拓斯达TOPS DAY 2026启幕：人形机器人量产产业链路如何打通？

AI 浪潮正把制造业重新塑形，具身智能也在加快走进工业现场，成了产业升级的一股关键推力。热度之下，行业有个共同难题摆在面前：前沿智能技术怎么才能真正在产线上站住脚，把趋势换成实打实的产业价值？

11月7日-8日，TOPS DAY 2026 拓斯达全球开放日在广东东莞拉开帷幕，主题定为“美好，拓手可达”。

这场 TOPS DAY 2026 把趋势解读、AI+产品解决方案首发、标杆案例拆解、产业生态链接攒到了一起。它想呈现的不只是一场正在发生的技术浪潮，更想摸清工业AI怎么落地、智能制造还有哪些新机会。

下面一起回顾这场盛会的高光片段，看看工业 AI 如何扎进车间、照进制造现场。

具身智能站上产业风口之后，技术落地就不再是实验室里的猜想，而是一项由精密加工、零部件制造、成型工艺、产业协同共同撑起来的系统工程。

TOPS DAY 2026 拓斯达全球开放日的行业对谈环节，把技术企业、高校科研、制造客户等来自具身智能不同产业链环节的嘉宾请到了一起。《机友圈儿》主理人刘启迪，联合飞捷科思联合创始人兼CTO杨鼎康、无问智科创始人兼CTO于春磊、香港大学机器人与人工智能中心主任周鹏、南斗星创始人梁胜、拓斯达机器人业务线总经理黄晶，围绕技术规模化落地、细分场景实施路径、客户投入产出、复合型人才建设、产业生态协同等议题展开讨论。

以下是行业对谈实录，经编辑：

刘启迪：谢谢主办方拓斯达的邀请，让我来参加这场峰会。我平时线下活动参加得少，关注机器人领域的朋友里，应该有人看过我的自媒体，我自己也是工业出身。

简单做个自我介绍，我叫刘启迪，来自日本法拉克。在北法，和用友一共干了16年，其中在北京法拉克待了10年多，市场、战略、调研都做过。

去年年底我一直在琢磨一件事：我们这批深耕传统工业、长期服务大中型制造客户的人，该怎么接住这一轮AI 和具身智能浪潮？后来我做了个大胆的决定，辞职去做自媒体。没想到一入局，就收获了不少人形机器人和创业新贵的关注。现在是我一个人运营，全网粉丝近三十万，维护着四十多个社群，聚起了1万多位机器人产业链上下游的精准从业者。所以我站在这里，本身就算是制造业拥抱工业转型的一个缩影。

下面我很荣幸请出五位重磅嘉宾，他们分别来自技术前沿、学术高地以及制造一线。今天我们就围绕 AI 与具身智能，展开一场深度实战对话。

先介绍一下这几位嘉宾：

接下来有请杨鼎康博士——他是飞捷科思智能科技联合创始人兼 CTO，复旦大学博士，香港中文大学 MMLab 博士后，也是中国人工智能学会清源学者；

欢迎于春磊博士，北京无问智科联合创始人兼CTO，法国CNRS博士及清华博士后；

欢迎周鹏教授，国家教育部海外高层次青年人才、香港大学机器人与人工智能中心主任；

欢迎梁胜董事长，来自深圳市南斗星科技有限公司，；

最后有请本次东道主之一，拓斯达执行董事、机器人业务线总经理黄晶先生。

今年拓斯达全球开放日的slogan是“美好，拓手可达”，接下来一个小时，希望我们几个人能把“具身智能怎么走进工厂”这个圆桌话题聊透。先请这边依次介绍一下自己和自己的公司。

杨鼎康：大家好，我是杨鼎康。拓斯达发出邀请，我很感谢，也很高兴能代表飞捷科思来参加这场工业制造技术盛会。现在大家正从数字世界迈向物理世界，我们公司面向具身智能和工业智能制造，提供物理AI技术的关键底座，目标是打通数据、模型、平台和一体化的解决方案，最终实现物理AGI。

于春磊：黄晶总的邀请，我也非常感谢。我是无问智科的于春磊。在拓斯达物理 AI 的征程里，我们贡献了自己的一份力量，很荣幸。我们公司主要做物理 AI基础设施的构建，把完整的数据链路打通，同时开展模型规模化评测。我们希望帮具身智能客户用更低的成本、更快的速度完成模型迭代，让场景落地效率提上去。谢谢大家！

