信通院：“机器人+人工智能”工业应用研究报告2025

微信扫码，打开到小程序

前言 随着数字经济的蓬勃兴起，AI 技术正加速从虚拟空间向实体经 济领域拓展，机器人作为 AI 技术的理想载体，凭借其高度的灵活性 和强大的适应性，正在迅速发展并广泛应用于各个行业，成为推动产 业升级和变革的重要力量。工业领域自动化基础良好、环境结构化程 度高且市场需求大，成为近期“机器人+人工智能”应用落地的首要 方向。凭借其在提高生产效率、降低人力成本、提升产品质量等方面 的显著优势，“机器人+人工智能”正在汽车制造、电子信息、金属 材料等关键行业加速落地，展现出广阔的应用前景。 本报告中的“机器人+人工智能”指的是建模优化、机器视觉、 语音交互、机器学习、深度学习等人工智能技术应用于机器人上的智 能体。其工业应用包括两个层次，一是嵌入各类智能软硬件的机器人 产品在生产操作、物流配送等典型工业场景中的应用，二是智能化的 工业控制平台通过集成人工智能技术与工业机器人等设备，在产线优 化和试验验证等群体智能场景中的应用。 本报告分为研究背景、技术趋势分析、应用现状分析和前景展望 四个部分。首先，从技术突破、大国竞争和市场前景三个角度，分析 “机器人+人工智能”工业应用的发展背景；其次，从技术趋势的角 度，回顾人工智能与机器人融合的三大技术方向，分析在人工智能大 模型推动下，以人形机器人为代表的具身智能技术的前沿进展；接着， 从应用场景的角度，通过全球 88 个案例分析“机器人+人工智能”在 典型场景、行业中应用情况；最后，从技术、产品和应用三个方面， 展望“机器人+人工智能”在工业场景中的应用前景。 牵头编写单位： 信通院（江苏）科技创新研究院有限公司 参与编写单位： 苏州市机器人产业协会 苏州拓斯达智能装备有限公司 苏州钧舵机器人有限公司 苏州灵猴机器人有限公司 博众精工科技股份有限公司 苏州艾吉威机器人有限公司 捷螺智能设备（苏州）有限公司 珞石（北京）机器人有限公司 苏州市大族激光科技有限公司 追觅科技（苏州）有限公司 乐聚（苏州）机器人技术有限公司 中国信通院江苏研究院公众号 苏州市机器人产业协会公众号 目 录 一、研究背景 ............................................. 1 （一）大模型正在加速通用机器人的全面爆发 .............. 1 （二）“机器人+人工智能”是新一轮大国竞争的关键 ....... 2 （三）工业领域将成为短期内智能机器人应用落地的主战场 .. 2 二、全球“机器人+人工智能”技术趋势分析 .................. 3 （一）工业领域的机器人正在从中等智能走向高度智能 ...... 3 （二）三大融合方向及其组合推动智能机器人产品涌现 ...... 5 （三）具身智能尤其是人形机器人前沿研究持续火热 ........ 8 三、“机器人+人工智能”在工业领域的应用 ................. 10 （一）应用场景：从生产操作向其他高附加值场景拓展 ..... 10 1、生产操作：从操作精度提升到自适应学习 .............. 11 2、物流配送：“识别+导航”模型组合适用于封闭生产场景 . 12 3、质量管理：机器视觉检测大量取代人工检测 ............ 12 4、安全管理：在部分重化工业存在一定需求 .............. 13 5、试验验证和产线优化：仅在部分龙头企业开展探索 ...... 13 （二）应用行业：重点用于汽车、电子、金属三大行业 ..... 14 1、汽车：关注精细生产、高效物流和外观检测 ............ 15 2、半导体：重点在质量管理和柔性操作 .................. 18 3、钢铁：聚焦质量管理和安全管理 ...................... 20 四、“机器人+人工智能”工业应用展望 ..................... 22 （一）具身智能机器人将进一步变革工业生产形态 ......... 22 （二）工业人形机器人规模化应用仍需经历长期技术迭代 ... 22 （三）行业应用将从汽车电子向其他制造业领域渗透 ....... 23 附：苏州市“机器人+人工智能”工业应用案例 ............... 24 （一）智能产品案例 ................................... 24 1、拓斯达新一代 X5 机器人控制平台 ..................... 24 2、钧舵高稳定性的 LRA 系列直线旋转执行器 .............. 