机器人为什么能“听懂、想明白、动起来”？

前言

一台机器人，真正难的从来不是“动起来”，而是让它知道什么时候动、往哪里动、怎么动，以及动完之后发生了什么。

比如，人对机器人说：

“帮我把桌上的水杯拿过来。”

看起来只是一句话，但对于机器人而言，它并不是“AI发现杯子 → 手伸过去 → 抓起来”，这句话背后至少包含了一整条复杂的闭环链路：

理解用户意图 → 获取环境信息 → 找到水杯 → 判断水杯位置 → 规划移动路线 → 规划机械臂运动 → 控制关节 → 驱动电机 → 完成抓取 → 感知抓取结果 → 判断是否成功 → 返回用户身边 → 完成任务。

而更接近：

摄像头发现杯子 → 视觉系统估计杯子位置 → 系统判断杯子是否可抓取 → 规划机械臂路径 → 控制关节运动 → 手靠近杯子 → 力/触觉/视觉反馈 → 判断是否接触 → 调整夹爪 → 判断是否抓稳 → 抬起 → 再次确认杯子没有掉落。

这意味着：

机器人不是“一个AI模型 + 一堆电机”，而是一套从意图到行动、从感知到反馈的完整系统。

为了从产品和系统工程的角度理解机器人，本文将机器人抽象为五个功能层级：

交互层 ↓ 智能与系统层 ↓ 实时控制层 ↓ 感知与执行层 ↓ 机械本体层

需要特别说明的是，这不是 ISO、ROS 或某个机器人行业组织规定的“官方五层标准架构”，而是一种面向产品分析、系统工程和产业研究的功能性分层方法。

真实机器人中，这些层之间并不存在绝对的物理边界，很多模块会跨层协同，但如果想真正理解机器人产业，这样的分层非常有价值。因为它解决了一个核心问题：

机器人产业到底在卖什么？

有人卖模型，有人卖控制器，有人卖减速器，有人卖电机，有人卖摄像头，有人卖机器人本体。这些东西看起来完全不同，但放进这五层之后，就可以看到它们究竟处在机器人系统的哪个位置，以及它们最终如何共同形成机器人的能力。

---

第一层：交互层-机器人如何“听懂你要什么”

1. 交互层是什么？

交互层是机器人与人、外部设备以及其他软件系统之间的接口，它负责两个方向：

输入：你希望机器人做什么。

输出：机器人正在做什么、做得怎么样、最终有没有完成。

过去机器人主要交互通过：

• 按钮
• 遥控器
• 示教器
• 控制面板
• 编程接口
• App

随着大模型、视觉语言模型和 Agent 技术的发展，机器人交互正在发生一个重要变化：从“人操作机器人”，逐渐转向“人告诉机器人目标”。

过去可能需要选择动作 → 设置参数 → 设置路径 → 执行，未来可能只需要“把桌上的水杯拿到厨房”。但这不是简单地把语音识别接到机器人上，它真正困难的是如何把人的自然语言意图，转化成机器人可以执行的任务。

2. “听懂”其实远比语音识别复杂

例如用户说：“把那个杯子拿过来。”

机器人真正需要解决的问题是：

第一，什么是“那个”？

需要结合：

• 视觉
• 语言
• 空间关系
• 上下文

确定用户指的是哪个物体。

第二，“拿”是什么意思？

需要将语言映射为机器人任务：

寻找目标 → 接近目标 → 抓取目标

第三，什么叫“过来”？

• 拿到用户身边？
• 放到桌面？
• 放到机器人当前位置？
• 放到用户手里？

这实际上已经涉及任务规划，所以未来机器人交互真正的竞争是，谁能够更稳定地把自然语言转化为可执行任务。

3.交互层真正的产品难点

不是理解，而是消除歧义，这是机器人产品非常重要的一个问题。

人类交流可以容忍大量模糊，例如“把那个东西拿过来”。人类通常会根据上下文判断，机器人则必须面对：

• 哪个东西？
• 从哪里拿？
• 拿到哪里？
• 能不能拿？
• 有没有障碍物？
• 需要什么抓取方式？
• 用户有没有权限让它执行？

因此，一个成熟的机器人交互系统不能只追求理解率，还需要考虑任务成功率，这两者完全不同。一个机器人可能能够正确理解“帮我拿水”，但是最后把矿泉水拿来了，而用户真正想要的是桌上的玻璃杯。

