每年的工博会作为国内外工业领域核心技术和产品的集中展现平台，被视为全球工业创新的风向标。
在工业4.0战略、数字化转型浪潮下、多模态大模型及云计算、大数据快速发展下，以先进数控机床，来回摇摆的机械臂、智慧高效的工业解决方案、智能化数字化未来工厂等新质生产力成果展示成为刚刚落幕的第24届工博会重点。
ABB推出的新一代机器人控制平台OmniCore实现人工智能、传感器、云计算和边缘计算系统的全面集成。和之前ABB控制器相比，OmniCore使机器人的运行速度提升25%，能耗降低20%。
海康推出的复合机器人通过搭载智能相机，多传感器数据融合感知，实现移动、抓取与搬运的集成作业能力，能够简化复杂的物料搬运场景，实现更高效的工业自动化。
微亿智造联合捷勃特联袂打造的具身智能工业机器人——“创TRON”，
集感知、驱动、控制、算法、云服务等技术于一体，能够更好理解和适应复杂的工业环境，轻松解决产线的灵活性和适应性问题，精准且高效地执行各类多元化任务。
在工博会现场相对嘈杂的环境中，创TRON通过具身视觉模块，仍能实时捕捉动态环境变化，进行毫秒级的实时地图重建，确保机器人与外部环境交互的实时性，具有高强度复杂环境感知能力。
在现场工作人员给到的多重任务下，创TRON无需传统示教及机器人编程，通过对图片、视频、动作等进行精确捕捉。结合工业垂类大模型，快速实现任务理解和拆分。且创TRON通过高速实时量产执行，做到快速实现柔性切线，将切线时间缩短至小时级。
此外，因创TRON机械臂实时控制频率为1KHZ，且采用基于优化和采样结合的方案，可做到毫秒级完成点到点路径规划，实时生成距离和速度最优轨迹进一步确保系统的整体实时性和准确性。随着明年创TRON批量上市进入更多工厂“打工”，这在帮助制造业节省后期的切线及维护费用的同时，将持续助推制造业朝着智能化转型升级。
不仅仅是在工博会，此前举办的2024年世界机器人大会，具身智能和大模型同样成为市场关注角度。机械臂作为具身智能的重要载体，正展示出从商业化落地到具身大模态大模型新技术应用的强势前景。
01.“大模型+机器人”开启“智械时代”，数据难题何解？
随着当前AI大模型技术的快速发展，这些模型通过整合感知、认知和决策能力，将机器人从单一功能的执行单元提升为具有自主学习和优化能力的智能系统。这种转变使得机器人能够更好地适应复杂多变的工业环境，显著提高生产效率和柔性化水平。“大模型+机器人”让具身智能工业机器人正开启“智械时代”。
以“地表最强人形机器人”Figure
02为例，其搭载的GPT-4多模态大模型、机载视觉语言模型（VLM）及类似RT-X机器人控制等大模型和麦克风和扬声器等硬件，不仅使其常识推理能力和任务执行智能性相较Figure01显著提升，且能实现和人类自然地对话。此外定制AI的模型和VLM，让Figure
02适用于工业制造、仓库物流等轻载搬运和分拣任务，提供全自动的智能决策和执行能力。
但中国人工智能领军科学家、上海交大清源研究院研究员、中国人工智能学会具身智能专委会委员刘志毅指出，具身智能工业机器人在模型训练中，训练数据来自多方挑战：
一是数据的质量和多样性问题。工业场景的复杂性要求模型能够理解和处理各种情况，需大量高质量、多样化的数据，且数据需涵盖正常运营、异常情况、不同设备类型和各种生产流程，获取这些数据成为重大挑战。
二是专业数据标注问题。工业数据的专业性很强，需要具备深厚工业背景的专家进行标注。这些专家资源稀缺，标注过程耗时且成本高昂，而确保标注的一致性和准确性是提高模型性能的关键。
三是数据实时性要求。工业生产环境动态变化，模型需不断用最新数据更新迭代。这就要求建立一个高效的数据收集、处理和模型更新流程，在不影响生产的情况下实现近实时的数据采集和模型更新。
