对下一代自动导引车（AMR）和自动导引车（AGV）的展望

2025年10月，亚马逊推出了一套名为“蓝松鸦”（Blue Jay）的仓库机器人系统，称其为新一代平台，该平台将三个独立的机器人工作站整合为一个工作空间，当时该系统已能处理该公司库存商品种类的大约四分之三，并将在未来逐步成为其当日达配送站点的核心技术。 四个月后，该公司确认该项目已被叫停，一位发言人澄清称，“蓝松鸦”当初是以原型机身份推出的——这一表述在最初的公告中并未提及。其底层技术几乎全部被应用到其他项目中，因此这并非一次彻底的失败。对于任何即将签署采购订单的人来说，这反而具有更深远的启示意义。 这家运营着超过一百万台仓库机器人、拥有业内最丰富的专有数据集、并能借助数字孪生技术将开发周期从三年压缩至一年的企业，在系统未在实际仓库中运行之前，仍无法区分“能运行”的系统与“已就绪”的系统。

这种“能运行”与“准备就绪”之间的差距，正是理解下一代自主移动机器人（下文统称AMR）和自动导引车（下文统称AGV）时最关键的一点。相关工程技术正在快速进步，且进展过程有公开记录可循。 但进展更为缓慢的，是用于验证某项技术进步能否在未针对其进行专门设计的设施中稳定运行的验证机制。如果采购方将路线图视为功能上线的时间表，就会支付过高代价并错失时机；而如果将其视为证据验证的时间表，则不会出现这种情况。

当前的技术瓶颈

2026年的技术瓶颈并非源于机械层面。载重、速度、提升高度、电池续航以及在结构化空间中的导航等问题，均已得到解决，达到

商业上可接受的标准以及竞争前沿已经转向：当环境不再符合车辆的配置条件时，车辆的表现如何。关于这个问题，研究文献的看法远不如营销宣传那般乐观。

已发表的最明确证据来自《仿生智能与机器人学》（Biomimetic Intelligence and Robotics）上的一项经同行评审的研究，该研究考察了名为“Octo”的机器人基础模型——该模型宣称具备零样本泛化能力，且报告的性能优于同类最先进模型。 研究人员尝试了一次本应简单的迁移任务：他们将与模型训练场景高度相似的简单桌面任务转移到模拟环境中，在保持任务几乎不变的同时改变了观察来源。尽管作者描述任务和观察域的偏移微乎其微，但模型的性能却显著下降。 研究人员利用一种改良的注意力可视化技术深入分析模型内部，将失败归因于视觉泛化能力和语言锚定能力的局限，并得出结论：该问题不仅限于他们测试的单一模型，还延伸至更广泛的机器人基础模型类别，以及该类别的基准测试方式。

该研究中的另外两项发现与采购工作直接相关。首先，工业数据的稀缺性才是关键制约因素，而非模型架构，因为最大的公开机器人数据集主要集中在桌面和厨房任务上，而应用越接近工业现实，数据短缺的问题就越突出。 仓库操作员处理的物品组合、通道几何结构、地面状况以及人员流动模式，恰恰是模型数据最匮乏的领域。第二项发现涉及成本，且会立即对硬件产生影响：依赖深度感知或每个单元配备多个传感器的模型，会使车队中每台机器人的感知成本成倍增加，

这使得已发表的最有效方法在规模化部署时反而最不具吸引力。

安全与保障方面的因素进一步加剧了这一问题。斯坦福大学法学院于2026年7月发表的一份关于物理人工智能监管的分析指出，真正的难点并不在于单个组件的性能，而在于系统层面——即学习到的策略、传统的安全层与物理环境相互作用的层面。 该分析中的两点结论值得写入每一份规格说明书：相关联的传感器状态可能在同一时刻同时削弱学习策略及其独立的安全层，这动摇了大多数安全案例所依赖的分层保护假设。

此外，从保障角度来看，软件、布局或任务组合的任何实质性变更都构成一个需要重新验证的新系统，这意味着供应商作为卖点宣传的“空中升级”频率，同时也意味着一项需要反复进行重新验证的义务。

表 1：能力就绪门模型

方法：供应商路线图的表述中，仅使用“能够（can）”这一动词来描述四种实质上截然不同的证据状态。本模型将它们区分开来，为每种状态分配特定的故障模式，并关联相应的付款条件。 由此产生的规则是：根据供应商实际通过的最高门槛（而非其暗示的最高门槛）来定价索赔，并要求供应商以书面形式明确指出该门槛。 局限性：这些门槛是一种分析性采购规范，而非标准，且没有任何认证机构颁发门槛评级。克洛珀-皮尔逊系数适用于二项式成功度量，无法直接转换为吞吐量、正常运行时间或平均干预间隔时间，

