一段时间以来，具身智能持续受到关注 。前段时间 ，工业和信息化部、国务院国资委启动人形机器人与具身智能实景实训专项行动 ，提出推动重点产品开启“作业模式 ”，在代表性场景开展应用验证和常态化部署 。从产业实践到政策部署，具身智能正加快从技术展示走向实际作业。
具身智能受到重视 ，是因为人工智能开始更多参与现实生产活动。过去 ，人工智能主要用于信息处理 、内容生成和辅助决策 。如今，机器人和各类智能装备把这些能力带进了生产现场 ，可以承担搬运 、装配、巡检、维护等具体任务 。对企业来说 ，机器人能不能完成几个高难度动作并不是最重要的，关键是能长期稳定工作 ，提高效率 、降低成本 ，减少人员进入危险和高强度岗位。推动具身智能进入“作业模式 ”，是其从技术创新迈向现实生产力的关键一步 。
近两年 ，我国具身智能产业化步伐明显加快 。产业竞争正由单一整机突破向模型 、数据、本体 、制造协同发展转变。相关应用场景在由展示验证向实际生产加快拓展 。例如 ，上海围绕制造业智能化转型，推进具身模型 、具身数据和工业场景应用 。江西部分电子制造企业已经尝试让机器人用于平板电脑生产线的上下料作业 ，通过连续运行检验生产节拍和作业效率。杭州把中试验证、行业应用和场景示范结合起来 ，重点解决技术研发之后如何量产 、如何进入市场的问题 。随着应用不断深入，企业关注的重点已不只是机器人能否完成某项任务，而是能否适应生产节拍 、保持稳定运行 ，并在长期使用中体现效率和成本优势 。
真实场景还在改变具身智能的技术创新方式。大语言模型可以利用互联网中的海量文本和图像训练 ，具身智能则需要大量来自物理世界的交互数据 。机器人每次抓取、移动和操作，都会留下运动轨迹 、力位控制 、操作顺序以及异常处置等信息 。这些数据积累得越多 ，模型和控制策略就越有条件继续改进 ，机器人也更容易适应新的工位和任务。由此形成场景产生数据、数据优化模型 、模型提升本体 、本体再进入更多场景的循环。
然而，具身智能真正进入生产现场 ，仍面临不少制约 。有的产品能够完成单次演示 ，但在复杂环境下稳定性和泛化能力仍显不足；有的解决方案高度依赖现场定制，换一个工位、换一种物料就需要重新训练和调试 ，复制成本较高；有的地方更重视整机项目和产能建设 ，对数据、模型 、训练平台和应用生态投入不足 。特别是对于用户企业而言，机器人是否值得使用 ，最终还要看连续运行时间 、任务成功率、人工干预频率以及投入产出比。具身智能产业越热 ，越要防止重展示轻应用 、重数量轻质量 、重建设轻效益 。
推动具身智能加快进入“作业模式”，要进一步提高场景供给质量 。围绕制造、能源 、矿山 、物流、应急救援等领域，系统梳理劳动强度大 、危险程度高 、人员短缺以及自动化改造难度较大的作业环节 ，形成一批任务边界清晰、技术指标明确 、应用效果可量化的高价值场景。发挥大型制造企业和央企国企生产现场多 、工况复杂、应用需求稳定的优势 ，为具身智能提供长期训练和验证条件 。
完善应用验证和推广机制 。具身智能不能只看一次演示是否成功，要通过长周期、连续性测试检验任务成功率 、设备可靠性 、安全性和经济性。建立更加贴近生产实际的评价体系 ，把连续运行时间、异常恢复能力 、人工接管频率 、单位作业成本等纳入验证指标 。对经过实际生产检验的解决方案 ，推动从一个工位复制到一条产线、从一家企业推广到同类企业，逐步由“一场景一项目”转向“一类场景一产品 ” ，降低重复开发和部署成本 。
降低新技术进入市场的初始门槛。具身智能应用初期 ，首批用户既承担设备投入，也承担技术不成熟带来的试错风险 。可探索经营性租赁 、按使用效果付费 、机器人服务化以及保险补偿等方式 ，分担首次应用成本和风险 。推动模型企业、机器人企业 、零部件企业 、科研机构与用户单位联合攻关 ，在数据使用、知识产权 、成果转化和收益分配等方面形成清晰规则，让产业链各方能够在真实应用中持续合作 、共同迭代。
（文章来源：经济日报）
