移動機器人行業(yè)，究竟困在何處？

對此，擁有15年從業(yè)經驗的杭叉集團首席科學家陶熠昆一語道破癥結所在：當前看似競爭激烈的移動機器人市場，實則由于滲透率極低，仍處于藍海階段；而產業(yè)破局的關鍵，正藏在從AMR向EIMR（具身智能移動機器人）的范式躍遷新方向之中。

“紅海”假象與破局之路

在移動機器人產業(yè)，“紅海”早已是行業(yè)掛在嘴邊的高頻詞。價格持續(xù)下探、參數內卷加劇、交付周期一再壓縮，種種行業(yè)表象，很容易讓人得出“市場競爭過度、增量機會稀缺”的結論。但在陶熠昆看來，這是一種需要被打破的行業(yè)假象。

“一個整體滲透率尚不足3%的行業(yè)，本質上仍處于產業(yè)早期階段，遠沒到真正意義上的‘紅海’。”陶熠昆直言，行業(yè)普遍體感艱難，不是市場增量空間已經耗盡，而是整個產業(yè)仍被三重結構性約束牢牢困住——部署成本較高、場景適應性差、高度依賴結構化指令，這才是行業(yè)發(fā)展的真正瓶頸。

陶熠昆逐一拆解了這三重約束的核心影響。首先是部署成本問題。當前移動機器人在工業(yè)場景的落地模式，與早期智能駕駛高度依賴高精地圖的階段極為相似。其落地需要搭建類似“高精地圖”的現場基礎設施，這一過程產生的高昂成本也遠超普通工廠的承受能力。

其次是非標化帶來的系統復雜性。移動機器人產品本身趨于標準化，但實際應用場景卻高度碎片化。一旦場景發(fā)生變化，就需要進行非標定制，而大量定制代碼不斷堆砌，極易引發(fā)“規(guī)則爆炸”，導致系統邏輯沖突、難以維護且無法復用，讓行業(yè)陷入非標化困境，阻礙規(guī)?；l(fā)展。

此外，當前的移動機器人高度依賴結構化指令。自然語義指令只能通過WMS等上層系統解析為具體的物流任務，如貨物搬運、存儲、分揀等，明確任務優(yōu)先級、時間要求和目標位置后，才能被移動機器人執(zhí)行。

這三重約束疊加，構成了行業(yè)發(fā)展的“隱形天花板”，也正是智能叉車等核心產品滲透率長期難以提升的根源。問題的關鍵從來不在市場需求，而在底層的技術與產業(yè)范式。

也正是在這樣的行業(yè)背景下，具身智能的產業(yè)價值被重新審視。過去兩年，人形機器人概念帶火了“具身智能”，但在陶熠昆看來，真正實現具身智能大規(guī)模商業(yè)落地的場景是已經完成產業(yè)驗證的智能駕駛。

陶熠昆指出，“汽車產業(yè)以硬件為載體，持續(xù)出貨獲取數據，通過海量數據訓練模型，再反過來提升系統能力，形成正向循環(huán)。”這無疑是一條已經被跑通的路徑。智能駕駛的核心突破，不只是單點技術的升級，而是構建起了“載體—數據—模型”的完整正向閉環(huán)，讓數據飛輪真正轉動了起來。

他梳理了智能駕駛十年來的演進路徑。智能駕駛從2013年發(fā)展至今，已完整經歷四個階段。第一階段，依靠SLAM、幾何感知、傳統規(guī)控，實現“能開”；第二階段，依賴高精地圖、圖像領域語義感知、Rulebased規(guī)劃控制，實現有限區(qū)域（如高速）的智能駕駛；第三階段，轉向“重感知、輕地圖”，城市智駕成為可能，但傳統規(guī)控陷入規(guī)則爆炸，開得“不那么好”；第四階段，端到端模型上車，在絕大部分路況下決策合理、安全，大規(guī)模商業(yè)落地成為現實。

歷經這四個階段，智能駕駛完成了一次關鍵躍遷——從“規(guī)則驅動”走向“數據驅動”。這一轉變不僅是算法層面的升級，更意味著系統能力的生成方式發(fā)生了根本變化，不再依賴人為窮舉規(guī)則去覆蓋場景，而是通過數據訓練模型，讓系統具備在復雜環(huán)境中的泛化能力。這一拐點，決定了智能駕駛從“可用”走向“好用”，并最終走向規(guī)?；?/p>

而移動機器人，目前仍停留在這一演進路徑的前半段。無論是對環(huán)境的依賴程度，還是對規(guī)則系統的依賴方式，都與智能駕駛的早期階段高度相似。這意味著，其下一階段的發(fā)展方向并不模糊：需要從“規(guī)則系統”走向“數據驅動”，從“場景適配”走向“能力泛化”。

