2026世界机器人博览会（WRC）于8月19-23日在北京亦创国际会展中心举行。“AI大模型赋能机器人与具身智能产业新范式专题活动”在博览会同期举办。慧闻机器人副总裁兼市场总监刘天纬出席并演讲。
以下为演讲实录：
刘天纬：大家好，我是慧闻机器人的刘天纬接下来我向各位分享一下慧闻在大模型以及工业智能体这里面的一些实践和感受。
这两年大模型发展得非常快，机器人也是从过去的感知导航控制开始进一步走向理解任务、做决策以及学习技能。从我们来看这件事情，我们更加关注一件事情就是一个模型的能力再强，其实最后还是要接入到一台真实的机器人，接入一个真实的工厂，完成一个真实的任务。
今天我更想和大家分享的是慧闻是怎么样已经进入工厂，从大模型进入到机器人，成为工业智能体的一部分。
在讨论大模型之前我们会问一个更基础的问题，客户为什么要买一台机器人，肯定不是因为我的模型参数更大。最后客户其实看的东西很实际，就是你的任务能不能正常完成，而不只是在Demo里面完成几次，机器人能不能长期稳定运行，如果出了异常能不能恢复，能不能跟它的生产系统，比如MES、WMS的设备做协同。最后看能不能真实部署、交付、运维以及最后的售后。
从内部看我们始终会有一个判断，技术能力最终要变成一套客户敢于长期使用的机器人产品，这个也是我们理解工业智能体的起点。
慧闻今天去谈工业智能体，并不是从零开始造一台新的工业机器人，我们最现实的基础就是已经进入工业场景的AAMR产品体系，现在展示的这张图我们内部把它理解成1-N-X的体系，最底下是一套共用的机器人技术能力，在这套能力之上有不同的负载，不同定位的机器人，比如X100、X300、X600以及AMR叉车，这些形态可以根据任务变化，比如平板、顶升，多层托盘的，都可以有所不同，但是再往上这些机器人最终都要进入客户的生产系统，要连接MES、WMES、ERP等调度平台。所以我们对机器人的理解并不是有一个机器人可以用，或者去完成一个任务，而是说机器人真正进入生产系统以后能不能承担一个真实的工作。
再往下去拆，一台AMR其实本身就已经是一套非常复杂的软硬件系统，最下面是传感器、驱动、电源、通信装置，再往上是建图、定位、路径规划、环境感知、避障以及系统对接，上面还有任务分发、多机调度、交通管制等等一系列的功能。我们现在看到的快速部署、SLAM导航能力、自组网本地的内部通信系统、云端调度，这些本质都是长期积累出来的一套工程体系，所以这页想讲的是大模型进入机器人并不是在一张白纸上面增加智能，上面本身就有一套成熟而复杂的机器人工程系统。
当机器人真正进入工厂之后还会发现一件事，屏幕上只是机器人从A点走到B点，但是客户关心的并不只是这一段移动，比如一次配送，任务可能从MS、WMS或者人工呼叫产生，然后接入调度系统再分配给AMR，机器人完成了导航搬运以后，还要去跟料架、托盘、生产设备去交接，最后把任务状态、机器人状态以及设备状态再重新反馈回来，现场可能还会有其他的比如说自动门、电梯、门禁这些设备。所以看起来一个非常简单的搬运，其实背后是一套非常完整的生产任务链。机器人真正执行的也不是一个孤立动作，而是生产系统中的一项具体任务。
随着机器人越来越深入生产，问题的复杂度也并不是线性增加的，一台机器人的话，主要解决定位、导航避障和任务执行的问题。变成了多台之后，就会出现了任务分配优先级、交通冲突、拥堵这些策略，所以一开始需要多机调度和协同。真正进入生产系统以后，它还需要再去面对工位、设备、WMS、临时插单、异常处理。
所以做了这些年AMR以后，我们会有一个体会，就是机器人越深入生产，竞争的重点就不再是一台机器人的性能好坏，而是整套系统能不能长期稳定的工作，其实这也为大模型进入机器人提供了一个非常现实的边界。
说到这里，其实今天的工业机器人已经非常智能了，它能够建图定位、路径规划、避障、执行任务，甚至能够在弱网或无网的环境下实现几台甚至十几台的自组网分布式调度。但是有一个非常重要的前提，就是任务已经被定义了，机器人知道自己要去哪、要做什么，大多数的规则和边界其实都已经提前配置好了，所以今天的工业机器人非常擅长解决一个问题，就是如何把一个定义清楚的任务可靠的执行出来。
但是下一步的问题是，如果任务本身没有被完整定义呢？如果现场一直存在易变化区域，如果我只告诉机器人我想要什么结果，它能不能自己判断下一步该做什么？我们认为这个才是大模型真正开始产生价值的位置。
真实的工厂里有很多东西是没有办法提前写成规则的，任务会变化、环境会变化，临时插单以后目标、优先级和资源约束也都会变化，更复杂的任务可能还需要机器人把多个技能去组合起来完成，这个时候机器人需要的就不仅仅是执行，它需要开始去理解、推理、做任务分解，再去规划、选择技能，以及根据现场的变化来去动态的调整。所以我们对于大模型的理解是，并不是把已经写好的规则再写一遍或者再优化一遍，而是去处理那些没有办法把所有变化提前穷举出来的地方。
