方志军引导发言

孙健华做引导发言——数字基因：可解析的通用具身操作世界观。

上海交大团队提出的程序化世界观表示技术，开创性地将物理物体转化为参数化代码体系。该技术能够精确描述物体的空间结构、尺寸规格和操作功能等核心属性，为机器人提供精准的仿真环境和执行标准。技术架构采用三层数字基因库设计：基础构件层、组合模块层和完整物体层，配合功能知识库涵盖关节结构、抓取区域等关键信息。自主研发的自动化标注系统更是将标注效率提升一倍，大幅降低了数字化建模成本。目前，该技术已在工业设计领域展现巨大价值，支持快速生成零件数字模型；在柔性制造场景中，赋能机器人自适应新零件生产，甚至能够替代部分数字孪生功能，为智能制造提供新范式。

孙健华引导发言

顾凯做引导发言——NeuroSymbolic TAMP：推动工业机器人具身化的创新实践。

在动力电池回收领域，上海交大团队开发的神经符号系统解决方案实现了技术性突破。该方案建立五级智能化标准（L0手工操作至L4全自动），提炼出12种基础工作原语作为最小操作单元。双系统控制架构是该项技术的核心创新：神经网络系统负责处理感知数据，符号系统则进行高层次任务规划。这种设计充分发挥了神经网络的环境适应能力和符号系统的逻辑推理优势。技术优势显著：样本需求比传统方法减少100倍，操作成功率通过迭代修正机制达到100%，并支持多型号电池的自适应拆解，为解决动力电池回收行业痛点提供了有效方案。

顾凯引导发言

贾萧松做引导发言——世界模型在物理世界决策的应用。

世界模型的应用则为自动驾驶及智能制造降本增效提供新方案。复旦大学在自动驾驶研究中，成功解决传统方法的分布漂移问题，构建可交互的神经渲染器，能够预测下一帧物理状态并支持策略推演与调整。在训练效率上，该技术实现单卡模拟数千个驾驶场景，3 天即可完成复杂策略训练。将其应用于智能制造领域，可实现生产流程数字推演，大幅降低实体测试成本，加速工艺参数优化，推动生产模式向更高效、更经济的方向转变。

贾萧松引导发言

本次活动对人工智能在高端装备制造领域的发展趋势进行研判。技术融合成为明确方向，大模型与符号推理、数字孪生与强化学习、跨模态感知与决策的结合，将进一步释放技术价值。不过，行业落地仍面临非结构化场景适应、安全可靠性验证、与传统产线兼容性三大挑战，需行业各方协同突破。

尽管挑战存在，但在市场的机遇同样可观。在动力电池回收领域，预计到 2030 年回收量将达250万吨，智能化拆解技术需求迫切。而在航空制造领域正加速数字化转型，智慧工厂与工业互联网相关技术迎来广阔应用空间。柔性制造系统改造需求持续释放，为机器人自适应生产、数字基因等技术提供大量应用场景。

YOCSEF上海分论坛副主席徐冰茹为与会嘉宾颁发了基于区块链技术的电子感谢牌。这份独具匠心的致谢礼物不仅绿色环保，更具备可校验、可追溯、不可篡改的技术特性，以此诚挚感谢嘉宾们对本次活动的鼎力支持。

颁发感谢牌

议题一：高端装备制造是否需要具身智能

飞机制造、汽车制造等高端装备制造场景中，传统自动化技术已暴露出诸多短板。飞机制造过程中，大尺寸零件装配困难重重，机舱内狭窄空间的线缆安装，目前仍依赖身材娇小的工人手动操作；而飞机表面抛光工艺，机器人的精度难以企及人工修整的精细程度。汽车制造方面，小批量定制化生产（1 万台以下）模式下，传统自动化改造成本高昂，企业难以承受。电力系统的锅炉内部高空巡检以及高温有限空间作业，现有的自动化设备无法胜任，依旧依靠人工轮班完成，不仅效率低下，还存在极大安全隐患。

与之形成鲜明对比的是，具身智能在这些场景中展现出明确应用价值。协作机器人能够深入核电设备维护等高危环境，替代人工操作，有效保障人员安全；视觉与触觉融合技术可实现无序抓取，在汽车线束插接环节，大幅提升了工作的合格率；在飞机蒙皮钻孔作业时，具身智能系统能根据实时情况自适应调整工艺，确保加工精度与质量。

然而，要实现大规模应用，具身智能仍需跨越重重障碍，例如高端装备制造要求的微米级精度与当前具身智能动作噪声之间的矛盾，连续作业 1000 次以上的稳定性验证难题，以及将老师傅的工艺经验数字化的技术瓶颈等。

于兴林思辨研讨

议题二：技术形态之争——通用化vs专业化

专业化技术路线倡导者强调实用主义导向，主张针对特定场景开发专用解决方案。该阵营认为，焊接机器人通过专用夹具结合小型化模型即可实现90%以上场景覆盖，无需追求过度通用化。

