2026年8月28日，深圳市工业和信息化局、深圳市科技创新局正式印发《深圳市推动智能机器人产业高质量发展工作方案（2026—2028年）》。方案提出，到2028年形成“两区两中心”产业格局，并重点推进具身智能大模型、人形机器人本体、核心零部件和国产操作系统等关键技术攻关。
更值得制造业关注的是应用端。政策明确提出推动人形机器人与具身智能产品在工业、服务、特种环境三大领域开展实景实训，到2026年底形成3个以上高价值应用场景，同时支持建设具身智能数据采集场。
政策释放出的信号很清晰：人形机器人正在从实验室和展示场，走向真实生产环境。
但真正的问题也随之出现：人形机器人“会走路”并不意味着“会干活”。一台机器人要进入工厂，面对不断变化的物料、设备和生产环境，究竟需要哪些技术？
一、人形机器人进入工厂，真正改变的是什么？
传统工业机器人已经能够完成焊接、点胶、搬运、装配、检测等大量任务。它们精度高、速度快，在高度结构化的生产环境中具有非常成熟的表现。
但传统自动化通常建立在一个前提上：任务是确定的，环境也是相对确定的。
工程师需要提前设定机器人在哪里运动、从哪里抓取物料、按照什么轨迹运行，以及不同工况下应该执行什么动作。当产品型号、物料位置或产线布局发生较大变化时，往往需要重新示教或者修改程序。
具身智能试图解决的则是另一类问题：机器人能不能理解任务，并根据现场环境自主决定怎么完成任务。
例如，让机器人完成“将指定型号的板卡从料箱取出，经过检测后放入对应托盘”这一任务。对于人来说，这是一项普通操作；对于机器人而言，却涉及目标识别、姿态判断、路径规划、抓取控制和结果确认等多个环节。如果物料位置发生变化，它还需要重新判断，而不是机械重复上一条轨迹。
因此，人形机器人的核心价值并不是“外形像人”，而是尝试把感知、理解、决策和动作执行连接起来，这也是Physical AI进入制造业的重要技术路径。
二、从“看见”到“行动”，机器人需要怎样的技术栈？
工业具身智能并不是简单地给机器人装一个大模型，而是一套从环境感知到动作执行的完整系统。
首先是机器视觉和环境感知。机器人需要通过RGB相机、深度相机、力觉、触觉、IMU等传感器获取环境信息。对于工业任务而言，仅仅识别“这是一个零件”还不够，还需要知道它在三维空间中的位置和姿态，以及与周围设备之间的空间关系。
这也是6D姿态估计等技术的重要价值。以NVIDIA FoundationPose为例，其核心能力之一就是估计物体在三维空间中的位置和旋转状态，为机器人抓取、装配等操作提供空间信息。
有了环境信息之后，机器人还要理解“现在应该做什么”，这就涉及Vision-Language-Action（VLA）模型。
传统视觉模型主要回答“看到了什么”，语言模型负责理解任务，而VLA进一步尝试建立视觉、语言和机器人动作之间的联系。例如输入“把左侧料箱里的目标零件放到检测工位”，模型需要结合语言指令和当前视觉环境理解任务，并生成与机器人行动相关的策略。
NVIDIA GR00T系列就是围绕通用人形机器人基础模型进行探索的代表性技术路线。
不过，VLA并不能直接替代底层机器人控制系统。模型理解“把零件拿起来”之后，还需要解决机械臂如何运动、如何避障、关节如何协调以及抓取力度如何控制等问题。
因此，还需要运动规划与控制。
以机械臂抓取为例，上层AI负责理解任务并确定目标，下层运动规划系统则负责计算可执行的轨迹，同时考虑关节限制、碰撞风险和环境约束。Isaac ROS cuMotion等技术就是围绕机器人运动规划与执行展开，让AI生成的任务策略能够进一步转化成真实动作。
由此可以看到，一套完整的工业具身智能系统实际上包含了多个层次：感知负责理解环境，VLA负责理解任务，运动规划负责生成动作，控制系统负责稳定执行。
三、为什么工业机器人越来越需要仿真？
如果机器人直接在真实工厂里通过大量试错学习，成本显然很高。
一方面，真实机器人训练会占用设备和生产资源；另一方面，机器人动作失败还可能带来设备碰撞、物料损坏甚至安全风险。
因此，具身智能正在形成一条重要技术路线：先在虚拟环境中训练和验证，再进入真实工厂部署。