从产品角度看语言理解正确 ≠ 任务完成正确，因此交互层最终需要完成的是自然语言 → 用户意图 → 任务目标 → 可执行任务

4.交互层还承担一个经常被忽视的功能：失败反馈

机器人不可能永远成功。

所以真正成熟的交互系统，不应该只设计成功以后怎么说，还必须设计失败以后怎么办。

例如机器人没有找到水杯，低水平的系统可能直接“任务失败”，而更好的交互应该告诉用户“我没有在桌面上找到水杯，我在厨房看到一个相似的杯子，需要过去确认吗？”

这里发生了一个重要变化，机器人不再只是执行机器，而开始成为一个能够与人共同解决问题的系统，这也是未来 Agent 化机器人的重要方向。

第二层：智能与系统层——机器人如何“想明白”

如果说交互层负责你想让我做什么？那么智能与系统层负责我应该怎么做？

这一层是整个机器人的软件与智能中枢，它可能包括：

• 感知算法
• 状态估计
• 定位与建图
• 目标识别
• 场景理解
• 任务规划
• 行为决策
• 路径规划
• 运动规划
• 任务调度
• 机器人技能
• AI 模型
• 系统状态管理
• 故障处理

这里尤其需要澄清一个概念：

ROS / ROS 2 不等于机器人系统本身。

ROS 2 更准确地说，是机器人软件系统的重要通信与组织基础设施。

ROS 2 的核心概念包括节点、消息、Topics、Services、Actions 等，用于让不同软件模块之间进行通信和协作。官方文档也明确将 ROS 2 描述为基于消息通信的 middleware，并以 ROS graph 组织节点及其连接。

因此，更准确的理解应该是：

机器人智能与系统层 = 算法 + 软件模块 + 任务系统 + ROS/ROS 2 + 中间件 + 数据流 + 状态管理

而不是：

系统层 = ROS

为什么机器人需要“系统层”？

因为机器人不是运行一个模型就可以工作。

假设机器人拥有：

• 一个视觉模型
• 一个语言模型
• 一个导航算法
• 一个抓取算法
• 一个运动控制器

如果这些模块互相不知道对方在干什么，机器人依然无法完成任务，比如：

• 视觉系统说：“我看到杯子了。”
• 导航系统说：“我已经到桌子旁边。”
• 抓取系统说：“我准备抓。”
• 但是控制系统并不知道：“现在到底应该执行哪个动作？”

这就需要一个系统层负责：协调。

机器人系统层的核心：任务分解与模块调度

例如用户说：“把桌上的水杯拿到厨房。”

系统层可能将它拆解成：

Step 1：理解任务

目标：把水杯从当前位置移动到厨房指定位置。

Step 2：寻找目标

调用视觉系统：寻找水杯。

Step 3：环境定位

确定：

• 机器人在哪里
• 桌子在哪里
• 水杯在哪里
• 厨房在哪里
• 路径是否可通行

Step 4：移动

调用导航能力：移动到桌子附近。

Step 5：抓取

调用机械臂技能：接近 → 对准 → 抓取 → 确认。

Step 6：运输

机器人携带水杯移动到厨房。

Step 7：放置

确定放置位置。

Step 8：验证

检查：

• 杯子是否已经放下
• 是否掉落
• 是否完成任务

最后返回：“任务完成。”

