明略科技吳明輝WRC主論壇演講：機器人的下半場，需要兩個“大腦”

在2026世界機器人大會主論壇上，明略科技創始人、CEO 兼 CTO 吳明輝帶來題為《Agent＋具身：應用需求牽引機器人智能的進化路徑》的演講，分享其在Agent、具身智能與產業應用方面的最新思考與實踐。他提出，機器人真正進入生產系統，不僅需要更聰明的個體“大腦”，還需要連接機器人、Agent與IT系統的“組織大腦”，並跨過工程交付、業務流程重構和現場部署的最後一公里。以下為演講速記：很多朋友可能會好奇，明略科技過去更多參加的是世界人工智能大會，為什麼這次會來到世界機器人大會？實際上，12年前我曾參與創辦一家機器人公司，也就是專注於酒店服務場景的雲跡科技，去年已經在港交所上市。

我本人一直從事人工智能相關工作。20年前，我就開始學習上一代人工智能，後來成為北京大學的博士生。這些年，我一直在觀察人工智能在數字世界和物理世界的發展。今天，人工智能在數字世界已經產生了很多生產力級別的應用。它可以生產內容、編寫代碼、進行復雜的數據分析，展現出相當高的智力水平。但是在物理世界，大部分機器人目前仍然處於主要提供情緒價值的階段。機器人什麼時候才能真正成為生產力？這是我一直在思考的問題。因此，今天來到這裡，也意味著我們決定更加深入地參與機器人這場科技浪潮。當然，對於物理世界，我仍然非常敬畏。

我本人是做軟件、做人工智能出身的，在我看來，物理世界遠比數字世界複雜，其中涉及大量製造、部署和現場適配問題。今天明略進入具身智能和機器人領域，同樣沒有選擇獨自奮戰，而是與海康機器人展開合作。海康機器人在工業和物流領域積累深厚，已經實現了較大的產量和穩定的生產力輸出。明略和海康機器人是兩家能力結構非常不同的公司：明略擅長軟件、Agent和模型，因此在合作中更多承擔模型研發和多智能體協同規劃等，海康機器人則充分發揮著其在移動機器人整機研發、運動控制、多傳感器融合、系統軟件平臺、系統集成以及產品工程化量產等方面的深厚積澱。大家都在說，機器人的下半場是“大腦”。

這確實沒有錯，但我認為機器人的大腦包含兩個維度。第一個是傳統意義上的機器人“大腦”，也就是機器人的推理、任務決策和操作規劃能力，包括VLM、VLA等模型所提供的能力。第二個則是整個組織的“大腦”。當機器人真正部署到生產系統，進入線下服務業和商業場景以後，如何把機器人與機器人連接起來，如何把機器人與智能體連接起來，如何把機器人與上一代IT系統連接起來，最終形成一個組織級的大腦，同樣非常重要。我們與百勝中國有一家合資公司，在肯德基和必勝客的門店中，大量數字化系統和工作系統都是明略參與開發和部署的。未來，我們也一定會把機器人帶到這些場景中。

明略最近發佈了一個開源的人機協同平臺——Octo平臺，可以連接各種各樣的Agent、Runtime。未來在與海康機器人的合作中，這個平臺也會發揮重要作用。我們希望它能把每一臺機器人的個體大腦連接起來，形成一個組織級的人機協同大腦。這兩天準備演講時，我還使用了明略旗下秒針系統的輿情分析智能體，對國內外關於具身智能產業落地“最後一公里”的討論進行了分析。從討論主題看，國內外關注的問題基本一致，包括工程交付、經濟模型、軟硬件協同等。但從近期討論熱度的分佈看，國內外又有一些差異。

國內的討論更多集中在工程交付、軟硬件時序和經濟模型，也就是機器人“能不能真正用起來”；海外則更加關注數據飛輪和長程任務的穩健性，也就是機器人“能不能持續變強”。當我看到數據飛輪和長程任務這些問題時，突然發現它們非常熟悉。因為這些也是我們在Agentic AI，也就是數字世界人工智能的產業落地過程中，長期面對和解決的問題。Agentic AI與具身智能雖然處於兩個不同的領域，但它們的技術落地路徑具有很強的同構性。以操作工具為例，數字世界最早採用的是傳統規則引擎、專家系統和RPA。後來出現了Workflow，再後來出現了Manus這樣的通用Agent。