周鹏：拓斯达的邀请，我非常感谢。我是大湾区大学助理教授周鹏，研究主要集中在具身智能与机器人操作，关心的是前沿技术怎么在真实工业场景里应用和落地。眼下我们和拓斯达正开展相关科研合作。另外，我也是全为具身（东莞）科技有限公司的联合创始人之一，这家公司聚焦机器人遥操作、真实交互数据采集及数据治理，想做的是从数据采集、处理到模型训练的一站式解决方案，让机器人操作能力持续提升。今天吴董分享了对行业发展的看法，我听了很受启发。期待今后产学研协同能进一步加强，一起把具身智能技术推向真实工业场景。

梁胜：我就代表台下一众制造业从业者，听听在座各位从技术角度分享，你们能给我们带来什么？

黄晶：大家对我们应该都比较熟悉了。拓斯达成立于 2007 年，2017 年上市。CNC、注塑装备以及机器人，是公司的三大核心产品件。去年，我们发布了第一台能够在注塑车间落地的轮式人形机器人 “小拓”。

刘启迪：先来一轮快问快答热热身。大家手边有 YES / NO 的道具牌子，认同就举 YES，不认同就举NO；不想回答或者保持中立，也可以不答。

主持人抛出的第一个问题：今年被不少人称作具身智能量产元年，商服、零售领域已有出货。放到工业场景看，若以1万台为量产门槛，2027年达得到吗？

他请两位意见相左的嘉宾先开口，问杨鼎康：您判断做不到，理由是什么？

杨鼎康认为，规模化真正的门槛不在交付台数。要算得上规模化交付，得跑通一整套闭环：真机进产线、三班稳定运转、客户验收通过，还能带来复购，这几条对企业缺一不可。而要跑通这套闭环，眼下堵点仍然不少。

刘启迪接话：所以是比较难？这套闭环恐怕还得把售后、交付、验证都算进去。

杨鼎康回应，空间还是有的。试点交付、科研采购、预研样机这些已经在推进。他強調，规模化的及格线从来不是卖了多少台设备，而是闭环能不能形成——底座服务商、数据服务商，加上有工业制造和本体能力的团队一起推。像拓斯达这样的企业，正是打通闭环的关键一环。飞捷科思若能跟拓斯达及更多同行深度协作、形成飞轮效应，规模化落地才可能真正到来。

刘启迪转而问于春磊：于博士认为能实现的依据是什么？

于春磊说自己对具身智能落地是坚定的乐观派。客户那边已经能看到积极信号：有的进了汽车场景，有的落在电子工厂。国内制造业可用的场景极其丰富，3C、电子这类场景里，精密操作已经过验证，落地链路跑通了。

他还提到数据。刚才多位嘉宾都讲到这一点，而整个具身智能产业的分工正逐渐清晰：电子零部件、真机本体、模型、数据，行业共识在建立。分工一旦成形，落地速度会越来越快。他的判断是，今年差不多已有数千台落地，明年突破1万台不算难以跨越的瓶颈。

刘启迪归纳：一是您认为明年各细分场景会百花齐放，1万台的目标能够达成；二是这轮具身智能与AI浪潮，会倒逼工业人更重视数据积累，是这样吗？

于春磊答：对，这个场景还会进一步加速。

第二个快问快答更尖锐。今年不少厂商连数据公司在内都在扎堆布局工厂场景，前面演讲也多有解读。刘启迪问：这是否说明大家先做搬箱子这类任务，是受精度、通用性和稳定性所限的无奈选择？他先请周鹏教授讲不认同的理由。

周鹏说自己态度相对中立。切入垂直场景不是无奈，而是当下具身智能走向产业化的一条务实路子。但深耕具体场景的同时，通用智能能力也得持续积累。目前一些头部企业已投入大量资源，采集数万小时真实机器人操作数据，绝大多数制造企业并没有这样的数据采集和模型研发能力。所以从实际工业场景出发，在解决具体问题中攒下高质量数据，是可行的一条路。行业同时需要更开放的数据生态，可以借鉴ImageNet等开放数据集的建设思路，探索协同共建、共享数据，逐步形成可复用的工业操作数据与技能资源体系。往长远看，机器人的智能系统或许会像智能手机操作系统那样，慢慢长出通用的基础能力，不同工业场景在此基础上调用、拓展相应技能。垂直场景要用来解决实际需求，可迁移、可复用的通用能力也得不断沉淀。