24 3、灵猴螺纹完整性检测机器人 .......................... 25 4、博众精工 MasterpieceAI 系统 ........................ 25 5、艾吉威全球首台 AI 语音交互 AGV 小千斤 ............... 26 （二）行业应用案例 ................................... 28 1、捷螺在半导体关灯工厂中的应用 ...................... 28 2、珞石机器人在消费电子行业的应用 .................... 29 3、追觅配送机器人在装备制造行业的应用 ................ 30 4、大族检测机器人在航空和汽车零部件行业的应用 ........ 31 5、乐聚人形机器人在电缆行业的应用 .................... 32 1 一、研究背景 （一）大模型正在加速通用机器人的全面爆发 随着人工智能向物理世界的渗透，大模型正在推动机器人向通用 化方向发展。当前，人工智能正在由虚入实，国际数据公司（IDC） 发布的最新数据显示，2023 年，中国的“机器流程自动化（RPA）+AI” 解决方案市场规模已达 24.7 亿元人民币，同比增长 15.9%，预计到 2026 年，这一市场规模将突破 70 亿元大关。与此同时，2024 年，诺 贝尔物理学奖颁给了 John J. Hopfield 和 Geoffrey E. Hinton，以 表彰利用人工神经网络进行机器学习的基础发现和发明。对于机器人 产业来说，物理智能将使机器人能够理解 3D 世界的空间关系和物理 行为，赋予机器人更强的环境感知、理解和交互能力，实现更广泛的 功能应用，如宇树科技的机器人实现了原地侧空翻、复杂舞蹈动作、 平衡木行走、灵巧手操作等复杂功能。 硬件和软件的深度协同推动了算力效能的提升，为机器人的大规 模应用提供了算力支持。2024 年，全球 AI 大模型的参数量和数据量 持续增长，特别是像 Sora、GPT-4o、Gemini 等多模态大模型的出现， 进一步推动了算力需求的激增。当前，软硬件协同的方法正在不断提 升大规模智算训练效率。在硬件方面，高性能 GPU、专用 AI 芯片、 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 提升了大模型的训练和推理速度，为机器人的大规模应用提供了基础 支撑。 2 （二）“机器人+人工智能”是新一轮大国竞争的关键 全球各国纷纷出台相关政策，抢滩布局“机器人+人工智能”产 业。美国、欧盟国家、日本、韩国等国家和地区都在积极制定国家层 面的“机器人+人工智能”战略。2024 年 2 月以来，欧盟启动新一轮 “地平线”计划，持续加大对人工智能和机器人技术的投资：2024 年 4 月，美国发布第五版《美国机器人路线图：机器人让明天更美好》， 提出在制造业回流、即时经济、老龄化社会、住房和基础设施等七方 面的重点发展智能机器人；2024 年，日本继续推进《社会 5.0 行动 计划》，强调利用人工智能和机器人技术推动经济增长和社会发展， 特别是在医疗、交通、工业等领域；2024 年，韩国公布了《人工智 能国家战略（2024-2025）》，重点投资人工智能研发，推动人工智 能在医疗、交通、教育等领域的广泛应用。 机器人与人工智能的结合在国家政策层面被提出。自 2016 年起， 中国密集出台关于机器人和人工智能的政策，2023 年以来，国家层 面开始强调二者融合发展。2023 年 1 月，工信部等十七部门发布《“机 器人+”应用行动实施方案》，提出发展基于工业机器人的智能制造 系统，助力制造业数字化转型、智能化变革。2024 年 6 月 24 日，国 家发展改革委印发《关于打造消费新场景培育消费新增长点的措施》， 提到要拓展智能机器人在清洁、娱乐休闲、养老助残护理、教育培训 等方面功能，探索开发基于人工智能大模型的人形机器人。 （三）工业领域将成为短期内智能机器人应用落地的主战场 自动化水平高、结构化、封闭式的工业场景是当前技术条件下智 能机器人最大的应用市场。工业环境相对标准化，生产流程固定，对 机器人的自主性和泛化性要求较低，部分领域如汽车、电子信息等已 3 经率先实现了工业机器人的规模化应用。根据国际机器人联合会 （IFR）在 2024 年 10 月发布的《2024 年世界机器人报告》，2023 年 全球工厂中运行的工业机器人数量超过 428 万台，同比增加了 10％， 创下历史新高。随着市场竞争的加剧和人工智能技术的赋能，工业机 器人性能不断提升、成本持续降低，正在从高新技术制造业延伸到传 统制造业，为越来越多的企业带来可观的效益。 