David Navarro：2026年，机器人黄金时代的起点

各位嘉宾、各位朋友，大家好！说句实在话，在吴董事长那么精彩的分享之后登台，对我来说压力不小。刚才那场演讲确实出色，我听了很受启发。

先简单介绍下自己。我叫 David，干的是机器人工程师这一行，一直为这个身份自豪。当然，除了工程师，我也算个学者。

今天我想尽量用大白话，聊聊人工智能正在怎么改变机器人技术，以及我们为什么正处在一个前所未有的历史机遇面前。也希望借具体的技术和案例，让大家对“具身智能”这个概念看得更直观、更清楚。正式开讲之前，我想先坦诚讲讲自己的一段经历。

大家能看到，今天的演讲正在被录下来。几年前，人工智能开始以从未有过的速度改写机器人研究领域，那阵子我心里很焦虑，甚至有点害怕。为什么？因为我眼看着不少同行接连做出令人瞩目的突破，自己却担心追不上这场技术变革的脚步。不过，请大家再看看今天站在这里的我。

几年过去，我已经全身心扑在人工智能与机器人技术的融合研究上。更关键的是，心态变了，而且变得很彻底：当年让我焦虑的那股技术浪潮，如今恰恰成了让我无比兴奋的机遇。

我坚信，2026年，我们正站在机器人技术黄金时代的起点。没错，如果说过去几十年是机器人技术不断积累、发展的时代，那么今天，人工智能正在为机器人打开一片全新的天地。

对所有投身机器人领域的人来说，现在或许正是最值得期待的时刻。

一、从人工智能革命到物理智能时代

回看过去十多年人工智能的发展历程，一条不断突破能力边界的技术演进路径清晰可见。从 AlexNet 开启深度学习在计算机视觉领域的重大突破，到语音识别、自然语言理解和大规模文本处理能力持续提升，人工智能研究一个难题接一个难题地攻克。

再往后，我们迎来了生成式人工智能的爆发式发展。今天，生成式AI早已走出科研实验室，进入了普通人的日常生活。几乎每个人都能通过手机用上这些强大的智能工具。

紧接着，智能体人工智能（Agentic AI）迅速兴起。人工智能开始从被动回答问题，转向主动理解目标、规划任务并调用工具执行操作。如今，学生和研究人员已经不必事事亲力亲为，许多复杂任务都可以交给AI智能体协助完成。

那么，人工智能发展的下一站是什么？

越来越多的研究者和产业界人士认为，我们正在迈入一个全新的阶段—物理人工智能（Physical AI）时代。

物理人工智能说白了就是让 AI 走出计算机和数字世界，给它一个真实的物理载体，让它能感知周边环境、理解手头任务，再借助机器人跟现实世界打交道。今天所说的具身智能（Embodied AI），核心也正在这里。

