微亿智造张志琦：超80%的具身智能项目卡在PoC

当前超过80%的具身智能项目仍然停留在PoC或Demo阶段。”微亿智造董事长兼CEO张志琦在8月19日-23日举行的世界机器人大会（WRC 2026）期间的论坛演讲时表示。

他进一步解释称，问题并不只是算法能否完成任务，而是机器人进入产线以后，往往同时面临节拍效率低、综合成本高和异常应对能力弱三类问题。张志琦认为，与其追求理论上的100%成功率而迟迟无法交付，不如建立“人类在环”的协作体系，设备完成80%—90%的工作，遇到无法处理的异常时主动请求人工介入。

目前，这一思路已被微亿智造应用于物流码垛。在大小、形状各不相同的纸箱码垛场景中，机器人不仅要规划摆放顺序，还要保证最终装载率。当垛型出现风险时，设备可以识别自身能力边界，请求人员进行简单整理。随着数据积累和模型优化，人工干预次数逐渐减少，原本两名工人负责一个垛口，可以转变为两名工人同时管理5-10个垛口。

在张志琦看来，工业具身智能并不等同于人形机器人。原因在于，本体形态应由环境与任务决定，工业现场可能需要单臂、双臂、多臂、轮式双臂机器人，也可能继续采用传统工业机械臂和协作机器人。同时，技术路线同样不应被单一模型绑架，衡量技术路线的标准，不是概念是否先进，而是能否把项目稳定交付。

工业具身智能的价值，不在于复刻人的外形，而在于解决传统自动化难以处理、过去必须依靠人工完成的柔性任务。在大型压铸件检测场景中，微亿智造通过4-6台机械臂协同完成外观和深孔检测，并实时处理多机械臂之间的路径规划与避障；在去飞边、去毛刺场景中，系统通过二维、三维感知实时修正运动轨迹；在一体化压铸件质检场景中，一台具身质检机器人可以释放80%的人力、提升50%产能，并降低99%的漏检风险。

在张志琦看来，在实际项目中，该公司仍会使用传统工业机器人和协作机器人，因为本体选择最终要服从成本、效率和投资回报。对于制造企业而言，采用什么外形并不重要，能否在两年左右收回投资，才是项目从验证走向规模部署的重要前提。

张志琦并不认为具身智能将完全替代传统自动化。相反，他预测未来的柔性工厂可能由40%-50%的传统自动化、30%-40%的具身智能设备和5%-10%的人员共同组成。人不再被固定在单一工位上重复劳动，而是在中控系统中管理设备、处理异常和完成更具判断力的工作。

根据介绍，微亿智造成立于2018年，已在工业智能领域持续投入近七年。微亿智造于2025年9月向港交所递交上市申请，目前仍处于IPO进程中。以2024年收入计算，微亿智造是中国最大的工业具身智能机器人供应商，应用覆盖3C电子、汽车制造、新能源、快消和半导体等行业。

以下为「明亮公司」整理的张志琦在《智造现场，具身智能的工业试炼论坛》的演讲内容（未经演讲人审阅）：

#01 工业具身智能必须跨过三道现实门槛

微亿智造从2018年发展到现在，已经接近七年。去年9月，我们向港交所递交了上市申请，目前仍处于IPO进程中。公司在收入规模和工业落地方面积累了一些经验，今天也想分享我们对工业物理AI和具身智能的思考、方案与客户实践。

具身智能是一个真正具有巨大潜力的赛道。未来，工厂中的许多重复劳动都有机会由具身智能设备完成，人不必继续在产线上被当作机器使用，而可以更好地发挥自主能动性。

来源：WRC官方、微亿智造（下同）

但要实现这一目标，需要很长时间。今天在展馆中看到的很多项目仍然处于Demo阶段。真正进入工业现场，首先要解决三类问题：

第一是产线节拍。离散制造中的机器人承担的是一道生产工序，必须服务于整个制造过程，与上下游产线和其他工序协同。如果采用多关节、复杂结构完成柔性任务，动作时间通常比较长。一旦跟不上生产节拍，很多看起来不错的演示就无法进入产线。

第二是经济账。无论设备采用什么形态，进入现场以后都要解决特定问题，也要计算能够替代多少人工。制造企业测算投资回报时，通常要求两年左右收回成本。机器人构型越复杂，本体和部署成本往往越高。什么时候价格能够下降到客户可以接受的范围，是规模化落地必须解决的问题。

第三是异常处理。模型能力存在上限。如果机器人无法覆盖所有长尾场景，就要考虑人与设备如何配合。我们这两年采用了较多“人类在环”的方式，机器完成80%—90%的工作，遇到无法解决的异常时，能够识别自身能力边界并请求人工协助。这样可以让人和设备一体化进入产线，而不是为了追求理论上的100%成功率，导致项目长期无法交付。

#02 机器人的形态应当由任务决定

行业今天讨论了很多机器人形态。但在工业现场，机器人究竟是一只手、两只手，还是三只手、四只手，并不是最重要的问题，形态由环境和任务决定，什么样的构型更适合落地，就应该采用什么样的构型。

在不同形态背后，自主感知、自主认知、自主规划和动作执行的基础架构是一致的。这套架构可以部署到不同本体上，人形机器人只是其中一个方向。我们把这类产品称为工业具身智能机器人，也就是EIIR。它由AI模型驱动，能够根据不同场景要求完成可靠、连续的任务，并通过物理AI理解物理世界、实时交互和执行。

与人工相比，工业具身智能设备可以持续工作、提高生产效率和产品质量，并降低运营成本。与传统自动化设备相比，它具有更强的感知、任务理解和柔性生产能力。与通用人形机器人相比，工业场景更加明确，技术体系也相对成熟，可以根据任务选择成本更低、效率更高的构型。

