8月19日至23日，以“人机共生，产需共融”为主题的2026世界机器人大会于北人亦创国际会展中心（世界机器人大会展馆）正式举办。
作为国家级、全球化机器人产业综合运营平台，世界机器人大会既是产业周期的长期观察者、产业资源的顶层操盘者，也是前沿技术商业化的深度赋能者、新质生产力培育者、全球产业协同的连接者、行业高质量发展的标准引领者。
8月21日，由亿欧主办的“2026世界机器人大会·具身智能商业落地论坛”在北京·北人亦创国际会展中心会议中心正式开幕。
“具身智能商业落地论坛”作为“2026世界机器人大会”的重要系列论坛，以“商业落地”为唯一核心标尺，立足全球机器人产业顶层视角，精准捕捉当下具身智能赛道“技术成熟度领先、商业化落地滞后”的核心矛盾，聚焦商业策略和落地实践，以审慎态度思辨产业发展规律，以产业实战拆解商业化可行路径。
大会现场，举办了以《量产时代：从交付到盈利》为主题的圆桌论坛，魔法原子CTO陈春玉、普渡机器人联合创始人兼CTO郭璁、酷哇科技联合创始人兼COO李柯宏、智平方首席战略官莫磊进行了深度探讨。论坛由创世伙伴创投创始主管合伙人周炜主持。
以下是圆桌论坛实录：
主持人：今天论坛的话题是具身智能商业落地，现在谈量产，首先是“产”，然后是实际的商业应用场景。过去具身智能刚起步时，一年产几百台、有一点应用，大家就觉得已经是量产了，但现在大家对量产的要求明显提高了，可能要到万台才有资格谈量产。我想先问各位，你们怎么评估“量产”的及格线？目前的真实交付情况是否达到了年初的预期？回答之前，可以先简单介绍一下自己。
陈春玉：谢谢周总。关于量产，魔法原子这两年一直在跨越这道坎。
去年行业整体处于几百台的水平，核心目的是验证技术可行性与产品稳定性，我们交付了几百台，基本达成了阶段目标。但从今年开始，规模从几百台迈向几千台，这不再只是数量的增长，而是对企业供应链整合、工程化能力和可靠性验证的体系性大考。面向真实客户交付后，产品的稳定可靠才是真正的挑战。
作为新兴行业的先行者，如何构建自身的生态能力，也是我们必须面对的新课题。
正因如此，魔法原子从去年几百台的量产起步，到今年已布局两座生产基地，目标直指万台级规模。我们坚信，只有跨过量产的门槛，真正具备万台交付能力，才能确保为客户提供长时间、高可靠的服务——这也是我们做机器人的初心。
主持人：你描述的是一个愿景，但我问的是真实交付情况，现在是否达到你们年初的预期？
陈春玉：现在已经达到年初的预期。今年，魔法原子已经有千台机器下线。
主持人：谢谢。普渡机器人在这个领域也是先行者，同样的问题，请郭总描述一下。
郭璁：感谢周总。我叫郭璁，来自普渡机器人。我们做机器人已经十年，目前市面上出货13万台，覆盖85个国家。
对于“量产”这个词，大家很容易把两个概念混淆：一部分人理解的量产是研发概念，研发概念是把东西做出来、能稳定运行；但市场上理解的量产是商业概念，不仅要做出来，还要用得好、卖得好、卖得简单、卖得快。这就是我们所说的GAP（差距），这个GAP在哪里？如果纯粹是研发概念，只要质量稳定，满足需求就可以了。
真正回到商业概念，确实对全链条有更多要求：怎么让硬件在不同场景下稳定性更好？怎么让软件在A客户、B客户、C客户那里得到更好的泛化适配？怎样把交付做好？售前、售后能够做好？
回到刚才周总的问题，什么样的数字才是真正的及格线？如果你的产品面向的细分垂类越小，这个数字要求就越低。比如只做一个很小的细分品类，可能千台就够了。但如果产品从一开始定义的就是泛化性极高的方向，无论是行业上的泛化还是任务上的泛化，人类对泛化性最高的期待就是人形，再加上通用型的大脑，那么真正走到量产，恐怕需要万台甚至几万台。从纯硬件角度看，万台可能就够了；但从软件和模型的角度看，可能要十万台左右，才能配得上“量产”这个词。