要真正理解这场变革的意义，我们不妨先回到机器人技术的起点，看看传统的机器人是如何工作的。

即便到了现在，许多工业场景里，工程师还是得给机器人一步步编好运动程序，把机器人该往哪走、做什么动作、怎么把活干完，一项项写清楚。

任务必须提前被明确定义，这是传统机器人控制的一大特征。

各种情况，工程师都要尽量提前想到，再把对应的行为逻辑敲进程序。机器人照着预设流程走，环境和任务一旦出现预料之外的变化，可能就得重新编程或者调试。

在结构化程度高、重复性强的工业场景中，这套做法已经相当成功。

可它的短板也很明显：机器人本事有多大，很大程度上要看人类工程师事先写了多少条规则和程序。

人工智能正让这种模式发生根本性改变。

动作不必再逐个写进程序，我们可以换一种办法把能力交给机器人——教会它怎么完成任务。

那怎么教？

答案绕不开人工智能革命中最重要的资源之一：数据。

对机器人来说，尤其关键的是人类或专家完成任务时留下的示教数据。

这背后是机器人控制正在经历的一次深刻范式转变：

以往靠工程师手写运动指令，如今则转向让机器人借助数据、示范和学习，自己掌握操作技能。

今天我想重点讲四个值得关注的技术方向，以及它们可能给制造业带来的机会。

过去我的演讲对象多为学术界同行，今天到场的有不少工业界和制造业的朋友。所以我会尽量结合应用实际，谈谈这些技术怎么真正进工厂、创造价值。

二、方向一：基础模型—让机器人理解任务、规划行动

先看基础模型（Foundation Models）。

大语言模型大家应该很熟了。我们每天用的AI问答工具，就是基础模型最直观的落地之一。

不过这些模型的价值，远不只是理解和生成语言。

一旦语言模型和视觉、机器人状态、动作信息结合，它们就有可能充当机器人的智能核心。

近几年，国内外越来越多科研机构和科技企业开始探索机器人基础模型。比如 Physical Intelligence 的 π 系列模型，还有围绕视觉、语言和机器人动作展开的 Gemini Robotics 以及 Figure AI 的 Helix 模型研究等，都显示出这一方向的巨大潜力。国内包括宇树机器人在内的团队，也在加紧推进相关技术。

基础模型到底能给机器人带来什么？

首先是强大的语义理解和任务规划能力。

举个很简单的例子。

假设我们对机器人说：“请帮我把药盒拿过来。”

对传统机器人来说，这句话算不上一条能直接执行的运动指令。

可要是机器人系统具备较强的语义理解能力，情况就不一样了：它得先弄明白"药盒"指什么、东西大概在哪儿，以及"拿过来"对应哪些具体动作，然后定位目标、规划移动路线、靠近物体、完成抓取，最后把药盒交到使用者手上。

说白了，基础模型能把一句自然语言指令拆成一系列目标清晰的机器人任务。这个能力相当关键。以前得靠工程师把任务流程一步步定义好；现在机器人开始能理解人想达成什么目标，并自己规划出实现目标的步骤。

基础模型还能往机器人运动控制这一层延伸。过去几年里，研究人员把机器人动作、位姿、关节状态和运动学信息，连同视觉、语言数据一起放进模型训练，视觉—语言—动作模型（Vision-Language-Action Model，VLA）由此快速成长起来。

和传统视觉语言模型不一样，VLA模型不光能理解环境和任务，还能进一步生成机器人动作。换句话讲，人工智能正从判断"应该做什么"，走到直接决定"应该如何行动"。这给传统机器人控制体系打开了新的可能。

一些前沿研究已经拿出让人印象深刻的成果：机器人可以依据摄像头拍到的视觉信息，结合人给出的任务指令持续生成动作，并根据环境反馈调整后面的行为。这意味着人工智能不再只负责高层任务规划，也开始直接参与机器人的闭环控制。从语义理解到任务规划，再到动作生成，基础模型正在一步步打通机器人智能决策与物理执行之间的关键环节。

三、方向二：数据采集与技能学习—从编写程序到教会机器人

下面说第二个重要方向：机器人数据采集与技能学习。前面提到过，未来不必给机器人预先写好所有动作，示教就能让它学会怎么完成任务。

但有个很现实的问题摆在面前：想让机器人像人一样学技能，训练数据从哪儿来？

目前机器人领域主要用几类办法。第一类是传统的专家示教。比如工程师拖动机械臂，或者借助主从遥操作设备，直接操控机器人做完某项任务。这个过程中，系统会把机器人的位置、关节状态、运动轨迹以及其他相关信息记录下来。

