科创AI+| 具身智能工业智能化，抢占智造升级风口

建设社会主义现代化强国，关键在科技自立自强。以科技金融支持创新创造，因地制宜发展新质生产力，加快建设现代化产业体系，是我国在“十五五”时期推动高质量发展、实现中国式现代化的核心战略部署。发展智能经济新形态，需要打通科技成果转化堵点、强化产业体系支撑、畅通金融赋能渠道，构建科技、产业、金融良性循环。在此背景下，《清华金融评论》推出《科创AI+》主题专栏，旨在深入阐释国家战略部署、汇聚权威观点、服务高质量发展大局，为政策完善与行业实践提供智力支持。

过去两年，具身智能的关注焦点集中在机器人本体：能否走得更稳、完成更复杂动作、理解自然语言指令。但机器人真正进入工厂后，问题会迅速变得复杂。一台机器人完成Demo，不等于它能够在真实产线上连续工作；单机具备智能，也不意味着几十台机器人、AGV、机床和生产系统能够协同。工业场景真正要求的，是机器在节拍、精度、稳定性和安全约束下持续完成任务，并在工况发生变化时自适应调整。因此，本文关注的并不是“人形机器人进入工厂”这一单一现象，而是一个更广泛的问题：具身智能如何进入工业系统？当具身智能进入工业生产，数据、模型、机器人、工业软件与生产系统将如何重新连接？其中又会形成哪些新的技术能力、产业和投资机会？本文将这一过程概括为“具身智能工业智能化”，并重点观察三个彼此连接的方向：工业数据与仿真、工业模型，以及从单机、多机向工厂系统协同演进的智能调度能力。

目录

·一、产业定位：具身智能工业智能化

·二、爆点赛道一：工业数据与仿真底座

·三、爆点赛道二：工业模型基座

·四、爆点赛道三：从单机、多机到工厂系统调度

·五、结语：从产业及金融视角看具身智能工业智能化

·信息来源索引及核心术语缩略表

·重要阅读提示

一、产业定位：具身智能工业智能化

1.1 工业具身智能定义：重点不在形态，而在自主作业能力

传统工业自动化已能完成焊接、喷涂、搬运、装配等大量复杂任务。PLC、MES及各类工业软件，也能够按照既定规则管理设备和生产流程。但这套体系的一个典型特征是，大量动作和规则需要提前设定。当作业对象的位置、材质、受力状态或外部环境出现超出预期的变化时，往往需要人工重新调整程序和参数。具身智能希望进一步解决的问题，是让机器拥有更强的环境感知、物理判断和自主调整能力。基于研究目的，本文主要从三个维度观察工业具身智能能力：

• 一是物理表征能力。能够识别自身状态以及环境中的位置、材质、刚度、摩擦、受力等关键物理信息。

• 二是物理预测与决策能力。能够判断动作可能产生的结果，并根据反馈调整轨迹、力度和策略。

• 三是作业泛化能力。当工件位置、材质、环境或任务出现一定变化时，不需要完全重新编程，仍能够完成自适应调整。

这一划分是本文采用的分析框架，而非行业统一定义。我们认为，人形机器人如果主要依靠固定程序重复预设动作，并不当然意味着具备更高水平的工业智能；反过来，普通机械臂如果能够根据工况变化进行实时判断和自主调整，同样可能成为工业具身智能的重要载体。更重要的是，工业具身智能的价值并不仅体现在单机能力提升。真实工厂由机器人、机床、AGV、传感器、PLC及各类工业软件共同组成，每台设备有自己的任务，也要受生产节拍、物料供应、质量标准和上下游工序的约束。从单机走向工厂，至少需要回答三个问题：机器在哪里学习和试错？怎样理解物理世界和工业工艺？越来越多的自主设备如何共同运行？这也是本文后续三章的基本结构——工业数据与仿真底座，解决“机器在哪里学”；工业模型基座，解决“机器怎样理解和判断”；从单机、多机到工厂系统调度，解决“一群越来越聪明的机器怎样共同工作”。三者不是彼此割裂的三个市场，而是具身智能真正进入工业生产时相互连接的三类关键能力。

1.2 中国战略地位、全球竞争机遇与挑战：独特的验证场景和更高的要求

制造业正在成为具身智能重要的应用与验证场景。这里有明确的生产任务、长期积累的工艺知识、大量不同类型的设备，也有可以直接衡量的结果：任务有没有完成、生产节拍有没有提高、质量是否稳定、设备能否长期安全运行。中国拥有庞大的制造业体系和工业机器人应用基础，在3C电子、汽车及零部件、鞋服等离散制造领域存在大量复杂工况，为具身智能提供了丰富的潜在训练、验证与落地环境。这种优势并不意味着产业化路径已经清晰。具身智能真正进入工业现场，仍面临几类基础挑战：

• 首先是数据问题。工业数据往往涉及核心工艺与商业机密；不同企业、设备、工序之间的格式高度分散。采集、治理和开放高质量工业数据仍然困难。

• 其次是仿真与计算问题。真实工厂无法为了训练机器人反复制造碰撞、故障和极端工况，因此需要高保真仿真补充训练数据，但复杂物理仿真也带来较高的计算和工程成本。

• 再次是关键硬件与控制能力。力觉、触觉等感知能力，以及实时控制系统的可靠性，都会直接影响具身智能在复杂作业中的表现。

• 最后是工业系统集成问题。新的AI能力必须与PLC、现场总线、实时控制系统以及已经运行多年的工业软件体系连接，而不是重新建设一座完全独立的“AI工厂”。海外企业已经开始围绕这一方向布局。NVIDIA正在从仿真、模型到边缘计算构建物理AI工具链；西门子、ABB等传统工业与自动化企业也在将数字孪生、工业软件和AI进一步结合。由此带来的竞争，并不只是“谁拥有更强的大模型”，还包括谁能更快进入真实工业场景，把模型能力转化为稳定、可复制的工程能力。