#03 「人类在环」并非妥协，而是落地机制

以物流码垛为例，我们与顺丰合作处理无序码垛问题。纸箱大小不一致，但又要被合理地码放在一起。

机器人必须理解人的码垛策略。大件需要铺底，小件需要插入缝隙。客户验收项目时，不仅关注码垛速度，也会考察最终装载率。如果装载率达不到人工水平，项目同样无法通过验收。在这个过程中，我们利用强化学习训练码垛策略，并实时感知和监测垛型。当机器人发现垛型存在问题时，可以主动请求人员进行简单整理。

这样做的目的不是长期依赖人工，而是让项目能够阶段性落地。随着数据和模型能力不断积累，需要人工处理的次数会越来越少。过去可能需要两名工人负责一个垛口。设备进入以后，两名工人可以同时管理5-10个垛口，人工干预垛型的次数也会持续下降。

机器人还要能够判断是否存在鼓包、异形件等异常，并判断这项任务自己能不能完成。如果不能完成，就将异常留给人员处理。通过这种方式，项目可以先实现验收和规模使用，再通过真实场景数据不断提高自动化程度。

工业具身智能不是在第一天就完全取代人，而是在持续工作中逐渐减少对人的依赖。

#04 工业场景需要混合技术体系

在真正的工业项目中，我们看到的不是某一种模型或算法单独发挥作用，而是不同技术栈的融合。

有些任务可以采用目标识别，再结合机器人的轨迹规划算法，保证运动精度和执行速度；在泛化要求更高的场景中，可以采用VLA架构；部分项目还会把触觉感知与VLA结合，形成多模态数据训练。当场景中的长尾情况更多时，也可以引入世界模型，与VLA架构结合。最后还可能需要规则引擎收敛和兜底，以保证项目达到要求的成功率。

在工业具身智能技术体系尚未完全收敛的阶段，不同技术模式需要混合使用。选择什么技术，不是为了概念先进，而是为了保证场景能够稳定落地。

产品架构同样需要符合工业要求。如果一项长程任务必须把数据传到云端完成推理，再将结果返回现场，一旦网络中断，设备就无法继续运行。

因此，我们采用“云—边—端”一体化架构，推理主要部署在边缘端。即使出现断网等异常情况，设备依然可以自主完成任务。云端承担智能引擎、学习中枢和数据管理；边缘端连接感知与执行系统，完成实时推理和路径规划；设备端负责环境感知和高精度物理操作。

人的经验也可以通过交互系统反馈给模型。模型先作出决策，人员对结果进行判断，反馈结果再进入数据管理和模型迭代系统。通过“快思考”与“人类在环”结合，可以逐步解决工业场景中的冷启动和长尾问题。

#05 工业案例最终要看节拍、质量与成本

在大型压铸件检测场景中，我们与汽车工厂、宝马和舍弗勒等客户开展合作。大型压铸件不仅需要检测外观表面，还可能需要检查内部深孔。如果完全依靠人工，检测节拍很难跟上产线。即使采用工业机械臂，也不是一台机械臂就能解决，可能需要4-6台机械臂协同工作，同时处理机械臂之间的实时避障和路径规划。我们在传统工业机器人基础上加入自主感知、自主认知和自主规划，让多台机器人协同完成检测。

在一体化压铸件去飞边、去毛刺场景中，工件尺寸越大，变形和个体差异越明显，很多工艺过去仍需要依靠人工完成。我们通过二维和三维感知，实时识别工件变化并修正机器人运行轨迹，使感知、认知和工艺执行形成闭环。

在具身质检场景中，我们通过AI驱动的多组机械臂协同作业，解决固定视觉和单机械臂方案在复杂大型工件检测中的盲区与节拍问题。

工业具身智能真正需要解决的是传统自动化无法处理、过去只能依靠人工完成的柔性任务，但这并不意味着具身智能要替换所有传统自动化。工业场景中，成熟的自动化设备仍然具有很高的效率和稳定性。具身智能更适合补充自动化覆盖不到的部分。

所有项目最终都要计算ROI。项目早期验证可以投入较多资源，但要实现规模化应用，两年左右收回投资仍然是一道重要门槛。这也是为什么我们在很多项目中仍然会采用传统工业机器人和协作机器人。构型选择必须服务于成本、效率和投资回报，而不是为了追求某一种外形。

06 柔性工厂不会完全“无人化”

模型的泛化能力还需要进一步提高。我们希望设备逐渐接近开箱即用，无论场景或操作对象发生什么变化，都能够通过尽可能少的投入快速完成适配。

在机床上下料场景中，很多企业过去已经购买工业机器人，但工人并不愿意使用，原因是调试一台机械臂可能需要半天时间，而同样的时间已经足以完成一批生产订单。

采用具身智能技术以后，机器人进入学习模式，观察原有工件并完成空间建模，就可以快速形成操作方式。一台设备学习后，能力还可以同步到其他设备。即使机器人的安装公差和现场环境存在差异，也可以重新适配。

具身智能要解决的，是传统自动化解决不了、过去必须依靠人工完成的问题。我们不认为工业具身智能会完全取代传统自动化。未来更加合理的柔性工厂，可能由40%-50%的传统自动化、30%-40%的具身智能设备，再加上5%-10%的人员共同组成。这些人员主要负责异常处理、辅助配合和系统管理。

未来的离散制造工厂也可能像石油、天然气和化工行业一样，通过中控室管理大量设备和完整生产过程。这或许才是工业具身智能真正落地后的工厂形态。

微亿智造从3C消费电子起步，目前已经进入汽车、新能源、快消和半导体等行业。未来，我们还会推动技术在更多行业和场景中落地。