在他看來，具身智能正是這場范式切換的核心抓手。一方面，移動機器人要完成從AMR向EIMR（具身智能移動機器人）的躍遷，必須靠具身智能賦予更強的感知、理解與決策能力，才能在更開放、更復雜的工業(yè)環(huán)境中穩(wěn)定運行；另一方面，具身智能的迭代，離不開能持續(xù)產生真實場景數據的落地載體，而工業(yè)移動機器人恰恰是工業(yè)領域少數具備規(guī)?；涞貪摿Φ妮d體。

陶熠昆最終給出了他對行業(yè)破局的核心判斷。移動機器人的出路，從來不在繼續(xù)壓縮成本、優(yōu)化局部性能的存量內卷里，而在完成一次底層的范式切換。只有當行業(yè)真正擺脫對環(huán)境改造、人工規(guī)則、結構化指令的深度依賴，建立起以數據和模型為核心的能力體系，才有可能跨越當前的產業(yè)瓶頸，進入規(guī)模化發(fā)展的全新周期。

這條路，既有時間窗口，又有技術可行性，還有產業(yè)基礎支撐。陶熠昆的判斷冷靜而務實，這并非賭未來的盲目探索，而是一條已被驗證的可行之路。

智駕技術范式遷移的“甜點”與“硬菜”

論證了方向之后，陶熠昆將目光轉向具體的遷移路徑——智能駕駛的技術成果，哪些能直接平移到工業(yè)移動機器人領域，哪些照搬會水土不服？他用“甜點”和“硬菜”的形象比喻，清晰劃分出這場跨界遷移中，確定性的機會與繞不開的硬核難題。

在陶熠昆看來，這場技術遷移里最大的“甜點”，無疑是“重感知，輕地圖”的技術范式。他指出，當前移動機器人的部署落地，需要通過SLAM構建地圖，標注路網拓撲與交通規(guī)則，再用精確3D坐標示教每一個作業(yè)點位。這套流程與早期自動駕駛高度依賴高精地圖的范式如出一轍。而高精地圖雖能彌補早期感知短板，但其前后期制作與維護的成本，始終占據施工成本的核心部分，成為行業(yè)規(guī)模化落地的最大掣肘。

這個行業(yè)難題，陶熠昆認為，智能駕駛行業(yè)已用數年探索蹚出了破局之路。他談到，早年智駕同樣困于高精地圖與車路云協同的高成本，難以實現城市級落地，最終在城區(qū)智駕場景中找到了“重感知，輕地圖”的路徑——通過 BEV/OCC 等在線感知網絡，實時生成局部環(huán)境信息，用在線感知替代對預繪高精地圖的強依賴。“從高速駛入城市，智駕能力的規(guī)模化擴張，本質上就是‘重感知、輕地圖’的勝利。”

陶熠昆判斷，這套范式向移動機器人行業(yè)的遷移，價值是顛覆性的。它能大幅壓縮部署成本，讓機器人擺脫預繪靜態(tài)地圖的束縛即可穩(wěn)定運轉。這是當前技術遷移中，最易落地、確定性最高的一步，是當之無愧的核心“甜點”。

但技術遷移的路上，并非全是可以輕松摘取的“甜點”，還有兩道無法回避、必須沉下心啃透的“硬菜”。

第一道需要啃下的硬菜，是智駕技術范式與工業(yè)具身感知之間，精度與粒度的量級差距。陶熠昆直言，汽車智駕的技術范式生來為道路場景設計，常規(guī)行駛中亞分米級精度已能滿足安全需求，即便是精度要求最高的自動泊車，行業(yè)頂尖方案也僅能做到5厘米以內的控制精度。但在工業(yè)作業(yè)場景中，貨叉插取托盤、精準對準庫位這類高頻操作，要求的是亞厘米級控制精度，1厘米的誤差就可能導致作業(yè)失敗，甚至引發(fā)安全事故。“整整一個數量級的差距，絕不是簡單技術移植就能彌合的，這是行業(yè)必須直面的核心挑戰(zhàn)。” 即便業(yè)界已在探索多條技術路線填補鴻溝，但并無現成方案可用，每一條路線都需要工程層面的持續(xù)突破。

第二道繞不開的硬菜，是工業(yè)場景特有的數據效率難題。陶熠昆指出，工業(yè)車輛與移動機器人行業(yè)，天然具備高定制、小批量的行業(yè)屬性，這讓數據驅動的智能化，從一開始就面臨與智駕行業(yè)截然不同的底層困境。

一款熱銷的汽車，年銷量可以達到數十萬臺，整車的傳感器方案、車體構型高度統一，海量的路測數據可以快速攤薄采集與模型訓練的成本；即便是當下火熱的大語言模型，其訓練所需的文本數據，也天然存在于互聯網之中，采集成本極低。