中国工业机器人市场和产量占据绝对优势，算法将成为新一轮市 场竞争的关键。中国具有门类齐全、规模庞大的工业体系，工业增加 值连续多年位居全球第一，2023 年工业增加值达到 5.97 万亿美元， 且是全世界唯一拥有联合国产业分类中全部工业门类的国家。根据国 际机器人联合会（IFR）的数据,2023 年，中国市场以 175.5 万台的 庞大体量，稳稳占据全球工业机器人四成多的份额。其中，本土工业 机器人制造商强势崛起，市场份额飙升到 47%。然而，本土机器人产 品高端化水平不足，在汽车为代表的高技术制造业市场份额偏低，在 核心零部件和算法方面与机器人“四大家族”存在一定差距，产品的 稳定性、精确度、响应速度和易用性方面有待进一步提升。随着国产 替代进程加速，当前机器人核心零部件在多个关键领域已取得突破， 如减速器、伺服电机、传感器等，未来，机器人行业的差异化竞争将 更多聚焦于软件。 二、全球“机器人+人工智能”技术趋势分析 （一）工业领域的机器人正在从中等智能走向高度智能 机器人智能化的发展呈现出五个明显的阶段，每个阶段都标志着 人工智能技术的进步和机器人应用的扩展（图 1）。第一阶段是无智 4 能阶段，机器人只能执行简单的预设任务，缺乏自主性和适应性；第 二阶段是基础智能阶段，机器人开始具备基本的感知能力，能够对外 界环境做出简单的反应；第三阶段是中等智能阶段，机器人能够进行 更复杂的感知和处理任务，如图像识别和语音识别；第四阶段是高度 智能阶段，机器人展现出较高的自主性和适应性，能够进行自我学习 和优化，执行复杂的任务；第五阶段是超级智能阶段，机器人理论上 将具备超越人类的智能水平，能够进行创新和自我意识的决策。 在工业领域，机器人的规模化应用正在从中度智能向高度智能过 渡。随着深度学习算法的优化以及多模态感知技术的融合，工业机器 人将具备更强大的感知、认知和决策能力，能够更加精准地识别复杂 环境中的物体、声音和图像，理解人类的语言和意图。同时，工业机 器人将具备更强的自主学习能力，能够根据环境变化和任务需求进行 自我调整和优化。从模型架构来看，结构相对简单、参数较少的机器 学习模型正在转化为多层级、大参数量的深度学习、强化学习模型， 学习方法也从手动数据标记转变为自动的数据特征提取。从支撑要素 来看，机器学习对于数据和算力的需求较小，训练时间也相对较短， 而深度学习、强化学习则需要高性能的 GPU、TPU 等算力支撑，数据 需求也增长至百万量级。从应用场景来看，机器学习能够广泛用于各 类分类、回归、聚类、关联规则任务，帮助机器人实现物品分类、平 面移动和故障诊断等功能，但不具备决策能力；而深度学习则聚焦图 像、文本和语音等复杂任务的处理，能够帮助机器人实现缺陷检测、 知识问答、人机对话等功能，具有一定的决策能力。 5 图 1 机器人与人工智能融合历程 （二）三大融合方向及其组合推动智能机器人产品涌现 1、根据不同的环节需求形成三大方向的融合应用 人工智能应用于工业机器人的感知交互、推理决策和运动控制各 个环节。在运动控制方面，优化类模型能够加强机器人的控制精度， 比如在拾取操作中，当传感器检测到力量过大的时候，机器人可以利 用贝叶斯优化算法及时纠正；又如在平面移动中，快速探索随机树 （RRT）算法能够先构建一条复杂但可行的路径，然后对其进行优化 来避免碰撞。另外，蚁群算法、粒子群算法等群体算法能够通过模拟 自然界生物群体的行为，实现群体优化协调。在感知交互方面，基于 机器视觉技术的识别类模型应用比较成熟，在机器人的操作取物、移 动避障等各类功能中应用广泛，部分企业甚至开始了针对表面缺陷、 产品特征识别、安全巡检等难度较高任务的深度学习探索；基于语音 交互技术的语言类模型虽然较为成熟，但是主要用于陪伴对话、教育 辅导、智能家居等服务型场景，而由于可靠性要求高、工业知识积累 6 不足等限制，尚未在工业中大规模应用。在推理决策方面，基于深度 学习、强化学习的方法，机器人可以通过训练学习数据以模仿人类， 甚至通过与操作对象或环境进行交互实现非结构性的复杂操作和自 主导航。 2、三种应用模型及其组合催生出多种功能的机器人 运动控制类模型推动传统工业机器人升级为“能精细化控制”的 机器人。一是操作优化类，传统焊接、打磨机器人通过对机器人的运 动轨迹进行计算并转化到关节空间，提高机器人的稳定性，转变成高 精度操作机器人；二是移动优化类，具有平面活动需求的移动机器人 能够感知到障碍物优化移动路径，成为自动避障移动机器人；三是协 同优化类，单一的机械控制转变为群体控制，包括机器人群体的高效 协作、任务分配和调度、无人物流机器人系统、多种机器人协同系统 等等。 