1.3 新旧技术体系的融合：新技术不是另起炉灶，而是嵌入既有工业体系

具身智能工业化的另一个重要特征，是新旧技术体系正在发生融合。从能力结构看，这一过程涉及工业工程（IE）、信息技术（IT）与人工智能（AI）三类知识体系。

• IE回答“应该优化什么”。它提供生产节拍、工艺流程、质量控制和价值流分析等长期积累的工业知识。

• IT回答“设备与数据怎样连接”。它承担设备互联、数据采集、系统集成和信息流转的任务。

• AI回答“机器怎样在变化中做出判断”。它尝试通过模型、策略学习和动态决策，提高设备自主感知和调整能力。

三类能力缺一不可：AI创业公司若缺乏工业工艺与合规认知，难以直接落地工厂场景；传统自动化企业若无法融合AI模型能力，也可能错失设备自主化升级的窗口期。

因此，目前正在出现两条相向而行的路径：传统工业自动化企业在已有设备、生产线和客户基础上增加AI能力；具身智能企业则不断进入真实工厂，补充工艺知识、工程交付和系统集成能力。从当前产业融合趋势来看，工业具身智能的中长期产业格局，大概率不会呈现传统自动化企业与AI创业公司单向替代的关系，而是在长期融合、竞争和合作中形成。这也是本文关注三类能力的重要原因：数据与仿真、工业模型和系统调度，恰恰处在新旧工业体系开始重新连接的位置。

1.4 市场规模与增长预测：市场仍处于形成期，规模预测应作为趋势参考

具身智能工业智能化仍处于市场形成期。不同研究机构对“工业AI”“工业仿真”“具身智能”“数字孪生”“工业互联网”等领域的统计范围差异较大，目前尚不存在统一的市场规模口径。基于公开行业数据及本文对三类关键能力的划分，可对相关市场空间进行趋势性观察。

1.5 政策环境与标准建设：政策正在从产业鼓励走向场景验证和标准建设

具身智能近年来持续进入国家及地方产业政策。2025年《政府工作报告》首次写入“具身智能”，相关政策随后进一步向智能制造、工业数据、应用场景和标准建设延伸。工信部此前发布《人形机器人创新发展指导意见》，并推进人形机器人与具身智能相关标准体系建设。2026年《“人工智能+制造”专项行动实施意见》进一步提出建设工业高质量数据集、推广典型应用场景等目标。北京、上海、深圳、浙江等地也陆续出台相关产业规划和场景开放政策。这些政策的重要意义，并不只是扩大行业热度，而是推动技术从实验室、样机和演示环境进一步进入真实工业场景接受验证。但政策提供的是资源、标准和应用窗口，并不能替代市场验证。从制造业采购决策逻辑来看，技术落地的核心决定因素始终是稳定性、安全性、效率提升幅度与投入产出比

1.6 风险提示：面对四类不确定性

工业具身智能仍处于技术与商业模式快速探索阶段，仍需面对四类不确定性：

• 第一，技术路线尚未收敛。从高保真仿真、世界模型到VLA、强化学习等路线仍在快速演化，Sim2Real、物理对齐和复杂工况泛化也尚未形成统一工程方案。

• 第二，规模化复制仍待验证。工业场景高度非标，一条产线上的成功方案不一定能够直接复制到另一家工厂。项目制交付如何进一步转化为标准化产品，是未来商业化的重要考验。

• 第三，数据安全与知识产权约束较强。工业数据往往涉及生产参数、工艺知识和商业秘密，数据采集、训练和跨企业使用均需要解决安全与权属问题。

• 第四，资本热度可能领先于产业成熟度。具身智能融资活跃，但融资和估值并不等同于技术成熟与商业验证。未来仍需持续观察产品稳定性、真实客户、规模交付和持续收入等指标。总体而言，具身智能进入工业不是一次简单的机器人产品升级，而是数据、模型、控制、工业软件和生产体系重新组合的过程。接下来三部分将分别讨论：机器在哪里学习；机器怎样理解和判断；一群越来越自主的机器如何共同运行一座工厂。

二、爆点赛道一：工业数据与仿真底座

赛道核心逻辑：数据与仿真是工业具身智能的核心支撑底座。真实产线数据与高保真仿真环境相互锚定，共同弥合从虚拟训练到现实部署的鸿沟，为世界模型提供训练燃料，为系统协同提供验证校正平台。

2.1 数据与仿真的双轮驱动

工业具身智能的能力三角（物理建模、物理预测、作业泛化）高度依赖数据与仿真两大支柱的协同支撑，构成不可分割的双轮驱动关系。

从数据维度看，工业具身智能对多模态数据——视觉、力觉、触觉、温度、时序日志等存在刚性需求。然而，真实产线的数据面临三重困境：第一，长尾工况天然稀少，难以系统采集；第二，异常事件刻意制造既不经济也不安全；第三，多源异构数据的清洗、标注与融合成本高昂。数据的质量与完备性，直接决定了物理建模的精度与物理预测的置信度上限。

从仿真维度看，仿真底座的角色已从传统的“设计可视化”跃迁为“物理交互推演场”，须满足高保真接触动力学建模、多物理场耦合以及实时或近实时求解能力。通过域随机化技术（随机注入位姿偏移、摩擦浮动、传感器噪声等），仿真能够批量化生成现实中难以获取的长尾与极端工况样本，成为策略网络泛化能力的批量训练场。双轮驱动机制在于：真实产线数据通过对比仿真输出与实测响应的差异，反向校准仿真中的刚度、摩擦、阻尼等物理参数（前向锚定）；校准后的仿真环境批量合成稀缺样本，反哺模型训练（反向增殖）。最终形成“产线实时数据回灌、仿真快速校准、策略敏捷迭代”的持续进化飞轮。数据与仿真，提供“真实锚点”与“增殖能力”，缺一不可。