这就是系统层真正的价值。

未来机器人的软件架构，很可能越来越像 Agent 系统

一个值得关注的趋势，传统机器人更像：

指令 → 固定程序 → 执行动作

而未来机器人越来越可能变成：

目标 → 规划 → 调用技能 → 获取反馈 → 再规划

例如：

LLM / VLM → Task Planner → Robot Skill → Motion Planner → Controller → Actuator

这里有一个非常重要的工程原则：大模型负责“不确定的智能问题”，底层控制系统负责“确定性的执行问题”。

不能简单地让一个大模型直接控制电机。

因为语言模型擅长：

• 理解
• 推理
• 规划
• 工具调用

而电机控制需要：

• 高频
• 低延迟
• 强确定性
• 可验证
• 可约束
• 可实时响应

两者的工程属性完全不同。

所以未来机器人很可能不是AI 替代机器人原来的控制系统。而是AI 位于更高层，重新定义机器人如何使用底层能力。

ROS 这样的系统中间件为什么重要？

机器人是典型的复杂多模块系统。

一个机器人可能同时运行：

• 摄像头节点
• IMU 节点
• 雷达节点
• SLAM
• 感知
• 定位
• 导航
• 规划
• 控制
• 状态监控

这些模块需要持续交换数据。

ROS 2 中：

Topic

适合连续数据，例如：

• 传感器数据
• 机器人状态

Service

适合短时的请求/响应。

Action

适合持续时间较长、需要反馈、甚至可以取消的机器人任务。官方文档将 Action 定义为适用于长时间运行任务，并支持反馈与取消。

例如“移动到厨房”，就更适合被理解成一个持续执行的 Action，而不是一个瞬间完成的普通请求。这其实反映出一个非常重要的机器人产品思想：

机器人不是调用一个 API 就结束，而是在一个动态环境中持续执行任务。

第三层：实时控制层——机器人如何“真正动起来”

如果说智能与系统层负责“我要去哪里？”

那么实时控制层负责“我的电机现在应该怎么动？”

这一层是很多非机器人背景的人最容易忽略的，因为我们看到机器人抬起手，只看到手臂动了。但真正发生的是：

任务目标 → 运动轨迹 → 关节目标位置/速度/力矩 → 控制算法 → 驱动器 → 电机 → 减速机构 → 关节 → 机械臂

同时：

编码器 / 力矩传感器 → 反馈 → 控制器 → 修正动作

这就是一个典型的闭环控制过程。

为什么必须把“实时控制”单独拿出来？

因为机器人上层软件和底层控制面对的是完全不同的时间尺度。

例如，一个大模型可能几百毫秒甚至更长时间才产生一次决策，一个任务规划器可能几十毫秒更新一次。

但是电机控制可能需要：1 ms 甚至更短的控制周期。

如果机器人每隔几百毫秒才告诉电机“你现在动一点“，那么机器人根本不可能稳定行走。

即机器人智能的时间尺度，与机器人控制的时间尺度，是完全不同的。

这也是为什么：AI ≠ 控制系统。

实时控制层解决的核心问题是什么？

1. 实时性

指令必须在规定时间内执行。

2. 确定性

相同条件下，系统需要尽可能稳定地产生预期响应。

3. 低延迟

从目标 → 控制 → 电机响应，整个链路必须足够快。

4. 低抖动

不仅要求快，还要求时间稳定。

5. 可靠通信

例如：

• CAN / CAN FD
• EtherCAT
• RS485
• UART
• SPI
• I²C

不同通信方式承担不同任务。

6. 故障处理

例如：

• 编码器异常
• 电机过流
• 温度过高
• 通信中断
• 电压异常
• 位置异常

控制系统需要能够及时进入安全状态。

实时控制层真正决定的，不只是“能不能动”

机器人能够运动，并不意味着它是一个好的机器人。

例如机械臂可以移动到某个位置，但如果存在：

• 抖动
• 超调
• 响应慢
• 定位误差大
• 力控制不稳定
• 不同负载表现差异巨大

那么它仍然无法完成高质量任务，所以控制系统最终影响的是：

机器人动作的稳定性、精度、响应速度和安全性。

对于人形机器人来说，这一点尤其重要。因为人形机器人面对的是：动态平衡 + 多关节耦合 + 接触变化 + 外部扰动 + 复杂环境。

机器人不是简单地“把每个关节控制好”，而是让几十个关节在动态过程中协同工作。

第四层：感知与执行层——机器人如何“看见世界”和“作用于世界”