我们自己做得怎么样？我们整体的产品矩阵，既包括面向小型垂类、中型垂类的专用型机器，也包括从机器狗到人形、半人形的具身型机器人，后者面向更大的行业和产业。在这几个维度上，我们期望能够对齐年初的目标。一些面向垂类的产品，因为整条链路已经打磨得很好，无论是技术、产品、生产、销售还是品牌，这个闭环能够转起来，量自然就会上来。这个因果关系是先有能力，再有结果。在已经搭建好的能力基础上，我们能够做出具身型的硬件，让更加泛化的行业应用在产业生态中落地。这就是我们年初给年中、年末设定的目标，目前正在达到目标的过程之中。
主持人：陈总和莫总属于新一代的创业企业，中间的普渡和酷哇都有强烈的落地能力和规模化的销售，收入应该已经到了相当可观的级别，甚至比现在一些上市公司的收入规模还大。在这里，我也想问问两位，你们心里可能会觉得，现在能够上央视的新秀就能受到关注、溢价，而你们这些扎扎实实埋头做事的，并没有在资本市场上获得溢价。你怎么看这件事？
郭璁：继续努力吧，其实也比较正常，我们不觉得过去在这些方面做过的事情是一种浪费，它一定会变成我们的能力，这是看过去。而新技术诞生了这一代新的初创企业，它们能够在市场上扎下去，获得估值。我们最终要把估值转化成这个行业持续做的事情，还是要落地，所以该走的环节依旧要走，该补的课要补。
对于我们自己来说，要把老的能力在新的时代发挥出来，这是我们落地的优势。其次，我们并不畏惧在模型化、人形方面的能力建设。我们一直在做这些事，如今商业化落地的结果，客户的反馈也很好。
所以可以看到，一两年或者三年之后，到了下半场，真正落地的大考，每个人做的不是自己的卷子，而是公卷——客户给的卷子。到那时，这些能力会得到更公允的评价。
主持人：理解。我对我投资的企业家，希望他们除了做实事之外，还能开发一下更好地讲故事的能力。在今天社交媒体时代，会不会讲故事、讲愿景，会带来很多不同的资源。从李柯宏这里开始，你先回答量产问题，之后我还有几个问题追问你。
李柯宏：谢谢周炜总。在回答量产之前，请允许我用一分钟讲清楚酷哇是谁。酷哇科技是一家机器人公司，但我们给自己的定位不是“造机器人的”，而是“给机器人造大脑的”——L4级的自动驾驶能力，加上机器人本体，去接管城市里那些最脏、最累、最危险的劳动。无人环卫是我们的基本盘，无人出行在快速起量，我们最近还上线了机器狗即时配送，人形机器人也在前瞻布局。一句话：城市里需要移动和作业的地方，就是酷哇的战场。
回到量产的问题。郭总刚才讲得非常好，我补充一个不一样的视角：整个行业对“量产”的定义其实很混乱，因为大家卖的“量产”不是同一个东西。
酷哇原生是一家“大脑”公司，所以我们衡量量产的第一指标不是设备台数，而是数据。今天酷哇在全球有超过一万台设备每天在真实城市场景中运行，覆盖北上广深杭等核心城市，中国前20大城市的渗透率超过50%。这意味着什么？意味着我们手里握着一个行业级的数据流量入口——每天、每小时，真实的城市作业数据在持续回流。而从数据质量看，城市服务场景是天然无序的：行人、宠物、突发占道、极端天气……这些恰恰是训练Physical AI最稀缺的长尾数据。这是我们和实验室里的机器人公司最大的区别。
这里我想借特斯拉做个参照。特斯拉全球几百万辆车在跑，数据量已经无法用一个简单标准去量化。但即便是这样的数据规模，FSD今天也只是“非常接近”驾驶智能，距离真正的Physical AI仍有距离。这说明什么？说明量产从来不是一个绝对数字，而是相对于你的目标而言的。