2.2 赛道技术路线与商业模式分类

依据“仿真能力深度”与“对工业具身任务的适配程度”两大维度，赛道内已分化出四条技术路线，各对应不同的商业变现逻辑与目标客群。

四条路线并非彼此排斥，头部玩家正逐步向“数据加仿真”一体化解决方案演进。

2.3 商业化落地卡点与规模化瓶颈

从技术验证到规模化部署，数据与仿真底座面临四重卡点，每一重都构成产业化的实质性瓶颈。

数据侧瓶颈：制造企业对核心工艺参数高度保密，不愿将产线数据上传至任何云端平台；即使在本地部署，数据标注与清洗仍需大量人工介入。设备供应商、系统集成商与最终用户之间的数据权属划分问题，也缺乏法律与技术互信机制的支撑。多源异构数据（力觉采样率远高于视觉帧率）的时序对齐与融合亦缺乏标准化工具。

仿真侧瓶颈：高保真物理仿真的计算需求随网格精度与时间步长呈超线性增长，与工业控制环的实时性要求（毫秒级）存在硬矛盾。而最具工业价值的操作场景（精密装配、打磨抛光、柔性材料处理），其接触状态高度依赖微观表面形貌、油膜厚度、温度场等难以准确获取的参数，现有物理引擎大量依赖经验公式，仿真输出与实测之间存在系统性偏差。

迁移侧瓶颈：Sim2Real Gap不仅源于数值偏差，更源于“未被建模的物理”，如电磁干扰、机械共振、线缆拖拽产生的非期望力。策略网络迁移至实体后性能退化。引入在线系统辨识与模型预测控制可作为缓冲层，但也会增加部署复杂度。

工程侧瓶颈：多数企业将数据治理与仿真平台分开建设，形成“割裂式底座”，数据无法自动回灌仿真，仿真结果无法反哺数据标注策略，导致飞轮效应难以启动。数据接口标准缺失、仿真API不互通，使得从数据采集到策略部署的全链路自动化遥不可及。

2.4 国内外代表性企业格局

赛道呈现“海外巨头守城、国内新锐突围、跨界者繁多”的三元竞争格局。海外传统巨头（ANSYS、达索系统、西门子）垄断高端通用仿真市场，优势在于数十年积累的材料库与行业验证案例，但向具身交互方向转型面临架构级重构的沉重包袱。国内新兴力量，将仿真深度嵌入具身本体的模型闭环，选择避开通用CAE正面战场，聚焦“工艺级具身仿真加数据闭环”，以贴近现场的快速交付能力构建差异化竞争力。工业数据平台玩家与AI原生跨界者分别从数据侧和算法侧切入，共同推动赛道向“仿真加数据”一体化方向演进。中外差异在于：从通用CAE求解器的工业验证成熟度来看，海外厂商领先约10-15年，但国内以“工艺仿真加数据服务”按效付费为特征，更贴合制造企业有限的数字化预算与急迫的见效需求，为中国企业在局部赛道实现超车提供了时间窗口。

英伟达（NVIDIA）全球物理AI全栈方案领导者，Isaac Sim仿真平台与Isaac Lab训练框架已成为事实上的行业标准。【信息来源：NVIDIA官方博客，2026年；汉诺威工业博览会报道，2026年】

ANSYS传统工业仿真巨头，在流体力学、结构力学、多物理场耦合仿真领域积累数十年，有限元分析精度与行业模板覆盖度目前处于行业领先水平，但仿真内核为“人类工程师离线分析”而非“AI策略在线训练”设计。【信息来源：ANSYS官网，2026年】

达索系统（Dassault Systèmes）依托CATIA、SIMULIA、DELMIA覆盖从设计到仿真的完整链路，2026年宣布从工程设计软件公司转型为工业AI平台公司，推出AI驱动的虚拟孪生与“工业世界模型”。【信息来源：达索系统官网，2026年】

西门子（Siemens）以Xcelerator数字平台为核心，提供从数字孪生、AI感知到集成控制的工厂级可扩展方案。与NVIDIA战略合作推进AI驱动的自适应制造基地，已在埃尔兰根工厂完成人形机器人物流作业验证。【信息来源：西门子官网，2026年；汉诺威工业博览会报道，2026年】

飞捷科思搭建了国内首个全栈自研物理智能技术体系，拥有可微分物理引擎Fysics、仿真训练平台MoziSim、物理AI全模态基础模型OmniFysics、物理世界模型Fysiverse和全链路数据方案FysiData五大核心产品。【信息来源：WAIC 2026报道】

索辰科技（688507）国内稀缺的自主内核CAE工业软件厂商，依托自研多物理场求解器推出“开物”系列物理AI技术底座与解决方案，包括智能工坊、世界物理模型等，并建立风洞、电磁等物理AI实验室，服务军工与高端制造客户。【信息来源：索辰科技官网，2026年】

安世亚太拥有超过20年CAE研发经验，自研PERA SIM通用仿真软件覆盖结构、热、流体、电磁、声学、多物理场仿真，在航空航天、船舶、兵器等国防装备领域积累深厚。2026年发布PERA SIM AI平台，集成代理模型、降阶模型、物理信息神经网络等技术。【信息来源：安世亚太官网，2026年】

云道智造专注工业仿真云平台，Simdroid平台采用全面GPU化架构，覆盖固体力学、流体力学、电动力学、热力学四大物理场，拥有大量数字孪生体模型。主打“仿真安卓平台”理念与云端SaaS订阅模式，降低中小企业仿真门槛。【信息来源：云道智造官网，2026年】