刘启迪把话头转向客户一侧，请梁胜分享。

梁胜说，眼下最现实的困境是招工难。他们测算过，搬运工一天至少走两万到三万步，而人体合理的单日运动量一般在一万到一万六千步。老工人年纪越来越大，年轻人不愿干这类活，搬运岗位的用工缺口已经迫在眉睫。

他还提到，很多具身机器人现在其实并不实用。制造业算账很现实：第一，没人给它24小时不停地搬；第二，搬运本身的成本是可控的。

所以人形机器人、灵巧手要落地，他最关心的是能不能像车间里那台爱普生机器人一样稳——那台设备已经连续运行近十年、24小时不停歇。制造业不需要会跳舞的机器人，要的是成本可控、产能提升。

科研圈讨论“人形机器人量产元年”固然好，但作为企业主，每笔投入都是真金白银，稳定性、使用寿命、综合成本才是他最看重的指标。眼下最迫切的场景，就是用工紧缺的搬运岗位。

刘启迪认同这一点。他说自己常和国内外网友交流，东南亚代工厂、粉尘很重的家具工厂，都迫切想用机器人、具身智能或设备解决用工难题。他请黄晶谈谈看法。

黄晶先肯定梁胜从需求层面讲得透彻，再从另一个角度补充：这并非无奈之举。除了需求先爆发，还有能力和工艺复杂度的问题。工艺越复杂，对数据、打磨时间的要求越高；搬运、分拣这类简单任务，对数据数量的要求小得多，所以会最先爆发。

他接着提到“懂工艺，会干活，能落地”。其中“懂工艺”这一项，拓斯达沉淀了将近20年才一点点磨出来。时间本身就是门槛，复杂的工艺需要更多时间去沉淀。

顺着话题，刘启迪引出第三个问题——梁胜刚提到的人才问题。企业转型路上，既要有懂传统设备工艺的成熟人才，也要有懂AI、具身智能的年轻人。现在有一种声音：这类复合型人才与其从外部高薪引进，不如内部自主培养。大家认不认同？他先请黄晶发言。

黄晶选的是内部培养。过去推广机器人长期卡在一个痛点上：懂工艺的不会编程，懂编程的不懂工艺，两头都占的人太少。AI时代给了新机会——只要懂工艺就够了，编程可以交给AI。这样看，从产业内部长出人才更有利：他们长期深耕攒下专业能力，再借AI的放大效应，能很快形成产出、拿到结果。

刘启迪问周鹏教授：您有不同看法？

周鹏认为，内部培养与外部引进不是二选一的关系，两条路各有长处，也能互相补位。他提到，黄总所说的企业内部人才，长年积累下来的工艺经验和场景理解是实打实的优势；高校这边，强项则在人工智能、机器人算法和前沿技术上。能不能把两边捏到一起，是培养具身智能复合型人才的要害。他透露，眼下正和拓斯达一起摸索校企联合培养的路子，让学生既学机器人、人工智能这些专业知识，又能扎进真实的工业场景里，弄懂生产工艺和实际需求。在周鹏看来，具身智能要的人，光懂算法或者光懂工艺都不够，得能把智能技术和工业需求真正接上。产学研协同培养，让学生科研创新和工程实践两样都拿得起来，这条路值得一直走下去。

刘启迪接过话头，谢过周教授，宣布第一轮三组快问快答的热身到此收尾，转入深度探讨。他提到，黄总刚才讲的拓斯达“懂工艺、会干活、能落地”这个理念很实在。第一个深度问题随之抛出：具身智能进工厂，眼下真正的卡点究竟在哪？他请各位结合自身实践、包括踩过的坑依次来说，并先点了鼎康的名。

杨鼎康的回答是，当前最核心的卡点不在让机器人动起来，而在让机器人读懂产线。他点出，大部分瓶颈都出在这儿：技术方案在虚拟环境、实验室里调得完美，一落到真实产线上就失灵。真正的难题是，这套新技术能不能理解产线上真实发生的物理规律和现象。

