在 2026 人工智能开放计算大会暨众智 FlagOS 技术大会上，晓悟智能首席架构师刘旭带来《人形机器人产业落地 —— 从实验室到产线的最后一公里》主题演讲。
直面人形机器人 “演示效果亮眼，量产落地艰难” 的行业现状，从系统工程视角剖析具身智能工业化落地的核心痛点，分享从模型能力走向规模化工业交付的实践思考。
当下人形机器人技术迭代速度飞快，运动控制、视觉语言动作模型持续突破，各类复杂任务演示层出不穷。
但机器人能够完成单次任务演示，并不代表它可以真正成为生产系统可靠的组成部分，从实验室走向真实工厂产线，仍横亘着现实的 “最后一公里”。
实验室场景追求技术可行性，一次成功即可验证能力；但工业生产看重长期稳定运行。
工厂客户更为关注：机器人连续作业能力、异常故障恢复机制、与 MES/WMS 现有产线的协同能力，换工位、换工件后的改造成本与投入产出比。
“模型能力决定机器人能做什么，系统工程决定这些能力能不能稳定用在产线上。工业级可靠性，不是单一模型的指标，而是整套机器人系统的综合属性。”
工业场景下，异常不只是机器人本体故障，还涵盖物料缺失、库存数据异常、上下游工序联动等各类现实问题。
系统不仅要识别故障，还要完成重试、告警、业务状态同步等一系列处理。只看单动作成功率，无法衡量整套生产系统的实际可用性。
模块化分层架构：让模型处理不确定性，工程系统守住确定性
想要实现工业级可靠性，不能将全部问题交由大模型，需要搭建分工明确的分层机器人软件体系。
业务管理与任务规划层：MES、WMS 等业务系统掌管生产订单、物料、业务约束；大模型不会替代生产管理系统，而是理解业务目标、工业规则、现场工况，完成复杂任务理解、拆解与动态规划。
感知与动作层：依托 VLA 具身模型，应对物体移位、环境动态变化等传统规则难以穷尽的不确定场景。
技能执行层：抓取、上料等标准化动作封装为可复用技能，明确可验证的流程交由工程化单元执行。
底层实时安全控制层：严守时序约束与安全边界，不依赖上层 AI 模型输出。
各层级各司其职，让模型处理不确定性，工程系统管理确定性，依靠状态反馈形成完整执行闭环。
分层只是架构基础，模块状态传递、异常、超时处理，仍需要大量工程实测，才能真正落地工业可靠性。
工业交付交付的是生产能力，而非单台机器人本体
演讲指出行业普遍认知误区：工业项目交付核心不是一台机器人本体，而是一套能够跑通生产的完整作业系统。
完整工业解决方案包含四大协同模块：机器人本体及嵌入式软件、机器人任务调度管理平台、工厂 MES/WMS 业务系统、智能货架、工装传感器等工业外围设备。
以零件上下料场景举例：除机器人识别抓取能力外，还需要确认物料位置、工位状态，调度系统统筹任务，业务系统管理生产指令。
机器人、软件、外设、业务流程协同输出生产能力，而非由机器人独立解决全部现场难题。企业需要结合柔性需求、成本、可靠性，在机器人智能与环境结构化之间寻找最优平衡点。
“项目要交付的不只是机器人本体，而是由机器人、软件系统、工业外设与业务流程共同构成的生产能力。”
工厂仿真：贯穿全生命周期的工程基础设施
数字孪生工厂仿真，不只是可视化演示工具，更是贯穿方案设计‑开发联调‑故障复现‑回归测试全链路的工程底座。
方案设计期：虚拟校验工厂布局、机器人可达性、设备干涉、作业流程合理性；
开发联调期：调度、技能、接口、外设纳入统一仿真环境，提前模拟物料缺失、工位占用等异常工况；
生产运维期：依托运行日志还原现场故障，验证修复方案，沉淀测试用例，规避版本迭代重复踩坑。
仿真无法完全消除 Sim‑to‑Real 现实鸿沟，但可以在实体设备进场前完成大量验证，大幅降低现场部署试错成本，将现场问题沉淀为可复用的工程资产。
开放计算赋能异构硬件，破解机器人部署现实难题
随着具身模型能力迭代，算力、内存、推理时延要求持续提升，而机器人硬件平台高度异构，功耗、实时性、成本约束各不相同，服务器端部署方案无法直接照搬。
FlagOS 开放计算为此提供关键支撑：开放计算不止实现模型跨芯片运行，更降低整套机器人软件跨硬件平台适配成本，实现模型、计算平台、应用软件灵活组合。
但模型能够跑通，不等于工业任务可以可靠完成。开放计算降低智能部署门槛，机器人软件系统完成模型、技能、任务流程组织，最终还要完成工艺集成、系统联调、现场验证，三者结合，才能把 AI 能力转化为真实生产价值。
“从实验室到产线的最后一公里，不是某一个模型、某一家企业或者某一项技术能够单独完成的。它需要整个产业链共同把智能能力转化为可靠、可交付、可持续改进的生产能力。”
刘旭表示，“模型是具身智能产业化的基础，但工业落地追求整套系统的可靠性”
工业项目交付完整作业方案，规模化落地离不开开放计算底座、高性能模型、丰富量产真实数据、可复用软件体系与持续迭代验证机制。
晓悟智能将持续深耕系统工程实践，推动具身智能真正走进工厂产线。