用戶只需要下達一個任務，Agent就可以像數字世界裡的VLA模型一樣，自主操作軟件和工具，端到端地完成任務。這條路徑經歷了從寫死規則，到完全放開、自由探索的過程。到了去年下半年和今年，以Anthropic的Claude Code Skills為代表，又出現了一種結構化Skill。它既不是完全寫死的規則，也不是毫無約束的自由探索，而是在成本、效率、自由度和可實現性之間取得平衡。更重要的是，今天的Skill並不是只有AI研究人員才能定義。職場中的每一個工作者，都可以根據自己的工作經驗沉澱和編寫Skill。這一點非常關鍵。

具身智能領域也有相似的演進過程：從傳統規則引擎和PLC編程，發展到Behavior Tree，再到今天廣泛討論的端到端VLA模型。但從真實應用系統看，全面採用端到端VLA未必是最好的路線。未來也可能出現混合式架構，形成類似數字世界Skills的中間層。現在具身智能領域已經開始出現Atomic Skill Library，也就是結構化的原子技能庫，並逐步在實際應用中得到驗證。另一個具有同構性的例子是Memory，也就是記憶。記憶是數字世界人工智能非常重要的能力。我們希望AI進入一個具體場景以後，能夠理解這個場景，並逐漸成為真正懂這個場景的AI。

基礎大模型一直在探索持續學習能力，但從成本、數據安全和隱私保護等角度看，仍然存在不少問題。今年以來，OpenClaw帶來了一種新的思路：除了模型參數，還可以通過配置文件和Memory系統保存信息。這些參數之外的記憶，反而成為AI真正進入生產系統、持續發揮作用的重要組成部分。我很喜歡CoALA關於Agent記憶的一套框架。它將記憶分為Working Memory、Episodic Memory、Semantic Memory和Procedural Memory。

Working Memory是當前任務中正在工作的臨時狀態；Episodic Memory記錄過去發生過的任務、會話和事件，類似一本日記；Semantic Memory保存事實、概念和關係；Procedural Memory則更像Skill，保存完成某項工作的程序和方法。具身智能同樣需要這些記憶，包括空間記憶、時間和任務軌跡的記憶、語義記憶以及原子技能庫。數字Agent的記憶結構與具身Agent的記憶結構，本質上也是同一個記憶體系在兩種不同“身體”上的落地。

在具身智能領域，“本體”通常指機器人的物理本體；但在另外一個語境中，Ontology指的是對概念及其關係的抽象，可以看作Semantic Memory的重要組成部分。未來，Agentic AI中的Ontology和具身智能中的物理本體也需要打通，二者需要共享一套語義記憶。因此，數字世界的工作生產力和物理世界的生產力之間，存在非常多的協作空間。2018年，我提出了一個概念，叫作HAO智能。

H代表Human，也就是有肉身的人類；A代表Artificial Intelligence，既包括數字世界中的Agent，也包括物理世界中的機器人；O代表Organizational Intelligence，也就是組織智能。我一直有一個夢想，希望把機器人和機器人、機器人和人、人和Agent真正連接到一個大的網絡中。在一個組織中，不需要每一個Agent、每一臺機器人或者每一個人都擁有完整能力，獨自完成組織里的所有工作。人類社會本來就是通過分工協作運行的。有的人負責行政工作，有的人負責進行創意策劃，有的人負責執行落地。

真正的生產力環境需要團結和組織的力量，也需要組織中的每一個個體無縫連接，最終形成組織的大腦。過去六年，我們一直沿著這個目標，用 AI 賦能傳統服務業企業。過去我們聚焦的主要是辦公室裡的數字生產力，未來我們將與海康機器人一起，進一步探索線下服務業的智能化改造。今天有一個很流行的概念叫“AI原生組織”。傳統組織如何演進為AI原生組織？經過長期思考和實踐，我們提出了一條從L1到L5的演化路徑。L1是Token Ready。對於一個組織來說，第一步是讓員工真正有Token可用。很多員工雖然希望使用AI，但企業內部沒有統一的網關，無法對模型調用、權限和成本進行有效管理。L2是工作在線。

這裡的“在線”不只是人在線，而是讓每個人使用AI Agent開展工作，讓工作本身在線，讓上一代的軟件工具也能夠被Agent調用。比如我現在雖然每天仍然寫代碼，但已經很少自己在編輯器裡逐行敲代碼，而是讓Coding Agent幫助我完成。L3是結構化沉澱。當每個人的工具和工作都在線以後，人和人、人和Agent之間需要共享結構化的Memory，尤其是Semantic Memory。在一個大型組織里，未來每一個Agent乃至每一臺機器人，都需要共享這樣的記憶。L4是形成生產力之間的複雜協作網絡，也就是通過Loop、Evals和Benchmark不斷優化，讓一個人能夠撬動更大的生產力，創造更高的效率。

