廣交會上的機器人，正在從“秀一場”走向“用一程”

作者 | 獨林 編輯 | 漠影 能自主與人連續打羽毛球的雙足人形機器人，到了新的任務中，原有的能力還有多少能複用？10月18日報道，在今年的第140屆廣交會上，動易科技在多處安排了人機羽毛球、乒乓球對打，並在廣交會發展史陳列館提供中英雙語導覽。同時，在企業展位，動易科技則展示了重載運輸、特種巡檢與靈巧操作等場景應用方案。在此之前，今年4月的第139屆廣交會上，這家廣州企業以羽毛球互動為重點，參加了第一期5天的活動。第140屆廣交會，動易科技則計劃將導覽服務與體育互動持續三期，一直到11月4日。任務增加、服務時間延長，對人形機器人的要求也便更多、更高： 它要解決的不只是一次對打中的技術問題。

模型能否在新任務中複用、設備如何適配新場地，這些都會共同影響連續服務能否實現。一、連續對打背後，人形機器人怎樣應對變化？以第139屆廣交會上雙足人形機器人PHYBOT C的羽毛球對打為例，機器人每接一球，都要完成目標跟蹤、落點判斷、擊球選擇和身體協調。▲第139屆廣交會上人機羽毛球對打（來源：動易科技） 不同的對手有不同的運動習慣，球的速度、方向和落點也有差異，機器人無法只重複一套固定動作，而這些想象之外的球路也無法提前預設，只能靠機器人“隨機應變”。尤其在雙足人形機器人進行羽毛球對打的場景中，移動、揮拍與平衡控制必須同步完成。機器人要在調整站位的同時協調手臂與軀幹，保證擊球過程中的身體穩定。

同時，機器人作出判斷時，球並沒有停下來。它需要根據不斷更新的位置信息調整動作，才能在合適的位置和時機完成擊球。因此，感知、決策與執行能否及時配合，會直接影響對打能否持久。運動場景由此為機器人研究提供了一種條件明確、變化又足夠豐富的測試環境：球場和規則有邊界，人的動作卻難以預設。這些在羽毛球對戰中形成的目標跟蹤、動作控制等能力，換到另一個項目時能否繼續複用，是開發者需要回答的問題。這個問題並不侷限於羽毛球，換成乒乓球、足球或其他運動項目，乃至收納、搬運、巡檢等任務，同樣需要判斷已有能力能否實現遷移、滿足新要求。通常情況下，若要實現跨任務、跨本體複用，模型往往需要針對目標環境進行微調訓練。

即使完成的是相同任務，只要更換一種本體形態，也可能需要重新訓練。通俗地說，這就是“一機一訓”。其核心痛點在於，模型對機器人硬件平臺、控制接口及任務環境存在較強耦合，導致策略遷移成本較高。以抓取任務為例，從單臂機器人切換到雙臂機器人時，關節數量與自由度配置、相機數量與佈局、末端執行器以及動作控制方式都可能發生變化，原有策略難以直接遷移。即便採用預訓練模型，面對訓練分佈中未覆蓋的本體構型，開發者仍可能需要採集或補充該構型的操作數據，調整感知輸入與動作輸出接口及相關模塊，並開展訓練或微調，以完成本體適配。這意味著，預訓練能力可以提供初始化或遷移起點，但並非零成本遷移。

每拓展一種機器人本體和任務，仍需要新的數據採集、本體適配與驗證工作，進而增加開發投入、延長部署週期。圍繞這種機器人能力的遷移問題，行業一直在持續研究。早在2023年，Google DeepMind就聯合33家學術實驗室推出Open X-Embodiment項目，整合來自22種機器人本體的超過100萬條真實操作數據，涵蓋527種技能、超過16萬項任務，並用這些數據訓練RT-X系列模型，驗證一種機器人積累的操作經驗能否幫助其他機器人完成任務。[1] 動易科技同樣在探索已有能力的複用。據公開信息，動易科技用了不到一個月的時間，完成了人形機器人和人對打羽毛球能力向乒乓球項目的遷移。

這一案例說明，兩類項目中的目標跟蹤、動作協調等能力存在複用空間，也回應了行業“一機一訓”的痛點，即怎麼實現高效、低成本的能力複用。而當應用進一步轉向搬運和巡檢等具體場景時，作業條件適配也會成為新的挑戰。搬運任務要面對負載和末端工具的變化，巡檢任務則要面對地形和環境的變化。同時，複雜作業要解決的不只有身體怎麼動，機器人還要理解工作目標，安排多個步驟，並根據執行結果調整計劃。可以說，如今機器人已有可以通過遷移完成新任務的能力，只是目前看，單一任務較多。接下來，行業需要關注的則是機器人對複雜、長程任務的理解規劃和執行。二、大模型負責深度思考，怎樣加快機器人的執行與部署？