四是数据安全问题。工业数据往往涉及企业核心机密，如生产工艺、设备参数等。如何在保护隐私和知识产权的前提下实现数据共享和模型训练，是一个需要技术和管理双重创新的复杂问题。
数据问题也带来技术挑战，火石创造产业研究院院长冯雷博士认为，一方面，工业大模型需要处理多模态数据，但多模态数据建模和可解释的机器学习模型是当前面临的挑战之一。这不仅涉及技术层面的难题，还包括如何使模型更加透明和易于理解。
另一方面，随着工业大模型应用的复杂性增加，单一模型已无法满足所有需求，因此集成学习和多模型协同成为发展趋势，但这增加了模型的复杂性和解释性难度。
此外，相较于文生文、文生图、图生图等通用大模型，工厂端到端闭环生态对模型训练也带来新的难题。
冯雷博士指出，在工厂内部不同部门和系统之间往往存在数据孤岛问题，导致数据无法有效共享和利用。这要求工厂加强数据治理和管理，打破数据孤岛，实现数据的互联互通和共享利用。
刘志毅同样指出，工厂端需打通从原料到成品的全流程数据孤岛，包括供应链、生产、质检、物流等环节。不同系统和设备间的数据格式和协议可能不一致，需要进行数据清洗和整合。确保数据的时间序列完整性，对于支持整个生产过程的建模和优化至关重要。
以刘志毅提到的质检环节为例，微亿CEO张志琦则指出，如何解决样本数据少和模型能力判断准确的矛盾成为难题。
一方面，制造业良品率提高导致样本数据偏少，进而影响模型训练时间。另一方面，“过杀”和“漏检”是衡量工厂现场中间准确度的两大重要指标。“过杀和漏检但凡某个指标偏高，客户认为设备无法使用后，需安排内部人员二次复验。客户使用AI质检设备的意义何在？若将过杀率控制到5%以下，又对样本数据提出更高要求。”
面对训练数据难题，微亿将模型开发和数据收集的闭环建到产线上去，将带有预训练模型的设备直接部署到产线上，把产线操作工变成“模型训练师”，在云端自研的“人机交互式的模型训练平台”上对模型生成的结果进行复判和修正，模型再把修正后的结果下发给设备予以执行。
同时将修正过程作为模型下一轮迭代的“新样本”，让模型不断学习人类老师傅的工作经验，这样就在产线上形成了“端云一体”的模型训练闭环，实现设备“开箱即用”的同时，让模型训练获得大量实时产线数据。
基于在AI质检市场的竞争力和多年的数据沉淀，微亿已拥有世界最大的非结构化工业精标数据库。蓝驰创投董事总经理、合伙人曹巍在接受媒体采访时指出，工业机器人行业内优秀的公司会形成自己的数据闭环、硬件闭环，以及算法侧的算法闭环。数据的稀缺性及数据和算法之间的迭代速度决定企业在该领域的核心能力。
张志琦也指出，微亿目前已积累一定的业务和各类的数据和模型能力，同行即使削尖脑袋去苦干三五年也很难做出来，且即使同行做出来，恐难以适应市场改变，这是微亿的核心竞争力之一。
02.如何让智能机器人装上“脑子”，更接近人类？
除训练数据问题外，从本届工博会工业机器人展区来看，大部分机器人旁边都配备一台负责指挥和调试的“大脑”，虽是按照既定程序运行，但工作人员时不时需要检查运行是否正常。
但从海外包括特斯拉超级工厂使用的KUKA和Fanuc、宝马德国丁戈尔芬的工厂中广泛使用的ABB和KUKA、亚马逊全球多个仓储中心使用数万台的Kiva来看，这些工业机器人在驱动和执行层面的优势很足，也是他们一贯的技术核心。
然而随着AI带来的感知和认知能力，外企还未大力布局，具身智能在工业领域的应用处于缺失状态。这反而给了国内具身智能工业机器行业一个机会，虽说短期内需攻克多重难题，但让具身智能在工业发挥优势，成为国内企业不可忽视的突破点。
冯雷博士指出，在感知技术上需增强其传感器技术，包括视觉、触觉、力觉等多种传感器，以实现对复杂工业环境的精准感知。同时，还需要不断优化算法，提高传感器精度和响应速度。
