广交会上的机器人，正在从“秀一场”走向“用一程”

智东西

作者 | 独林

编辑 | 漠影

能自主与人连续打羽毛球的双足人形机器人，到了新的任务中，原有的能力还有多少能复用？

智东西10月18日报道，在今年的第140届广交会上， 动易科技在多处安排了人机羽毛球、乒乓球对打，并在广交会发展史陈列馆提供中英双语导览。

同时，在企业展位，动易科技则展示了重载运输、特种巡检与灵巧操作等场景应用方案。

在此之前，今年4月的第139届广交会上，这家广州企业以羽毛球互动为重点，参加了第一期5天的活动。第140届广交会，动易科技则计划将导览服务与体育互动持续三期，一直到11月4日。

任务增加、服务时间延长，对人形机器人的要求也便更多、更高：

它要解决的不只是一次对打中的技术问题。模型能否在新任务中复用、设备如何适配新场地，这些都会共同影响连续服务能否实现。

一、连续对打背后， 人形 机器人怎样应对变化？

以第139届广交会上双足人形机器人PHYBOT C的羽毛球对打为例，机器人每接一球，都要完成目标跟踪、落点判断、击球选择和身体协调。

▲第139届广交会上人机羽毛球对打（来源：动易科技）

不同的对手有不同的运动习惯，球的速度、方向和落点也有差异，机器人无法只重复一套固定动作，而这些想象之外的球路也无法提前预设，只能靠机器人“随机应变”。

尤其在双足人形机器人进行羽毛球对打的场景中，移动、挥拍与平衡控制必须同步完成。机器人要在调整站位的同时协调手臂与躯干，保证击球过程中的身体稳定。

同时，机器人作出判断时，球并没有停下来。它需要根据不断更新的位置信息调整动作，才能在合适的位置和时机完成击球。

因此，感知、决策与执行能否及时配合，会直接影响对打能否持久。

运动场景由此为机器人研究提供了一种条件明确、变化又足够丰富的测试环境：球场和规则有边界，人的动作却难以预设。

这些在羽毛球对战中形成的目标跟踪、动作控制等能力，换到另一个项目时能否继续复用，是开发者需要回答的问题。这个问题并不局限于羽毛球，换成乒乓球、足球或其他运动项目，乃至收纳、搬运、巡检等任务，同样需要判断已有能力能否实现迁移、满足新要求。

通常情况下，若要实现跨任务、跨本体复用，模型往往需要针对目标环境进行微调训练。即使完成的是相同任务，只要更换一种本体形态，也可能需要重新训练。

通俗地说，这就是 “一机一训” 。其核心痛点在于，模型对机器人硬件平台、控制接口及任务环境存在较强耦合，导致策略迁移成本较高。

以抓取任务为例，从单臂机器人切换到双臂机器人时，关节数量与自由度配置、相机数量与布局、末端执行器以及动作控制方式都可能发生变化，原有策略难以直接迁移。

即便采用预训练模型，面对训练分布中未覆盖的本体构型，开发者仍可能需要采集或补充该构型的操作数据，调整感知输入与动作输出接口及相关模块，并开展训练或微调，以完成本体适配。

这意味着，预训练能力可以提供初始化或迁移起点，但并非零成本迁移。每拓展一种机器人本体和任务，仍需要新的数据采集、本体适配与验证工作，进而增加开发投入、延长部署周期。

围绕这种机器人能力的迁移问题，行业一直在持续研究。

早在2023年，Google DeepMind就联合33家学术实验室推出Open X-Embodiment项目，整合来自22种机器人本体的超过100万条真实操作数据，涵盖527种技能、超过16万项任务，并用这些数据训练RT-X系列模型，验证一种机器人积累的操作经验能否帮助其他机器人完成任务。 [1]

动易科技同样在探索已有能力的复用。据公开信息， 动易科技用了不到一个月的时间， 完成了人形机器人和人对打羽毛球能力向乒乓球项目的迁移。

这一案例说明，两类项目中的目标跟踪、动作协调等能力存在复用空间，也回应了行业“一机一训”的痛点，即怎么实现高效、低成本的能力复用。

而当应用进一步转向搬运和巡检等具体场景时，作业条件适配也会成为新的挑战。

搬运任务要面对负载和末端工具的变化，巡检任务则要面对地形和环境的变化。同时，复杂作业要解决的不只有身体怎么动，机器人还要理解工作目标，安排多个步骤，并根据执行结果调整计划。

可以说，如今机器人已有可以通过迁移完成新任务的能力，只是目前看，单一任务较多。接下来，行业需要关注的则是机器人对复杂、长程任务的理解规划和执行。

二、大模型负责深度思考，怎样加快机器人的执行与部署？

理解人的指令、判断物体之间的关系，既涉及语言与视觉能力，也需要理解人类意图、运用物理常识并进行空间推理。

通用大模型本身的进展，为机器人理解意图、实现深度思考和任务规划提供了新的可能。

Google DeepMind于2025年推出的Gemini Robotics-ER就侧重空间理解与具身推理，能够规划多步骤任务，并与已有的底层控制器配合。模型负责理解和规划，控制器负责执行，二者通过分工完成机器人任务。 [2]