光轮智能提供“数据—仿真—评测—部署”全链路物理AI基础设施，首创“求解—测量—生成”三位一体自研仿真平台SimFoundry。同时参与具身仿真与人类数据两大国际标准共建，2026年WAIC期间与西门子正式达成合作。【信息来源：WAIC 2026报道】

软通动力依托旗下软通天枢平台打造L1模型层、L2空间智能平台层、L3执行终端层三层全栈物理AI架构，推出TwinHub数字孪生、FSim工业仿真、CAE多物理场计算、Phyxis具身控制等核心产品，实现物理AI全链路贯通。【信息来源：软通动力官网，2026年】

五一视界（51WORLD）2026年上半年物理AI核心业务增长迅速。2026年3月发布全球首款“物理直觉”世界模型51World Model，已形成51Sim合成数据与仿真平台、51Claw具身智能底座系统等产品矩阵。【信息来源：51WORLD财报，2026年】

流形空间（Manifold AI）成立于2025年5月，是国内首家自研世界模型作为具身基座模型的创业公司。其WorldScape世界模型是全球首个同时支持移动和操作交互的实时世界模型。【信息来源：流形空间官网，2026年】

松应科技2026年WAIC期间发布全球首个多形态机器人协同训练的物理AI操作系统ORCA OS。自研ORCA平台集成高保真场景构建、实时物理仿真、多模态合成数据、大规模并行训练与Sim2Real验证等能力，WAIC期间与西门子签署战略合作协议。【信息来源：WAIC 2026报道】

星工聚将 XGSynBot成立于2025年6月，核心产品XG Z1轮式双臂人形机器人，依托智驱中央大脑，搭载物理引擎与仿真平台，机器人可实现持续迭代进化。凭借6秒末端快换能力，做到一机多用，多模块可灵活扩展。【信息来源：新华日报/交汇点新闻，2026年7月；36氪，2026年】

凌迪科技（Style3D）基于多年高精度物理仿真积累，打造面向具身智能的全栈仿真数据引擎SynReal World，覆盖3D资产生成、空间场景搭建、虚拟训练、仿真评测四个环节。【信息来源：凌迪科技官网，2026年】

十沣科技依托自研工业仿真内核，发布整合设计、仿真、优化与训练的Demain Horizon（明日地平线）平台，为人形机器人构建“设计—仿真—训练”一体化解决方案。【信息来源：十沣科技官网，2026年】

华昌达（300278）自主研发制造系统数字化仿真平台，已具备多品类工业机器人兼容能力。与上海交大在融合具身智能的工业场景数字化仿真技术平台领域展开合作。【信息来源：华昌达公告，2026年】

注：本名单仅为观察梳理的部分企业，行业内仍有诸多主体未逐一列示，不代表行业全部。罗列顺序不分先后，代表性企业目录旨在呈现行业多元生态，而非对任一企业的背书或推荐。

三、爆点赛道二：工业模型基座

赛道核心逻辑：工业模型基座的使命是构建对物理世界的通用认知框架，内嵌物理先验，为下游操控策略的泛化与系统协同的优化提供认知底座。

3.1 从通用大模型到工业世界模型

通用大模型（语言、视觉或多模态）在工业场景中面临根本性局限：它们擅长处理符号与语义，却缺乏对物理世界因果律、空间几何与接触力学的内在理解。工业场景不关心“这是不是一颗螺栓”，而关心“以当前姿态和扭矩拧紧这颗螺栓，接触力将如何演化、公差偏差是否可补偿”。

本章所讨论的工业模型基座，其核心使命是构建对物理世界的通用认知框架，理解物体在三维空间与时间维度下的运动规律、形变规律与受力响应。它不同于传统深度学习模型的地方在于：必须内嵌物理先验，而非仅依赖数据统计相关性。基座的上限，决定了下游操控策略的泛化精度和系统协同的优化空间。

3.2 技术路线与分层架构

工业模型基座并非单一模型，而是一个分层递进的认知与决策架构，各层承担不同职能，彼此间通过接口互联。

三者构成“感知、理解、决策、执行”的完整认知链路，底层为中层提供物理推理支撑，中层向上层提供执行能力抽象，上层统筹全局。

3.3 基座构建的核心技术挑战

工业模型基座的构建远未成熟，面临三重根本性难题。

挑战一：工业数据的极度稀缺与高获取成本。相比互联网海量文本与图像，工业场景中的“物理交互数据”（力/力矩轨迹、接触状态序列、材料变形过程）获取需依赖真实产线实验或高保真仿真，成本高昂、样本稀疏。如何在小样本条件下实现有效的物理世界学习，是基座训练的首要矛盾。

挑战二：物理一致性与泛化能力的张力。纯数据驱动的模型在覆盖场景内表现良好，但一旦遭遇训练分布之外的工况（新的工件材质、位姿偏移、工具磨损），预测可靠性即大幅衰减。将物理方程作为硬约束嵌入网络架构虽可保证一致性，却牺牲了模型的表达灵活性。二者的平衡是当前研究的前沿难题。

挑战三：从仿真到现实的认知迁移。基座的物理理解主要依托仿真环境训练，但仿真中的物理简化与真实世界的偏差导致迁移时认知退化。这一问题在基座层面比策略层面更棘手。基座输出的是对世界的“底层理解”，偏差会向下游逐级放大。缓解之道在于引入“仿真—真实联合训练”与持续自适应机制。

3.4 商业化落地卡点与规模化瓶颈

从实验室模型到工业级可部署基座，产业化进程中存在四重卡点。

数据获取与标准化：多数制造企业缺乏结构化的过程数据积累，力觉、触觉等关键模态的数据采集设备尚未成为产线标配。即便有数据，各厂商的传感器规格、数据格式、采样频率各异，缺乏行业统一的数据标准与基准评测体系，严重制约了基座模型的跨场景复用。