他把目光投向现在主流的具身智能或World model派系：靠海量视频训练，生成效果很逼真，看着跟真的没差别，可模型并不天然掌握物理定律。训练模型要的不只是RGB图像，还得有模型真正的轨迹，以及对交互物理目标的理解，杨鼎康说，这一块目前提升空间还很大。

隐空间变量也有不少人看好，觉得里面藏着无限可能。但杨鼎康指出，这东西本质上是黑盒，一个物料分拣和产线任务到底该用多大力气去抓、该遵循哪些物理定律，它答不上来。

还有空间智能派，主张把环境构建得足够真实，让机器人在里面做仿真。杨鼎康说，这一派的核心痛点在于，很多孪生环境看着够逼真，机器人却感知不到所处环境的真实物理属性。也正因如此，他觉得这个环节最难，技术侧、产品侧到现在都还没有收敛。

刘启迪复述了一遍自己的理解：卡点很多，路径各不相同，派系之争也不少。随后他把问题转向于博士，请他谈谈卡点在哪。

于春磊从更宏观的视角来答。他提到，黄总、梁总都讲了懂工艺，而在他看来，懂工艺说到底就是怎么把工艺技能和经验沉淀下来、转化成标准化数据。不同工厂、不同产线，从业者的经验千差万别，怎么提炼、量化这些经验，搭建面向不同业务、不同场景、不同客户的工艺知识库，这件事至今没做好。他认为这是最根本的瓶颈，也是第一个卡点。

第二个核心卡点，于春磊说是规模化验证与评测。十台、一百台设备现在能顺利调试，可以后几十万台、上百万台机器人同时在工厂里跑，能不能稳定可靠？他坦言，规模化验证的数据目前还缺。因此需要一套评测体系，验证机器人在产线里的成功率、工作效率，看能不能达到人工的80%，甚至更高。

于春磊自称是个乐天派，对具身智能有信仰，认为现在的技术本身没有多大的卡点。真正的难点，是把一线人员的技能蒸馏、沉淀下来，把底层基础设施搭完善，同时建立规模化评测能力。他说，这才是真正的瓶颈。

刘启迪追问：所以于博士认为卡点都是暂时的，这些问题都能解决？

于春磊的回答是，基础设施一旦成熟，很多问题都会迎刃而解。数字AI也好，物理AI也好，都已经有过成功的路径。这些路径证明，只要基础设施够强，技能就能持续迸发；只要做得了规模化评测，就知道该怎么持续迭代。

刘启迪把话头转向梁总：从您的角度看，设备方或者技术方怎么协同，您才愿意掏钱买单？

梁胜说，各位专家的分享他都在听。他自己既是科技从业者，也是制造者。他提到，现在的交流里，很多时候大家习惯把成本转嫁到企业主身上。

梁胜很认可“物理AI”这个提法。在他看来，很多工业问题归根到底就是物理问题。就像拓斯达解决加工散热问题，核心其实是要解决气泡的问题，本质都是物…层面的难题。

他的看法是，不同企业应该各司其职，让制造这件事变得更简单。制造企业只管专注接单、生产；工艺、设备适配这些复杂问题，交给拓斯达这类团队去解决；科研人员该攻克的，是底层的数学与物理问题。

梁胜还反问：为什么有些进口设备能稳定运行十年、二十年？背后是钢材、冶炼、结构设计的硬实力，可最后到使用者手里，体验却足够简单。他表示很愿意为国产品牌买单，但希望科研界、技术方去啃这些底层难题，让机器人能在高温、高湿甚至特殊环境下稳定工作。这背后靠的，就是最基础的数学和物理。

刘启迪说，梁总道出了实情，售后、备件、功能迭代，还有大量工作等着探索。他顺着这个问题再问：有人说阻碍落地的是信任问题，也有人说是技术瓶颈，鼎康怎么看？

杨鼎康表示非常认同梁总刚才说的。从技术侧讲，他前面提到的派系问题，核心就是当前技术还满足不了真实需求，也就触及不到底层的物理和数学问题，这正是他们团队在攻坚的方向。他介绍，公司取名Fysics AI，结合的是自研的多材质统一求解的可微分物理引擎，本意是在工业产线上做物理推演，把原本的黑盒模型变成可解释的白盒。杨鼎康说，只有做到这一步，客户才能真正信任这项技术，愿意为它买单。