其中每一项都需要采用相应的统计处理方法。关于泛化能力的证据主要涉及已学习策略，而该问题对策略的操纵性影响最为显著；仓库导航在很大程度上依赖于经典的“同时定位与建图”算法，其技术成熟度明显更高。第四类场景在当前市场上较为罕见，因此该模型最适合用于相对比较和价格谈判，而非作为“通过”或“不通过”的筛选标准。 截至2026年8月4日的评估结果。

这里必须保持一个区分，因为混淆这一点会产生误导。文献中记载的泛化问题涉及学习策略，且对操纵、抓取和开放式任务解读的影响最为严重。在已建模仓库中的车队导航主要基于经典的“同步定位与建图”（SLAM）技术，结合传统的路径规划，这一技术体系已经相当成熟且可靠。 瓶颈并非在于当今的机器人无法可靠地行驶，而在于在可靠行驶之外所承诺的一切功能，其验证阶段远比承诺所暗示的要早得多。

关键研发方向

当前大部分研发精力集中在三个领域，这些领域的评估应基于实际发表的研究成果，而非公告数量。首先是互操作性，这是取得最具体进展的方向。 VDA 5050 3.0.0 版（即无人驾驶运输车辆与车队管理软件之间通信的接口规范）于 2026 年 2 月获得通过，并于 3 月由德国汽车工业协会联合德国机械工程工业协会和卡尔斯鲁厄理工学院共同发布。 该标准制定机构目前将早期版本描述为既不推荐使用，也不再进行进一步开发。这项工作的规模可从以下内容中得到印证：

核心团队成员Idealworks记录了大约三年的工作成果，包括32场研讨会、25名核心参与者以及240多项被采纳的修改。 其中有两项新增内容在商业上尤为重要。该规范现已支持车辆自主规划路径并与车队经理共享，这认可了自动驾驶行为，而非将每辆车都视为中央指定路线的追随者。此外，“区域”概念允许按区域定义交通规则，而这正是实践中混合厂商车队必须遵循的管理方式。 采购方应特别留意版本号的设定：该规范中的主要版本号递增意味着存在需要重新开发才能适配的破坏性变更，因此从中长期来看互操作性将得到提升，但短期内集成工作量会增加。

第二点是车载计算，其路线图异常清晰，因为供应商已将其公开。 英伟达（NVIDIA）于2026年7月为其Jetson Thor产品线推出了两款新产品。高端模块的规格为865 FP4太浮点运算，配备32千兆字节内存，其体积和功耗约为现有顶级型号的一半；而工业版则集成了功能安全能力。 低端模块的规格为400 FP4太浮点运算，配备16 gigabytes内存，明确定位于自主移动机器人领域。时间节点是关键细节：官方宣布将于2027年第一季度正式上市。与此相关的还有两点说明。 内存价格居高不下，供应商已承认将调整配置规格，因此每美元性能的提升速度快于模块绝对成本的下降速度。此外，市场正形成非垄断的商用硅片格局——高通已于2026年1月推出针对同一细分领域的竞争性机器人平台，这最终将有助于买家在价格和第二供应商风险方面获益。

第三点是“世界模型”，即指那些

学习物理动力学的预测性表示，使机器人能够预判结果，而非仅对传感器读数做出反应。英伟达（NVIDIA）已发布了一个属于该系列的紧凑型边缘部署模型，参数规模约为40亿，将如此规模的模型集成到车辆上，堪称一项真正的工程壮举。 这也是买家应保持最高警惕的领域，因为关于泛化失败的同行评审证据完全适用于这一类系统，而能够运行在机器人上的小型模型，其吸收泛化所需多样性的能力较弱。该领域的进展是真实且尚处于初级阶段的。

人工智能与软件集成

商业层面的问题不在于人工智能是否已被融入移动机器人——因为它确实已被融入——而在于它被集成在车辆的哪个层级，以及每个层级都有哪些实证支持。通过这种方式梳理相关主张，可以更清晰地区分营销噱头与实质内容。在车队协调层，机器学习已经承担起既实用又低风险的工作。 亚马逊描述了一种车队基础模型，该模型可在不同设施间协调大量移动机器人，而这正是机器学习能够早期见效的天然领域：需要优化的决策是路径规划与任务排序，次优决策带来的后果是吞吐量而非安全问题，且运营方在管理建筑的过程中会产生海量的相关数据作为副产品。

