世界机器人大会科技新闻：机器人开始自主选择，但可靠性才是真正考验

尽管可靠性和商业价值仍存在未解疑问，世界机器人大会首次将自主决策置于预设动作之前。这则科技新闻之所以重要，是因为参展商越来越多地将机器人展示为能够在不断变化的环境中选择行动、分配资源并调整计划的系统。

这一转变贯穿了为期五天的大会。大会于2026年8月19日至8月23日在北京举行。根据官方大会日程，主办方预计将展出约3,000款产品，并同期举办世界机器人博览会和世界机器人大赛。

这并不意味着通用机器人已经到来。Unitree创始人王兴兴指出了更重要的矛盾：机器人仍难以达到人类的工作效率，也难以适应陌生任务。竞争已不再是预设程序的机器人与更灵活的预设程序机器人之间的较量，而是自主行为与工厂、酒店、仓库及其他工作环境所要求的可靠性之间的较量。

世界机器人大会上发生了什么变化

最重要的变化不是机器变得更快，而是关于由谁、或由什么来选择下一步行动的一项新主张。

传统工业机器人在工程师严格定义环境、物体位置和动作顺序时表现出色。一旦更换产品、移动容器或出现意外障碍物，系统往往就需要人工干预或重新编程。

大会上的多项演示挑战了这种运行模式。参展商展示了旨在观察场景、理解目标、将其拆分为步骤，并在工作持续进行时调整这些步骤的系统。这种方法属于具身AI，即通过实体机器感知并行动的人工智能。

CloudMinds展示了一个模拟服务环境，其中包含酒店、洗衣房、便利店和咖啡柜台。多台机器人和人员在同一共享工作流程中协作。该公司描述了一套四层流程：理解环境、规划任务、分配资源，并执行选定行动。

送水请求就说明了这种差异。系统可能派出距离最近的机器人，也可能请一名正走向客人的员工代为处理，或将该请求延后，优先处理更紧急的工作。当机器人电量较低或另一项任务优先级更高时，距离本身并不能产生最佳选择。

这个例子不如后空翻那样吸睛，却与酒店运营方更相关，因为系统必须优化整体运营，而不只是单台机器的移动。

Galbot则通过其ET1人形机器人和AstraBrain-Agent软件展示了相关路径。该公司称，这一架构结合了实时观察、语言理解、任务规划和动作生成。Galbot表示，该系统无需针对特定任务训练，便可复现部分陌生动作，并能随条件变化调整行动顺序。

这些说法仍需独立评估。不过，它们指向了行业预期的发展方向：机器人正从固定动作回放转向根据当前传感信息选择行动的策略。

Unitree展示了群体表演、对抗动作、遥操作，以及不同机器人类型之间的协同活动。一名公司代表将这一进展描述为从单机智能迈向协同群体。

公众 spectacle 仍是活动的一部分。机器人跳舞、拳击、打乒乓球，吸引了大量观众。不过，一篇现场报道也发现，参展商正试图将讨论从演示转向工厂和商业场景。

差别在于不确定性。编排好的舞蹈程序发生在准备完善、节奏已知的场地上。而一台有用的自主机器人必须应对变化的物体、不完整的指令、附近的人、机械磨损，以及错误选择带来的后果。

这正是决策层如此重要的原因。更好的行走能力让机器人能够进入工作空间；更好的判断能力则决定它能否在那里完成有价值的工作。

为什么自主机器人决策现在如此重要

中国能够制造性能更强的机器人本体，但有用的自主能力已成为部署的制约因素。

据报道，大会参观者询问机器能够可靠工作多久、又会多频繁地出错。这些问题取代了此前对速度、规格和炫目动作的部分关注。

这一变化反映出，行业正触及以演示驱动进步的极限。一台机器可以完成令人印象深刻的动作，却未必已准备好承担八小时班次。它可以在受控基准测试中完成任务，却可能在光线、物体位置或工作流程优先级变化时失效。

工厂早已大规模使用传统机器人。这些系统在焊接、喷涂和部件放置等结构化流程中具有很高的速度和重复性。它们的弱点出现在制造商需要频繁更换产品，或处理不规则物体的工作中。