这一层是机器人真正与现实世界接触的地方，它可以进一步分成两部分：感知、执行

1. 感知：机器人如何知道世界发生了什么？

机器人没有人类的眼睛和皮肤，所以需要各种传感器。

例如：

视觉

• RGB Camera
• Stereo Camera
• Depth Camera
• ToF
• Fisheye Camera

解决：我看到了什么？

空间感知

• LiDAR
• 深度传感器

解决：东西在哪里？

姿态感知

• IMU

解决：我现在是什么姿态？

关节状态

• Encoder

解决：我的关节现在在哪里？

力觉

• Torque Sensor
• Force Sensor

解决：我受到多大的力？

触觉

• Tactile Sensor
• Pressure Sensor

解决：我是否接触到了东西？

感知真正困难的地方：传感器看到的不等于机器人理解的

例如摄像头拍到一张桌子。

对于人类来说：“那里有一个杯子”，非常自然。

但对于机器人来说，需要经过：

图像 → 目标检测 → 目标识别 → 深度估计 → 空间坐标转换 → 目标位置估计 → 可抓取区域判断 → 生成抓取姿态

最终才变成：“这个杯子可以抓。”

所以：传感器只是数据入口，真正有价值的是从原始数据中形成可用于决策的状态信息。

这也是为什么未来机器人产业的竞争不会只是谁的摄像头参数高。是谁能够把多模态感知数据真正转化为可靠的机器人状态。

执行系统：机器人如何把“想法”变成物理动作？

感知解决：我知道世界发生了什么。

执行系统解决：我能够改变世界什么。

典型执行部件包括：

• 电机
• 伺服系统
• 关节模组
• 减速器
• 线性执行器
• 灵巧手
• 末端执行器

对于人形机器人而言，一个完整关节通常不是简单的电机。而可能是：电机 + 减速机构 + 编码器 + 驱动器 + 力矩/电流控制 + 结构件

共同形成一个完整的执行单元，这也是为什么机器人产业链会出现大量高度专业化的供应商。

机器人产业为什么会出现大量“关节模组”公司？

因为行业正在逐渐从买零件 → 自己集成，向买标准化模块 → 快速集成演化。

如果一家机器人公司自己设计：

• 电机
• 驱动器
• 编码器
• 减速器
• 控制算法
• 结构件
• 通信接口

研发周期会非常长。

而如果能够获得标准化关节模组：电机 + 减速器 + 编码器 + 驱动器 + 控制

机器人公司就可以更加关注：

• 整机
• 软件
• 算法
• 任务
• 产品应用

这其实是机器人产业模块化的重要方向。

第五层：机械本体层——机器人最终“长什么样”