实时性与边缘部署约束：工业产线要求在毫秒级延迟内输出推理结果，而当前大尺寸基座模型（尤其是含物理神经求解器的方案）计算量巨大，难以在边缘端实时运行。模型蒸馏、量化、稀疏化等压缩技术虽在推进，但应用于物理推理模型时往往造成精度不可控的退化。

可解释性与工业信任：制造企业难以接受“黑箱决策”。当基座模型预判的受力状态与工程师经验不符时，工程师因缺乏可解释依据而倾向于拒绝采纳。如何让基座输出可追溯的物理推理链（例如“为何预判此处应力集中”），是获得现场信任的前提。

商业模式模糊：基座模型的商业价值难以直接量化。企业不知是应购买预训练基座自行微调、租赁API按次调用，还是采购包含基座在内的完整解决方案。当前缺乏成熟的价值度量与定价模型，导致客户采购决策周期显著拉长。

3.5 国内外代表性企业格局

赛道参与者呈现“大厂筑基、专精者深耕、本体商自研”的三层结构。科技巨头与AI大厂（NVIDIA、Google DeepMind、OpenAI）依托通用大模型与算力优势从基础模型层向下切入，优势在于模型架构创新与训练基础设施的领先，短板在于缺乏对工业场景物理约束与工艺流程的深度理解。工业具身智能专精企业从具体工艺需求出发逆向定义基座能力，核心壁垒是“工艺知识加物理建模”的双重积累。机器人本体厂商从技能层模型切入，拥有硬件实体与真实运行数据构成的天然闭环。产学研转化力量在物理先验编码、神经场表示、可微物理引擎等基础研究方向持续输出成果。在通用基础模型架构与训练基础设施层面，海外厂商领先约2-3年，但中国制造场景的复杂性与多样性反而是模型泛化能力训练的独特资源，谁能率先将“场景复杂度”转化为“模型成熟度”，谁就将在工业模型基座赛道形成不可替代的竞争力。

NVIDIA物理AI世界模型领导者，2026年发布Cosmos 3世界基础模型及轻量版Cosmos 3 Edge，可将物理AI训练与评估周期从数月缩短至数天，FANUC、ABB、KUKA、安川四大机器人龙头集体接入。【信息来源：NVIDIA官方博客，2026年】

Google DeepMind2026年7月发布Gemini Robotics 2系列机器人基础模型，首次通过单一VLA模型实现人形机器人全身自由度控制；同步推出Gemini Robotics ER 2具身推理模型，负责环境理解与长任务规划。【信息来源：Google DeepMind官网，2026年】

华为发布盘古具身智能大模型及全球首个全流程具身智能开发平台CloudRobo，基于盘古多模态能力整合数据合成、模型开发、仿真验证、云边协同部署等端到端能力。【信息来源：华为云，2026年】

腾讯 RoboticsX实验室联合腾讯混元发布Hy-Embodied-VLM-1.0（具身VLM基座模型）与Hy-Embodied-RxBrain-1.0（具身世界认知基座模型），形成“感知+认知”协同的具身模型矩阵。【信息来源：腾讯云，2026年】

蚂蚁灵波发布了包括具身智能基座模型LingBot-VLA、世界模型LingBot-World等十余款模型，其中LingBot-VLA 2.0已在预训练阶段适配多个机器人品牌的20多种机器人构型。【信息来源：蚂蚁灵波，2026年】

优艾智合2026年6月发布全球首个可规模化应用的工业具身智能大模型“智合”（FabriX），采用“一脑多态”架构，统一调度轮式、人形等不同硬件机器人协同作业，已在半导体、锂电、3C、能源化工等行业落地应用。【信息来源：优艾智合官网，2026年】

埃夫特旗下启智Openmind推出面向工业场景的智能机器人通用技术底座，依托埃夫特十八年工业机器人积累，牵头承担工信部国家科技重大专项，联合8所985高校及6家头部工业机器人企业共建生态。【信息来源：WAIC 2026报道】

它石智航通用具身大模型AWE摘得WAIC 2026 SAIL之星，成为本届唯一获SAIL奖的具身智能基座模型。AWE拥有百万小时级优质人类数据，已在线束装配等工业场景完成多机协同验证。【信息来源：WAIC 2026报道】

极佳视界（GigaAI）内地率先布局世界模型的科技公司之一，以世界模型平台GigaWorld、通用具身大脑GigaBrain、原生本体Maker构建闭环生态。【信息来源：彭博社，2026年】

影身智能全栈自研原生4D基座世界模型技术，赋能具身智能模型实现实时决策与动作规划，使具身智能模型具备“柔性生产+柔性材料控制”的双柔性优势，并拥有“跨本体通用泛化能力”。不仅已经落地国内工厂，也批量出口海外，订单达数亿元。公司开创“卖本体+卖Token”商业模式，提供持续的算法升级与场景适配服务。“双柔性”能力还将逐步从工业向家庭等多非结构化场景拓展。【信息来源：中国经济新闻网、企业官网，2026年7月】

西湖数智成立于2026年1月，孵化自西湖大学自主智能实验室，首创“概念世界模型”隐式物理建模方法。区别于依赖像素级仿真的显式路线，直接在数学潜空间中进行物理推演，算力需求呈数量级下降。【信息来源：西湖数智，2026年8月】

潜界科技（LatentVerse）成立于2026年5月，定位原生具身基座模型公司，正在研发UTAM（统一触觉动作模型），将视觉、语言、世界模型预测与触觉反馈统一在同一架构中训练。【信息来源：36氪，2026年8月】

