移動機器人行業，究竟困在何處？

對此，擁有15年從業經驗的杭叉集團首席科學家陶熠昆一語道破癥結所在：當前看似競爭激烈的移動機器人市場，實則由于滲透率極低，仍處于藍海階段；而產業破局的關鍵，正藏在從AMR向EIMR（具身智能移動機器人）的范式躍遷新方向之中。

“紅海”假象與破局之路

在移動機器人產業，“紅海”早已是行業掛在嘴邊的高頻詞。價格持續下探、參數內卷加劇、交付周期一再壓縮，種種行業表象，很容易讓人得出“市場競爭過度、增量機會稀缺”的結論。但在陶熠昆看來，這是一種需要被打破的行業假象。

“一個整體滲透率尚不足3%的行業，本質上仍處于產業早期階段，遠沒到真正意義上的‘紅海’。”陶熠昆直言，行業普遍體感艱難，不是市場增量空間已經耗盡，而是整個產業仍被三重結構性約束牢牢困住——部署成本較高、場景適應性差、高度依賴結構化指令，這才是行業發展的真正瓶頸。

陶熠昆逐一拆解了這三重約束的核心影響。首先是部署成本問題。當前移動機器人在工業場景的落地模式，與早期智能駕駛高度依賴高精地圖的階段極為相似。其落地需要搭建類似“高精地圖”的現場基礎設施，這一過程產生的高昂成本也遠超普通工廠的承受能力。

其次是非標化帶來的系統復雜性。移動機器人產品本身趨于標準化，但實際應用場景卻高度碎片化。一旦場景發生變化，就需要進行非標定制，而大量定制代碼不斷堆砌，極易引發“規則爆炸”，導致系統邏輯沖突、難以維護且無法復用，讓行業陷入非標化困境，阻礙規模化發展。

此外，當前的移動機器人高度依賴結構化指令。自然語義指令只能通過WMS等上層系統解析為具體的物流任務，如貨物搬運、存儲、分揀等，明確任務優先級、時間要求和目標位置后，才能被移動機器人執行。

這三重約束疊加，構成了行業發展的“隱形天花板”，也正是智能叉車等核心產品滲透率長期難以提升的根源。問題的關鍵從來不在市場需求，而在底層的技術與產業范式。

也正是在這樣的行業背景下，具身智能的產業價值被重新審視。過去兩年，人形機器人概念帶火了“具身智能”，但在陶熠昆看來，真正實現具身智能大規模商業落地的場景是已經完成產業驗證的智能駕駛。

陶熠昆指出，“汽車產業以硬件為載體，持續出貨獲取數據，通過海量數據訓練模型，再反過來提升系統能力，形成正向循環。”這無疑是一條已經被跑通的路徑。智能駕駛的核心突破，不只是單點技術的升級，而是構建起了“載體—數據—模型”的完整正向閉環，讓數據飛輪真正轉動了起來。

他梳理了智能駕駛十年來的演進路徑。智能駕駛從2013年發展至今，已完整經歷四個階段。第一階段，依靠SLAM、幾何感知、傳統規控，實現“能開”；第二階段，依賴高精地圖、圖像領域語義感知、Rulebased規劃控制，實現有限區域（如高速）的智能駕駛；第三階段，轉向“重感知、輕地圖”，城市智駕成為可能，但傳統規控陷入規則爆炸，開得“不那么好”；第四階段，端到端模型上車，在絕大部分路況下決策合理、安全，大規模商業落地成為現實。

歷經這四個階段，智能駕駛完成了一次關鍵躍遷——從“規則驅動”走向“數據驅動”。這一轉變不僅是算法層面的升級，更意味著系統能力的生成方式發生了根本變化，不再依賴人為窮舉規則去覆蓋場景，而是通過數據訓練模型，讓系統具備在復雜環境中的泛化能力。這一拐點，決定了智能駕駛從“可用”走向“好用”，并最終走向規模化。

而移動機器人，目前仍停留在這一演進路徑的前半段。無論是對環境的依賴程度，還是對規則系統的依賴方式，都與智能駕駛的早期階段高度相似。這意味著，其下一階段的發展方向并不模糊：需要從“規則系統”走向“數據驅動”，從“場景適配”走向“能力泛化”。