有了这些记录，后续就能拿来训练机器人的控制策略，让它一点点学会照着专家的动作去做。

这条路子很老，也确实管用。

不过麻烦也不少。

头一个麻烦是，各类机器人之间的构造差别实在太大。

单臂的、双臂的、人形的都有，关节怎么排布、能转多大范围、怎么操作，各不相同。

要为每一款机器人都单独做一套示教系统，根本不现实。

于是就有了运动重定位（Motion Retargeting）这个重要方向。

运动重定位想做的事，是把某台设备或某个机器人采到的示教轨迹，变成别的机器人能照着做的动作。

这样一来，同一批示教数据就有可能供不同机器人平台使用，数据的复用价值也跟着上去了。

另外，机器人干活不光牵涉位置和轨迹，还要跟物理环境真正接触。

工业场景里的抓取、装配、推压、插接，哪一样都离不开物体间的接触与相互作用。

所以光有视觉和运动学数据不够，力觉、触觉之类的信息一样关键。

对机器人来说，要理解一个动作，既得清楚“手该移到哪儿”，也得清楚“接触时发生了什么”“该用多大的力”。

多模态感知与操作学习之所以值得深挖，原因也在这里。

传统专家示教还有个短板：示教设备通常得跟目标机器人在结构和操作方式上对得很准。

真正上手用过遥操作系统的人都清楚，这种操作未必自然，学起来、用起来成本都不低。

那能不能不再依赖专用示教设备？

在我看来，从人类日常行为数据里学机器人技能，是个很有潜力的方向。

我们这代人是看着互联网一路长起来的。

如今互联网上已经攒下了海量视频，人类生活、工作、生产中的各种行为都有。

拿东西、用工具、装零件、走完复杂操作流程，几乎都能找到对应的视频记录。

只要能把这些视频里的人类操作技能提取出来，再转成机器人能学、能执行的数据，机器人训练就不必完全靠昂贵的人工示教了。

大规模机器人技能学习，或许能因此打开新的空间。

当然，从普通视频里还原动作、弄懂物理交互，再搬到机器人本体上，技术难题还很多。但这个方向已经吸引了不少研究团队投入。

还有一类做法同样很受关注，那就是让人参与到机器人的学习过程中，也就是人机干预学习。

机器人自己执行任务时一旦出错，人可以马上介入，把它的动作纠正过来。

这些介入和纠正的过程，又能反过来变成新的训练数据。

这样一来，机器人学到的不只是怎么把任务做完，还能一点点学会发现错误、调整动作，以及从失败里恢复过来。

所以在我看来，数据采集不单是个技术问题，它还是机器人智能发展过程中一项重要的基础设施。

谁能用更高的效率、更低的成本拿到高质量、多样化的机器人操作数据，谁就可能在未来的具身智能发展中占到重要优势。

四、方向三：世界模型—让机器人理解物理规律、预测行动结果

第三个方向，是这几年很受关注的世界模型（World Models）。

我知道，“世界模型”这个说法听起来可能有点抽象。

可它实际上对应的是一个非常根本的问题：

机器人能不能像人一样，在真正动手之前，先把某个行动可能带来的结果预测出来？

这也带出了人工智能与具身智能之间的一个重要区别。

传统意义上的人工智能，主要是在数字世界里处理信息、识别模式、生成内容或者完成决策。

具身智能则拥有物理载体，必须在真实环境中行动。

机器人不光要理解眼前的场景，还得应对重力、摩擦、碰撞、接触和物体形变这些真实的物理规律。

所以，具身智能不能只停留在“识别世界”，还要一步步具备“预测世界”的能力。

世界模型的重要价值正在这里。

简单来说，世界模型就像一个预测引擎。

它试着回答这样一些问题：

机器人做了某个动作之后，接下来会发生什么？

机械臂推动一个物体，物体会怎么移动？

夹爪用不同的力量去抓工件，会不会滑动、变形，或者干脆抓取失败？

机器人执行某种策略，最后能不能达到预期目标？

这些问题，都和机器人在物理世界里的实际表现紧密相关。

屏幕上现在放着两组画面，一组是真实世界拍的，另一组由模型生成。

生成式人工智能这几年跑得很快，生成画面的逼真程度已经相当惊人，有些时候光靠眼睛看，真实录像和生成内容几乎分不出来。

可对机器人来说，世界模型的价值远不是生成逼真画面这么简单。关键在于它能不能把动作和结果之间的关系刻画准确，能不能预测物理交互会带来什么变化。

比如机器人去抓一个物体，这东西会不会滑落？被外力推一下，它会往哪个方向动？两个物体碰上之后，又会怎样相互作用？这些都是机器人要完成复杂操作任务绕不开的问题。

不过世界模型也有个现实难题：如果想着逐像素去预测未来的高清画面，计算和数据的成本可能高得吓人。

而机器人干活时，其实并不需要看懂画面里的每一个像素。拿抓杯子来说，它真正要盯住的可能是杯子的位置、姿态、形状，还有跟抓取有关的物理属性，背景里每处纹理、每点光照细节反倒无关紧要。