刘启迪转向于博士：您刚讲到智驾技术，这一波技术迁移，对工业落地有什么可以参考的？

于春磊介绍，无问智科的创始团队都是做智驾出身，背景来自百度阿波罗团队和清华汽车系团队，基本完整经历了自动驾驶的早期发展。他说，熟悉这个领域的人都清楚，自动驾驶初期完全基于物理规律，或者rule based来做，但这条路很难覆盖纷繁复杂的真实道路。

真正让自动驾驶跑通的是数据驱动这条路子。拿海量场景数据去喂端到端大模型，模型自己就能读懂周边环境，车子才敢从园区上路、上高速，再开进城市环线。说白了，规模化数据驱动大模型，模型随之长出很强的场景理解能力，这就是自动驾驶落地的本质。

具身智能在他看来同样会走到这一步。原因不复杂：具身智能要应对的交互复杂度，比自动驾驶还高。所以突破口就落在采集上——把足够多的真实交互场景、一线员工的技能数据收上来喂给模型，真正的具身智能才可能长出来。

其实眼下已经有一批垂类场景落得挺顺，效率能做到人工的七成到八成，工厂老板也乐意接纳机器人：好管理，能不停机干活，招工的压力还能缓一缓。往长里看，垂类场景会持续跑出更多成熟方案，这也是他保持乐观的理由。

刘启迪接着问：按这个逻辑推，明年行业会不会出现分化——各个细分垂类和赛道里，分别长出不同的数据公司、模型公司、本体厂商、场景服务商，各自扎在自己的赛道上。比如只做拧螺丝，就配上拧螺丝专用的数据、模型和场景方案，能这么理解吗？

于春磊回答：可以。具身智能的发展是分阶段的。前期会有一大批做场景化落地的团队先把应用跑通；与此同时，也会冒出一些做具身基模的公司，专攻通用化的具身模型，做到“一脑多行”，或者一个大脑覆盖多种任务场景。长期看，他认为最终会收敛到这条路线。不过前期落地，高价值、高危险、高强度的场景会先被选中。

刘启迪把问题转向周教授和黄总：他的社群里常有人提各种需求，其中不少是伪需求。很多项目前期看着靠谱，一到落地就中途夭折。这类烂尾，究竟是客户高估了具身智能，还是项目推进本身出了毛病？他请黄总先谈。

黄晶说，这话题和他刚讲过的“懂工艺、会干活、能落地的具身智能解决方案”关系很紧。眼下产业分工切得非常细碎，不少团队把机器人本体做出来了，却不知道交付给谁、怎么交付。可客户要的恰恰是梁总讲的那句话：你能给我什么价值？能替我解决什么问题？能让我的现场变简单吗？

具身智能这条产业链拉得很长，底层技术、关键部件、产品，再加上数据模型和最终场景，一段接一段。拓斯达一头在搭全链路能力，一头联合生态伙伴、推进校企合作，想把整条链路打通，交付出梁总期待的那种足够简单、拿来就能用的方案。

刘启迪接过话：前面这些环节只要都打通了，项目落地就会顺畅很多。

梁胜补了一句：说到底还是性价比，效果和成本，大家都想兼顾。

刘启迪转向周教授：伪需求和项目烂尾，您怎么看？

周鹏：

黄总刚才已从产业实践的角度分析得很透，他想从技术研发这边再补一点：行业对具身智能技术成熟度的估计，可能偏乐观了些。实验室里验证成功，和真实工业场景里稳定跑起来，是两个层次的事。机器人在实验室能完成任务，不等于已经具备工业化部署的能力。工业场景对可靠性、一致性、长期稳定性卡得极严。关键生产环节，80%甚至90%的任务成功率可能远远不够，往往要99.9%甚至更高的可靠性。而从80%到90%，再到99%、99.9%，每往上一步，技术难度都可能明显抬升。具身智能产业化真正的难处，不只是让机器人把任务做完，而是让这种能力在复杂工业环境里持续、稳定、可靠地发挥出来。这是一件难而正确、需要长期坚持的事。