采购方应期待从这一层级获得有意义的、渐进式的效率提升，并要求将其与部署前的基准数据进行量化对比。在感知与导航层，机器学习是对传统技术栈的增强而非替代，这正是当前正确的架构。其价值体现在处理杂乱环境、意外障碍物以及

更从容地应对人类行为，从而减少停车和人工干预的频率。

这一点是可以量化的，也应当进行量化，因为人类干预之间的平均距离或平均间隔时间，比任何关于自动化的噱头性宣称，更能准确预测实际节省的劳动力。 在任务级自动化层——即机器人解读通用指令并执行新型操作的层面——演示与可靠运行之间的差距依然巨大，上述综述的研究解释了其中的原因。这是路线图表述最为自信、实证依据却最为薄弱的层面。

这三个层级之下都存在一个评估问题，而买家通常对此一无所知，这正是本文中在谈判中最具参考价值的一点。2026年7月，英伟达（NVIDIA）发布了一份关于机器人策略评估方式的异常坦率的工程分析报告，开篇便承认，严格的评估已成为该领域最棘手的未解难题之一。 该分析指出了基准测试饱和现象——即从同一视觉数据源提取训练和评估数据的做法，这可能导致高分反映的是记忆而非泛化能力——以及二元成功评分的诊断空洞性。其最有价值的贡献在于统计学方面。应用克洛珀-皮尔逊（Clopper-Pearson）二项式置信区间精确法， 该分析表明，在70次尝试中测得的90%成功率，其95%置信区间为80.5%至95.9%，跨度达15.4个百分点；而要将置信区间收窄至约正负2个百分点的范围，则需要进行约1000次尝试。 这明确表明，大多数已发表的基准测试并未进行足够的试验次数，无法为两个系统之间进行具有统计学意义的比较提供支持。

将其应用到试点项目中。一家供应商

某项能力经过70次测试，成功63次，却报告说成功率为90%。 实际上已经证实，真实性能大致介于81%至96%之间。以仓库的作业量而言，该区间下限与上限之间的差异，意味着部署方案要么能消除一条人工生产线，要么仍需安排人员在旁待命。 其实际影响在于：试点样本量应写入合同。验收标准应明确规定试验次数、所需的置信区间，以及试验进行时的商品组合和车间条件，而不仅仅是成功率。

此时，我们不妨观察一下，两大领先的生产地区在构建解决这一问题的机制方面存在何种差异。 在欧洲，互操作性工作产出了一套通信接口。在中国，工业和信息化部成立了人形机器人与具身智能国家技术委员会，该委员会于2026年2月召开了首次会议，并发布了一套覆盖完整价值链和生命周期的标准框架，该框架由超过120家研究机构、 企业及用户共同制定，涵盖包括模型训练、推理和部署在内的端到端流程，涉及六个领域，并包含首批52项标准及配套的具身智能评估基准。该框架针对的是类人机器人和具身系统，而非仓库车辆，因此绝不能将其解读为AMR或AGV标准。 尽管如此，这一结构性观察仍值得关注：某管辖区已开始针对“学习型自主性”这一类别构建符合性与评估基础设施，而需要对学习型行为进行认证的采购方最终可能会发现，各地区的评估工具成熟度存在不均衡现象。这是从以下两点得出的推论：

这些文件本身，而非其中任何一份文件所提出的声明。

成本削减轨迹

零部件成本正在下降，人们很容易据此推断车辆价格也会按相同比例下降。但这一推论经不起实际部署成本结构的检验，在制定未来三年的预算之前，有必要先了解其中的原因。让我们从确凿的事实出发。 彭博新能源财经（BloombergNEF）的年度电池价格调查显示，按加权平均计算，电池组平均价格为每千瓦时108美元，其中磷酸铁锂电池组为81美元；国际能源署（IEA）的数据显示，2025年整体电池价格将下降约8%，而磷酸铁锂电池价格的降幅将更大。 这两份报告均指出价格将持续下跌。此外，两份报告还记录了区域价格差异，这对买方的预算而言比全球均价更为重要：中国电池组价格约为每千瓦时84美元，而北美价格高出约44%，欧洲价格高出约56%。 全球投入成本的下降对不同买家的影响并不均衡。

感知传感器显示，其价格跌幅在所有原材料中最为显著。 《IEEE Spectrum》的报道追踪显示，机械式激光雷达的单价从2016至2017年的80至10万美元，降至如今的1万至2万美元，供应商目前正致力于开发单价低于500美元、甚至在某些情况下低于200美元的固态激光雷达单元。 这里存在一个工程上的问题，买家应予以考虑而非忽视。固态激光雷达的视场角通常为180度或更小，因此要达到单个旋转式激光雷达提供的覆盖范围，可能需要三到四个固态激光雷达，这会抵消部分单价节省的成本。同一报道还指出，目前仍然没有