在他看來，具身智能正是這場范式切換的核心抓手。一方面，移動機器人要完成從AMR向EIMR（具身智能移動機器人）的躍遷，必須靠具身智能賦予更強的感知、理解與決策能力，才能在更開放、更復雜的工業環境中穩定運行；另一方面，具身智能的迭代，離不開能持續產生真實場景數據的落地載體，而工業移動機器人恰恰是工業領域少數具備規模化落地潛力的載體。

陶熠昆最終給出了他對行業破局的核心判斷。移動機器人的出路，從來不在繼續壓縮成本、優化局部性能的存量內卷里，而在完成一次底層的范式切換。只有當行業真正擺脫對環境改造、人工規則、結構化指令的深度依賴，建立起以數據和模型為核心的能力體系，才有可能跨越當前的產業瓶頸，進入規模化發展的全新周期。

這條路，既有時間窗口，又有技術可行性，還有產業基礎支撐。陶熠昆的判斷冷靜而務實，這并非賭未來的盲目探索，而是一條已被驗證的可行之路。

智駕技術范式遷移的“甜點”與“硬菜”

論證了方向之后，陶熠昆將目光轉向具體的遷移路徑——智能駕駛的技術成果，哪些能直接平移到工業移動機器人領域，哪些照搬會水土不服？他用“甜點”和“硬菜”的形象比喻，清晰劃分出這場跨界遷移中，確定性的機會與繞不開的硬核難題。

在陶熠昆看來，這場技術遷移里最大的“甜點”，無疑是“重感知，輕地圖”的技術范式。他指出，當前移動機器人的部署落地，需要通過SLAM構建地圖，標注路網拓撲與交通規則，再用精確3D坐標示教每一個作業點位。這套流程與早期自動駕駛高度依賴高精地圖的范式如出一轍。而高精地圖雖能彌補早期感知短板，但其前后期制作與維護的成本，始終占據施工成本的核心部分，成為行業規模化落地的最大掣肘。

這個行業難題，陶熠昆認為，智能駕駛行業已用數年探索蹚出了破局之路。他談到，早年智駕同樣困于高精地圖與車路云協同的高成本，難以實現城市級落地，最終在城區智駕場景中找到了“重感知，輕地圖”的路徑——通過 BEV/OCC 等在線感知網絡，實時生成局部環境信息，用在線感知替代對預繪高精地圖的強依賴。“從高速駛入城市，智駕能力的規模化擴張，本質上就是‘重感知、輕地圖’的勝利。”

陶熠昆判斷，這套范式向移動機器人行業的遷移，價值是顛覆性的。它能大幅壓縮部署成本，讓機器人擺脫預繪靜態地圖的束縛即可穩定運轉。這是當前技術遷移中，最易落地、確定性最高的一步，是當之無愧的核心“甜點”。

但技術遷移的路上，并非全是可以輕松摘取的“甜點”，還有兩道無法回避、必須沉下心啃透的“硬菜”。

第一道需要啃下的硬菜，是智駕技術范式與工業具身感知之間，精度與粒度的量級差距。陶熠昆直言，汽車智駕的技術范式生來為道路場景設計，常規行駛中亞分米級精度已能滿足安全需求，即便是精度要求最高的自動泊車，行業頂尖方案也僅能做到5厘米以內的控制精度。但在工業作業場景中，貨叉插取托盤、精準對準庫位這類高頻操作，要求的是亞厘米級控制精度，1厘米的誤差就可能導致作業失敗，甚至引發安全事故。“整整一個數量級的差距，絕不是簡單技術移植就能彌合的，這是行業必須直面的核心挑戰。” 即便業界已在探索多條技術路線填補鴻溝，但并無現成方案可用，每一條路線都需要工程層面的持續突破。

第二道繞不開的硬菜，是工業場景特有的數據效率難題。陶熠昆指出，工業車輛與移動機器人行業，天然具備高定制、小批量的行業屬性，這讓數據驅動的智能化，從一開始就面臨與智駕行業截然不同的底層困境。

一款熱銷的汽車，年銷量可以達到數十萬臺，整車的傳感器方案、車體構型高度統一，海量的路測數據可以快速攤薄采集與模型訓練的成本；即便是當下火熱的大語言模型，其訓練所需的文本數據，也天然存在于互聯網之中，采集成本極低。