刘启迪问梁胜：作为科技公司，您拥抱 AI 的心路历程是怎样的？

梁胜答，他相信具身机器人前途光明，但道路注定曲折。国内制造业走了三十年，长期是粗放路线，结果一些核心材料、基础工艺没能实现较大突破，反倒陷进低价竞争。如今出现断档，真正的问题不在机器人本身，而在于真实需求是良率怎么从80%提到99.9%。

不少企业家可能觉得，上机器人就是为了替代人工。但核心诉求并非如此。要做的是拉高良率、提升加工精度。很多老板嘴上说降本，可单纯降本其实没有尽头；研发机器人的目标，是做出复杂度更高的产品，在全球竞争里对标德国、日本，而不是只换掉一名工人、省下每月五六千的人工成本。

所以他想说，科研工作者别只盯着机器人本身，要在模型、底层物理上做更深的突破。

刘启迪说梁总这番话很有情怀，最后一个问题，请大家依次谈谈工业与具身智能结合的启发，从鼎康开始。

杨鼎康说，行业从来不缺做准备的那一天，缺的是迈出第一步的那一天。他们和拓斯达一起深耕场景、打磨模型，从垂类走向通用，打造融合物理、数学规律的模型、本体与数据体系。具身落地不是单点问题，而是一套系统工程。希望能缓解大家的焦虑，稳步向前，让工业因为这项技术变得更好，也呼应拓斯达“美好，拓手可达”的愿景。

于春磊对具身智能的看法一直偏向积极，不过他认为落地得一步步来。在他看来，赛道里逐渐形成成熟的分工是件好事，同时他也提醒同行和客户，要早点把自家场景里的数据攒起来。AI for AI 要成立，先得把工艺和技能沉淀下来，蒸馏成高质量数据，这也是他们跟拓斯达合作最看重的部分。他们想把数据基础设施的成本压到原来的十分之一，眼下已经帮不少客户把采集、处理到模型训练这条链路的总成本降了九成。

周鹏说，对具身智能的前景，他的态度一直是谨慎乐观。从眼下的垂直场景应用走到通用机器人智能，注定要长期摸索、不断迭代。当前最卡脖子的地方，还是高质量的真实机器人交互数据太少。像精细操作、复杂接触这类任务，光靠互联网视频或仿真数据，很难让机器人练出稳定、能泛化的操作本事。这也是他们和拓斯达合作、以及创业路上一直盯着的方向：在真实场景里采集机器人数据、学习技能并持续迭代，把数据、模型到实际应用这条技术链路打通。往后得两条路一起走：一头扎进工业垂直场景，解决实际问题；一头从具体任务里提炼能迁移、能复用的操作技能，慢慢攒出通用智能的能力。从垂直场景到通用智能，从技术验证到可靠部署，路很长，但值得期待。

刘启迪接过话头说，周教授这回没再保持中立，态度是谨慎中带着乐观。

梁胜在收尾时讲，难题终归得靠专业的人去啃，能不能真正落地，关键还在各位手上——把产品做得好用、能带来实打实的价值。

黄晶的判断是，具身智能的方向已经确定，早晚会来，差别只在节奏。AI 浪潮铺过来，谁都躲不开。与其站在水边羡慕鱼，不如回家织网。他说如今链路已经打通，借助拓斯达把各方聚到了一起，往后也希望更多伙伴、客户和场景加进来，一起把具身智能的产业化做下去。刘启迪则提到，拓斯达从传统制造掉头转向 AI 与具身智能，这个速度给他留下的印象很深。

五位嘉宾值得现场再鼓一次掌：年轻有为的杨鼎康，乐观笃定的于春磊，保持审慎的周教授，心怀产业情怀的梁胜董，以及东道主黄晶总。

这场对话听下来，AI 和具身智能并没有想象中那么科幻。想到达那个美好的地方，还是得一步一步踩实。这是一场漫长的马拉松，需要所有人一起走。刘启迪说，希望今天这点交流能给人一些启发，之后做项目落地时多一分底气；他也相信拓斯达会是最好的伙伴。

五位嘉宾再谢一次，现场各位的聆听也一并谢过。盼着将来在更大的车间里，能看到更多落地的成果。本场圆桌论坛就到这里，谢谢大家。