千诀科技成立于2023年6月，通过预测物理状态演化来理解未来，已适配多个机器人品类，累计接入终端设备达十万台量级。【信息来源：36氪，2026年6月】

逆矩阵（Physis）致力于构建通用世界基座模型，为严肃工业场景、具身智能、物理仿真等物理AI场景提供通用底层认知引擎。【信息来源：央广网，2026年6月】

橡木果机器人2026年8月发布全球首个以触觉感知为核心的“具身本能模型”Natus AGE-0，复刻人类操作机理的通用操作基座模型，不依赖大规模数据预训练，赋予机器人零样本泛化与毫秒级自适应操作能力。【信息来源：证券时报，2026年8月】

德塔智能（Delta Intelligence）人形机器人基础模型公司，聚焦通用人形机器人全身智能基座，目前模型已进入多种真实工业场景验证。【信息来源：科技日报，2026年7月】

智平方类脑架构VLA具身大模型，工业端产品已进驻宁德时代电池工厂7×24小时不间断作业，与合作方达成超千台合作计划【信息来源：投资者网，2026年】

中科第五纪成立于2024年9月，由中国科学院自动化研究所联合清华大学团队领衔创立，实现领先的超少样本端到端具身大模型（FAM系列）。【信息来源：中科第五纪，2026年】

自变量机器人提出“世界统一模型架构”（World Unified Model）的机器人厂商，主打全栈自研端到端具身模型。【信息来源：钛媒体，2026年8月】

能科科技（603859）“灵智”平台围绕具身智能提供面向工业场景的垂域大模型训推平台与虚实结合仿真平台，为四足、轮式、人形、机械臂等多款具身形态提供感知、决策到执行的全链条训练与推理支撑。【信息来源：证券日报，2026年8月】

注：本名单仅为观察梳理的部分企业，行业内仍有诸多主体未逐一列示，不代表行业全部。罗列顺序不分先后，代表性企业目录旨在呈现行业多元生态，而非对任一企业的背书或推荐。

四、爆点赛道三：从单机、多机到工厂系统调度Process AI

赛道核心逻辑：单机具身智能解决“一个岗位如何干好活”的问题，系统调度解决“整个工厂、整条产线如何高效运转”的问题。从单机自主到群体协同，从集中控制到分布式认知，Process AI是工业价值的最终兑现层。

4.1 从单机自主到系统智能：协同是具身智能工厂的最终形态

工业具身智能的终极形态不是单台智能设备的部署，而是以整厂为载体的具身智能工厂。单机具身智能解决的是“一个岗位如何干好活”的问题，而系统调度解决的是“整条产线如何高效运转”的问题，后者才是工业价值的最终兑现层。

传统产线调度遵循“中央计划式”逻辑：MES/ERP下达生产计划，PLC逐级执行，各设备按预设节拍被动响应，一旦某节点异常，整线停摆。工业具身智能所要求的系统调度，则转向“分布式认知加全局动态优化”的新范式：每个执行单元是自主决策的认知节点，节点间通过实时状态共享与协同协商，在全局目标约束下动态调整各自行为，实现产线级的最优适配。从“集中控制”到“群体智能”的跃迁，正是本章“Process AI”概念的核心含义。

4.2 系统架构：从单机认知到群体协同的三层调度栈

工业具身智能的系统调度并非单一模块，而是一个从单机自主到整厂协同的分层架构。

三层调度栈的关系是：下层向上层提供“能力抽象”（我能做什么、状态如何），上层向下层提供“目标约束”（做什么、何时完成），形成“目标下达、自主执行、状态上报、动态重调”的闭环协同。

4.3 Process AI：嵌入产线的调度智能

Process AI是本章提出的核心概念，指面向工业制造全流程的调度智能体，区别于传统工业自动化中的静态PLC逻辑，也区别于通用AI调度算法。其独特内涵体现在三个方面。

工艺知识嵌入：Process AI的调度决策不是纯数学优化，而是深植于制造工艺的物理逻辑。它知道“这道工序的节拍裕量是多少”“哪台设备更适合处理当前材质偏差”“换刀时间如何影响后续工序窗口”。工艺知识与调度算法在此深度融合。

实时闭环反馈：Process AI持续接收来自各认知节点的状态回传（完成度、偏差量、异常信号），以毫秒至秒级频率更新调度决策，而非传统MES以班次为周期的静态排产。

多目标动态权衡：Process AI需在同一决策中同时优化产能、质量、能耗、设备寿命、订单交付率等多重目标，并在不同工况下动态调整权重偏好。紧急订单插入时优先保交期，电价高峰时优先降能耗。

本质上，Process AI是将“调度”从“排程工具”升级为“产线运行的操作系统”：它持续感知、推理、决策，驱动整厂在不确定性中趋近全局最优。

4.4 商业化落地卡点与规模化瓶颈

系统调度从技术验证到整厂部署，面临四重核心卡点。

工业协议与数据互通的底层桎梏：多厂商设备（发那科、ABB、西门子、国产各品牌）使用不同的工业以太网协议（Profinet、EtherCAT、EtherNet/IP等），数据格式与语义互不兼容。Process AI欲实现全局协同，首要瓶颈在于设备协议不互通、数据语义不兼容。OPC UA等标准化方案虽在推进，但存量设备改造代价高昂。

实时性与确定性约束：工业控制环要求毫秒级确定性响应，而当前AI推理（尤其是大模型）的延迟波动难以满足。Process AI的调度决策既要考虑“最优性”，更要确保“确定性”，工厂无法接受AI因推理延迟而导致产线节拍抖动。这在边缘算力部署与模型轻量化层面构成硬约束。

存量设备改造的沉没成本壁垒：多数制造企业已投入巨资建设传统自动化生产线，对推倒重来式的“具身智能改造”持观望态度。Process AI的价值必须在不更换主体设备的前提下证明，通过边缘计算盒、外挂感知模块等“轻量化叠加”方式，而非“全盘替换”，才能降低客户的心理与财务门槛。