NVIDIA Isaac Sim等机器人仿真平台的价值，就在于建立一个能够模拟机器人与真实环境交互的数字空间。机器人、设备、物料、货架以及传感器都可以在虚拟环境中进行建模，然后让机器人反复执行抓取、搬运、避障等任务。
仿真的优势是可以快速扩大训练和测试的范围。同一个物体可以改变位置、姿态、光照和环境条件，机器人也可以从不同位置重复执行任务。
这意味着机器人不需要每次学习都占用真实产线，而可以先在虚拟环境中完成大量低成本试错。
对于制造业而言，这种方式的意义并不是简单地“把工厂做成3D模型”，而是建立一个可以用于机器人训练、验证和数据生成的数字环境。
四、Sim2Real：仿真成功，为什么还不够？
仿真解决了训练成本问题，却带来了另一个关键挑战：Sim2Real Gap。
虚拟环境中的摩擦力、物体质量、摄像头噪声和机械误差都可以人为设置，而真实工厂中的条件会不断变化。零件材质、光照、位置误差甚至设备振动，都可能影响机器人最终动作。
因此，机器人在仿真环境中成功，并不意味着进入真实生产线之后一定成功。
更合理的路径是建立一个持续闭环：仿真训练 → 模拟验证 → 真机部署 → 现场反馈 → 再训练。
机器人先在虚拟环境中进行大量训练和测试，表现较好的策略进入真实环境验证；现场执行产生的数据再反馈到训练环节，对模型和策略进行优化。
这就是Sim2Real真正的价值：它不是让仿真取代真实世界，而是让虚拟世界承担更多训练和试错工作，让真实世界负责最终验证。
五、为什么工业场景可能成为具身智能的重要落地场？
相比家庭环境，工厂其实具有一个明显优势：任务虽然复杂，但边界相对清晰。
搬运、拣选、上下料、检测、装配等工作都有明确的目标和结果，而且制造企业已经拥有大量数字化基础设施，可以提供设备状态、生产任务、物料信息和工艺数据。
这意味着未来机器人不一定是孤立运行的。
它可以通过视觉了解现场环境，通过生产系统获得任务，通过AI模型进行任务规划，再通过机器人控制系统完成执行。执行结果又可以回到生产系统，形成更完整的人机协同流程。
因此，工业具身智能真正的方向并不是简单地“用人形机器人替代工人”，而是让机器人逐渐成为制造系统中的一种智能执行节点。
六、工业富联科技服务正在验证这条技术路线
工业富联科技服务已经开始将具身智能放入真实制造场景进行探索。在人工智能服务器工厂相关实践中，FII部署的人形机器人承担I/O板拣选、视觉检测、托盘放置以及冷板搬运等任务。
技术层面，机器人结合FoundationPose、Isaac ROS cuMotion以及NVIDIA Isaac GR00T等技术，实现视觉感知、运动规划和复杂任务执行。在真正进入生产环境之前，相关机器人动作会先在NVIDIA Isaac Sim中进行模拟与验证，以降低现场试错成本。
部署之后，机器人产生的数据又可以继续进入训练和优化流程。借助Isaac Teleop等技术，人类示范动作可以转化为机器人训练数据，再结合真实生产过程中产生的数据，对机器人策略进行持续优化。
因此，这套实践的意义并不只是“让一台人形机器人完成几个动作”，而是在探索一条更加完整的工业具身智能路径：
模型理解任务，机器人感知环境，运动系统负责执行，仿真环境负责验证，真实工厂提供反馈。
七、人形机器人下一阶段，拼的可能不是“像不像人”
随着人形机器人从实验室走向工厂，行业评价标准也会发生变化。
机器人有多少自由度、行走速度多快当然重要，但对于制造业而言，更关键的是它能不能稳定完成任务，能不能适应环境变化，能不能快速学习新技能，以及能不能与现有生产系统协同。
因此，工业具身智能最终比拼的并不是单一机器人本体，而是本体、模型、数据、仿真和场景组成的完整系统能力。
深圳此次政策同时布局大模型、人形机器人本体、核心零部件、国产操作系统、真实场景和数据采集，本质上也说明人形机器人正在从单机产品竞争，进入软硬件、数据和应用生态协同发展的阶段。
对于制造业而言，这场变化最值得关注的地方，并不是工厂里多了一台“长得像人”的机器人，而是自动化设备开始具备感知环境、理解任务、规划动作并持续学习的能力。
从“会走路”到“会干活”，真正决定工业人形机器人能否规模化的，最终还是它能不能在真实生产环境中，把事情稳定、可靠、低成本地做好。
