今年的世界人工智能大会（WAIC）现场，机器人开始"上班"了。
在上海世博展览馆、徐汇西岸、张江科学会堂三大展区，数十台具身智能机器人承担交通执勤、展馆导览、导航接待等工作。其中，智元60台机器人首次在大会主分会场承担指引服务，成为业内首次实现人形机器人"部署态"公共服务的案例。
毫无疑问，具身智能是当下顶流。今年WAIC，参展具身智能企业从去年的80余家增加至200余家。相比去年集中展示运动能力、灵巧操作，今年企业把工厂、仓库、酒店、商场等真实业务流程搬进了展馆。
机器人展示的重心，正从能力验证转向价值验证。但从展台走向工厂，从演示走向批量部署，具身智能仍需跨过商业闭环这道门槛。
在现场，多名受访企业相关负责人向时代周报记者表示，现阶段决定机器人商业化速度的，已经不是动作是否足够炫酷，而是三个更现实的问题：能否算清ROI？能否获得高质量数据？能否形成可复制的交付模式？
从场景竞争走向岗位竞争
过去两年，具身智能行业最常被提及的关键词是场景落地。
站在商业视角，"场景"并不是一个可以直接交付的产品。工业制造、商业服务、公共安全描述的是领域，而不是需求。机器人最终进入客户现场，面对的不是一个抽象的场景，而是搬运、分拣、导览、配送、洗衣等一个个具体岗位。只有岗位足够标准化，机器人的部署边界才能明确，ROI才能计算，商业模式才能复制。
这种变化在今年WAIC表现十分明显。相比前几年展示机器人翻跟头、跳舞等单点能力，今年不少企业直接把真实业务流程搬进展馆——机器人咖啡馆、酒店洗衣房、零售门店、智能工厂、政务大厅等，展示的不再是一台台机器人，而是一套完整的岗位协同方案。
在擎朗智能展区，时代周报记者注意到，几十台机器人分别承担咖啡制作、零售配送、酒店洗衣等不同岗位，整个展区没有人为遥控，而是依靠机器人自主协同完成工作流程。
“判断人形机器人商业化是否成立，并不取决于机器人能够完成多少动作，而在于客户是否愿意持续付费。”擎朗智能创始人、CEO李通向时代周报记者表示，真正的商业化意味着机器人能够进入工业、服务业等真实生产环境，为客户持续创造价值，而不是停留在实验室或展会展示。最终决定采购的，始终是ROI。
不同产业，对这本经济账的要求也并不相同。
工业客户通常希望机器人能够在一年左右收回投资；而服务业客户的要求更加直接，即从投入使用开始就能提高效率，补充人手不足。
李通向时代周报记者举例称，在擎朗海外市场，大量客户采用机器人租赁模式，租赁费用约为当地人工成本的三分之二。在劳动力紧缺的国家，如果机器人能够完成更多工作、成本也更低，那么商业价值从第一个月便已经兑现。
另一边，魔法原子则展现另一种商业化思路。展区内，机器人连续完成叠盒封胶、衣物整理、行李箱收纳等复杂长程任务。其中，衣物整理被业内认为是柔性物体操作中难度最高的任务之一。
不过，在商业化布局上，魔法原子并没有把赌注押在某一个爆款场景。现场工作人员告诉时代周报记者，目前团队同步推进工业、商业、家庭等九大应用方向，并不会选择某一个行业作为唯一突破口，而是在不同场景里率先跑通一个个商业闭环，再逐步复制到更大规模。
有公司称部署两年可回本
在今年的WAIC，越来越多具身智能企业把目标瞄向工厂。
在不少业内人士看来，工业并非机器人的应用终点，却是最容易率先跑通商业闭环的起点。
安徽聆动通用机器人创始人、CEO季超向时代周报记者分析，具身智能和大语言模型的发展路径类似，不会一开始就成为完全通用技术，而是先进入半结构化、需求明确的行业。工业和物流领域劳动力短缺问题突出，因此成为最适合率先商业化的场景。他判断，未来的发展路径大致会是：工业—商业服务—家庭。
之所以首先进入工业和物流领域，背后是现实的劳动力缺口和明确的投入产出逻辑。工业物流长期存在招工难、用工成本持续上升等问题，只要机器人能够稳定完成搬运、上下料、巡检等工作，就能够直接替代部分人工岗位，商业价值也更容易计算。
与商演、科研市场相比，工业客户的评价标准也更加简单。
“商业展示关注的是视觉效果和传播效果；科研市场关注的是机器人平台是否方便二次开发，帮助科研人员验证算法、发表论文；工业客户关注的只有一点——机器人是否真正解决生产问题。”季超表示，工业客户不会在意采用的是机械臂、轮式机器人还是人形机器人，只关心是否能够实现降本增效，以及是否具备合理的ROI。因此，工业机器人本质上是一门（强调）投入产出的生意。
目前，工业客户普遍希望机器人能够在两到三年内收回投资成本。季超透露，在部分应用场景，公司已经实现两年以内回本，并跑通了部分商业模式。“行业整体来看，两到三年属于较为普遍的ROI水平。原因在于，很多工业产线3至5年会进行一次升级。如果机器人两年左右回本，后续几年基本都是纯收益，因此客户愿意投资。”
商业化最大的门槛
如果说ROI决定客户是否愿意买机器人，那么数据则决定机器人是否有能力进入真实生产环境。
高质量真实数据短缺，限制了具身智能进一步迭代。“在迎来物理智能涌现之前，我认为必须突破数据墙。”智元合伙人、觅蜂科技董事长姚卯青在WAIC期间表示。
与大语言模型可以依赖互联网海量文本不同，具身智能需要的是机器人与物理世界真实交互的数据。这类数据既无法像网页一样批量获取，也难以依靠仿真环境完全替代。
姚卯青表示，物理AI的数据，如果等效为Token或者时长，大概只有大语言模型的数万分之一。真机采集成本高、效率低，行业又缺乏统一的数据标准，导致数据质量参差不齐、供需错配以及"数据孤岛"等问题普遍存在。
工业场景，这一问题尤为突出。
“数据比模型更重要。模型决定能力，但没有数据，就无法真正验证模型。”季超表示，工业数据与客户生产现场深度绑定。因此，无论是仿真环境还是互联网公开数据，都很难获得一线工业生产中的高质量真实数据。 没有这些数据，具身智能在工业场景的落地大受限制。
姚卯青介绍，智元正在构建覆盖数据采集、标注、训练和评测的数据闭环：一方面，通过真机采集获得高质量物理交互数据；另一方面，利用便携式无本体采集设备降低真实数据获取成本，并与机器人本体形成同构的数据体系，让不同来源的数据能直接用于模型训练，提升数据复用效率。
在季超看来，随着真实工业数据不断积累，具身智能继续快速迭代，“行业对此非常乐观，每年都有明显进步。”
钱龙配资提示：文章来自网络，不代表本站观点。