人形机器人开发者承诺提供一种适用范围更广的机器。由于仓库、办公室、工具和生产线都是围绕人体设计的，人形机器人理论上可以无需大规模改造便进入现有空间。只有当机器能够理解工程师未预先指定的情境时，这一承诺才可能成立。

具身AI模型试图弥合这一差距。视觉—语言—动作模型，通常简称VLA，将视觉观察和语言指令与实体动作联系起来。世界模型则估计环境在某项可能行动后将如何变化，使机器能够在移动前比较不同结果。

研究人员正越来越多地将这些思路结合为能够预测行动及其后果的系统。一篇关于世界动作模型的近期综述描述了这一新兴研究方向，同时将其与早期仅感知系统区分开来。

其机制听起来很直接，但实体错误并不宽容。聊天机器人给出较弱答案后可以修改句子；机器人却未必总能挽回掉落的容器、损坏的部件或与人的碰撞。

实体工作还会形成很长的动作序列。机器人取回一件物品时，可能需要导航、识别正确货架、避开工作人员、抓取不规则包裹、确认抓取状态、打开袋子，并安全放置物品。一个小错误就可能使之后的每一步都失去意义。

这带来了累积风险。一个系统即使每一步都具有很高但并不完美的准确率，在长任务中的总体成功率仍可能令人失望。因此，真实客户更关心完整工作流程、恢复行为和人工监督，而不是孤立的基准分数。

市场正迫使开发者现在解决这一问题，因为制造能力正在迅速扩张。中国工业和信息化部表示，截至2026年7月，中国已开发出400多款完整的人形机器人产品。根据一则与大会相关的行业更新，这一数量占全球总数的一半以上。

更多机器人设计并不会自动创造更多高效劳动力。每台机器都需要软件、训练数据、维护程序、安全控制措施，以及具有经济价值的工作任务。

中国在零部件和制造基础设施方面具有优势。国内供应商在密集的生产网络中制造电机、关节、传感器、灵巧手、控制器和整机。不断下降的零部件成本使开发者能够制造更多硬件，并收集更多物理交互数据。

美国在基础模型、先进计算和AI研究方面仍具显著实力。这形成了中国制造深度与美国模型开发能力之间更大的战略竞争，也解释了为何自主机器人技术已从专业领域进入主流科技新闻。

两种优势都不能保证部署成功。强大的模型仍需要合适的本体、传感器和现实世界数据；高效制造仍需要能够将机器转化为可靠工作者的软件。

科技新闻正在误读出货量数据

相互矛盾的出货量估计表明，机器人产量不应与经验证的需求或自主能力混为一谈。

大会期间发布的一份发展报告称，2026年上半年中国出货了4万多台人形机器人。该报告还称，中国生产商占全球出货量的97%。

这一组合立刻带来了问题。其他市场估计显示，同期全球人形机器人总出货量远低于4万台。

有关Unitree的报道援引Omdia估计称，2026年上半年中国制造商的出货量约为18,500台，不到大会报告数字的一半。同一篇市场报道指出，许多人形机器人仍主要服务于演示、表演、教育和研究。

这些数字可能采用了不同定义。一份报告可能纳入了其他机器人形态、交付给关联项目的设备、内部部署，或其他统计中未被计作商用人形机器人的机器。它们也可能以不同方式区分订单、生产和完成出货。

在方法论不透明的情况下，读者无法调和这些数据。负责任的结论并非其中任一数字必然错误，而是这一总量数字仍存在争议。

这种分歧很重要，因为出货量常被简化为技术领先地位的指标。一个国家可以在硬件交付上领先，而其客户仍依赖遥操作、高度受限的环境，或频繁的人工恢复。

订单不等于高效部署。出货的机器人也不等于买方每天都在使用它。一次成功的演示并不能证明同一任务能在数千个不受控地点运作。

推动这一热门话题的原始文章发表于2026年8月23日，即大会最后一天之后。其核心观察是参展商侧重点的变化，而非单一得到验证的技术里程碑。机器人似乎更能在行动之间作出选择，而买方则聚焦于稳定性和错误率。