所以坦率地讲：一万台是及格线但绝不是终点。我们看到的天花板远高于此——城市服务是一个万亿级的刚需市场，而数据飞轮一旦转起来，先发者的优势是复利式的。一万台只是飞轮转动的第一圈，我们要做的是让每一台设备都成为数据采集的触角，让“大脑”越跑越聪明。这才是酷哇定义的量产：不是卖出去多少台机器，而是让多少台机器每天都在为同一个大脑打工。
主持人：刚才你提到的数据问题非常关键。当年电动汽车刚开始时，有位汽车企业老总说用其他品牌的智驾系统相当于把灵魂交给别人，自己只剩一个壳。但前两天新闻报道称，上汽也成为了其他品牌智驾体系中的一员。换句话说，它把灵魂交给华为了。在机器人领域，很多企业做的是非常具体的机器人“大脑”，机器人将来一定也会面临这个问题：灵魂到底是谁的？到底是只拥有一个壳子，还是灵魂和身体都是自己的？对于这个问题，你怎么看？
李柯宏：这个问题非常好，当然我回答的不一定对。我认为现在整个行业还是处于非常早的一个阶段，它不会像汽车产业一样，大家分工是比较明确的，有造车的，有做数据的等等。现在机器人这个行业很早，分工没有那么明确，大家都想要去做出所谓的physical AGI，因为这可能是汽车产业GDP乘以10甚至更高的行当，所以我觉得不会有公司说我一上来就不愿意去试。大家都在做大脑的过程中，现在具身数据确实非常难获得，所以谁有了数据，谁就有了继续上牌桌的机会，但上牌桌并不代表能做成，具体怎么做成，我觉得是这个行业都需要去讨论探索的问题，基本上没有作业可以抄。
未来，我认为正常的成熟产业肯定会有分工，本体是本体，大脑是大脑，工具是工具，我指的是这个工具链上面的东西。短期大家可能分工没有那么明确，但是长期分工一定很明确，如果说真的有一个类似于大脑的physical AGI出来，我认为一个本体公司没有理由不去做。再具体到场景，还有更深的壁垒，包括酷哇和普渡可能相对更有发言权，包括怎么运营，客情关系，大KA的维护，整个商业履约等等，它不是技术问题，是你在这个行业扎得比较深，有些问题你先有机会就去获取。我就先回答到这里。
主持人：先请郭总回答一下这个话题。
郭璁：刚刚李总已经说得非常充分了，我再补充一下。回到终局，我相信一定会分类，早期大家都在做，一方面是混沌，另外一方面从效率的角度，会觉得在下半场在落地时，因为经历过这个阶段，你期望这个产业链是已经分好工的，你会发现在真正落地这件事情的效率上会打折扣，因为接触到最一线的，实际上是对于整个链条分工最敏感的。但是由于产业链没有形成标杆，没有形成分工，所以你寄希望于一些做模型的、做硬件的、做芯片的，从具体的产业需求往后拆，这件事是不现实的。所以导致在混沌的状态，要自己下场去碰到Real Data，才能够让整个链条发力得更快。
主持人：到莫总了，抱歉让你等了很久，我觉得你代表的是新一波的创业公司，刚才的这几个问题，你可以充分地发挥一下。
莫磊：前面的三位嘉宾讲过很多了，我们在这一波具身里面比较新，其实三年多时间也不算新了，是新的老兵。但我们对量产非常敬畏，我觉得也得益于我们之前做过车、做过手机，比机器人的体量要高。
主持人：是整个团队吗？
莫磊：对，我们以前在新能源车、手机都做过这种量产级的产品。从愿景来看，我们希望机器人这样的下一代终端，数量达到手机的量级，今天机器人的千台、万台，相对于手机的千万台、亿台来讲都不算很大的数量，所以我们很敬畏。
