机器人的下一站，或许是乐高化
前不久，2026 年世界机器人大会在北京亦庄举行。373 家企业带着 3000 余件展品集中亮相，五天会期累计吸引观众 55.7 万人次。
大会展馆内，机器人分拣快递、烹煮面食、搬运货物、封装打包。一个个精心设计的应用场景，把具身智能再次推至聚光灯下。
摩根士丹利研报勾勒出的全球图景显示，2026 年上半年，全球机器人出货量中约有 65% 流向娱乐展示、前台接待、教育研发及数据采集等领域。
在世界机器人大会的展馆中稍加留意便会发现，多数机器人依然依附于简单、封闭且高度垂直的场景，部分演示过程中还需要人工介入。整体泛化能力不足、距离真正意义上的“通用”仍然遥远，是展馆内外已经形成的共识。
科沃斯董事长钱东奇在会上说得更为直接：“泛化没有解决之前，眼下所有的 Demo 都只是特定场景的炫技。”
数场景泛化太难，开发成本太高
市场所期待的机器人叙事，实际上正卡在两个基础问题上：一个是场景泛化能力差，另一个是开发制造成本高。
当下多数机器人采用的是“一场景一机型”的开发模式：针对具体场景采集数据、定向训练，形成一套固定的能力。演示视频里的流畅动作，大多是这种模式的产物。问题在于，机器人一旦走出预设环境，能力便迅速失效。
行业人士对此的描述是，目前最大的瓶颈仍是场景泛化能力——机器人在固定场景里可以把成功率训练得很高，但换一个物品、换一个环境，表现就会明显下降。更具体的比方是：机器人真正难在“最后几厘米、最后几毫米”，大方向能执行，但末端的成功率和偏差，与真实世界的要求还无法匹配。
银河通用创始人王鹤在会上给出了产业侧的视角：给定任务几乎都能做好，但背后需要专业人员做后训练，这样的投入难以复制到成千上万个行业。他把 2026 年的规模化应用问题归结为一句话——能不能少采数据、少派工程师，把能力复制到 100 家工厂、1000 家门店。
泛化问题的行业解法之一是“喂数据”：用海量泛化场景数据填补能力盲区。但数据采集本身就是一门高成本的生意。
据澎湃新闻报道，一台遥操作采集设备投入约 35 万元，一名采集员一天只能采集约 500 条数据；乐聚机器人柯真东则测算，采集 1 万小时数据需要上百万元的软硬件投入。
更麻烦的是标准——各家的传感器接口、数据格式、标注规范互不兼容，数据成了一座座孤岛。上海交通大学的一个团队曾从约 12 万小时第一视角数据中做筛选，真正适用于模型训练的不足 5000 小时，有效率不到 4%。即便完成了训练，想覆盖所有现实场景，依然是奢望。
还有一种更远的解法是世界模型：让机器人理解现实世界的物理规律，靠推理而非记忆去应对陌生环境，实现真正的泛化。
这条路线今年声量渐高——英伟达发布了打通文本、视觉、音频与动作的 Cosmos 世界基础模型，刚闭幕的世界机器人大会上，中国电子学会也宣布成立世界模型专家委员会。
但业内对其现状的评价相当冷静。在今年的智源大会上，有研究者直言，物理世界中“暂时没有看到任何世界模型能力真正进入可投产阶段”，更多人认为它短期内的角色只是数据引擎和训练工具，而非驱动真机的“大脑”。墨奇智能 CTO 黄青虬的表态称：“世界模型和 VLA，都不是答案。”
泛化的终点在哪里，行业尚无共识，时间表更无从谈起。
事实上，泛化难题之外还存在成本难题，两者互为因果。
由于研发依赖一场景一机型，换一个应用场景，往往意味着机械结构、传感器布局乃至整机设计推倒重来，每一个新场景的开发，都对应着一轮成本的大幅上升。而企业与用户的场景需求又高度分散，全行业的研发与制造成本因此居高不下。
量产规模同样撑不起规模效应。据行业机构统计，2025 年全球人形机器人出货量约 1.7 万台——作为对比，一款畅销汽车单月的销量便常常数以万计。没有汽车工业那样的量产纵深，零部件成本就摊不薄。
而形态各异的机器人，还带来另一重负担：维修。有媒体报道概括了工厂的顾虑——能不能稳定干活、坏了多久能修好、换任务要调几天、停机损失谁承担；很多订单背后跟着“服务负债”，工程师驻场、夹具改造、故障维修，收入未必覆盖得了后续投入。
富士康工业互联网 AI 产品总监王丽给出的工厂视角更直接：产线 3 年内回本是基准线，而全生命周期成本考量下，机器人要 5 至 8 年才能与一名产线工人持平。
如此看，工厂们的结论并不复杂：眼下的机器人，账算不平。
破局之道，或许是换一种开发范式
在所有试图回答"泛化难、成本高"的行业路线中，有一条值得单独拿出来审视：模块化。
