乐聚亮相WRC2026：实干方案+产业论坛双向发力，探寻具身智能落地路径

8月19-23日，世界机器人大会（WRC）在北京召开。本届大会上，乐聚机器人不仅带来行业首发全栈国产化“3+N”批量部署行业解决方案，实现展会唯一全场景、全自主、全天候机器人不停机作业；

同时联合蚂蚁灵波举办“从本体到模型，数据炼成的物理智能” 主题论坛，集结整机、零部件、芯片、数据、高校科研机构12位行业嘉宾，围绕本体硬件创新、具身数据供给、具身模型前沿探索开展三场圆桌对话，拆解人形机器人从样机演示走向真实产业落地的全链路挑战。

一、“3+N”方案亮相，打造全场景、全自主、全天候“实干现场”

据悉，乐聚本次展出全部为成熟可交付的真实落地方案，设备单日可稳定运行8-10小时，具备规模化交付能力，配套完善工具链，支持二次开发团队快速部署迭代。夸父机器人化身展会 “主理人”，自主讲解展台各个工位机器人的真实作业状态。现场集中展示商服导览、零售服务、纸箱拆垛、小件上料、多规格塑料箱拆垛等多个场景，夸父5W开启计时+计件模式，开展全天候小件上料不停机挑战。

商服场景，展厅4.0成熟方案由夸父承担导览交互工作，融合视觉+UWB 技术实现人员跟随与避障，支持多语种、多方言语音交互，搭配拟人手势完成多模态互动，实现从视觉迎宾到送别全流程自助运行，这套方案已经在全国23个省份实现商业落地。

工业场景，Taskor 一站式工业部署方案1:1还原真实工厂产线，展示纸箱拆垛、料箱搬运、小件上料等真实作业情况。

这背后是乐聚在工业场景推出的Taskor部署解决方案，开发者无需编写代码，像搭乐高一样拖拽图形便可编排机器人动作，单机部署时间从数月缩短至数小时。现场作业的基于100余个工业场景研发的工业级本体夸父5W，已经过EMC、3B认证。目前，乐聚工业场景解决方案已获汽车、通信、家电、物流等10+行业头部客户认购，包括一汽、哈金森、海信、中国物流、东方精工等全球知名企业。

科研场景，提供入门到科研二次开发完整方案。

鲁班舞蹈套装支持导入视频零代码训练，帮助入门开发者掌握小脑运控能力；LeTools具身模型工具链联合蚂蚁灵波完成零售 “抓娃娃” 全闭环演示，实现 乐高式” 低门槛开发，全新技能迭代仅需3‑7天，在校学生在ICRA、CRAIC赛事中最快可1天跑通真机部署。

依托OpenLET国家级具身智能开源数据集社区，乐聚搭建 “数据训练-场景中试‑成果孵化” 开源生态，汇聚70余家产业链企业、一万余名开发者，覆盖头部科技企业、多所QS100高校与科研院所。乐聚 “面向汽车制造场景的人形机器人智能拣运” 方案成功入选工信部2025人工智能应用典型案例名单，技术落地实力获得国家级认可。

二、告别炫技Demo，直面具身智能规模化落地的共性瓶颈

透过展台的各类实操演示可以看出，人形机器人行业正在告别单纯追求炫酷演示的发展阶段，行业竞争重心已经转向稳定性、可复制、可运维的真实产业落地能力。

硬件本体的定位正在发生深刻变化，它不再仅仅是一套物理执行载体，还需要适配大模型训练的内在需求。本体设计好坏，直接影响后续采集的数据品质，进一步决定模型训练的上限。与此同时，工具链、数据配套能力，成为机器人能否快速适配全新任务、落地不同场景的关键配套条件。

乐聚“3+N”方案正是面向产业真实痛点打造，工业端聚焦降低工厂产线部署门槛，商服端验证公共场景长时间持续作业能力，科研端降低开发者上手门槛。

但展台的实践同样暴露出全行业的共性瓶颈。仅仅依靠硬件本体和配套工具链，还不足以实现大规模普及。本体如何适配模型、高质量数据如何规模化生产、通用具身模型如何迭代进化，是横亘在产业面前的三道关键命题，这些跨企业、跨领域的共性问题，无法由单一厂商闭环解决。

基于行业现状，乐聚联合蚂蚁灵波发起本次联合论坛，希望集结整机、零部件、芯片、数据、科研机构多方力量，把产业链缺少共识的关键问题摆上台面，开展充分的思想碰撞，共同寻找行业前进方向。