那么，敬畏要怎么做？今天来讲，这个数也不是特别重要，但关键是机器人，或者说生产出的东西，在这样的数量下是否能保持高度的一致性和稳定性。就像刚才郭总讲的，从产品设计开始，就要有这样的思考，整个产品设计要围绕着让它能长期运行，不要为了一些成本牺牲掉稳定性。包括在工业优化、质量管理上，也要持续朝着让机器人成为车、手机一样的终端的方向努力。
我觉得量产很多时候是水面下的能力，今天都在讲大脑、大模型，这是聚光灯上的能力。但是聚光灯下，很多时候量产决定着一家企业能否成为一个伟大企业，是非常重要的需要守住的底线。我先讲这么多。
主持人：我再追问下，还是回到刚才的问题，这也是我们作为投资机构很困惑的一个问题，确实已经涌现出非常多的很直截了当的表达，比如要成为未来的机器人通用大脑，要让现在的机器人公司都给我生产身体，这种野心的新一代创业企业非常多。你们是一家年轻的新企业，你们自己在这方面到底怎么思考的？
莫磊：我觉得是一种选择，如果还是拿以前的例子来讲，有软硬一体化的特斯拉，确实也有很多企业，你即便做这样的智驾和主机，也有很大的生态位。最终是一个选择，没有绝对的好。回到智平方来看，我们比较坚持软硬一体。
主持人：我觉得还是太四平八稳了，我不同意没有绝对的好，苹果一家超过全世界所有手机厂商的利润，肯定它的模式更好，只是我们做不到而已，不能说没有好坏。
莫磊：没有好坏这个词，虽然你说四平八稳。
主持人：在我眼中，商业模式一定会有好坏的。
莫磊：从我们的角度来讲，做过终端的人，软硬一体的效率、效能一定是最优，这个我觉得是没有疑问的，但是这个本身对企业提出更高的要求，因为最终你做出的战略选择是需要整个企业的资源能充分的匹配。如果没有这样的实力和资源，我相信大家都想要做。我是做战略，战略叫作资源有限下的取舍，你取舍掉什么，是企业发展过程中必须要经历的事情，我们目前还是坚持这个方向。
主持人：这是一个理性的思考，今天我们碰到来融资的很多初创团队，每个团队都有某某天才少年，莫磊还是非常务实的。魔法原子也是年轻一代企业的代表。刚才我们争论了很久，关于这些问题，我想要听听你的看法。
陈春玉：关于"大脑"的问题，我们的判断是：通用智能是终极目标，但在抵达终局之前，行业需要大量企业深耕细分场景，从具体行业中积累数据。这个过程会催生出非常多的专业公司。
我们认为，机器人本体企业和聚焦行业应用的大脑公司，实际上是不同阶段的互补选择。魔法原子在落地安防、物流、制造领域时，核心思考是如何构建行业系统，推动大脑、本体与场景的深度匹配。通用是终局，但路径上一定会先诞生一批深耕细分赛道的企业和本体公司。
主持人：你觉得某种类型的通用机器人不一定是万用，比如在某个领域、场景下，同时可以完成这个场景里，比如说一个工厂里比较复杂多样的工作，小通用吧，这种场景，你觉得什么时候在您这个行业可以看到第一家公司做出来？
陈春玉：现阶段大家围绕工业场景推进，但多数还停留在单一工序或简单泛化任务的层面，离真正的"小通用"还有距离。
主持人：非常像七十年代四大家族在工业领域出来时，就是在垂直领域长时间的磨合，做出了最好的产品。你觉得在今天大模型时代，有多少时间？
陈春玉：在限定场景下，模型层面核心要解决的是作业能力问题，但所需的训练时长远不止当前行业讨论的几万小时。而且，除了作业能力本身，调度、协同等系统性问题同样关键，需要同步补齐。
主持人：明白，郭总，我还想问一下，现在数据存在大干快上的情况，数据壁垒方面你们怎么评估？
郭璁：我会这么看，一是看广度，二是看深度。
广度上，数据的类型，我们会分为三种：第一是Business Data，和行业相关。第二是Robotic Data，和产品相关。第三是Physical Data，和环境相关。
