶，智能机器人凭借通用性适用于更多场景和岗位，在量产阶段可能引起更大面积的社会舆论问题；二是智能机器人在C端应用场景多涉及心智、身体不健全的用户，如面向儿童的教育机器人、面向老年人和病人的陪伴护理机器人等，这可能产生由于知识库的局限提供了错误或者带有偏见的信息，形成错误认知而导致更严重的后果。

04

与汽车场景的融合面临挑战

汽车制造规模大、链条长、场景多，且自动化基础较好，环境相对固定，已成为智能机器人早期落地的优选场景，但除上述数据、标准、安全问题外，也面临诸多特有挑战。

一是从“通用”到“专用”的转变问题。工业产品创新往往要经历demo-定制化方案-标准化产品的转变，从“通用”机器人demo到汽车“专用性”产品面临诸多挑战：训练和开发工具方面，汽车领域特有工具和训练体系尚未形成，智能机器人厂商在汽车制造垂域的多模态数据采集和训练体系尚不完善；人才和组织方面，既懂汽车制造业务又能理解人形机器人技术的跨学科人才较少，类似汽车产业的Tier1系统集成商角色尚未形成，缺少衔接“科学家”和“工人”的“工程师”角色；产品规划方面，需要探索既能快速满足汽车制造现有场景需求和成本要求，又能训练机器人泛化能力向更多汽车乃至其他制造场景迁移的方案。

二是规模化早期的技术能力、成本存在“先有鸡、先有蛋”问题。一方面，现阶段智能机器人的能力和成本尚不具备量产需求。目前智能机器人不具备高精度力控和手眼协调的精细化操作能力，且连续任务完成度较低，只能用于支持检测、拣选、搬运等非接触或不需要精确力控的简单作业。例如Optimus用于电池包分拣和搬运，优必选Walker S系列在比亚迪、东风柳汽、极氪工厂执行安全带检测、车门锁检测、物料搬运、分拣任务等。且成本大多处于30-100万元人民币区间，需要进一步缩减到10-20万元人民币区间。另一方面，技术迭代和成本优化需要规模化量产支撑，包括建立基于量产的数据飞轮体系，结合实际业务实现核心零部件的定型、标准化等。

图表5 智能机器人在汽车制造场景应用路线图

信息来源：蔚来汽车、闭门研讨会发言。车百智库研究院整理

05

发展路径上的两大分歧

人形机器人的重要意义已经形成共识。其具备更强的通用性和社交属性，能够最大限度的适应针对人类建立的环境和工具，且相似的外表能够更好的被C端用户接受，必然是智能机器人的“终极理想”。

但现阶段是否有必要做人形机器人（特指双足人形机器人，不含轮式等）存在分歧。一类观点认为，人形机器人不只是终极理想，也是满足大规模训练数据需求的必然选择。人形机器人具备更好的数据可得性，真实数据和模拟数据复现效率更高，例如通过人类动作捕捉采集真实数据、利用网络视频中存在的大量人类移动数据等。

另一类观点认为，人形机器人需要同时考虑移动、操作、交互，实现难度较大，目前B端实际场景需求，主要来自以灵巧手为代表的更精细操作能力（如承担以往机器人解决不了的装配工作），半身、轮式机器人可能更具备优势。且四足、轮式机器人与双足机器人技术复用程度较高，可先采用四足、轮式机器人形成商业和数据闭环，再逐步过渡到双足人形机器人。

目前智能机器人主要用于展览、科研等场景，市场潜力不足百亿元人民币，未来面向B端工业制造、商业服务、C端家庭消费，将形成三个数万亿元人民币级市场。

目前行业对于C端和B端场景进入的顺序和路径存在分歧和不同的实践。一类观点认为，B端产品和C端产品在技术上并没有明显壁垒，相关技术和数据可以实现一定程度的复用，可先重点突破场景相对固定，价值更加明确的B端场景，随着技术进步再逐步拓展至C端场景；

另一类观点则认为，B端和C端面对的用户、需求的能力完全不同。例如B端工业场景注重的是可靠性、效率、性价比，B端商业场景需要解决商业链条不同参与主体的诉求，C端则更需要建立大众感知的品牌，赋予不同人群的实际价值；B端公司和C端公司将成长为两类公司。如果最终目标是C端场景，应该更早的专注C端进行布局，期间采用先四足、再人形的渐进式路线。

执笔人：张永伟、于渤涵、张强