封面

当下我们正经历一个重要时刻——“具身智能产业应用元年”。2026年与往年最大的不同，是人形机器人开启了多领域、多场景的试点验证与小规模落地。在工业领域，机器人已在汽车、3C制造、物流等场景完成试点应用；在商用服务领域，商超、无人药房等场景均已出现机器人试点部署。除此之外，机器人在体育赛事场景也已实现落地，在马拉松赛事、各类舞台活动中完成多项功能验证。作为具身智能的终局落地场景——家庭，目前虽然尚未进入批量部署阶段，但国内外很多企业都已提前布局，持续开展相关技术研发与技术储备工作。

在过往行业发展阶段中，适配单一任务、单一功能的专用机器人已经得到了场景验证。当前行业面临的转型关键是：如何从专用机器人向通用机器人迭代升级。

这二者的区别是什么？简单来说，专用机器人大多依托传统方案完成单一场景部署，依靠预编程执行固定、重复作业。而通用机器人与其的最大区别，是以真实世界数据为训练底座，基于VLA、世界模型持续强化学习，让机器人本体拥有对物理环境的感知理解能力，可完成复杂任务，并实现跨场景能力泛化。

近期，高盛新发布的报告（面向工业、医疗、消费等领域的80多家企业所做的调研）显示，已经有30%-35%的企业正在认真评估或试点通用机器人和人形机器人；另有35%的企业已经有限部署通用机器人和人形机器人应用。

面对行业广泛的市场需求，作为深耕具身智能产业的企业，我们构建了两条商业化增长的基本路径。

第一条是提供机器人生产平台。我们面向具有一定开发能力的团队，如高校、科研机构、公司等，提供硬件平台和工具链平台，依托我们的机器人硬件本体，助力合作伙伴完成算法、软件、模型等能力验证，同时在协同落地过程中，持续迭代优化自身硬件与工具链，搭建完善、开放的机器人产业生态平台。

我们自主研发了全尺寸双足人形机器人星动L7及其半身形态M7、轮式服务机器人星动Q5、灵巧手XHAND系列等硬件产品。研发过程中，我们并未单一“卷”某个参数、自由度等单项性能指标，而是综合考量产品的实用性、安全性与运行效率，所有模型参数设置与产品设计均围绕真实落地场景打磨，确保机器人能够真正适配场景需求、实现真实产业价值交付。

另一条是提供生产力解决方案，直接面向具体场景，提供端到端的解决方案。我们并非只是单纯直面终端客户开展交付，更多是输出核心模型能力与成套解决方案，同时联合行业集成商，共同完成商业化项目落地交付。目前，我们已经在物流行业，将具身PMF推向规模化商用，实现了分拣场景单产线批量部署，这也是目前行业内唯一能在生产线上批量部署的人形机器人应用场景。

之所以选择物流场景作为产业化切入点，核心原因有两点。第一，相较于精密制造、精细装配等复杂工业场景，物流分拣的作业逻辑相对简单，更适配机器人初期产业化落地的需求。第二，机器人落地场景的选择，始终以规避人类作业风险、优化人类工作环境为初衷。物流行业具备极强的季节波动性，高峰是日常分拣需求的4-6倍；作业大多集中在夜间，作业环境无恒温保障、温差极大，且普遍存在噪音、粉尘等污染，长期作业会严重损害人体健康，这也是客户和我们，优先推进机器人落地物流场景的核心原因。

截至目前，我们的机器人已在全国5个省份、10余个城市完成批量部署，核心承担快递分拣工作。落地数据显示，我们的机器人作业速度已超越人工，分拣准确率也接近人类水平。同时，设备采用插电式供电模式，可实现24小时不间断作业。

其中，行业普遍关注我们如何界定场景价值落地的标准，即PMF（产品市场匹配）。我个人认为，有以下三点内容可以用来判断它是否达标。

第一，场景需求具备真实性、刚需性，能够切实解决行业与客户的痛点需求。

第二，落地效果可规模化、可复制，区别于单一演示、样品测试或直播展示等短期形式，可通过客户复购率、设备部署量验证落地成效。

第三，单位经济模型需要能够跑通。一方面，客户能够清晰核算投入产出比，具备付费意愿与付费能力；另一方面，企业交付成本可控，而非不计成本的项目制交付模式，要实现商业化良性循环。

星动纪元能成功跑通PMF主要依托于软硬一体的全栈自研体系。我们主要做两件事，第一是做机器人通用的大脑，第二是做机器人通用的本体。

在通用本体层面，我们实现电机、减速器、驱动器等底层核心零部件全自研，成本自主可控。基于自研硬件体系，我们可在场景落地中快速发现硬件短板，自主掌控硬件迭代节奏。以灵巧手为例，我们的产品已从初期科研级设备，依托物流场景的真实作业打磨，迭代升级为适配产业落地的工业级产品。

我们坚持打造通用化机器人产品，未来可能会打造机器人劳动力伙伴团，以灵活适配多场景落地需求。完成物流场景规模化部署后，可快速迭代适配商超、制造等全新场景。未来，行业客户不一定需要直接采购专属机器人设备，可通过订阅、租赁等，按需获取机器人作业能力，完成场景任务落地。

此外，我们的核心硬件自主研发实现了技术与供应链自由，可自主统筹产品生产、制造与迭代节奏。

在通用大脑层面，我们历经多轮技术范式迭代。早期，我们用大语言模型和机器人底层控制相结合；第二阶段，是VLA模型，即视觉-语言-动作模型。它在多模态模型底座之上，把机器人非常重要的动作，以及和环境交互的功能，一起融合到统一模型里面；第三阶段，引入了世界模型，世界模型不仅兼容VLA模型的全部能力，更新增了未来事件推演、趋势预测的功能。典型的VLA模型以模仿学习为核心，所以需要采集大量的行为数据。模型才能通过模仿形成一定泛化性。但这种泛化性相对有限。一个新任务如果没有经过模仿，很难直接举一反三泛化过去。而融合世界模型后，机器人可通过环境感知、指令接收，自主推演未来作业逻辑、预判场景变化，形成完整的感知、决策、行动闭环，真正适配复杂真实场景。

目前，我们已经在物流场景实现了PMF，并开启规模化商用；此外，在制造业等场景产出多项POC（概念验证）成果，预计2027年将逐步推进多场景规模化部署。

最后，我想和大家分享的是，场景落地的核心价值，在于构建健康正向的数据飞轮：机器人完成场景初始化部署后，可以采集海量真实场景数据；数据积累反哺模型迭代优化；模型能力提升，进一步拓展应用边界，继而带动更大规模的落地部署。

所以，一切也才刚刚开始。下一阶段，我们将持续探索，向着“机器人服务千行百业、走进千家万户”的愿景稳步前行。

（席悦 星动纪元联合创始人）