机器人“一脑多形”，到底行不行？

" 具身智能的护城河，不仅仅是一个模型，或者是一台机器人，它是技术、场景，还有数据和交互持续不断的闭环。"2026 年 WAIC 现场，普渡机器人具身智能产品线总经理吴翔的这句话，点出了当前行业最核心的焦虑与期待。

AI 走出数字空间，机器人不再满足于在展台上表演后空翻。一个根本性的追问开始浮现：我们究竟需要为每一款形态各异的机器人单独训练专属的 " 大脑 "，还是能打造一个通用的智能底座，让不同 " 身体 " 共享同一套 " 智慧 "？

" 一脑多形 " 正是在这样的产业岔路口，成为具身智能领域最受关注的技术方向之一。它试图通过统一的底层模型和软件架构，让不同形态的机器人共享同一个 " 大脑 "。

图片来源：普渡机器人

但 " 一脑多形 " 究竟是通往未来的坦途，还是一个过于理想化的技术乌托邦？

从 " 一机一脑 " 到 " 一脑多形 "

" 一机一脑 " 曾是机器人行业心照不宣的常态。

一台扫地机器人，有一套专门优化路径的算法；一台工业机械臂，有一套只为重复精度而生的控制系统。它们之间，经验很难互通，数据难以共享，算法也不兼容。每跨入一种新的机器人形态，软件和算法几乎都要从零开始。

行业里管这叫 " 烟囱式开发 "，一根根烟囱拔地而起，彼此之间少有连接。跨形态的算法迁移，曾是行业长期存在的效率痛点。

但变化正在发生。

近日，国际权威咨询机构弗若斯特沙利文（Frost & Sullivan）发布《2025 年全球具身智能与商用服务机器人独立市场研究报告》。报告指出，机器人产业正从 " 一机一脑 " 向 " 一脑多形 " 演进。

报告提到，随着机器人应用场景持续拓展，传统模式已难以支撑跨场景复制和规模化部署需求。" 一脑多形 " 通过统一智能底座连接多样化机器人本体，使不同机器人能够共享感知理解、任务规划、技能调用和数据闭环能力。未来，机器人产业将从单品交付走向平台化、生态化和基础设施化发展。

" 一脑多形 " 并非凭空创造的概念，而是产业界在探寻规模化落地时的共识。正如吴翔所言：" 通用具身智能，不是用一个构型去解决所有的任务，而是构建一个通用的智能底座，再去根据任务去调用不同类型的机器人。"

这套逻辑的核心在于：通过构建统一的底层模型和软件架构，让不同形态的机器人，包括轮式的配送机器人、足式的人形机器人，或是固定基座的机械臂等等，共享同一个 " 大脑 "。这个大脑负责感知、理解、规划与决策，不同的 " 身体 " 则负责执行。智能能力在不同形态之间复用，不必每换一种机型就从头训练。

它试图解决的是行业长期存在的三重困境：模型泛化能力不足，换个场景就容易失效；高质量物理世界数据稀缺，真实交互数据的采集难度和成本远高于互联网数据；每进入一个新场景或换一种新机型，算法和数据的复用率都很低，大量工作要推倒重来。

国务院发展研究中心产业经济研究部副部长李燕在接受采访时曾指出，具身智能大规模商业化落地，供给侧至少需要三个方面的协同，也即模型具备跨场景的泛化能力、供应链成熟稳定可靠、在真实场景中形成数据飞轮效应。其中，泛化能力被放在首位，这解决的是 " 同一产品在不同场景通用性的问题，目的是实现范围经济 "。

行业正在向这个方向靠拢。据《中国具身智能产业发展报告（2026）》测算，2026 年中国具身智能市场规模预计将达到 1.09 万亿元，年均复合增长率超过 22%。推动这一增长的，是多行业、多场景对机器人通用作业能力的需求——其中跨形态复用能力正是关键一环。

工信部、国资委联合启动的人形机器人与具身智能实景实训专项行动，也在推动机器人在工业、服务、特种等真实场景中积累多形态真机数据，这些数据恰好是训练 " 通用大脑 " 的必要基础。

从 " 一机一脑 " 的孤岛，到 " 一脑多形 " 的通用底座，方向正在变得清晰。

谁在押注？

方向明确之后，怎么走成了关键问题。

普渡机器人是其中最典型的一家。这是一家以商用服务机器人起家的公司——配送、清洁、工业四条产品线覆盖 16 个行业，业务遍及 85 个国家和地区，累计出货超 13 万台。按照沙利文的数据，它在全球商用服务机器人收入和出货量上均位居第一，在中国服务机器人出海市场占约 44% 的份额。

正是基于这波先发优势，普渡开始思考一个更底层的问题：能不能把在配送和清洁场景里积累的 " 移动智能 "，变成一种可以跨形态复用的能力？答案是 Physical Agent 三层架构。

本体层——专用机器人解决高频标准化任务，类人形机器人进入复杂工业和商业环境，人形机器人探索更通用的人机协作场景，三层形态共享同一套智能底座。

系统层—— PuduAgent OS，一个通用具身智能体平台，负责任务理解、规划决策、经验积累和安全运行，吴翔将其类比为 " 物理世界的安卓和 iOS 生态 "。

