近些年，机器人行业正逐渐从单一能力的发展转向整体系统的自适应智能。对于物理人工智能而言，模型的能力只是一个起点，而能力编排、实时调度、状态管理及行为规范已成为机器人有效进入开放环境的关键因素。随着机器人在感知、认知与运动控制等方面的飞速进步，其应用范围也从传统的工厂和仓储扩展到零售和公共服务领域。然而，当机器人离开那些规则明确的环境，走向复杂多变的现实世界时，单一的感知或执行能力已无法满足大规模应用的需求。接下来的挑战在于使机器人能够根据环境与任务的变化，自主组合多种能力，并形成一个稳健、可靠、灵活的智能系统。

在2026年世界机器人大会（WRC）开发者日的主题演讲中，Arm的物理人工智能机器人技术全球负责人Federico Pecora对此进行了深入分析，探讨了物理智能如何从简单的能力集成进化到系统级的自适应，并指出这一转变对机器人计算平台所提出的新要求。

运动能力的泛化成为规模化应用的关键。从行业发展的角度来看，机器人的能力演进大致可以划分为三个阶段。首个阶段是跨对象泛化，即在相同任务流程中处理不同类型对象，而不需要为每类型对象单独进行训练或编程，这一能力已经在诸如分拣和仓储等结构化场景中得到了验证。第二阶段涉及多任务智能，即由一个统一的平台支持多种任务的执行，使得机器人能够根据需求灵活切换能力。最后一个阶段是系统级自适应，即使得终端用户或机器人自身能够根据环境的变化自动调整其能力，而无需重新开发或训练整个系统。

泛化能力的重要性在于可以降低机器人在新场景、新流程和新任务中的适配成本和复杂度，因此它被认为是机器人走向大规模应用的基础。而如何高效地计算和支撑这一泛化，成为Arm关注的重点。

我们可以通过一个日常场景来更直观地理解这个概念。设想一个用户带着类人形机器人前往超市购物并发出指令：“你推着购物车来吧，我们一起走”以及“去拿一袋10公斤的米，我去挑选蔬菜，稍后在乳制品区汇合。”这些指令对人类而言相对简单，但对机器人系统来说却意味着系列实时判断：在公共场所人流密集且环境并不总是事先建好的情况下，机器人并不一定具备“推购物车”的专门训练。为了完成这些任务，机器人需要在执行过程中不断动态调整其能力组合，而不是仅仅调用一套固定的训练模型。

目前，许多单项能力可以通过针对性训练、模型优化以及工程技巧实现。然而，更具挑战性的是使机器人能在真实世界中自主协调这些能力以完成连续任务。在购物场景中，机器人不仅需推着购物车、进行无地图导航、识别商品和搬运重物，还必须根据环境变化调整其行为与运动模式，遵循与人类的合作规范，并始终给出稳定、可靠的执行结果。

从技术演示向实际部署转变时，机器人产业竞争的核心不再仅是某个模型是否先进，而是去解决在同一系统中大量异构能力如何持续、高效地协同运行的问题。Arm将机器人规模化部署面临的系统级挑战总结为四个方面。首先，如何实现能力的整合，机器人难以依靠单一模型来完成所有任务，不同环节需要不同的模型、策略、规划器和控制器共同配合。其次，如何在不同能力之间保持持续的协作，真实世界中不同工作负载的时间要求不一，确保任务的调度与优先级清晰至关重要。第三，能力如何映射到计算资源，机器人需要依赖本地智能完成感知和路径规划，同时要构建可供多模型共享的语义地图。最后，随着自适应能力的提升，机器人安全问题已不仅限于碰撞规避，还涵盖时间、空间的行为规范与约束，这要求行为的管理与约束需要更加清晰和可执行的框架。

Arm希望能为机器人行业提供一个统一的计算基础，而当前的挑战不仅仅是技术上的，仍需关注创新重点与产业需求之间的差距，推动机器人技术向更高水平迈进。