与此同时，直接让通用模型生成机器人动作的研究也在推进。

2026年9月公布的RoboDojo评测中，GPT-6 Astra在42项仿真任务、2100次测试中取得22.48%的平均成功率。研究也指出，它在精确操作、动态控制等任务上仍有不足。

数据来源：GPT-6 Astra：https://arxiv.org/html/2609.24170v1

这项结果显示了通用模型参与机器人任务的潜力。机器人企业由此有机会借助通用大模型在前端提供理解与规划指导，让具身智能已有的端侧感知、实时决策、运动控制与执行反馈在后端协同执行，最终在物理世界中构成闭环。

▲Embodied PhyStack（来源：动易科技）

对此，动易科技同样持有类似判断，其日前提出的 Embodied PhyStack（具身智能技术栈） 便主张：机器人公司无需自行打造一个集中式的全能“大脑”，而是让通用大模型与物理智能体、运控系统和本体分工协作。

动易科技公布的相关实验，进一步考察了通用大模型与机器人控制系统如何配合。

▲第一组实验大模型协助完成真机抓取任务指令（来源：动易科技）

第一组实验验证的是，通用大模型能否指挥机器人 完成多步骤任务 。

在这组实验里，模型负责理解目标、规划步骤，再由动易科技 自研的运动控制系统PhyCore 控制机器人身体的具体动作。

在一项工件抓取任务中，机器人在抓取银色工件时连续出现两次失误，将执行情况反馈给模型后，经过重新规划，在第三次才完成抓取任务。

模型能够分析失误、调整计划，但这组任务耗时约3小时，难以满足连续操作场景对时效的要求。

针对这一问题，动易科技 Embodied PhyStack 作了更细的分工。

它将常见的“大脑—小脑—本体”细分为“通用大模型—PhyAgents—PhyCore—PHYBOT”四层，分别承担深度思考、实时决策、运动控制与本体执行。

通用大模型根据任务意图与环境信息进行推理，将长程任务拆解为子任务序列；物理智能体PhyAgents通过端侧视觉—语言—动作（VLA）模型，根据环境、本体状态和任务进度作出实时决策。

PhyCore将决策转化为运动控制指令，由PHYBOT本体执行；执行结果再分别反馈给决策与规划层，用于调整后续动作和任务安排。 由此，机器人实现了“感知—决策—控制—执行—反馈”的物理闭环。

▲第二组PhyAgents补位实时决策实验实拍（来源：动易科技）

在这个基础上，动易科技做了第二组真机实验。

这组实验还原了酒店清洁用品收纳场景。机器人根据通用大模型给出的子任务序列，在PhyAgents的实时决策配合下完成收纳操作。

在这组实验中， 机器人抓取三件工件用时不到2分钟 。

按单个工件平均耗时折算的结果，第二组实验的执行效率是第一组的 100倍 以上。

这种分工的目的，是让端侧系统及时响应现场变化，减少动作执行对上层模型逐步推理的等待。

通用大模型参与的工作也可以延伸到训练环节。

▲大模型新场景Agent自动仿真训练（来源：动易科技）

对此，动易科技还做了第三组实验，工程师输入任务目标、约束条件以及仿真迁移到真机的注意事项，由模型生成训练智能体、调用GPU开展训练，并在仿真中自动验证与迭代，达标后再部署到真机。

这次改善的则是开发效率。

动易科技团队给出的测试结果是， 新场景训练的工作效率提升了数十倍， 部分原本依赖工程师手工调试、反复验证的工作，开始由模型参与完成。

三组实验分别涉及任务规划、实时执行和新任务训练。它们指向了一种新的分工形式：通用模型提供理解与推理能力，机器人团队集中处理物理世界中的反馈、实时决策和动作控制，让规划能够在具体设备上执行。

训练与部署提速，只是机器人投入使用的第一步。

能否将这些技术进展转化为持续服务，还要看机器人在实际场景中的运营表现。

三、多场景应用，怎样变成可持续的业务？

围绕实际场景运营，今年夏天，我们就在商场中看到了机器人公司持续服务的能力，它们把过去只在展会里、电视节目展演的人形机器人，带到大众的身边，让机器人从一场表演走向持续服务。

▲够C羽球馆中的人机对打羽毛球（来源：动易科技）

动易科技正是其中一例。它已将运动互动引入商场，尝试把展会中的对打演示转化为常态化运营的服务。

在第139届广交会上，全球首款能与人自主对打羽毛球的双足人形机器人首次亮相。7月初，动易科技便将这台机器人带到了广州商场， 落地了为期近一个月的“够C羽球馆”快闪店 。