最底层是机械本体。

包括：

• 机身
• 连杆
• 关节
• 轴承
• 壳体
• 足部
• 手臂
• 腰部
• 躯干
• 机械传动结构
• 结构连接件

这一层决定的是机器人最终拥有怎样的物理能力，例如一个机械臂到底能不能：

• 举起 10kg
• 伸到 1.5m
• 高速运动
• 保持精度
• 长时间工作

最终都离不开机械本体。

机器人机械设计本质上是一场多目标优化

机器人机械结构没有所谓绝对最优，因为永远存在矛盾。

更轻

意味着：

• 能耗可能降低
• 运动速度可能提高

但可能牺牲：

• 刚度
• 强度
• 抗冲击能力

更强

意味着：

• 承载能力提高

但可能：

• 更重
• 成本更高
• 对电机要求更高

更快

意味着：

• 更高动态性能

但同时：

• 控制难度提高
• 能耗增加
• 热管理压力增加
• 安全风险增加

更多自由度

意味着：

• 动作更加灵活

但同时：

• 电机更多
• 控制复杂度更高
• 成本更高
• 故障点更多
• 能耗更高

所以机器人本体设计实际上是在优化：

重量、刚度、强度、速度、负载、能耗、成本、可靠性、自由度

之间的关系。

为什么“机械结构”会反过来限制 AI？

这是理解机器人产业非常重要的一点。

假设 AI 已经能够规划一个非常复杂的动作，但是机器人：

• 关节转不到
• 手臂够不到
• 电机扭矩不够
• 结构承受不了
• 机械臂惯量太大
• 电池供电不足

那么这个动作仍然无法执行，所以：

AI 能力的上限，并不等于机器人能力的上限。

机器人最终能够完成什么任务，是由：

智能 × 控制 × 感知 × 执行 × 机械

共同决定的。

五层真正重要的地方：它们不是五个孤立模块

到这里，如果把机器人理解成：

1. 交互层 2. 智能与系统层 3. 实时控制层 4. 感知与执行层 5. 机械本体层

仍然是不够的。

因为真正的机器人不是瀑布模型，它是一个闭环系统。

例如：

用户 → 交互 → 任务理解 → 规划 → 控制 → 执行 → 感知 → 反馈 → 重新规划 → 再次执行

因此更准确的表达应该是：

五层架构 + 一个贯穿全系统的反馈闭环。

从“拿水杯”看完整机器人系统

假设机器人接到任务：“把桌上的水杯拿给我。”

整个过程可以拆成：

第一阶段：交互

用户说话，机器人完成：

语音 → 文本 → 意图 → 任务

第二阶段：智能与系统

机器人理解：

目标 = 水杯 起点 = 桌面 终点 = 用户位置

然后调用：

• 视觉
• 定位
• 导航
• 运动规划
• 抓取技能

第三阶段：实时控制

系统产生：

关节 1 → 目标位置 关节 2 → 目标位置 关节 3 → 目标位置

实时控制器开始执行。

第四阶段：感知与执行

摄像头持续观察。

编码器反馈关节状态。

力传感器检测接触。

电机驱动关节运动。

第五阶段：机械本体

最终真正发生物理运动：

电机 → 减速器 → 关节 → 连杆 → 手臂 → 手 → 水杯

然后最关键的一步来了：

机器人再次感知。

如果发现：水杯没有抓稳。

系统就不能继续按照原来的计划走。

它应该：停止/调整 → 重新规划 → 再次抓取。

这就是机器人与传统自动化设备的重要区别之一：

机器人需要面对不确定的现实世界。

真正决定机器人产品水平的，是“异常情况”

这是我认为机器人行业非常值得关注的一个问题。

很多机器人 Demo 看起来非常惊艳，因为 Demo 往往只展示：Happy Path。

也就是：条件准备好 → 机器人执行 → 成功。

但真正的产品必须面对：

• 杯子被挡住
• 杯子换位置
• 光线发生变化
• 人突然走过来
• 路被堵住
• 抓取失败
• 电量不足
• 传感器异常
• 网络中断
• 用户突然修改任务
• AI 理解错误
• 执行时间超时

这时候真正决定产品能力的不是：“机器人能不能完成任务。”

而是：“机器人失败之后能不能正确处理。”

因此机器人产品经理真正应该关注什么？

不能只问：“这个功能有没有？”

而应该问：

1. 成功率是多少？

例如：100 次任务中成功多少次？

2. 平均完成时间是多少？

不仅要成功，还要：稳定、快速地成功。

3. 异常恢复率是多少？

失败之后：能否自动恢复？

4. 人工接管率是多少？

如果每执行 10 次就需要人帮一次，那么它可能还没有真正实现自动化。

5. 长时间稳定性怎么样？

Demo 成功一次没有意义。

真正的产品要看8 小时、24 小时、数天、数周的稳定性。

机器人产业真正的竞争，可能正在从“单点性能”走向“系统能力”

早期机器人竞争可能是：

• 电机谁更强？
• 减速器谁更好？
• 摄像头谁更清晰？
• GPU 谁更强？

但随着产业成熟，竞争可能越来越集中在：

谁能把这些东西组合成一个真正可用的机器人。

因为机器人是一个系统工程，一个企业即使拥有非常强的：

• AI
• 电机
• 减速器
• 摄像头

如果系统集成能力不足，最终仍然可能做不出优秀的机器人产品。因此，机器人公司的核心能力可以进一步拆成：

- 零部件能力 - 系统集成能力 - 算法能力 - 控制能力 - 产品能力 - 场景能力

从产业链角度看，这五层也提供了一张非常清晰的地图

这张表对于研究机器人产业链非常有价值。

因为它可以帮助我们回答一家机器人公司到底在产业链的哪一个位置？

产业链并不是严格的“五层供应链”