三、本体‑数据‑模型三位一体共探物理智能破局之路

展台之外，乐聚同期举办了“从本体到模型，数据炼成的物理智能”论坛。三场圆桌对话层层递进，把产业链上最关键也最缺乏共识的问题摆到台面上来讨论——做芯片的、做数据的、做模型的、搞学术的坐在同一张桌前，三种截然不同的技术路线正面碰撞。

第一场圆桌聚焦具身智能本体设计与硬件创新。 国地共建人形机器人创新中心常务副总经理刘宇飞指出：“未来机器人真正进场景的分水岭，不是做出一次动作，而是能够稳定工作、批量交付、持续运营。”

嘉宾们指出，如今造出演示样机门槛已经不高，但批量稳定交付考验完整工程能力，零部件决定产品上限，系统集成决定交付下限。算力不能一味追求堆叠，需要结合业务场景做取舍，工业场景网络隔离条件下，端侧闭环是硬性约束；人形是通向通用智能的快车道，但并非唯一终局，变构型灵巧手有望融合多指手与二指夹爪两者优势。

面对量产多机本体存在的个体偏差，行业需要制造工艺保底、标准化参数标定、算法残差补偿三者协同发力。同时短期之内各类机器人机械构型会百花齐放，电气、法兰等接口会优先走向收敛，从硬件源头降低跨本体迁移成本。

第二场圆桌围绕具身数据标准化与规模化供给展开。 蚂蚁灵波首席数据科学家黄用涛带来《Feedback is all you need》主题分享，直指行业痛点：当前具身数据从早期 “数据荒漠” 步入多元爆发阶段，但”真机演示效果优秀，真实场景落地表现却大幅下滑，超六成问题根源来自数据分布缺陷，而不是单纯的数据总量不足“，物理世界分布外（OOD）场景是落地常态。

圆桌嘉宾达成共识，不能照搬大语言模型 “集中采集、后期统一清洗标注” 的传统模式，要构建“人‑机器人‑数字孪生多向反馈闭环”，把反馈机制前置到数据采集现场，让失败样本快速回流反哺迭代。

真机、Umi 无本体、动捕、仿真合成数据分别适配预训练、后训练、强化学习不同训练阶段，不存在万能固定配比。预判行业很快会出现 “数据总量过剩，但长尾场景样本持续稀缺” 的局面，制约数据规模化的核心瓶颈不在于采集量级，而是元数据全生命周期管理、多传感器时空对齐，以及如何建立科学的数据价值评判体系。

蚂蚁灵波首席数据科学家黄用涛提出“Feedback is all you need”的核心观点——数据的价值不在于规模，而在于分布与反馈闭环的速度。数据显示，真机数据已超10万小时，涵盖20多种机器人构型、36000多种任务分布。

论坛的共识是，数据行业正在从“闷头采数据”转向“建立全生命周期的数据管理体系”，数据配比没有标准答案，不同阶段需要不同类型的数据。

第三场圆桌探讨具身模型技术路线与前沿探索。论坛围绕通用具身模型的能力目标、评测难题、训练范式展开思辨。

上海交通大学副教授李永璐认为，数据基础设施是第一性的，甚至比架构更重要。清华助理教授许华哲提出，具身模型的终极追求是零样本泛化。北通院具身机器人中心主任黄思远则关注模型在限定场景下的高成功率和持续学习能力。

尽管路径不同，嘉宾们认为，任务均衡的泛化能力是通用模型的核心追求，零样本泛化属于长期终极目标，“小样本适配能力更贴合现阶段工业落地现实”。

在评测层面，公开真机基准测试容易出现刷分调优，纯仿真评测又难以弥合Sim‑Real鸿沟，现阶段行业主要依靠企业内部私有benchmark完成迭代，真实用户随机测试，是检验模型真实泛化能力的有效手段。

训练范式上，BC模仿学习结合RL强化学习仍是行业主流路线，但亟需更加严谨的数据配方；相比追求颠覆性新范式，数据基建建设、高价值失败样本复用、多模态信息挖掘对模型提升更为关键。

同时端侧轻量化模型更新、多智能体协同训练、隐私约束下的参数回流，都是未来需要攻克的关键工程课题。 整场论坛形成统一共识是，人形机器人想要真正成为生产力，单点技术突破远远不够，本体、数据、模型三者必须协同演进，推动机器人从单次舞台演示，转向可复制、可运维的常态化真实场景作业。