另一条重要技术路线由 Yann LeCun 等研究者提出并推动：学习紧凑的特征表示，把跟任务相关的重要信息编码进潜在空间。

这样就不用还原世界的全部视觉细节，靠这些潜在表征去预测环境变化，再拿来做机器人的规划和控制。构建更高效、更实用的世界模型，由此多了一条新思路。

站在机器人应用的角度看，世界模型大致能承担两类预测任务。

第一类是预测环境未来的状态。机器人结合当前观察和候选动作，推测接下来可能看到什么、环境会怎么变，从而提前评估行动方案。

第二类是预测物理交互的结果。比如机器人和物体接触之后，可能产生怎样的运动、受力或形变。

这类预测对抓取、装配、灵巧操作和复杂工业任务尤其重要。

如果机器人能在真正动手之前，先用世界模型对不同策略做预测和验证，就有机会少在真实设备上反复试错，训练和部署的效率、安全性都能提高。

这么看，世界模型不只是让机器人学会行动，更有望让它在行动之前先学会思考行动的后果。

五、从技术突破走向工业应用：如何让机器人真正创造价值？

前面聊了基础模型、数据采集和世界模型。

接下来，我想聊回今天在场各位最熟悉的那块——工业制造。

在互联网上刷到具身智能机器人，那些让人印象深刻的演示大多跟家庭服务沾边，比如叠衣服、清理桌面、取日用品。

可这些技术面向的可不止家庭场景。

其实，它们在工业上的应用潜力同样很大。

现在已经有机器人系统能通过人类专家示教，学会过去得靠大量人工编程才能完成的操作任务。

当然，现实也得承认：截至2026年，不少复杂的灵巧操作任务里，人类还是明显强过机器人。

机器人到底什么时候能全面达到甚至超过人类的操作水平，我说不准。

不过进展已经让人看到希望。

机器人通过提取和学习人的操作技能，正一步步拿下一些传统自动化方法很难实现的复杂动作，面对环境变化和任务不确定性，也有了一定应对能力。

工业机器人由此多了一条新的发展路径。

以前搞工业自动化，主要靠针对特定任务编写的程序和专用设备。

往后，我们希望机器人不光能高效执行预设动作，还能读懂任务目标、学会新的操作技能，适应更复杂、更多变的生产环境。

人工智能与工业制造深度融合的意义，也正在这里。

但有个容易被人忽略的问题，我想在这里强调一下：

别只盯着软件和算法，机器人硬件本身同样有很大的创新余地。

这就说到我今天要介绍的第四个重要方向。

六、方向四：软硬件协同设计—让智能与机械结构共同进化

机器人不是纯软件系统。

它有实实在在的机械结构、执行器、传感器和控制系统，得跟物理环境不停打交道。

所以，真正出色的机器人系统，不能只靠更强的AI模型，硬件设计也得更合理。

我很推崇软硬件协同设计（Hardware-Software Co-design）这个理念。

传统做法往往是先把机械结构定下来，再给它设计控制算法。

软硬件协同设计要改的，就是这种相对割裂的开发方式。

硬件结构和智能控制策略应该互相影响、一起优化。

任务需求决定了机械结构该怎么设计；反过来，把握住机器人本体的特点，也能训练出更高效的控制策略。两边反复迭代，最终落地的系统方案才适合实际应用。

拿某些工业操作任务来说，未必需要一台极其复杂、自由度一大堆的机器人。

把夹爪、传感器和执行机构设计得合理一些，再配上适当的学习与控制算法，就有机会用更低的成本换来更高的任务效率和可靠性。

所以我一直觉得，未来机器人技术的发展方向，不该只是算法越来越复杂、模型越来越庞大。

让 AI、机械设计与控制系统真正协同起来，针对具体任务找到更高效、更可靠的解决方案，这才是更要紧的事。

七、四个方向，共同构成机器人技术发展的新机遇

讲到这里，我想把今天介绍的四个技术方向简单收个尾。

第一是基础模型。有了它，机器人的语义理解、高层任务规划和多模态感知能力都更强，能听懂更复杂的人类指令，并逐步把任务目标变成具体行动。

第二是数据采集与技能学习。过去靠手动编程，现在正转向通过示教和数据来训练机器人。不过要走向规模化应用，高质量、大规模、多样化的机器人数据仍是眼下最重要的瓶颈之一。