故障归属与责任边界：AI驱动的动态调度引入后，产线异常的责任归属变得模糊。是调度决策失误，还是执行器本身故障，抑或传感器误报？制造企业宁可用“次优但责任清晰”的传统方案，也不敢贸然将调度权交给AI。这种心理层面的隐性卡点，往往比技术瓶颈更难突破。

4.5 国内外代表性企业格局

赛道参与者跨越传统自动化厂商、AI原生企业与本体制造商，竞争格局错综复杂。传统工业自动化巨头（西门子、罗克韦尔自动化、施耐德电气）长期把持产线控制系统市场，优势在于对工业现场总线、PLC生态与工艺标准的绝对掌控，但软件架构偏“硬实时、低抽象”，难以原生支持AI驱动的动态调度。AI原生调度与优化企业聚焦“智能排产”与“动态调度”赛道，算法创新能力强但缺乏对工业物理约束的理解。具身智能本体厂商从多机协同需求出发自研调度系统，拥有真实运行数据但开放性不足。平台型工业互联网企业凭借设备连接与数据汇聚优势向上切入调度赛道。中外代差方面，海外在工业控制底层积淀远深于国内，但在AI原生调度算法与整厂级动态优化方面，双方基本处于同一起跑线。中国制造业场景的碎片化与高并发特性，反而构成了对调度算法泛化能力的独特训练场。

西门子（Siemens）全球工业自动化巨头，CES 2026发布九大工业Copilot智能体，覆盖Teamcenter PLM、Opcenter MES、Polarion等全产品生命周期。Opcenter Copilot支持生产经理通过对话指令重排订单、诊断瓶颈、生成班报。与NVIDIA、微软合作构建工业AI基础设施。埃尔兰根工厂完成人形机器人HMND 01与生产系统协同作业验证。【信息来源：Siemens官网/CES 2026报道】

中控技术（688777）国内流程工业自动化龙头。DCS系统连续十五年国内市场占有率第一（2025年达45.1%），化工、石化板块分别为68.5%和59.4%。以时序大模型TPT为核心构建工业AI产品体系，TPT 2.0引入MoE架构，升级为工业Agent生成平台。服务沙特阿美、巴斯夫等国际巨头，累计部署控制系统逾10万套。【信息来源：浙商证券研报，2026年7月】

Black Lake Technologies（黑湖科技）成立于2016年，工业AI企业，WAIC 2026入围SAIL奖TOP30并入选全球工业AI旗舰案例。展示覆盖订单拆分与工艺规划、报价、采购、生产排程、质检、订单跟踪的工业AI智能体矩阵。CAD-to-Process Agent可将图纸分析从数小时缩短至约一分钟，准确率超95%。服务全球近4万家工厂。【信息来源：WAIC 2026报道】

卡奥斯COSMOPlat（海尔卡奥斯）海尔集团打造的国家级“双跨”工业互联网平台，成立于2017年。WAIC 2026全球首发工业世界模型，推出天驭工业柔性操作智能体开发平台，实现“三步极速上线”零代码开发，开发周期缩短90%。三大AI智能体COSMO-Sphere（CEO数字人）、COSMO-iMOM（厂长数字人）、COSMO-iEMS（能源站长）覆盖战略决策、生产调度、能效优化。平台沉淀4700余个工业机理模型，累计赋能16万家企业、参与打造20座灯塔工厂。【信息来源：卡奥斯官网/WAIC 2026报道】

数益工联成立于2020年，是工业数字化AI底座及智能制造产品落地服务商，MIP制造创新平台，通过应用新一代物联网技术与丰富的现场交互手段，融合工业工程精益思想与AI技术，为制造企业提供全链路数智化与工业AI应用升级方案。公司拥有多行业丰富的落地经验与数据积累，且伴随企业出海，打造全球互联互通的多工厂集团化管理体系。“人工智能+制造”新时代下，公司推出APS智能排产、工艺参数智能推优、制造AI助手、智能安全检测等智能体，保持了100%的交付成功率，助力客户实现制造到智造的新飞跃。【信息来源：数益工联官网，2026年】

树根互联国内领先工业互联网平台，成立于2016年。连接超250万台高价值工业设备，服务超24万家企业。构建“企业大脑”（管理决策智能化）与“机器人大脑”（生产装备自主化）双脑架构，已围绕工业场景研发10个垂直领域大模型。焊接机器人通过AI视觉识别实现0.5毫米级高精度焊接，焊接准备时间减少80%，探伤合格率提升至90%以上。【信息来源：树根互联官网，2026年】

徐工汉云徐工集团孵化的工业互联网公司，成立于2014年。HANYUN OS是中国首个自主研发的工业互联网操作系统，兼容全球95%以上工业协议。连续七年入选工信部“双跨”平台，获评最高等级A级，稳居全国前二。已完成HANYUN OS Intelligent战略升级，赋能装备制造、建筑施工、新能源等80多个细分领域超7万家企业。【信息来源：徐工汉云官网，2026年】

力鼎智能深耕金属切削领域，自研“机加大管家”柔性生产控制系统——覆盖整座车间的全域生产大脑，依托数字资源建模、智能协同算法、工业大模型语音交互三大核心能力。系统搭建排产、工艺、物料、质量等八大专业智能体，由多模态工业大模型统一协同。在潍柴、中汽等龙头企业落地，车间综合生产效率提升近20%。【信息来源：风口财经，2026年7月】

注：本名单仅为观察梳理的部分企业，行业内仍有诸多主体未逐一列示，不代表行业全部。罗列顺序不分先后，代表性企业目录旨在呈现行业多元生态，而非对任一企业的背书或推荐。