这一差别应当指导报道。“机器人能够决策”描述的是一种架构目标和部分演示案例，并不能证明其具有人类水平的判断力、广泛泛化能力或安全的独立运行能力。

同样的谨慎也适用于市场主导地位。中国显然拥有庞大且快速增长的机器人供应链，并具备通过制造、物流、零售和公共部门试点收集现实世界数据的有利条件。

然而，需求可能落后于供给。另一项对中国人形机器人市场的调查发现，尽管订单已有数千台，市场仍担心买家是否能找到足够具有商业价值的岗位。行业的部署鸿沟仍是一个决定性问题。

研究部署仍可推动行业发展。大学、实验室和数据中心购买机器人，用于生成示范数据和训练模型。这些采购能带来真实收入和宝贵数据。

但这并不等同于工厂为一台机器买单，因为它能持续比人工或传统自动化更高效地完成工作。商业成熟的起点，是客户在衡量正常运行时间、吞吐量、安全性、维护成本和监管成本后选择再次采购。

因此，科技新闻应将以下三项指标分开看待：

• 生产： 制造商完成了多少台机器。

• 出货： 有多少台机器交付给外部客户或部署场景。

• 生产性使用： 有多少台机器能以可接受的人工干预水平，持续完成具有经济价值的工作。

第三项指标最难获得。但它也将决定自主机器人究竟会成为基础设施，还是依旧只是昂贵的研究平台。

真正的较量是自主性与可靠性

机器人的自主选择能力，只有在其决策足够可预测、足以赢得客户信任时才有价值。

自主性与可靠性可能相互牵制。固定式机器的行为范围较窄，因此更容易验证。自适应机器能够应对更多情境，但其可能采取的行动也更难穷举和测试。

这正是大会报道背后的主要对立结构。开发者希望机器能够跨任务泛化，客户则希望结果稳定、风险可控，并且在出现问题时责任明确。

这种张力体现在每一个展示场景中。以 Galaxea AI 与 JD.com 合作展示的自动化前置仓为例。演示涵盖了线上下单、商品识别、路径规划、拣选、装袋处理和订单履约。

完成这一链条不仅需要精准抓取。系统还必须识别正确商品、发现障碍物、选择可行路径、处理包装并核验完成情况。当物品移位、货架变化或抓取失败时，它还必须能够恢复。

商业仓库衡量的是每小时完成订单量、货损、员工干预次数和停机时间。机器人提出一个看似合理的方案、最终却把错误商品装进袋里，并不会因此获得奖励。

CloudMinds 在服务场景中也面临同样的标准。其资源分配示例听起来像软件调度，但每一个选择都会带来物理后果。派出一台电量不足的机器人，可能延误配送并让机器滞留。将任务交给人工可以保障服务质量，却会降低自动化的表面价值。

系统还必须理解那些难以用单一分数表达的优先级。一家酒店可能希望为某位客人优先快速配送、为另一位客人尽量减少对员工的打扰、为第三位客人实施严格的隐私控制。运营方需要知道某项决策为何发生，以及如何覆盖该决策。

Galbot 的 AstraBrain-Agent 则聚焦于另一维度：感知、规划与运动之间的实时交互。该公司称，这一智能体能够持续观察并更新动作，而不是执行预设流程。

当环境变化时，持续重规划很有帮助。但如果感知出现失误，或者模型误解了人类指令，它也可能引入不可预测的行为。

这正是基准演示只能提供有限保证的原因。机器人或许能在大会上完成陌生动作，却仍可能在杂乱的库房中表现不可靠。零样本行为，即在没有针对该任务的训练示例下进行尝试，只有在披露成功标准和失败率时才真正令人印象深刻。

买家需要在数百乃至数千次试验中进行评估。他们需要考察照明、物体形状、地面状况、语言、人类行为和设备磨损等变量。他们还需要恢复能力的数据，而不只是首次尝试的成功率。