深度上，现在构建的数据集，我认为主要是第三种，回到构建的这三种类型的广度和对应的深度，我们看到，当出现一些新的形态和新的模型时，其实本质上是技术的创新，在产品任务和客户商业需求上并没有发生变化，只是用新的技术范式在解决老的商业问题和需求。所以，这两种数据在我们看来，是第一层非常重要的数据，并不是现在数采之间能够采得到的，因为现在的数采只是纯粹抽象的Physical data。
主持人：我换一个问题，你们现在积累的数据，经过一定的脱敏以后，会有很多公司愿意花大价钱买吗？
郭璁：肯定会。
主持人：到李柯宏这里，酷哇也有大量的实际运营经验，也有大量的数据，经过这些年的累计，我想听一听你对这个问题的看法。
李柯宏：我觉得要分两个层面来看：第一，现有数据对模型训练来说，够不够；第二，已经积累下来的这些数据，能不能对外交易、形成价值。
第一个层面，我的判断是远远不够。真实人类社会所蕴含的物理知识是极其庞大的，跟今天全行业掌握的数据量相比，缺口还非常大——尤其是机器人在真实物理世界里交互所产生的数据。
第二个层面，数据有没有价值、能不能卖？可以参考大模型的训练逻辑：预训练和后训练是有分工的。海量、看似无序的真实数据，经过预训练可以沉淀为通用的知识（Knowledge）；在这个知识底座之上再做后训练，落到垂类场景中形成具体应用，就能产生真正的经济价值。所以数据能不能卖？我认为可以。
主持人：今天的话题是量产时代从交付到盈利，我们谈谈盈利问题，从商业模式角度看，投资机构认为最好的模式一定能产生持续订阅价值，产品卖出去后还能持续收到钱，这是最好的模式之一。我从酷哇开始问，酷哇的运营能力非常强，在很多城市都有运营。这本身也可以视为一种订阅服务。你怎么评估这种运营能力的可拓展性，以及将来持续收费的能力？
李柯宏：
酷哇现在的商业模式是卖服务——但在卖服务之前，我们也卖过设备，很早就完成了一次商业模式的切换。
切换的核心逻辑是：看交付的产品到底为客户创造了什么价值。如果只是卖设备，客户的日常使用（Daily Basis）中出了问题谁负责？设备失效了怎么解决？这些问题在卖设备的模式下很难回答清楚。而卖服务，本质上是我们把这些责任一并承接了过来。
我们认为，订阅价值的优势在于：对双方来说，切换成本都很高。它把我们和客户之间的甲乙方关系，转化成一种战略式的、背靠背的合作关系。这也是为什么面对大 KA 客户，我们没有必要把自己的产品和技术"端得太高"——甚至直白一点说，我可以为你定制一些功能。定制看上去是非标，但它能把双方的系统牢牢扣在一起；从更宏观的维度看，这其实是某种意义上的标准化。
在每一个场景里，我们会去找一个类似"最大公约数"的东西，打通从商业模式、技术到规模量产的交付能力——这也是为什么我们现在能做到复购率接近 100%。
主持人：随着运营深度的加深，你觉得收取服务费和订阅费的能力会持续增加吗？
李柯宏：一定会，而且甚至可以产生增量价值。我们要尽可能地思考，机器人能帮客户创造什么样的经济价值，核心是产能。第二，原来用人很难数字化的东西，怎么样用AI重构，进一步实现第二层级的跃升。
主持人：莫总，现在都在说快速迭代问题，万一不久你们迭代了，客户买的老产品没法升级怎么办？这些问题，你们是怎么突破的？
莫磊：这个问题很有意思，对于客户来讲，关键是解决问题，比如是用这一代机器人做，还是用下一代机器人，对于客户来说，只要能解决问题，其他问题都不会太在意。客户关心的是能不能产生价值。
主持人：你总结了做ToB的优点，如果是ToC，用户是既要、又要、还要了?
