【導讀】世界機器人大會的一場主題演講里，Arm的Federico Pecora把話題拉回了一個老問題：機器人到底卡在哪兒了。他的判斷是，感知、操控這些單項能力這些年進步不小，但真正攔住機器人走進超市、商場這類開放場景的，已經不是某個模型夠不夠好，而是整個系統能不能把一堆能力串起來，穩定地跑起來。圍繞這個判斷，他拆解了四個層面的系統挑戰，也講了Arm打算從計算底座入手做什么。
圖：Federico Pecora 發表主題演講
過去幾年，機器人在感知、認知和運動控制等領域取得了顯著進展。從工廠產線到倉儲物流，從零售服務到公共空間，機器人正在不斷拓展應用邊界，部署越來越成熟。但當機器人脫離預設規則環境，進入人流密集、充滿隨機變量的真實世界時，單一感知、操控技能的突破不足以支撐商用落地。真正的挑戰，是讓機器人能夠在未知場景中，自主完成多類能力的動態組合，構建一套穩定可靠、可自適應調整的完整智能系統。
在 2026 世界機器人大會 (WRC) 開發者日主題演講中，Arm 物理 AI 機器人技術研究全球負責人 Federico Pecora 圍繞上述議題展開深度剖析，分享物理 AI 從“能力堆疊”走向“系統級自適應”的行業洞察，引發業界對機器人產業未來發展的深度探討。
泛化能力是行業核心突破口
從產業發展趨勢來看，機器人能力演進正在經歷三個階段。第一階段是跨對象泛化，即機器人能夠在同一任務流程中處理不同類型的對象，而無需針對每個對象重新訓練或編程。這一能力目前已在分揀、物流、零售等結構化場景中得到驗證。第二階段是多任務智能。統一智能平臺支持多種任務執行，機器人不再服務于單一固定工作流，而是能夠根據任務需求切換不同能力組合。第三個階段則是實現系統級自適應。屆時，無論是終端用戶還是機器人自身，都能夠根據環境變化完成能力調整，而無需重新開發、訓練或部署系統。
泛化能力的商業價值在于能夠顯著降低機器人適配和部署到新場景、新流程及新任務的成本與復雜性。因此，泛化能力被視為推動機器人技術實現規模化落地的關鍵能力，而如何以高效計算支撐這種能力，也成為 Arm 重點聚焦的核心挑戰之一。
一個日常場景便可以直觀體現泛化能力的現實價值。想象一名用戶帶著人形機器人去超市購物，并下達指令：“推輛購物車，跟我來”“你去取一袋 10 公斤的大米，我去挑選蔬菜，稍后在乳制品區會合。”這類指令在日常生活中并不復雜，卻會給機器人系統帶來極高要求。公共場所人流密集、無預先構建的環境地圖，機器人也未必接受過“推購物車”這類專項訓練。要完成任務，機器人必須在執行過程中實時構建或調整自己的能力結構，而不是調用一個提前訓練好的固定方案。
如今，許多單項能力已經可以通過針對性的訓練、模型優化和工程化實現。然而，真正的挑戰在于如何讓機器人自主地將這些能力協調和組合起來，在真實世界中完成復雜任務。例如，在購物場景中，它不僅要能夠推車跟隨用戶、無地圖自主尋路、識別商品、搬運重物，還要能夠實時調整自身行為和運動模型，在與人協作時遵守既定行為約束，并在動態變化的環境中持續提供可靠、穩定的結果。
機器人規模化落地面臨的四大系統級挑戰
隨著機器人從技術演示走向現實世界部署，產業需要解決的問題已經不再是單個模型是否足夠先進，而是如何讓大量異構能力在同一系統中高效協同。
Arm 認為，下一階段機器人規模化部署將圍繞四大系統級挑戰展開。
第一， 能力如何實現
機器人無法依靠單一模型完成所有任務，而是需要為不同環節匹配合適的模型、策略、規劃器和控制器。例如，視覺語言動作模型可以用于生成試探性動作，視覺語言模型用于識別環境中的可操作對象，大語言模型可以輔助生成控制器邏輯，而參數化控制器則負責輸出安全可靠的動作。這些模塊需要共駐運行、共享內存與帶寬資源，并協同生成最終行為。
第二， 不同能力如何在運行過程中持續協同
真實世界中的機器人工作負載具有不同時間尺度：碰撞檢查必須即時響應，導航和操控需要持續更新，而“定位大米位置”這樣的高層推理則往往以突發、異步的方式出現。如果缺乏明確的時序結構和優先級調度，這些能力就可能相互爭搶計算資源，導致響應延遲，不僅影響系統效率，甚至可能帶來安全風險。
第三， 能力如何映射到計算資源
在沒有預先構建環境地圖的情況下，機器人需要依靠本地智能完成感知、場景理解和路徑規劃，同時逐步構建可供多個模型共享的語義地圖。雖然邊緣和云計算資源能夠為設備端處理提供補充，但現實部署中的機器人不能依賴周邊基礎設施始終在線、能夠實時響應且適用于當前任務場景。對于機器人而言，實時響應能力、自主性和安全性往往都需要依賴強大的本地計算能力。因此，系統架構面臨的核心挑戰在于，如何在 CPU、專用加速器、內存和通信鏈路之間合理劃分計算負載，使數據傳輸帶來的開銷不會抵消異構計算所帶來的性能和能效優勢。
第四， 能力如何管控
隨著機器人具備更強自適應能力，行業需要關注的不再只是碰撞規避、速度限制和力控制等基礎安全問題，還包括空間與時間規則、任務偏好以及特定場景下的行為規范等更高層次的約束。黑盒策略往往難以對機器人行為進行檢查、診斷和約束。因此，即使系統持續演進，安全屏障、運行時保障、控制問題建模和備用控制器必須能夠隨系統變化保持有效，這就要求定制化開發從依賴經驗和臨時性工程實現，轉變為清晰可落地、具備強制約束力的行為防護框架。
Arm 為機器人系統能力提供統一計算基礎
機器人產業面臨的，不只是技術與系統難題，同樣存在創新側重點與產業需求之間的落差。長期以來，學術界傾向于拆解課題開展專項研究，推動感知、規劃、控制、學習等單項能力持續突破；產業界則更加關注產品落地與商業價值驗證，優先集成滿足當前業務需求的功能。這使得能力創新與可部署的機器人系統之間存在一道鴻溝。行業需要一個通用的計算基礎，能夠在大規模部署場景下連接、組織和協調這些能力。Arm 正在這一關鍵環節發揮作用。通過提供開放的計算平臺和強大的生態系統支持，Arm 致力于幫助產業將單項技術突破轉化為可靠的系統級智能，加速機器人技術從實驗室走向規模化落地。
說到底，機器人行業現在不缺單項突破，缺的是能把各種能力裝在一起、還能不出亂子的系統框架。誰先把這個框架搭好，誰就有機會把機器人從演示樣品變成真正能用的產品。Arm在這個節點強調計算基礎的統一性和可擴展性，瞄準的正是這個缺口。對中國市場來說，產業鏈夠全、場景夠多，但要在系統層面追上，可能得在調度、約束、資源管理這些“看不見的地方”多下功夫。