安全性提出了另一项要求。自主系统应在置信度较低时识别出来并请求帮助。拒绝执行不确定的任务可能恰恰是能力的体现，尤其是在人员或高价值设备附近。

这形成了一个实用的自主性层级。最低层级是由人远程控制机器；接下来，机器人在人工监督下执行规定动作；更高层级则允许系统自行选择和安排动作顺序、从错误中恢复，并与其他机器协同。

完全独立位于顶层，但未必始终是最佳的商业目标。一台能够处理常规情况、并将棘手情况转交给远程操作员的半自主机器人，可能更早创造价值。

这种混合模式也会暴露隐藏劳动。如果一名操作员可以监督多台机器人且很少介入，经济账就可能算得过来。如果每台机器都需要持续关注，系统只是转移了工人，而非消除了工作。

企业很少在公开演示中突出干预率，但客户最终会提出这一要求。有用的指标包括平均故障间隔时间、任务成功完成率、每运行小时人工干预次数、恢复时间，以及在条件变化下的表现。

Unitree 的王兴兴已承认这一更广泛的问题。他表示，人形机器人已经进入工厂，但尚未实现大规模采用，因为其效率仍低于人类劳动力，泛化能力也不足。

这一判断穿透了表演的光环。运动能力证明了控制、平衡与硬件的进步，却不能证明机器能够处理一连串不断变化、具有经济价值的任务。

当系统将灵活性与受控行为结合时，自主机器人的决策能力才会成功。胜出的机器不需要无限自由；它需要足够的自由来完成工作，也需要足够的约束来避免构想出危险的解决方案。

当机器人开始自主选择，谁将承受压力

推动自主性的趋势，同时给机器人制造商、AI 实验室、企业买家和监管机构带来压力。

硬件公司面临最直接的挑战。改进电机、关节和灵巧手已不再保证产品具有差异化。客户越来越重视协调这些组件的智能能力。

这使 Unitree、Galbot、AgiBot、CloudMinds 和 Galaxea AI 等公司进入一场软件竞赛。除了可靠的机器，它们还需要感知模型、规划系统、训练环境、数据管线和部署工具。

这种压力也延伸至美国开发商。Tesla 的 Optimus 项目将机器人技术与制造业及大规模 AI 训练业务结合。Figure AI 强调通用人形机器人和商业合作伙伴关系。Apptronik 则通过其 Apollo 平台推进工业部署。

这些公司走的是不同的技术和商业路径，但都面临同一项考验：机器人必须在经过布置的环境之外，创造可重复的经济价值。

基础模型实验室也面临新的前沿。语言模型运行在数据丰富、错误往往可逆的数字世界中。机器人技术则要求实体数据、低延迟控制、空间理解，以及在极少完全重复的条件下保持安全。

训练数据成为竞争资产。开发者可通过人类示范、遥操作、仿真、已部署机群和合成环境来收集数据。每种方法都有取舍。

人类示范能提供真实行为，但采集成本高。遥操作可生成特定任务示例，并支持早期部署，但它可能掩盖真实的自主化水平。仿真可以低成本扩展，但模拟物理与真实物体之间仍存在鸿沟。

在客户允许采集数据的情况下，已部署机群能够产生最有价值的反馈。更大的机群可形成复利优势，因为每一次失败都可能成为每台机器的潜在训练示例。

企业买家承受的是另一种压力。他们必须区分 AI 演示与可维护的运营系统。采购团队需要审查集成、安全性、员工培训、备件、干预流程和责任问题。

一台机器人或许能完成任务，但仍可能不是一项好采购。运行缓慢会限制吞吐量；频繁充电会打乱排程；专门化配置会提高新任务的成本；远程支持则可能暴露敏感的工作场所数据。

买家应测试完整工作流，而不是孤立动作。一台能够可靠搬运箱子却无法选对箱子的机器，不能实现履约自动化。一台能配送酒店用品、却在每部电梯前都需要员工协助的机器人，也不能提供端到端服务。

员工同样会感受到压力，尽管短期影响将因任务而异。机器人最可能首先进入重复性强、体力要求高、危险或劳动力紧张的岗位。人类工作可能转向异常处理、维护、监督和客户互动。