这里也必须避免一个误区。

例如：减速器，既可以被看成执行系统的一部分，也可能深度参与机械本体设计。

AI 芯片，既服务于感知，也服务于规划、模型推理。

控制器，既属于实时控制，又与上层系统软件存在紧密关系。

所以这五层不是“把所有机器人零件硬塞进五个盒子”，而是用功能视角理解机器人系统。

实际产业中会存在大量跨层协同，这恰恰也是机器人产业复杂的原因。

为什么人形机器人尤其需要这种系统化思维？

因为人形机器人不是传统意义上的单一工业机械臂。

它需要同时解决：

视觉、语言、空间理解、双足运动、全身协调、动态平衡、抓取、人机交互、任务规划、实时控制、能源管理

这意味着：人形机器人实际上正在成为 AI、机械、电子、电机、控制、软件、材料、能源等多个产业的交叉点，所以研究人形机器人，不能只盯着某一个零部件。

更应该问整个系统的能力是如何形成的？

未来最大的变化可能发生在“交互层 → 智能与系统层”

传统机器人是人告诉机器“具体怎么做”。

未来机器人是人告诉机器“我要什么”。

这两个产品范式完全不同，例如传统方式：

向前走 2 米 左转 90° 伸手 抓取 后退 放置

未来可能变成：“把桌面整理干净。”

这时候机器人必须自己完成：目标理解 → 任务拆解 → 环境探索 → 物体识别 → 行为规划 → 调用技能 → 执行 → 验证 → 重新规划。

这也是为什么：Agent 可能成为下一阶段机器人软件架构的重要组成部分。

但 Agent 越强，并不意味着底层控制越不重要，这是一个非常容易产生误解的地方。很多人会认为：以后有了大模型，机器人控制就不重要了。

实际上可能恰恰相反，AI 越强，机器人需要执行的任务越复杂。任务越复杂对底层控制、感知和执行能力的要求越高。

一个机器人如果只能固定动作，它不需要很强的智能，但如果它要理解任何家庭环境中的任务，那么它面对的就是大量不可预测情况。因此未来机器人更可能形成这样的结构：

上层：越来越智能 中层：越来越模块化 底层：越来越实时、可靠、确定 物理层：越来越轻、强、精密

也就是：

上层负责泛化，下层负责确定性。

这也是机器人和纯软件 AI 最大的区别之一，纯软件 AI 的错误，很多时候只是：输出错了一句话。

机器人 AI 的错误可能是：

手伸错方向。 机器人走错位置。 抓取力度过大。 撞到人。 物体掉落。 机器人摔倒。

所以机器人系统必须在 AI 之外增加大量：

• 安全边界
• 权限控制
• 状态机
• 限位
• 碰撞检测
• 故障处理
• 急停
• 冗余
• 安全策略

这意味着机器人不能完全依赖概率性的智能。最终一定需要：

概率性的 AI 确定性的控制 可验证的安全机制

共同构成系统。

从产品经理角度，真正应该画的不是“五层架构图”，而是“能力闭环”

如果你要研究一家机器人公司，我认为比单纯问：“它用了什么电机？”

更加重要的是问：它能不能完成任务？

然后进一步拆：

任务 → 交互 → 理解 → 感知 → 规划 → 控制 → 执行 → 反馈 → 异常恢复 → 任务完成

这条链路才是真正的：机器人产品能力链。

机器人产品最终应该用什么指标衡量？

如果从产品经理视角来看，可以建立一套比“参数表”更有意义的指标体系。

第一类：智能能力

• 任务理解成功率
• 目标识别准确率
• 多轮交互成功率
• 复杂任务拆解能力
• 泛化能力

第二类：执行能力

• 任务成功率
• 定位精度
• 抓取成功率
• 动作完成时间
• 路径规划效率

第三类：系统能力

• 系统稳定性
• 模块通信可靠性
• 延迟
• 故障恢复时间
• 长时间运行稳定性

第四类：硬件能力

• 负载
• 运动速度
• 精度
• 功耗
• 散热
• 寿命

第五类：产品能力

• 用户学习成本
• 人工接管率
• 异常恢复率
• 使用频率
• 单任务成本
• 全生命周期成本

最终可以形成一个非常重要的判断：

真正好的机器人，不是某一项参数最高，而是能够以可接受的成本，把完整任务稳定地交付给用户。

机器人行业未来可能出现的一个重要变化：从“卖机器人”到“卖能力”