但在工業領域，即便是叉車這類相對通用的品類，單款年銷量也難與乘用車型比肩，更不用說大量定制化產品，不同場景下的車體、傳感器、作業流程千差萬別。這讓企業始終面臨兩難：該選哪款產品、哪個場景采集數據？巨額成本換來的數據，一旦方案調整，還能否跨平臺復用？

陶熠昆透露，杭叉的核心攻關方向，正集中在構建跨設備平臺的數據表示。在他看來，跨平臺數據復用的范式研究，必須提升到行業級的戰略議題，而非各家企業各自摸索的技術細節，這也是工業移動機器人向具身智能轉型必須攻克的核心關卡。

陶熠昆始終強調，從智駕到移動機器人，技術遷移的浪潮已然到來，但這場遷移從來不是簡單的“拿來主義”。唯有既抓牢可快速落地的“甜點”，也沉下心啃透屬于工業場景的 “硬菜”，才能讓智駕的技術紅利，真正在工業場景里落地生根。

智駕技術范式躍遷帶來產品形態躍遷

技術范式的轉變，最終會兌現為產品形態的轉變。在陶熠昆看來，移動機器人行業對“產品”的核心認知，已經到了可以升級定義的時刻。

“過去，行業習慣以導航方式、避障能力等細節差異區分AGV與AMR，但這種表層的技術迭代，早已不足以定義從 AMR 到 EIMR（具身智能移動機器人）的范式躍遷。” 陶熠昆直言，兩代產品的真正分野，從來不在細枝末節的功能升級，而藏在底層邏輯的徹底重構之中。

他清晰地劃定了二者的本質邊界。AMR是規則驅動，依賴高精度地圖，執行的是坐標指令，本質是在構建一套自動化系統；而EIMR走向數據驅動或混合驅動，走“重感知、輕地圖”的感知網絡路線，靠語義指令運行，產品動機樸素得多——就是取代人工。放在車聯網的語境下，AMR離不開WMS、RCS這些上層系統；而EIMR的目標，是把V2X里的那個“X”徹底拿掉，實現X=ZERO的單機自主。

基于這一認知，陶熠昆拋出了顛覆行業固有認知的判斷：移動機器人的進化方向，是從群體（系統）智能走向單機（分布）智能。

長久以來，數百臺移動機器人的聯網調度，一直被行業奉為技術實力的象征，可陶熠昆卻發出了直擊本質的追問：“我們反復提及的群體智能，到底代表的是高智能，還是高依賴？” 在他看來，多機調度的本質是運籌學的指派問題，技術上限并不高，“真正難的，是讓一臺機器人不組網、不依賴任何外部系統，獨立完成復雜作業。” 他坦言，只有具備真正單機智能的產品，才具備規模化復制的核心可能。

要實現這場范式跨越，陶熠昆給出了一條極為務實的過渡路徑：混合智能。他直言，行業遲遲難下決心全面轉向數據驅動，核心困局在于起步門檻的兩難。純規則驅動5天就能做出60分的產品，但上限極低；純數據驅動動輒需要千萬級別的數據成本，短期效果未必優于規則方案，卻擁有無限的成長空間。“混合智能的價值，就在于既能靠規則快速落地，讓產品先進入現場用起來，又能完整保留數據驅動的成長上限。” 陶熠昆強調，只要產品進入真實場景運轉，數據飛輪就能被撬動，因此數據工程絕不該是算法團隊的內部事項，而必須上升為企業的頂層戰略。

最后，陶熠昆還借用智能駕駛的分級體系，為行業畫下了清晰的演進路線圖。“現在行業里很多聲音說，AMR靠V2X實現了 L4 級無人化，可這本質上是‘高代價的偽 L4’，是靠外部系統堆出來的自主，而非機器人本身的能力。”

在他的判斷里，EIMR的進化，反而要先主動“降級”。先徹底打破對V2X的外部依賴，退回L2級實現可靠的人機協同；再憑借具身智能的持續迭代，攀升至L3級，實現常規場景完全無人作業，僅在特殊情況下需要稀疏人工干預；最終走向真正的L4級智能——具備極強的環境適應性，能理解并拆解自然語言指令，在密集、狹窄等非標準場景中實現全流程無人化作業。

陶熠昆直言，“當具身智能與移動機器人產品范式深度融合的那一刻，就是這個產業突破紅海、走向藍海的時刻。”