岗位替代并非唯一担忧。设计不佳的部署可能把员工变成无偿的机器人故障排查员。如果机器故障不可预测，附近员工将承担由此带来的干扰，而管理层仍会将该流程计为已自动化。

监管机构面临同样棘手的问题。传统机械规则假定工程师可以明确规定预期行为。由 AI 驱动的机器人则可能根据难以解释的模型输出，在多种行动中做出选择。

安全标准需要涵盖软件更新、学习到的行为、远程访问、模型变更和事故报告。在一种配置下获得验证的机器，经过新的训练或模型更新后可能表现不同。

当攻击者能够影响一台移动机器时，网络安全便成为实体安全。企业需要严格的身份控制、加密通信、本地故障安全行为，以及对云端依赖的明确限制。

国家安全已进入机器人技术辩论。各国政府越来越将移动机器人视为传感器、数据采集器和潜在的基础设施风险。即使机器的商业表现强劲，这种担忧也可能重塑供应链。

结果是整个市场都被迫作出回应。机器人制造商必须发布更好的可靠性证据；AI 开发者必须让模型适应物理约束；买家必须建立更强的评估流程；监管机构则必须在不冻结有益研究的前提下界定责任。

这种压力将在长期内加剧。大会没有解决这一问题，但让下一阶段变得清晰可见。行业正在要求机器做出更多决策，同时每一位利益相关方都在要求对后果拥有更好的控制。

这个科技新闻时刻之后应关注什么

接下来的三个信号将显示，自主机器人究竟正在成为劳动者，还是仅仅在产出更好的演示。

第一个信号是独立测量的真实客户现场任务完成情况。关注那些披露运行时长、干预频率、恢复行为和持续吞吐量的部署案例。当试点项目能够经受条件变化，并在客户审查结果后扩大规模时，它才具有意义。

如果机器人能在多个地点、以有限人工协助完成长工作流，这一信号将增强自主化的论据。如果企业继续发布没有运营数据的短视频，则会削弱这一论据。

第二个信号是商业客户的重复采购。初始订单可以用于研究、公开演示或战略性试验。重复订单则表明，买方发现了足够的价值，因而决定扩大应用规模。

应关注工厂、仓库、零售商和酒店在使用数月后是否增加了机器人机队规模。关键在于，客户是否为持续性工作部署更多机器，而不是制造商是否宣布了规模庞大但不具约束力的协议。

如果客户从试点项目转向常规运营预算，这一信号将支持行业的说法。若大多数出货仍集中于实验室、教育、娱乐或获得补贴的示范项目，则会削弱这些说法。

第三个信号是出货与部署数据口径的趋同。当前对2026年上半年的估计差异巨大。研究人员、制造商和行业组织需要为产量、订单、出货量、活跃部署数量以及人形机器人形态建立共同定义。

更透明的披露将使买家和投资者能够比较不同公司，而不至于将每一台交付的科研平台都视为具备生产力的工人。它也会揭示，单位数量的增长是否对应着商业利用率的提升。

行业进步并不要求达成一致，但必须公开方法论。当一份估计认为中国出货量接近18,500台，另一份则超过40,000台时，市场无法评估实际采用情况。

世界机器人大会证实，技术目标已经发生转移。行走、平衡和抓取依然困难，但开发者如今希望机器人能够理解目标，并在相互竞争的行动方案中作出选择。

更棘手的问题是：这些选择能否在数千次重复中改善一项作业。可靠性、恢复能力以及经衡量的客户价值，将给出答案。

关注科技新闻的读者，应将每一项新的自主能力宣称视为评估的起点，而非结论。应追问：机器人作出了哪些决策、成功频率如何、失败后发生了什么，以及仍需要多少人工支持。

这些问题将把具身AI的进展与表演式展示区分开来。未来三个月，请关注真实场地的指标、重复性的机队订单，以及更清晰的市场定义。如果这三方面都得到改善，机器人就将不再只是执行指令；它们将开始赢得在工作中作出有限决策的资格。