第三是世界模型。机器人不光要理解眼前的环境，还得预测自己的行动会怎样改变物理世界。世界模型有望帮它理解物理交互规律，并在执行动作之前预测和评估可能的结果。

第四是软硬件协同设计。机器人智能不能脱离物理本体，只有让 AI 算法、控制策略和机械结构深度融合，具身智能的潜力才能真正释放出来。

这四个方向相互支撑，也共同构成了未来机器人技术发展的重要基础。

八、携手拓斯达：让机器人学会真正有价值的技能

在这里，我还想特别感谢吴董事长，以及拓斯达团队给我的信任与支持。能担任拓斯达首席科学家，我感到非常荣幸，也十分期待未来和在座各位展开更深入的合作。

我想强调的是，我们来到这里，并不是因为我们比产业一线的工程师更加优秀。恰恰相反，我深知在座各位拥有丰富的工业经验和宝贵的专业知识。

作为做机器人研究的人，我们想扮演的角色，是从另一个角度给产业界补上新的技术手段。说白了，就是让熟练工人多年攒下的操作经验和专业本事，变成机器人能学、能掌握、也能干出来的能力。

在我看来，这事既值得下功夫研究，也是一步一步能做到的目标。

工业自动化走了几十年，今天机器人在高度结构化的工厂里用得已经很广，也挣出了很大的经济价值。可这些成熟应用之外，还有大量真实场景没被机器人技术覆盖到。

比如普通人的日常生活环境里，感知、操作、自主决策这几关对机器人来说依然不好过。为什么家用机器人今天还没像家电那样普及？

不是没需求，而是现实世界太复杂，机器人的智能水平、操作能力和系统成本都还卡着不少限制。不过，难题往往也藏着机会。

今天机器人还干不了的那些活，可能正是将来最值得探的技术方向和产业机会。

九、面向未来：我们的三个重点方向

最后说三个我个人特别关注、也希望往后跟拓斯达一起推的研究方向。

第一，做融合智能体与世界模型的新一代机器人智能系统。我们希望机器人不光能读懂复杂任务、具备高层规划能力，还能让多个智能体配合起来干活。

更关键的是，机器人得能借助世界模型预判动作会带来什么物理后果，在变化不停的环境里做出更合理、更靠谱的决定。让它从单纯听指令执行，慢慢走到自主理解、规划和行动。

第二，搭一套可规模化的具身智能数据采集体系。这是眼下机器人学习最核心的瓶颈之一。

回头看计算机视觉的发展，大规模数据集曾给整个领域带来革命性的突破。我相信机器人领域同样得建大规模、高质量、可复用的数据资源。

采集方式要更自然、更高效、成本更低，让机器人能从人类示教、真实交互以及多种数据来源里持续学习。

只有把数据瓶颈真正突破，机器人基础模型和通用操作能力才可能再往前走一步。

第三，坚持盯着真实需求，去解决有价值的现实问题。

光靠实验室里那些好看的演示，显然不够。

关键得让机器人从实验室里出来，进工厂，再走到更广的真实生活场景中去。这就要求我们跟产业界绑在一起干：从真问题出发，把需求摸清、把约束搞懂，再把前沿技术做成可靠、好用、能创造价值的机器人系统。

这也是我很想和拓斯达一起使劲的方向。

各位朋友，我一直觉得机器人技术正碰上一个让人兴奋的新时代。AI 在往前走，机器人的能力边界正被它重新划定；而这些技术最后能给社会带来多大价值，要看产业界怎么干。

机器人技术的黄金时代，不只属于搞科研的人，也属于每一位敢闯敢试、愿意把技术推到落地的工程师和产业伙伴。

我特别期待跟拓斯达和在场各位联手，把 AI 和机器人技术往深里融合，让更多真有智能的机器人走进现实世界，做出实实在在的产业价值。

我的分享就到这里。

再谢吴董事长，谢拓斯达，也谢谢各位听我讲完！

谢谢大家！