理解人的指令、判斷物體之間的關係，既涉及語言與視覺能力，也需要理解人類意圖、運用物理常識並進行空間推理。通用大模型本身的進展，為機器人理解意圖、實現深度思考和任務規劃提供了新的可能。Google DeepMind於2025年推出的Gemini Robotics-ER就側重空間理解與具身推理，能夠規劃多步驟任務，並與已有的底層控制器配合。模型負責理解和規劃，控制器負責執行，二者通過分工完成機器人任務。[2] 與此同時，直接讓通用模型生成機器人動作的研究也在推進。2026年9月公佈的RoboDojo評測中，GPT-6 Astra在42項仿真任務、2100次測試中取得22.48%的平均成功率。

研究也指出，它在精確操作、動態控制等任務上仍有不足。數據來源：GPT-6 Astra：https://arxiv.org/html/2609.24170v1 這項結果顯示了通用模型參與機器人任務的潛力。機器人企業由此有機會藉助通用大模型在前端提供理解與規劃指導，讓具身智能已有的端側感知、實時決策、運動控制與執行反饋在後端協同執行，最終在物理世界中構成閉環。

▲Embodied PhyStack（來源：動易科技） 對此，動易科技同樣持有類似判斷，其日前提出的Embodied PhyStack（具身智能技術棧）便主張：機器人公司無需自行打造一個集中式的全能“大腦”，而是讓通用大模型與物理智能體、運控系統和本體分工協作。動易科技公佈的相關實驗，進一步考察了通用大模型與機器人控制系統如何配合。▲第一組實驗大模型協助完成真機抓取任務指令（來源：動易科技） 第一組實驗驗證的是，通用大模型能否指揮機器人完成多步驟任務。在這組實驗裡，模型負責理解目標、規劃步驟，再由動易科技自研的運動控制系統PhyCore控制機器人身體的具體動作。

在一項工件抓取任務中，機器人在抓取銀色工件時連續出現兩次失誤，將執行情況反饋給模型後，經過重新規劃，在第三次才完成抓取任務。模型能夠分析失誤、調整計劃，但這組任務耗時約3小時，難以滿足連續操作場景對時效的要求。針對這一問題，動易科技Embodied PhyStack作了更細的分工。它將常見的“大腦—小腦—本體”細分為“通用大模型—PhyAgents—PhyCore—PHYBOT”四層，分別承擔深度思考、實時決策、運動控制與本體執行。

通用大模型根據任務意圖與環境信息進行推理，將長程任務拆解為子任務序列；物理智能體PhyAgents通過端側視覺—語言—動作（VLA）模型，根據環境、本體狀態和任務進度作出實時決策。PhyCore將決策轉化為運動控制指令，由PHYBOT本體執行；執行結果再分別反饋給決策與規劃層，用於調整後續動作和任務安排。由此，機器人實現了“感知—決策—控制—執行—反饋”的物理閉環。▲第二組PhyAgents補位實時決策實驗實拍（來源：動易科技） 在這個基礎上，動易科技做了第二組真機實驗。這組實驗還原了酒店清潔用品收納場景。機器人根據通用大模型給出的子任務序列，在PhyAgents的實時決策配合下完成收納操作。

在這組實驗中，機器人抓取三件工件用時不到2分鐘。按單個工件平均耗時折算的結果，第二組實驗的執行效率是第一組的100倍以上。這種分工的目的，是讓端側系統及時響應現場變化，減少動作執行對上層模型逐步推理的等待。通用大模型參與的工作也可以延伸到訓練環節。▲大模型新場景Agent自動仿真訓練（來源：動易科技） 對此，動易科技還做了第三組實驗，工程師輸入任務目標、約束條件以及仿真遷移到真機的注意事項，由模型生成訓練智能體、調用GPU開展訓練，並在仿真中自動驗證與迭代，達標後再部署到真機。這次改善的則是開發效率。

動易科技團隊給出的測試結果是，新場景訓練的工作效率提升了數十倍，部分原本依賴工程師手工調試、反覆驗證的工作，開始由模型參與完成。三組實驗分別涉及任務規劃、實時執行和新任務訓練。它們指向了一種新的分工形式：通用模型提供理解與推理能力，機器人團隊集中處理物理世界中的反饋、實時決策和動作控制，讓規劃能夠在具體設備上執行。訓練與部署提速，只是機器人投入使用的第一步。能否將這些技術進展轉化為持續服務，還要看機器人在實際場景中的運營表現。三、多場景應用，怎樣變成可持續的業務？

圍繞實際場景運營，今年夏天，我們就在商場中看到了機器人公司持續服務的能力，它們把過去只在展會里、電視節目展演的人形機器人，帶到大眾的身邊，讓機器人從一場表演走向持續服務。▲夠C羽球館中的人機對打羽毛球（來源：動易科技） 動易科技正是其中一例。它已將運動互動引入商場，嘗試把展會中的對打演示轉化為常態化運營的服務。在第139屆廣交會上，全球首款能與人自主對打羽毛球的雙足人形機器人首次亮相。7月初，動易科技便將這臺機器人帶到了廣州商場，落地了為期近一個月的“夠C羽球館”快閃店。運營期間，機器人面對得是年齡、地域、文化背景各異的真實顧客，從老人到孩童、從中國消費者到海外遊客。