在形态适配方面，专业化派指出不同制造场景需要差异化硬件形态：汽车产线最适合轮式AGV机器人，而飞机检修场景则需要蛇形机械臂等特殊结构。这种量身定制的Approach 能够最大限度发挥技术效能。

实证案例显示，某焊接设备制造商通过将工艺知识数字化固化，成功将设备调试时间从原来的8小时大幅压缩至30分钟，显著提升了产线效率和经济性。

通用化技术路线支持者则着眼于长期发展趋势，推崇“云端智能中枢+边缘执行体”的架构设计。该方案设想通过人形机器人操作多种设备，实现真正意义上的柔性生产。

数据飞轮效应被视为通用化路径的核心优势。据悉，领先制造企业已积累超过500万组操作数据用于训练通用策略，数据规模的持续扩大将不断强化系统能力。

劳动力结构变化也在倒逼技术转型。新一代从业者对重复性工种的排斥态度日益明显，推动制造业必须向更柔性的生产模式升级。

面对通用化与专业化的激烈交锋，一种融合二者优势的折中方案逐渐崭露头角——分层智能架构，即“大脑（决策大模型）+小脑（运动控制专家系统）”。决策大模型作为“大脑”，赋予机器人通用的任务理解与决策规划能力，使其能够应对复杂多变的任务需求；运动控制专家系统则充当“小脑”，针对特定场景与任务，进行精细化运动控制，保障执行的高效性与准确性。

汽车产业已率先开启这一折中方案的实践探索。在汽车总装线上，对装配精度要求极高，专用机械臂凭借其高精度、高稳定性的特性，承担起关键零部件的装配任务，确保产品质量；而在物流环节，AMR（自主移动机器人）搭配通用抓取器，凭借灵活的移动能力与广泛的抓取适用性，实现物料的高效转运。这种根据不同生产环节需求，灵活搭配专业化设备与通用化技术的模式，既能保障生产效率与质量，又能提升系统的柔性与适应性，为具身智能在高端装备制造领域的落地提供了切实可行的参考范例。

李元琪思辨研讨

议题三：实现路径——端到端大模型的可行性

端到端大模型倡导者指出，自动驾驶领域的成功经验为制造业提供了重要借鉴。感知-规划-执行的一体化方案能够减少高达20%的模块间误差，显著提升系统整体性能。

仿真技术的突破为大模型训练提供了新可能。NVIDIA Omniverse等先进平台已能够生成百万级装配场景训练数据，有效解决了真实数据稀缺的瓶颈问题。这一突破为端到端方案提供了坚实的数据基础。

反对阵营则对端到端大模型在高端制造中的应用持谨慎态度。航空制造专家强调：“飞机螺栓拧紧工艺要求完整追溯每个决策依据， black box 式的决策过程无法满足航空级质量追溯要求。”数据壁垒问题同样不容忽视。航空、航天等关键制造领域的工艺数据涉及国家安全和商业机密，难以满足大模型训练所需的海量数据要求。这一现实约束严重限制了端到端方案在高端领域的应用范围。

面对分歧，就阶段性实施路径形成共识：近期方案聚焦领域知识注入，通过将飞机维修手册结构化并结合故障树模型，在保证可靠性的前提下提升智能化水平。这一阶段强调知识工程与传统专家系统的深度融合。中期规划采用混合架构，利用大模型生成候选解决方案，再由专家系统进行可行性过滤和优化。这种“生成-筛选”模式既发挥了大模型的创新能力，又确保了方案的可靠性。远期愿景着眼于世界模型与具身智能的闭环验证，借鉴DeepMind RoboCat等先进思路，构建能够自主学习、持续优化的智能系统。这一阶段将实现真正意义上的智能制造跃迁。

张禹思辨研讨

产业共识与分歧并存，具身智能落地路径渐明

嘉宾普遍认为，未来3-5年内，具身智能将优先在离散制造和高危作业场景实现规模化落地。3C产品装配、化工厂设备巡检等具有重复性高、危险性大特点的领域，将成为首批受益于具身智能技术的应用场景。

成本问题成为当前最大制约因素。嘉宾一致表示，必须将具身智能方案的单台成本从目前的50万元以上大幅降低，才能实现规模化商用。

调查显示，产业界在技术路线选择上存在明显分化。约55%的嘉宾倾向于采用渐进式专业化路径，主张针对特定场景开发专用解决方案，逐步扩大应用范围。其余45%的嘉宾则看好通用化突破，认为应当着眼长远布局，开发适应多场景的通用平台。

这种分歧体现了务实与创新两种理念的碰撞。专业化路线支持者强调落地效率和经济效益，而通用化倡导者则更关注技术的前瞻性和扩展性。

合影

郑臻哲总结                      邸欣晨总结