这里的模块化，不是把机器人拆成零件卖，而是让机器人本身具备自由拆装、重新组合的能力——像乐高一样，用一套标准化的模块，拼出适配不同场景的形态。它同时对准了前述两个问题：组合能力扩充了场景覆盖的范围，标准化则大幅摊薄了制造成本。
这套范式在工业史上早有先例，最经典的案例来自汽车业。
2012 年，大众汽车推出 MQB 模块化平台，用统一的接口标准把发动机、变速箱、空调等总成变成可复用的"积木"。时任大众 CEO 文德恩当年披露的数字是：模块化让生产成本削减 20%，制造时间最多加快 30%。
这个平台的零部件通用化率达到 60%，仅车头空调制暖等大型组件的版本数，就从 102 个压缩到 28 个。十年间，MQB 累计出产超过 3200 万辆汽车，横跨大众、奥迪、斯柯达、西雅特四个品牌 40 余款车型。
可以说，模块化以一己之力，改写了汽车业的成本曲线。
但机器人的模块化，与汽车并不完全相同。汽车模块化的本质是生产端的零部件共享，车主不需要自己重组一辆车；机器人模块化则要求产品在用户手里仍能拆装重构。
这意味着不仅机械与电气接口要统一，动力、感知、控制乃至上层算法系统都要随形态变化而实时打通——拼上一个新模块，整机要"知道"自己变成了什么，并立刻协同起来。
也正因为门槛高，目前市场上不少打着"模块化"旗号的产品，本质上只做到了工具或外设层面的可更换：换一个夹爪、加一个吸盘、快换一个末端执行器。机身没有变、系统没有变，能力边界自然也没有变。这类"伪模块化"更接近配件生意，无法真正改变机器人的功能与开发范式。
真正的模块化，应该是分层打通的。本末科技的实践提供了一个可供观察的样本，这家公司公开的技术布局分为三层：底层是标准化的动力模组，中层是轮足机器人整机，顶层是模块化拼接系统。
2025 年底，它首发了被称为全球首款"整机模块"具身智能机器人的 D1：整机围绕自研的 P10 一体化直驱关节模组构建，实现"感驱控一体化"；配合其"通用小脑"协同算法，两台 D1 可在 3 秒内完成快速拼接，在双轮足与四轮足形态之间切换，拼接后承载能力达 60 公斤，模块之间可实现毫秒级协同发力。
今年 2 月，D1 在山东济宁春晚中展示了轮足与轮足、足式与足式、轮足与足式的全形态拼接协作；8 月的世界机器人大会上，本末科技又发布了 HMD-P 系列一体化关节模组，把模块化的底座进一步向行业开放。
对照前一部分的两个困境，这种开发范式的意义是直接的。其一，同一套模块可以拼出巡检、运输、应急救援等多种形态，场景适配不再需要整机重新设计；其二，模块的通用性意味着未来面对全新场景时，开发的起点不再是零；其三，维修逻辑从"整机返厂"变成"更换模块"——坏哪个模块换哪个，停机损失和售后成本都被压缩。
换句话说，模块化没有正面强攻"泛化"这道 AI 难题，而是用工程化的方式，先把"换场景要重新造机器"的成本困境消除了。
从直驱到模块化的少数派路线
把模块化做成整机产品的本末科技，是一家有些"非主流"的公司。这并不是它第一次独辟蹊径。
公司的起点，是一个反直觉的发现。
还在香港科技大学攻读机器人系统与控制工程时，张笛在调试机器人姿态控制器的过程中发现：去掉减速器之后，控制效果反而更好。
那时候，"伺服电机 + 减速器"是行业的标准答案，而直驱路线意味着绕开成熟供应链，把全部压力压到电机自身的扭矩密度与控制算法上——看好的人并不多，但张笛还是选了后者。
这条少有人走的路，最终被走通了。规模起来之后，直驱模组的成本被摊到极低，本末也因此成为机器人赛道中罕见的盈利企业。
事实上，动力模组的标准化与规模化，恰恰为它今天的模块化奠定了不可忽略的地基。只有当"关节"成为年出货百万级的标准件，把标准件拼成整机、再让整机自由重组，才具备了工程与成本上的可行性。
这也是模块化在行业话语中分量渐重的原因。央视网援引工信部标委会副主任委员江磊的判断：行业已发展到规模化前期，2025 年出货已达万台级，接下来要解决"从 1 到 10"的问题；今年发布的《人形机器人与具身智能标准体系（2026 版）》中，"肢体与部组件标准"被专门用于为人形机器人的模块化发展提供规范指导。
加拿大工程院院士孟庆虎也表示：眼下企业各自为政是一种资源浪费，只有建立核心部件标准，各家的零部件才能"轻松互用"。在诸多专家看来，模块化与标准化，将是机器人从技术演示走向规模化量产不可或缺的一步。
机器人的价值到底在哪里？此刻或许还没有标准答案。
但可以确定的是，机器人还将经历漫长的迭代，而在通往规模化的路上，模块化——这种把机器人"乐高化"的开发范式——大概率会成为绕不开的一站。
本文来自微信公众号“AI前线”（ID：ai-front），作者：150g，36氪经授权发布。