在认知技术上，工业机器人的认知能力依赖于人工智能技术的发展，特别是深度学习、自然语言处理等技术。短期内需要突破的是如何将这些技术有效应用于工业机器人，使其能够理解和处理复杂的工业任务，实现自主决策。
在驱动技术，驱动技术包括伺服电机、减速器等关键部件，是工业机器人的核心。中国工业机器人在这些关键部件上仍存在一定的技术瓶颈，需要加强自主研发，提高性能和稳定性。
在执行技术上，执行技术直接关系到工业机器人的操作精度和效率。需要不断优化控制算法，提高机器人的运动控制能力和精度，同时确保执行过程中的安全性和可靠性。
刘志毅也指出，目前工业机器人高精度传感器、控制器、伺服电机等核心零部件仍有较大进口依赖。此外，软硬件深度融合是一个系统性挑战。企业需要突破传统的机械设计思维，从系统层面考虑软硬件协同。开发更灵活的模块化设计，支持快速功能定制和升级，实现软件定义硬件，提高机器人的适应性和可重构性。
通用AI算法需针对工业场景进行大量优化，提高精度、稳定性和实时性。开发更高效的边缘计算算法，实现本地化的智能决策。同时，提高算法的可解释性和可靠性，满足工业级应用的严格要求。
张志琦也指出，微亿以“眼手脑云”打造的技术战略，曾面临着视觉系统好比是眼睛，机械臂的运动机构类似人的手脚，两者之间的隔阂宛如是一个瞎子背着一个瘸子，瘸子在指挥瞎子的前进后退，实际落地中困难重重，往往需要不断地堆叠人力来弥补之间的问题，这应该是一个完整的体系，把感知、认知、规划、驱动、控制能力相融合，才是解决这类问题的根本之道。
基于此，2023年微亿成立专门的具身智能项目组，与国产机器人厂商捷勃特共同研发，实现工业AI与工业机器人的融合突破，打通软硬件质检的壁垒。
若“数据”“更智能”问题属技术问题，但技术之上却是如何让具身智能机器人更好地满足下游客户需求。
近些年来，随着消费者需求逐渐多样化和个性化、中国企业出海需应对供应链和市场不确定的挑战、全球化和定制化需求的融合、制造业愈发追求资源利用效率的提升、生产成本的降低和创新能力的提高，全球制造业对工厂端愈发追求柔性化生产，且成为不可逆趋势。上文提到的海外工业机器人能“进厂打工”均建立在满足这些企业柔性化生产的需求上。
但相较于海外市场，国内工业机器人应对制造业柔性生产能力仍有待提高。张志琦指出，传统工业机器人都是在确认的、封闭的空间中运动，且只能进行单一重复动作，泛化能力弱，无法具备柔性切线能力，从源头上限制工业机器人的普及和应用。
面对制造业对极致成本和柔性生产的现实需求，包括微亿、遨博机器人、拓斯达、新松机器人、埃夫特智能装备、华中数控、ABB中国等厂商推出的具身智能机械臂纷纷搭载免编程功能。
免编程机械臂优势在于通过自适应技术快速适应不同的生产任务，特别是小批量多品种的生产环境。它们能够根据不同的工艺和任务需求，自动学习新的操作路径并快速投入使用。机械臂通过视觉传感器、力觉传感器等感知环境，并基于机器学习技术自动调整操作动作，可更高层次的柔性生产，无需每次任务变更都进行重新编程，进而提高工厂生产效率。
曹巍指出，工业机器人的下一个发展趋势为走向轻交付和智能化，把交付做轻，最重要的是不用编程。虽然工业机器人编程可能仍需定制，但在和机器人交谈过程中它能理解我要定制什么，而非是继续请人编写代码。
张志琦指出，微亿打造的具身智能机器人在攻占既有市场的同时，还能进入传统工业机器人无法进入的灵活柔性场景，帮助工业制造企业解决在使用传统工业机器人切线换型速度慢、效率低的问题。
03.具身智能工业机械臂落地化速度，或快于人形机器人