動易科技公佈的運營數據顯示，“夠C羽球館”的機器人單日最高接待上千次顧客，累計與近萬名市民接觸。服務時間拉長後，現場工作也隨之增加。除了機器人完成對打，運營方還要組織參與者、安排體驗順序，並處理設備運行和維護問題。快閃運營的意義，在於將運動算法與現場服務流程放到同一環境中檢驗。把人員組織、設備調試和維護都納入部署方案，下一處場景應用才有條件複用已有經驗，減少重新摸索運營流程的投入。第140屆廣交會進一步擴大了這一實踐的場景範圍：導覽服務與體育互動計劃覆蓋三期，第一期展位同步展示工業搬運、特種巡檢與靈巧操作方案。

▲PHYBOT C在拳擊（來源：動易科技） 在公共區域，PHYBOT C在珠江散步道承擔人機羽毛球、乒乓球對打及拳擊演示崗位的“打工仔”同時，還化身賽博講解員，在廣交會發展史陳列館通過自主導航、避障與中英雙語講解提供智能導覽服務。上述公共服務與互動計劃持續至11月4日。▲PHYBOT C在智能導覽（來源：動易科技） 同一系列機器人承擔運動互動和導覽，要求任務模型與場地配置能夠實現切換，而當應用擴展到工業與特種作業，則還要根據負載、地形和操作要求選擇不同本體。

圍繞重載運輸，動易科技讓四輪足機器狗PHYBOT D，現場揹著大型貨箱行走，這隻機器狗持續行走負載達210kg，最大負載甚至可達500kg。同款本體還可以通過背部的開發模塊，更換掛載設備以適配其他任務。在特種巡檢場景裡，PHYBOT D可搭載滅火器、煙感器與激光雷達，提供了面向巡檢與應急任務的應用方案的參照。而對於精細操作任務，僅有移動與承載能力還不夠，機器人需要相應的末端執行器。動易科技首次公開發布的全直驅擬人靈巧手PhyHand具備23個主動自由度，面向機械臂協同、精密裝配和遙操作等應用，補充操作終端的精細作業能力。

這幾類產品共同提供了一種部署思路，即根據智能任務的需求，設計並選擇本體，在已有硬件和控制能力上完成適配。複製到下一場景中時，團隊便有條件沿用已有的本體與設備配置，將開發重點放在新任務的模型適配和現場調試上。能夠複用的部分越多，需要重新開發的環節就越少，多場景應用才有機會降低單個項目的實施成本。不過，技術方案能否在新場地持續運行，還取決於設備部署與運營流程能否銜接。▲動易科技x雙魚體育簽約現場（來源：動易科技） 在運動業務中，動易科技選擇與體育品牌合作，將技術開發與場地支持銜接起來。日前，動易科技與雙魚體育完成戰略合作簽約，雙方重點圍繞共建機器人運動交互實驗室、賽事互動與體育教育等應用展開合作。

但要把一次合作複製到更多場地，部署與運營經驗需要形成更標準的成熟方案。動易科技推出的PhyAgent Hub，正是面向這個問題提出的解決思路。它以體育娛樂和商業服務為切入點，將場地條件、硬件、模型以及後續運營維護納入同一套場景方案。這套方案的目標，不是讓合作方在確定機器人配置時，再逐項釐清配套條件，而是通過標準化方案，把現場部署和後續運營前置解決，讓客戶完成採購後即可順暢運營，無需為部署和運維耗時分心。動易科技在兩屆廣交會上的參展變化，也體現出了這種兼顧技術與運營的思路。今年4月，在第139屆廣交會上，動易科技的機器人還以羽毛球智能決策與互動體驗為展示重點。

到了第140屆廣交會，其機器人應用範圍已擴展至公共服務，並帶來不同本體、多種場景的持續運營展示。支撐這些的，是動易科技對環境適配、硬件配置、模型部署與運營維護的統籌，其全鏈路標準化部署能力已初步成形，並持續走向成熟。結語：多一個場景，能否少一些重複投入？多場景、常態化的上崗作業，是實現商業化的必經之路。不過，真正影響商業化進程的，是每增加一位客戶，企業還要投入多少新的訓練、調試與維護工作。因此，對公司來說，已有經驗越能派上用場，研發投入才越有機會在更多項目中攤薄。從這個角度看，廣交會上的場景展示只是業務的起點。

企業能把多少已有經驗用到下一個場景，讓客戶少花時間調試、更快投入使用，才會影響其機器人能否走進更多場館，並留下來長期工作。這背後需要的，正是像PhyAgents Hub這樣把場地、硬件、模型和運營維護統一起來的標準化方案。而動易科技的現有嘗試表明，行業中已經有人邁出了第一步。參考文獻： [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/