接下来一个很关键的问题，就是大模型到底应该进入到机器人哪一层？我们把机器人简单拆成几层，最上面的是工业任务，最终要完成什么，下面是任务的理解和决策，理解目标、理解场景、拆解任务、规划步骤，我们认为大模型最大的增量其实是发生在这一层的。再往下的话是导航移动、避障对接这些可以被机器人调用的机器人技能。再下面的话是实时控制和机器人本体，像VLA这样的技术路线，一个非常重要的价值就是进一步去连接上边的理解和决策与下边的技能和行动。
但是在工业场景里还有一件事情非常重要，就是反馈，机器人每做完一步以后，环境变没变？任务有没有成功？下一步还合不合理？都重新影响下一步决策，所以大模型进入机器人并不是替代整个机器人的技术栈，而是在已经有的机器人工程体系上面，去增加更高层的理解和决策能力。
从大模型走到真正的工业智能体，中间还要跨过几个环节，首先要去理解任务，比如说我把这批物料去运到某号工位，机器人要知道目标是什么、当前有没有什么约束？然后要去规划任务，把一个目标拆解成可以执行的步骤，现场变化之后要再重新规划，接下来要去调用相应的技能，最后才是真正的物理执行。而且执行并不是终点，机器人还要再去判断刚才这一步是否成功了？环节有没有变化？原来的计划还成立吗？所以我们认为，工业智能体真正的关键不仅是前端能够听懂一句话，而是它能不能持续稳定的去把理解、决策转化成现实中的行动结果？
再往后还有一个非常重要的能力，就是持续学习。因为机器人现在完成一项任务以后，不意味着这个状态或者这个问题就永远的解决了，真实工厂里面每天都会产生新的环境、新的异常，这些运行过程本身其实就是非常有价值的数据，运行的数据是什么？现场的状态是什么？机器人是怎么执行的？这些数据必须要重新的进入模型和技能训练，然后再回到真实机器人上去做验证。所以我们希望形成的是真实任务产生真实数据、真实数据推动智能进化，更强的智能再回到真实任务里。我们关心的也不只是数据量，而是说这些数据能不能真的帮助机器人下一次把任务做得更好？
讲到这里的话，其实也可以回答一个问题，就是为什么我们要去做工业智能体，不是说把之前的全部推翻掉，再重新做一台新的机器人，因为很多的能力已经存在了，而且是非常重要的，比如机器人的本体、感知、导航、运动控制、多机协调、系统接入，这些能力决定了机器人能不能真正的进入工厂，大模型出现以后，我们是希望在这个底座上面继续去增加任务理解、场景理解、多阶段决策、复杂技能组合以及VLA和数据学习的能力。所以在我们来看，工业智能体是建立在成熟高可用的机器人能力上，让智能继续向上生长的，底座做的越扎实，上面的智能才越有可能进入到真实的工业现场里去。
再往下走的话还有一个很现实的问题，就是工厂里的任务非常多，也不可能由一种机器人全部都解决掉，小配件的话可以用AMR，托盘搬运可以用智能叉车，重载任务还需要用重载机器人，包括我们现在去为了拣选跟分拣来去做的轮式双臂机器人。我们的判断就是任务决定了身体，不存在一种机器人状态可以解决所有的工业任务，但是身体可以不同，上面的智能能力是要去逐步共享的，比如怎么理解任务？怎么拆解目标？怎么规划步骤？现场变化之后怎么去调整？所以我们去讲一脑多机或者一脑多机，并不是简单地说我们用一个大模型来去控制不同的机器人，而是说真正去沉淀出一套可以跨不同机器人本体复用的任务理解、规划、决策、技能和数据学习的体系。
最后回到产品化这件事情上，这张图（见PPT）基本上就是慧闻选择的路径，第一步是产品进厂，机器人首先得是一件真实成熟的产品，能够部署、能够连接工位和系统，真正进入工厂。第二步是任务跑通，不是机器人到现场去做一次demo，而是长期稳定的去承担生产任务。第三步是数据沉淀，当机器人持续运行，它才会产生不同的任务状态、环境状态、执行结果和异常数据。最后是智能进化，这些数据，尤其是真实的数据，再去推动任务理解、决策、技能学习和VLA的训练和验证，更强的智能再重新回到工厂。所以这个过程其实是个闭环，产品进场、任务跑通、数据沉淀、智能进化，再回到更多的真实任务，这其实也是我们非常明确的一条产品化的思路，就是不是先把模型做得足够大，然后再去找哪里能用，而是在真实的产品和真实的任务里边，让智能一层一层的长出来。
最后做一个总结，我们对大模型进入机器人这件事情理解，其实可以归结成三个词：1、ROBOT，首先要有一台成熟、真实、可靠的机器人产品。2、TASK，机器人必须真正的进入搬运、配送、周转、生产的这些生产流程，承担真实的工业任务。3、INTELLIGENCE，机器人在真实的任务里边，不断地提升理解、规划、决策和技能能力，然后从这些结果反馈中持续迭代。我们认为把这三项真正结合起来之后，才能成为我们所谓的工业智能体。所以大模型进入机器人的终点，不是一个更漂亮、更聪明的demo，而是一个真正可以进入到工业现场，持续完成工作，并且不断进化的工业产品，这个是慧闻过去现在以及未来会持续做下去事情。
谢谢大家！