过去机器人公司卖的是：一台机器人。

未来可能逐渐变成：一套机器人能力。

例如，用户真正需要的可能不是一台拥有 40 个自由度的人形机器人，而是每天帮我整理仓库。或者每天完成酒店客房配送，完成工厂物料搬运。

于是产品的核心指标就会从：机器人参数转向任务完成能力。

这意味着机器人企业未来需要越来越关注：

• 场景
• 工作流
• 任务
• Agent
• 软件
• 数据
• 持续学习
• 运维

而不仅仅是：

• 电机
• 减速器
• 关节
• 外壳

最终重新理解这五层，如果把整篇文章压缩成五句话：

第一层：交互层

解决“人想让机器人做什么”。

第二层：智能与系统层

解决“机器人应该怎么做”。

第三层：实时控制层

解决“机器人应该如何精确、实时、安全地执行”。

第四层：感知与执行层

解决“机器人如何感知世界，以及如何对世界施加作用”。

第五层：机械本体层

解决“机器人最终具备怎样的物理能力”。

而真正让这五层成为机器人的，是中间那条不断循环的反馈链：

感知 → 理解 → 决策 → 规划 → 控制 → 执行 → 反馈 → 再规划

真正理解机器人，不能只看“零部件”

如果只看零部件，机器人就是：电机 + 减速器 + 摄像头 + 控制器 + 电池 + 结构件。

如果从系统角度看，机器人是：感知 + 智能 + 控制 + 执行 + 反馈。

如果从产品角度看，机器人是：用户目标 → 任务 → 能力 → 执行 → 结果。

如果从产业角度看，机器人则是：AI + 软件 + 芯片 + 控制 + 传感器 + 电机 + 精密机械 + 材料 + 制造 + 场景

共同形成的一套复杂产业系统，即机器人行业真正值得研究的问题，并不是：“哪个零部件最重要？”

而是：“哪些能力正在成为机器人的瓶颈？”

今天可能是：执行器成本。 明天可能是：数据。 后天可能是：具身智能模型。 再往后可能是：任务泛化、可靠性、安全性和规模化部署。

而产业的价值，也往往会沿着这些瓶颈重新分配。

结语

机器人最终不是“会动的机器”，而是一个能够完成任务的系统

理解机器人，最容易陷入一个误区，看见什么，就研究什么。

• 看见电机，就研究电机。
• 看见减速器，就研究减速器。
• 看见大模型，就研究大模型。
• 看见人形机器人，就研究外形和自由度。

但真正理解机器人，需要把这些东西重新连接起来。

一台机器人真正完成一个任务，需要经历：

• 交互层：听懂目标
• 智能与系统层：理解环境并制定方案
• 实时控制层：把方案转化为精确控制
• 感知与执行层：感知世界并产生动作
• 机械本体层：把控制信号最终变成物理运动
• 再通过传感器把结果反馈回来

于是形成感知 → 理解 → 决策 → 控制 → 执行 → 反馈，这个闭环不断运行，这可能才是理解机器人最重要的一个视角：机器人不是一个零部件集合，而是一套把“人的意图”转化成“物理世界结果”的复杂系统。

而未来机器人产业真正的竞争，也很可能不再只是谁拥有更强的单点技术，而是谁能够把五层系统真正连接起来，并让机器人以更低的成本、更高的可靠性和更强的泛化能力，持续完成真实世界中的任务。

这也意味着，研究机器人产业时，最值得关注的不是某一个零部件的参数，而是：

哪一层正在成为瓶颈？ 哪一层正在发生技术范式变化？ 哪一层正在产生新的平台型机会？

以及最重要的问题：

当机器人从“执行动作”走向“自主完成任务”，整个产业链的价值会如何重新分配？

这或许才是下一阶段机器人产业最值得研究的问题。