莫磊：对，这个回答有更大的Topic，当前，即使我们希望它能走到千家万户，但大家都清楚，现在还不能走到千家万户，更现实的路径就是先ToB、再ToC。我们更在乎为客户提供多样的服务。产品上，我们希望代与代之间有一致性。回到初心，做商业化的目的是什么？对这个行业来讲，卖1000台、1万台，对终极目标的意义并不是很大，关键是落脚在真实场景，做真实的事。
主持人：树立最高的壁垒。
莫磊：对，所以要先做好，保证产品之间的物理交互界面尽可能是一致的，即便不同的客户用不同的形态，最终数据能实现反馈，价值会最高。
主持人：在大模型这一波，大家看到，过去几年此起彼伏，出现很多知名的公司，但大模型大浪淘沙一下就消失了。在具身领域，我总结为硬件是最大的壁垒，不那么容易一下被淘汰掉。陈总，也是一样的问题，我想要听听你们在这个领域是怎么突破第一步的，以及怎么维持和客户持续的合作？
陈春玉：B端客户要的是解决问题。技术迭代快，客户自然会担心投入的数据和方案会不会过时。所以我们不追求"一锤子买卖"，而是选择陪客户一起走——共同探索新场景、打磨新方案、迭代新模式。
客户对新技术其实很开放，关键是你能不能真正帮他落地。一旦我们进入他的核心业务流程，和他一起完成了工作范式的升级，这种深度合作关系就很难被替代。
主持人：谢谢，时间不多了，我们留两分钟给在座的，大家有问题可以向嘉宾提问。
提问1：我想要把问题提给在座的所有的企业家，我是牛津大学的博士，研究教育方面，并且对创业很感兴趣，我想要问在座的企业家们，能不能给创业者说一句鼓励的话，或者各位认为，创业最需要的品质是什么？
莫磊：这个问题很有意思，我结合自己的经验，有一些心得，一是Passion，没有Passion就无法坚持。二是强健的体魄，锻炼好身体。很多时候，创业是对身心的双重煎熬，熬得过去，坚持下来，才能走出来。
李柯宏：我直接回答这个问题，第一是要看得够远，尽可能有终局思维。第二是胆子要大。
郭璁：我有两个关键词，第一是勇气，第二是进化。勇气是一个结果，勇气可以来源于各个方面，来自于热情、理性思维等等。在我们看来，勇气是非常难得的品质，在特别艰难低谷的时候，要能够迈出下一步。另外，特别是在现在这个时代，变化特别剧烈，有时可能因为资源的保守、业务的保守，会觉得居于一隅就够了，但只有业务和组织的进化，才是这个时代最不变的东西。
陈春玉：在创业的过程中，可能会遇到各种各样的问题，希望能在这个过程中，保持韧性和皮实。
主持人：我也加一句，你要的是鼓励，但各位没有给鼓励。我给一句鼓励，很简单，你们是最后一代很幸运的人，有机会在碳基向硅基架桥的过程中架最后一座桥，可能之后一代就没有什么用了，所以专心把桥架好。
提问2：我们是做具身智能数据相关的公司，我提给在场各位嘉宾，从交付到盈利的过程中，遇到最大的挑战是什么？只说一件就可以。我也很好奇，现在大家都在谈数据，数据在各位盈利的过程中，到底起了什么样的作用？
陈春玉：数据是做好机器人的核心命脉。如果只说一个从交付到盈利的最大挑战，我认为是数据的有效性——更具体地说，是采集数据与落地场景之间的匹配度。
机器人采集的数据量非常大，但早期采集的数据和最终实际部署所需的数据，两者之间往往存在巨大的错位。采了很多，真正能用、好用的不多。同时，如何获取足够规模的高质量匹配数据，本身也是巨大的挑战。
所以数据在盈利中的作用非常直接：它决定了产品能不能真正好用、能不能规模化复制。谁先解决"高质量场景数据从哪来、怎么用"的问题，谁才能真正跨越从交付到盈利的鸿沟。
郭璁：这是两个问题，第一个是挑战，我们认为挑战主要是一头一尾。一头是市场端，大家都有一个美好的幻想，但真正实际落地时，要让客户相信能解决问题，客户教育是打开市场比较痛苦的过程。一尾是技术，要能突破更多的泛化性，怎样在已经预设好的硬件资源和硬件形态上迭代软件，这是比较大的挑战。
第二个是数据，我的评价是，现阶段重要，但并不关键，听起来可能有一点唱反调。长期看，一定很重要。但此时此刻落地，是从无到有的过程，追求的是性能。
李柯宏：第一个，没有最困难，只有更困难。要把技术、商业、客户认知三者平衡好才能落地。第二个，数据在当前和未来的价值体量不一样，现在做好商业化时怎么把数据飞轮转起来，转起来之后才能做第二、第三甚至更远的场景。
莫磊：数据不展开讲了，说下困难，今天圆桌的话题也是从交付到盈利。
主持人：最大的困难是盈利还是量产？
莫磊：都困难，都是行业中需要的挑战。
主持人：谢谢各位嘉宾，今天上午圆桌论坛的时间也到了，谢谢各位听众。
热门跟贴