感知交互类模型使得机器人“能看见”或“能听见”从而实现与 操作对象或人类的互动。一是识别类，搭载机器视觉技术的机器人取 代人眼对产品进行识别和检测，机器视觉系统能够识别产品的形状、 颜色、二维码、字符等，可以取代人眼对产品进行外观、尺寸、材质 等方面的检测并进行分类和原料追溯，由此发展出检测机器人、打标 机器人等。二是语音类，搭载行业知识库甚至大语言模型的机器人能 够按照人类的指示完成任务，成为快速部署机器人、决策辅助机器人。 推理决策模型使得机器人“能学习”提高自主性和适应性。一是 操作学习类，通过学习数据、并在虚拟环境中开展训练，机器人可以 7 实现传统机器人无法实现的焊接、喷涂和装配等操作，如喷涂机器人 通过学习大量的喷涂数据和工件表面特征，实现对复杂工件的精准轨 迹规划；焊接机器人能够根据焊接过程中遇到的不同情况进行自我调 整，以达到最佳的焊接效果；装配机器人利用强化学习算法，在装配 过程中自主学习轴孔装配技能，通过在线辨识控制器的最优参数，提 高装配操作质量。二是自主导航类，随着激光地图建模技术不断成熟， 基于地图开展移动路径设计的自主导航功能也实现广泛应用，发展出 各类清洁、搬运机器人。 在传统模块化机器人中，多种模型的组合配合也大大拓展了机器 人的应用场景。其中，以工业视觉为代表的感知交互技术在软硬件层 面都趋于成熟，因此与其他模型的组合使用较为常见，如搭载“识别 类+复杂操作类”模型的分拣机器人、质检机器人；搭载“识别类+ 自主导航类”模型的巡检机器人、配送机器人等。 图 2 机器人产品智能化的三个方向及组合 8 （三）具身智能尤其是人形机器人前沿研究持续火热 1、大模型为具身智能提供模拟人类的“大脑” 具身智能是人工智能与机器人技术的结合，是“具身化的人工智 能”。相较于前文提到的特定目标导向的智能机器人，具身智能更强 调在环境中的交互能力，即通过“感知-决策-控制-反馈”的闭环， 在环境的不断交互中实现环境的重构映射、自主决策和自适应行动 1。 强化学习方法使得机器人的泛化操作能力大大提升。强化学习为 具身智能的突破性发展提供了理论基础，让机器人在与环境的交互 中，不断试错、学习和优化策略，并依据奖励策略不断优化动作执行 结果。然而，强化学习在面对新场景时存在迁移困境，对高质量训练 数据的要求较高，目前主流的改进方法有两种，一是通过模仿人类的 行为快速掌握新技能，比如丰田研究所开发的“大型行为模型”，机 器人能够通过观看视频等物理演示学习新动作；二是通过多模态数据 驱动强化学习实现任务泛化，比如若愚科技推出的九天机器人大脑， 能够通过自然语言与机器人交互完成任务。 大模型是强化学习的辅助工具，为具身智能提供了开展统一决策 的“大脑”。在传统的“感知-推理-控制”模块化框架之下，智能机 器人通过单个或多个“小模型”结合人工介入来完成相应的任务。大 模型出现以后，不同模块的功能融合到一个统一的框架下，机器人能 够通过与物理环境的实时交互，对语言、视觉、触觉等多种感官信息 进行统一处理，利用大模型对语言和物理世界的理解开展自主决策， 1来源：中国信息通信研究院、北京人形机器人创新中心有限公司《具身智能发展报告（2024 年》 9 并生成编程指令执行具体操作。但是，当前较为成熟的大语言模型对 三维物理世界的理解不足，因此，融合两种或多种输入输出模式的多 模态大模型是衔接虚拟和物理世界的主要模式。 2、人形机器人作为人类能力的延伸是具身智能的重要发力点 具身智能的可以是机械臂、机械爪、仿生机械狗等多种形态，但 是由于类人形态能够执行多种复杂任务、与人类社会环境较为适配并 且在心理上更容易被人接受，人形机器人被普遍认为是具身智能最理 想的应用形态。目前，人形机器人前沿技术百花齐放，形成了大小脑 分层控制和端到端一体化两条技术路线。 由于目前“大脑”受限于平台和数据尚无法形成人类大脑能力闭 环，大小脑分层路线是人形机器人较为主流的形式。通过基于成熟大 模型的“大脑”进行高层次的认知分析和决策，“小脑”进行功能性 的运动路径规划和平衡控制。在大脑方面，谷歌的“LLM（大语言模 型）+VFM（视觉基础模型）”SayCan 通过训练大语言模型对用户指 令进行推理分解驱动任务；清华大学的 VLM（视觉-语言模型）CoPa 通过嵌入在 GPT-4V 中的常识生成操控任务。在小脑方面，本田 Asimo 人形机器人采用传统的逻辑推理控制，能够完成各种复杂的行走功能 和人类肢体动作；Figure 在 OPEN AI 提供的大脑功能以外，打造了 完全端到端的运动控制系统；智元机器人采用云端超脑、大脑、小脑 等多层次架构，分别负责任务级、技能级和指令级的操作任务。 部分人形机