技能层——自研具身基座模型 PuduFM，内置物理直觉模型，基于普渡自有的全球最大机器人物理交互数据集训练，强调对物理空间的真实理解，机器人不仅要 " 看到 " 物体，还要 " 理解 " 它的重力、摩擦力、运动惯性。

三层协同，让机器人在真实场景中实现 " 感知—理解—规划—执行—反馈 " 的完整闭环。

具脑磐石定位为具身智能大脑服务商，其认知世界模型（Cognitive World Model）目前已可适配双足、四足、机械臂等多种形态的机器人本体。

针对多本体适配行业难题，刘晋宇表示，该问题可从两大核心维度拆解：一是驱动结构维度，电驱、绳驱、液压等底层驱动部件的结构差异，会直接影响模型的适配逻辑；二是运动形态维度，双足、四足、轮式底盘的运动模式各不相同。

当前机器人本体厂商数量众多，行业底层协议尚未统一，难以互通。因此，在刘晋宇看来，现阶段一套具身智能大脑无法完全实现全行业的全品类本体适配。

基于这一行业现状，具脑磐石首先确立了精准聚焦的适配策略，在各类机器人形态中分别锚定核心合作伙伴，覆盖四足、轮式、电驱、绳驱等主流形态和构型。团队在模型预训练阶段，会针对同一场景采集不同机器人构型的数据，通过多元化构型覆盖，锤炼模型的跨本体泛化能力，而非无限制拓展合作本体品类、盲目扩大适配边界。

梅卡曼德的核心判断是：不同任务和场景会催生不同形态的机器人，未来机器人形态不会走向统一。但感知、理解、规划和执行等核心智能能力可以持续积累，并复制、迁移至不同类型的机器人。

因此，梅卡曼德围绕 " 一脑多形 " 构建通用具身智能眼脑手技术体系，以具身智能大模型和仿生分层机器人大脑为核心，结合工业级 3D 视觉、运动规划、机器人控制与末端执行能力，形成 " 感知—理解—规划—执行—反馈 " 的完整闭环。

图片来源：梅卡曼德

依托统一的技术体系，梅卡曼德可以将这些智能能力按需配置到不同机器人形态上。目前，其 " 眼脑手 " 已可支持人形机器人、工业机器人、移动机器人、协作机器人等多种构型。

梅卡曼德没有选择将通用大语言模型或视觉语言模型简单迁移到机器人领域，而是从机器人真实任务出发，围绕环境感知、任务理解、自主规划、运动执行等能力，构建面向物理世界的通用智能底座。

诸如此类的案例还有很多。越疆科技则展示了 " 一脑多体 " 的另一种落地形态。这家以协作机器人起家的公司，在近期研讨会上展示了其 " 一脑多体 " 平台，用自研的 " 空弈 " 大模型驱动机械臂、人形机器人等多种形态。

大晓机器人在 WAIC 期间展示了 " 晓途 " 四足全域作业方案，由具身超级大脑模组 A1 与智能管控平台构成，可灵活适配多形态四足机器人本体，已在漕河泾园区安防巡检、上海滨江城市治理等场景落地。

这些案例说明，" 一脑多形 " 已成为行业共识，但路径有所分化。有的从数据飞轮出发，有的从类脑智能切入，有的从感知和操作的长板向外延伸。出发点不同，但指向同一个方向——让一个大脑驾驭多种身体。

共识与挑战

方向有了，具体落地还有多远？从共识到现实，中间还隔着几道坎。

具脑磐石联合创始人 &COO 刘晋宇近期在演讲中直言：" 无限制的跨本体适配，成本确实很高。上到关节，下到整机接口，异构的成本比想象中要高得多。有限的跨本体适配是可行的，但无限制适配在商业层面不现实。"

在他看来，市场上近 200 家本体厂商、近 400 款产品，让一个模型全部适配，既不现实，也没必要。

数据是一道坎。大语言模型可以靠爬取互联网文本快速长大，但机器人的 " 脑子 " 需要的是高质量的物理交互数据——每一次真实环境下的运行、每一次物理交互的数据，都得靠硬件部署才能采集。更麻烦的是，" 移动 " 数据和 " 操作 " 数据还不是一回事。整个行业都面临同样的难题：让机器人跑起来不难，让它像人一样干活，还差得远。

技术本身也有难度。跨本体泛化仍然是行业共性难题，从灵巧手的单点操作到全身运动控制，还有大量技术问题需要解决。

刘晋宇表示：" 我们也在往这个方向做努力，我们觉得还是有机会的，当然它是局部的开箱通用，还没有达到开箱即用，很难达到大家期望的那种，但我觉得这是一个努力的方向，至少我们能够看到这是一个可行的方向，它不是一个完全完全不可能实现的，但它确实要周期，这个我们也在尝试，以我们的技术能力往过推进。"

这也是行业从业者的普遍判断：挑战客观存在，但方向已经明确。2026 年的 WAIC 给出了一个清晰的信号：具身智能的竞赛，正式从比拼机器人能做几个俯卧撑的 " 体能赛 "，进入了比拼谁能让机器人持续学习、自我进化的 " 脑力赛 "。

真正的一脑多形，不会在某一天突然降临，而是在工厂、商超、家庭等不同场景中分层涌现、持续演进。最终，那些能同时建好模型、管好数据、造好本体、并在真实世界里持续跑通的玩家，才可能定义这场游戏的最终规则。