除满足制造业的柔性化生产外，工业机器人的成本账和人力成本的经济账，实则是企业主最为Care的事。海外工业机器人售价因行业不同、行业需求、功能和负载能力不同，售价存在较大差异。
通常来说，基础工业机器人价格大约在2万到8万美元，高端智能机器人可能达到10万到30万美元甚至更高。但欧美高端制造业的高利润、高人力综合成本让智能机器人的“综合性价比”优势突出。与之相比的是，国内工业机器人在价格上占据绝对优势，这种优势不仅国内外竞争上成为关键，也是国内企业将“智能”带进工厂的关键。
在势头上很凶猛的人形机器人，成本居高不下，因为其使用很多价格高昂的组件，单说视觉感知就会用到很多价格昂贵的组建，如3D相机、激光雷达等。
对于国内制造业而言，他们利润水平偏低且近两年波及多行业的价格战对制造业利润的持续冲击，想要让企业主为动辄百万级的人形机器人买单恐不太现实，更别提他们会关注人形机器人使用何种大模型技术、具备哪些能力。
且制造业使用工业机器人的成本不单单包括企业初始购买成本，还包括后续维护与升级成本和企业内部MES、ERP、供应链管理系统数据打通成本、整体解决方案成本、工业机器人和人类共同工作的协调成本等等。
如工业机器人真正进入工厂“打工”后，工厂不仅需额外增加安全围栏和传感器，保证工人安全。且机器人若发生故障除会增加新的维修成本外，也会对产线生产构成影响，进而影响工厂给下游客户交付时间，继而带来成本增加。基于此，公开数据显示，国内每万名产业工人机器人渗透率只有392多台，处在较低水平。
刘志毅指出，为提高国内工业机器人普及率，可通过优化产品设计、发展服务型商业模式降低使用门槛、利用AI提升效率是创新方向、通过AI辅助设计优化机器人结构和控制系统、通过税收优惠、补贴等方式，鼓励企业采用国产工业机器人等系统性措施来降低成本，但推动核心零部件国产化才是降低成本的根本途径。通过产学研合作，突破高端减速器、伺服系统等关键技术。建立本土化的供应链体系，提高零部件的标准化和通用性，实现规模化生产。
冯雷博士同样指出技术创新和自主研发是降低成本的关键，一方面，加强核心技术研发，推动核心零部件如伺服电机、减速器等的国产化进程。通过自主创新和技术突破，降低对进口零部件的依赖，从而从源头上降低成本。
另一方面，通过技术创新提升工业机器人的性能，如提高精度、增强稳定性、优化算法等，使产品更具竞争力，从而在市场上获得更高的认可度和市场份额。
仍需指出的是，相较于人形机器人，具身智能机械臂不仅具有成本优势，且在工业自动化、物流、服务行业等领域的应用场景更为明确和广泛，这意味着未来具身智能机械臂的大规模落地速度会高于人形机器人。
曹巍指出，现阶段工业机器人的突出问题虽然大家有生意做，但因交付成本过高，个性化东西太多，通用性低，导致大家并不赚钱。基于此，工业机器人最值得研究的问题是如何把交付效率提升、交付成本做低及能够做到开箱即用，做到真正的工业机器人的智能、
若工业机器人实现更加智能的开箱即用，或是更加智能的轻量化交付。从项目制走向产品制，工业机器人未来会是一个既赚钱、增速又快的超级市场。
值得注意的是，微亿“创TRON”已能做到开箱即用，轻量化交付，这也是张志琦会提到预计1-2年内，“创TRON”将进一步促进具身智能工业机器人市场规模的扩大，具身智能技术会让工业机器人的部署更加敏捷，未来工业机器人的市场规模将进一步扩大，达到100万-150万套/年，年产值将达到1000亿-1500亿的原因所在。
随着未来包括ABB、微亿、海康等在内的公司一起，持续赋能更多工业机器人和制造业，以及TOG端政策持续发力，高校端和企业端持续补齐技术短板，这不仅能助推更多工业机器人“进厂打工”，行业迎来“iPhone时刻”。
更重要的是，这能帮助制造业实现降本提效，让国内制造业不断做大做强。