五、结语：从产业及金融视角看具身智能工业智能化

从产业与金融视角看，三大赛道构成了“数据底座—认知基座—系统协同”的递进闭环。三个环节在技术维度、产业阶段、资本投入节奏和风险收益特征上，差异明显。

三条赛道的本质分野在于资本的介入节奏。工业数据与仿真底座遵循“平台逻辑”，前期投入大、生态构建周期长，但平台一旦确立行业事实标准则护城河极深，适合有产业背景的耐心资本早期布局；工业模型基座遵循“技术逻辑”，核心壁垒在于物理场景先验与工艺知识的双重积累，技术验证周期长但一旦突破则具备跨场景复用能力，适合懂技术且熟悉场景应用的专业投资机构深度参与；系统调度Process AI遵循“IE+IT+AI场景升级逻辑”，技术与商业验证同步推进，更新订单驱动可见，适合追求产业链上下游战略合作资本介入。

展望未来，历史回响值得聆听：上一轮工业互联网热潮中，大量平台型公司因“重平台、轻场景”而落地困难；工业4.0浪潮中，部分企业因过度承诺“黑灯工厂”而遭遇预期落差。这些案例的启示在于：工业智能化的落地不取决于技术叙事的宏大程度，而取决于对真实工艺痛点的理解深度与真实场景的综合交付能力。能否在数据仿真引擎自主化、4D基座模型泛化、Process AI标准化三个方向上持续突破，将决定中国具身智能工业智能化能否从“局部领先”走向“全面引领”。中国在这一轮全球竞争中，拥有场景、产业基础和工程化能力的组合优势。工业的复杂性和多样性，恰好构成了具身智能技术不断突破的训练场。谁能率先将“场景复杂度”转化为“数据飞轮”“模型成熟度”与“真实商业回报率”，谁就将在工业具身智能赛道占据不可替代的竞争位势。

信息来源索引及核心术语缩略表

一、企业官方信息与公告

杰克科技2025年年度报告；均普智能2025年年度报告；NVIDIA（NVIDIA）官网及GTC 2026公告；西门子官网及CES 2026/RXD Summit 2026发布；ANSYS官网；达索系统官网；安世亚太官网；中望软件官网；云道智造官网；卡奥斯COSMOPlat官网；树根互联官网；徐工汉云官网及其他代表性企业官网。

二、行业研究机构与咨询报告

中国信通院《具身智能发展报告（2025年）》；中商产业研究院具身智能机器人深度分析报告；MarketsandMarkets全球物理AI市场数据；IDC人形机器人出货量预测；Stanford HAI 2026 AI Index Report；中研普华《2026至2030年中国工业AI行业全景分析与投资前景展望研究报告》；艾瑞咨询《中国工业互联网行业研究报告》；Gartner合成数据预测报告。

三、政策与标准文件

国务院2025年《政府工作报告》；工信部《人形机器人创新发展指导意见》；工信部等八部门《“人工智能+制造”专项行动实施意见》；《关于推动工业互联网高质量发展的实施意见》；“十五五”规划纲要；人形机器人与具身智能标准化技术委员会标准体系（2026版）；各地具身智能产业政策。

四、财经媒体与产业资讯

新华日报/交汇点新闻（星工聚将WAIC 2026报道）；新华每日电讯（人形机器人量产元年观察，2026年7月）；中国机器人网（影身智能4D世界模型报道，2026年7月）；今日头条/同花顺（均普智能WAIC 2026报道）；2026企业数智化创新峰会（数益工联报道）；搜狐/WAIC 2026报道；CCMT2026展会评述；NVIDIA官方博客（汉诺威工业博览会/SIGGRAPH 2026）；Forrester博客（西门子RXD Summit 2026）。

五、核心术语缩略表

重要阅读提示

1.技术阶段说明：本报告涉及的产业仍处于技术路线未收敛、量产工艺持续迭代、行业标准尚未建立的早期阶段。文中所有关于技术成熟度、产业化节奏、市场规模、CAGR等指标的预测和估算判断，均基于截至2026年7月5日的综合行业机构公开预测信息与合理推演，存在较大不确定性。

2.预测与结论的局限性：报告中提及的各类市场规模预测（CAGR等）来源于第三方研究机构的综合判断，不同机构间可能存在显著差异。不构成对未来的确定性承诺或投资建议。

3.企业信息与关联关系：所有企业进展均来自公开可查资料（官方公告、年报、权威媒体报道），不代表对任何企业的背书或商业推荐。文中提及的“清华背景”或“其他高校背景”主要指创始团队学术渊源或产学研合作历史，不隐含商业关联。

4.阅读建议：建议读者结合本提示及报告中的“风险提示”章节，对本报告内容持审慎、开放、验证的态度。本团队将持续跟踪产业变化，定期迭代更新。

5.产业动态提示：本文旨在搭建基础理解框架，但由于该产业处于快速迭代周期，相关规模预测与代表性企业难以做到精确统计和严格划分，存在明显的数据有效性与分类能力局限。

本文摘自清华金融评论&清友创联联合策划“科创AI+|科技产业金融”专栏，由清友创联撰写出具的研究报告《具身智能工业智能化，抢占智造升级风口！》。详细信息来源索引及核心术语缩略表详见完整研究报告。产业技术迭代快速，若各位行业专家、从业人员发现文中数据疏漏、未收录产业线索、内容需要勘误修正，或是物理世界具身智能相关课题研究、活动申请，以及其他产业专访、专栏内容合作事宜，均可来信沟通。联络邮箱：thfrc@pbcsf.tsinghua.edu.cn

关于《清华金融评论》·《科创AI+》

《清华金融评论》坚守“建言金融政策，引领金融实践”的办刊初心与使命，《科创AI+》栏目聚焦新一轮科技革命与产业变革的时代浪潮。针对当前AI赋能科技创新、产融深度融合、前沿技术落地等热点话题进行深度剖析、案例分享与访谈解读。解码科创企业成长逻辑，洞察AI技术应用边界，探索“科技- 产业-金融”协同发展新路径。

Review of Past Articles -

01

02

03

04

编辑 | 兰银帆

审核丨秦婷