运营期间，机器人面对得是年龄、地域、文化背景各异的真实顾客，从老人到孩童、从中国消费者到海外游客。

动易科技公布的运营数据显示，“够C羽球馆”的机器人单日最高接待上千次顾客，累计与近万名市民接触。

服务时间拉长后，现场工作也随之增加。除了机器人完成对打，运营方还要组织参与者、安排体验顺序，并处理设备运行和维护问题。

快闪运营的意义，在于将运动算法与现场服务流程放到同一环境中检验。

把人员组织、设备调试和维护都纳入部署方案，下一处场景应用才有条件复用已有经验，减少重新摸索运营流程的投入。

第140届广交会进一步扩大了这一实践的场景范围：导览服务与体育互动计划覆盖三期，第一期展位同步展示工业搬运、特种巡检与灵巧操作方案。

▲PHYBOT C在拳击（来源：动易科技）

在公共区域，PHYBOT C在珠江散步道承担人机羽毛球、乒乓球对打及拳击演示岗位的“打工仔”同时，还化身赛博讲解员，在广交会发展史陈列馆通过自主导航、避障与中英双语讲解提供智能导览服务。上述公共服务与互动计划持续至11月4日。

▲PHYBOT C在智能导览（来源：动易科技）

同一系列机器人承担运动互动和导览，要求任务模型与场地配置能够实现切换，而当应用扩展到工业与特种作业，则还要根据负载、地形和操作要求选择不同本体。

围绕重载运输，动易科技让 四轮足机器狗PHYBOT D ，现场背着大型货箱行走，这只机器狗 持续行走负载达210kg ，最大负载甚至可达 500kg 。

同款本体还可以通过背部的开发模块，更换挂载设备以适配其他任务。在特种巡检场景里， PHYBOT D可搭载灭火器、烟感器与激光雷达 ，提供了面向巡检与应急任务的应用方案的参照。

而对于精细操作任务，仅有移动与承载能力还不够，机器人需要相应的末端执行器。

动易科技首次公开发布的全直驱拟人灵巧手 PhyHand 具备 23个主动自由度 ，面向机械臂协同、精密装配和遥操作等应用，补充操作终端的精细作业能力。

这几类产品共同提供了一种部署思路，即根据智能任务的需求，设计并选择本体，在已有硬件和控制能力上完成适配。

复制到下一场景中时，团队便有条件沿用已有的本体与设备配置，将开发重点放在新任务的模型适配和现场调试上。

能够复用的部分越多，需要重新开发的环节就越少，多场景应用才有机会降低单个项目的实施成本。

不过，技术方案能否在新场地持续运行，还取决于设备部署与运营流程能否衔接。

▲动易科技x双鱼体育签约现场（来源：动易科技）

在运动业务中，动易科技选择与体育品牌合作，将技术开发与场地支持衔接起来。

日前， 动易科技与双鱼体育完成战略合作签约， 双方重点围绕共建机器人运动交互实验室、赛事互动与体育教育等应用展开合作。

但要把一次合作复制到更多场地，部署与运营经验需要形成更标准的成熟方案。

动易科技推出的 PhyAgent Hub ，正是面向这个问题提出的解决思路。它以体育娱乐和商业服务为切入点，将场地条件、硬件、模型以及后续运营维护纳入同一套场景方案。

这套方案的目标，不是让合作方在确定机器人配置时，再逐项厘清配套条件，而是 通过标准化方案，把现场部署和后续运营前置解决，让客户完成采购后即可顺畅运营，无需为部署和运维耗时分心。

动易科技在两届广交会上的参展变化，也体现出了这种兼顾技术与运营的思路。

今年4月，在第139届广交会上，动易科技的机器人还以羽毛球智能决策与互动体验为展示重点。

到了第140届广交会，其机器人应用范围已扩展至公共服务，并带来不同本体、多种场景的持续运营展示。

支撑这些的，是动易科技对环境适配、硬件配置、模型部署与运营维护的统筹， 其全链路标准化部署能力已初步成形，并持续走向成熟。 结语：多一个场景，能否少一些重复投入？

多场景、常态化的上岗作业，是实现商业化的必经之路。不过，真正影响商业化进程的，是每增加一位客户，企业还要投入多少新的训练、调试与维护工作。

因此，对公司来说， 已有经验越能派上用场，研发投入才越有机会在更多项目中摊薄。

从这个角度看，广交会上的场景展示只是业务的起点。企业能把多少已有经验用到下一个场景，让客户少花时间调试、更快投入使用，才会影响其机器人能否走进更多场馆，并留下来长期工作。

这背后需要的，正是像PhyAgents Hub这样把场地、硬件、模型和运营维护统一起来的标准化方案。而动易科技的现有尝试表明，行业中已经有人迈出了第一步。

参考文献：

[1]Open X-Embodiment：https://deepmind.google/blog/scaling-up-learning-across-many-different-robot-types/

[2]Gemini Robotics-ER：https://deepmind.google/blog/gemini-robotics-brings-ai-into-the-physical-world/

资讯由采集器定时从公开的机器人 / AI 信息源自动聚合。