L5是“水漲船高”，這也是最難的一步。每家企業都要積累自己獨有的數據和能力，並且與具體的基礎大模型解耦。隨著基礎硬件、算力、基礎模型和框架不斷進步，整個組織運行AI的能力也能夠持續提升。這是我們在數字世界中總結出的AI原生組織五個階段。具身智能世界未來也可能存在一套結構同構的L1到L5。當然，在當前時間點，我還沒有完整答案，仍然在持續思考和探索。我們需要解決的問題是：在線下服務業，特別是餐飲、零售等行業，如何把海康機器人已經相對成熟的能力帶到前臺業務場景，幫助組織形成由機器人參與、更加自動化和高效的服務流程。雖然具身智能的L1到L5還沒有完全定義，但其中有三條基本原則是清楚的。

第一，要按照新時代的要求重新分工，人做人的事，機器做機器的事。第二，當人與AI形成新的分工以後，還需要新的協作方式、新的流程和新的組織。無論是Agent進入辦公室，還是機器人進入線下服務場景，組織結構、工作流程和崗位分工都必須隨之改變。我的一位朋友曾經做過洗碗機器人，並把機器人賣給餐廳。後來他發現，餐廳的效率並沒有因此明顯提升。原因在於，原來的洗碗工不僅負責洗碗，還要收碗、處理其他事務，並在空閒時打掃餐廳衛生。洗碗機器人只能替代其中一項工作，卻無法完成這個崗位承擔的全部任務。所以，組織要真正部署機器人、實現降本增效，不能只是把一臺機器人放到現場，還需要進行業務流程再造。

第三，也是更重要的一條，就是對人友好。人工智能進入企業，不應該只以替代勞動力和節流為目的。我們更應該思考，如何利用人工智能放大人的價值，幫助企業打開更高的增長天花板，以創造新的價值為主要目標應用機器人和人工智能。每一個傳統服務業組織，無論是數字世界中的服務業，還是線下服務業，真正落地AI都差“最後一公里”。現在有一個很流行的崗位叫FDE，也就是Forward Deployed Engineer，前沿部署工程師。FDE需要深入客戶現場，把場景需求與人工智能技術真正連接起來。在Agentic AI領域，Palantir等公司採用的就是類似模式。客戶安裝了AI工具，並不等於業務真正運行起來。

FDE需要在現場把Agent、Skill和Memory嵌入客戶的SOP中。機器人進入生產環境同樣需要FDE。機器人到達現場，並不等於生產力已經產生。還需要有人把VLA、WBC和場景SOP結合起來，把機器人真正變成組織生產流程中的一名“員工”。除了前沿部署，機器人還會產生大量運維需求。過去五六年，我們也建設了一支覆蓋線下門店的工程師團隊，為餐飲和服務業客戶維護IoT設備。人如果生病了，會自己去醫院；但餐廳、零售門店裡的IoT設備、智能設備乃至機器人出現問題後，不會自己去醫院，仍然需要工程師上門維護和維修。大家可以把這種服務理解為“像打車一樣呼叫維修工程師”。FDE只是其中一種需求。

機器人真正進入生產系統、解決實際生產問題，還有非常大的想象空間。最後，我想號召大家共同擁抱開源。今天，人工智能，尤其是Agent，賦予了每個人巨大的能力。我們可以利用數字世界的人工智能，加速具身智能機器人的研發迭代。今天，藉助人工智能，每個人都有機會自己做出開源工具。明略也堅定地選擇了開源。目前，明略內部已經約有1800名員工和4000多個AI Agent在這個平臺上共同工作。我們相信，Octo未來不僅可以連接數字世界的Agent，也可以連接具身智能設備，包括機器人，甚至智能汽車。

智能汽車也可以作為一個數字員工接入平臺，比如客戶或合作伙伴來到北京，需要我安排接待，我可以把司機智能體拉進群，由智能體和車輛直接與客戶聯繫。同理，公司裡的其他職能機器人，也都可以作為獨立主體接入這個平臺。這個平臺應該是開源和開放的，它應該像上一代辦公系統中的電子郵件一樣，每家企業都可以建設自己的平臺，並且彼此連接。所有機器人之間、機器人與智能體之間、上一代IT系統與新一代人工智能系統之間，都應該通過開放協議實現互聯。這才是我們希望共同打造的組織智能大腦，也是一個人機協同的美好世界。我今天的分享就到這裡。非常感謝大家，期待未來與大家在一個開放的機器人和智能體世界中共同連接、共同協作。謝謝大家！