但在工業(yè)領域，即便是叉車這類相對通用的品類，單款年銷量也難與乘用車型比肩，更不用說大量定制化產品，不同場景下的車體、傳感器、作業(yè)流程千差萬別。這讓企業(yè)始終面臨兩難：該選哪款產品、哪個場景采集數據？巨額成本換來的數據，一旦方案調整，還能否跨平臺復用？

陶熠昆透露，杭叉的核心攻關方向，正集中在構建跨設備平臺的數據表示。在他看來，跨平臺數據復用的范式研究，必須提升到行業(yè)級的戰(zhàn)略議題，而非各家企業(yè)各自摸索的技術細節(jié)，這也是工業(yè)移動機器人向具身智能轉型必須攻克的核心關卡。

陶熠昆始終強調，從智駕到移動機器人，技術遷移的浪潮已然到來，但這場遷移從來不是簡單的“拿來主義”。唯有既抓牢可快速落地的“甜點”，也沉下心啃透屬于工業(yè)場景的 “硬菜”，才能讓智駕的技術紅利，真正在工業(yè)場景里落地生根。

智駕技術范式躍遷帶來產品形態(tài)躍遷

技術范式的轉變，最終會兌現為產品形態(tài)的轉變。在陶熠昆看來，移動機器人行業(yè)對“產品”的核心認知，已經到了可以升級定義的時刻。

“過去，行業(yè)習慣以導航方式、避障能力等細節(jié)差異區(qū)分AGV與AMR，但這種表層的技術迭代，早已不足以定義從 AMR 到 EIMR（具身智能移動機器人）的范式躍遷。” 陶熠昆直言，兩代產品的真正分野，從來不在細枝末節(jié)的功能升級，而藏在底層邏輯的徹底重構之中。

他清晰地劃定了二者的本質邊界。AMR是規(guī)則驅動，依賴高精度地圖，執(zhí)行的是坐標指令，本質是在構建一套自動化系統；而EIMR走向數據驅動或混合驅動，走“重感知、輕地圖”的感知網絡路線，靠語義指令運行，產品動機樸素得多——就是取代人工。放在車聯網的語境下，AMR離不開WMS、RCS這些上層系統；而EIMR的目標，是把V2X里的那個“X”徹底拿掉，實現X=ZERO的單機自主。

基于這一認知，陶熠昆拋出了顛覆行業(yè)固有認知的判斷：移動機器人的進化方向，是從群體（系統）智能走向單機（分布）智能。

長久以來，數百臺移動機器人的聯網調度，一直被行業(yè)奉為技術實力的象征，可陶熠昆卻發(fā)出了直擊本質的追問：“我們反復提及的群體智能，到底代表的是高智能，還是高依賴？” 在他看來，多機調度的本質是運籌學的指派問題，技術上限并不高，“真正難的，是讓一臺機器人不組網、不依賴任何外部系統，獨立完成復雜作業(yè)。” 他坦言，只有具備真正單機智能的產品，才具備規(guī)?；瘡椭频暮诵目赡?/strong>。

要實現這場范式跨越，陶熠昆給出了一條極為務實的過渡路徑：混合智能。他直言，行業(yè)遲遲難下決心全面轉向數據驅動，核心困局在于起步門檻的兩難。純規(guī)則驅動5天就能做出60分的產品，但上限極低；純數據驅動動輒需要千萬級別的數據成本，短期效果未必優(yōu)于規(guī)則方案，卻擁有無限的成長空間。“混合智能的價值，就在于既能靠規(guī)則快速落地，讓產品先進入現場用起來，又能完整保留數據驅動的成長上限。” 陶熠昆強調，只要產品進入真實場景運轉，數據飛輪就能被撬動，因此數據工程絕不該是算法團隊的內部事項，而必須上升為企業(yè)的頂層戰(zhàn)略。

最后，陶熠昆還借用智能駕駛的分級體系，為行業(yè)畫下了清晰的演進路線圖。“現在行業(yè)里很多聲音說，AMR靠V2X實現了 L4 級無人化，可這本質上是‘高代價的偽 L4’，是靠外部系統堆出來的自主，而非機器人本身的能力。”

在他的判斷里，EIMR的進化，反而要先主動“降級”。先徹底打破對V2X的外部依賴，退回L2級實現可靠的人機協同；再憑借具身智能的持續(xù)迭代，攀升至L3級，實現常規(guī)場景完全無人作業(yè)，僅在特殊情況下需要稀疏人工干預；最終走向真正的L4級智能——具備極強的環(huán)境適應性，能理解并拆解自然語言指令，在密集、狹窄等非標準場景中實現全流程無人化作業(yè)。

陶熠昆直言，“當具身智能與移動機器人產品范式深度融合的那一刻，就是這個產業(yè)突破紅海、走向藍海的時刻。”