激光雷达性能的通用安全评估指标，因此价格更低并不一定意味着足以满足安全功能的要求。

计算领域则呈现出另一种趋势。每美元的性能正随着每一代产品的更新而大幅提升，而模块的绝对成本却相对稳定；此外，当前内存价格居高不下，以至于供应商自己也承认，为此已开始出货配置较低的部件。 采购方应期待在相似的物料清单成本下获得更强的性能，而非在大幅降低成本的情况下维持相同性能。现在，关键在于如何权衡这些下降的投入与那些未随成本下降的环节。

机械结构和传动系统受工业金属及精密零部件成本的影响，这些成本按实际价值计算基本持平，且本土化进程仍在推进中： 中国自身的规划文件指出，目标是在当前五年期内将机器人机架所用高端结构钢的国产化率从约30%提升至70%以上，这表明该投入要素尚未完全商品化。 软件和机队管理许可费用完全没有呈现价格下降趋势，且向互操作性规范新主要版本的迁移增加了短期内的集成工作量，因为该规范的主要版本升级通常会带来破坏性变更。 集成、调试和安全验证需要人力和工程时间，受工资通胀影响；而前文讨论的保证分析表明，随着系统日益软件定义化，且在发生重大变更后需要重新验证，这一成本项目将呈增长而非缩减趋势。

表2：组件成本转嫁测试

注：下表将机器人部署成本按类别列出，旨在记录趋势和证据质量，而非混杂各种假设。尽管硬件价格正在下降，但总体部署成本的降幅缓慢，在劳动力市场紧张的情况下甚至可能持平。采购方应分别就硬件和集成进行谈判。 目前尚无经审计的成本明细；部分趋势基于合理推断，而非确切的定价数据。本工具旨在提供方向性参考，而非报价模型，切勿将其视为对任何特定供应商定价的预测。除非另有说明，文中所有金额均以美元计价。评估截至2026年8月4日。

由此得出的算术结论是，买方应明确将这一差异纳入规划。在三年内，硬件单价可能显著下降，而每台部署机器人的交付成本降幅却要小得多，这是因为随着通缩部分的缩减，非通缩部分在总成本中的占比会相应增加。 在劳动力紧缺的市场中，即使机器人本身价格下降，交付总成本也可能基本保持不变。这对预算编制的启示是：应分别就硬件和集成进行谈判；将任何将两者捆绑的供应商报价视为掩盖了实际影响总成本的趋势；并对任何仅基于组件价格下跌而未考虑调试成本的预计节省持怀疑态度。

时间线里程碑

前瞻性陈述是路线图文件造成最大误导的地方，因为附带日期的功能描述往往会被解读为交付承诺，而实际上通常只是开发目标。因此，下文框架中列出的各阶段内容并非承诺，而是买方到那时应合理期待的证明程度，具体依据为

附表中阐述的“四阶段模型”。任何尚未达到“验证阶段”的内容，均应视为未来能力的选项，而非技术规范。在2026年剩余时间内，具体的变化将体现在标准和规范工作上，而非产品能力。 互操作性规范的 3.0.0 版已发布并为最新版本，这意味着从现在开始的集成项目应以此版本为依据进行规范制定，而运行早期版本的车队则面临一项涉及实际工程内容的迁移决策。 预计各供应商的合规程度将处于不同阶段，且该差距将成为合理的选型标准。目前已发布的信息均不支持在此期间对可靠通用任务自主性的预期。

到2027年，计算代际将完成更新。上述移动机器人级模块预计将于第一季度全面上市，而集成该模块的车辆设计将遵循平台集成、验证和安全评估的常规滞后周期，而非立即面世。 现实的预期是：2027年期间发布的新平台将具备显著更强的车载推理能力；该能力将首先用于实现更稳健的感知能力以及更好地处理杂乱环境和人流；而买家会将其视为减少人工干预而非新增任务类别。 安全路径中的学习型组件仍将是难点，而新计算机工业版本中集成的功能安全能力值得关注，因为这关系到学习型行为能否被纳入可认证的架构之中。

在2028年之前，可行的门槛并非新能力，而是新型证据。目前正在兴起的评估工作——包括采用分级评分的按能力分解的基准测试、轨迹质量测量以及故障模式记录——正是实现这一目标的前提条件。

为了实现“基于知识的自主性”，需要从基准化阶段过渡到经过验证、最终可保证的阶段。如果该工具成熟并被采购方作为采购要求采纳，那么在本十年后半段，供应商之间的竞争可能将转向基于统计上站得住脚的性能声明，而非仅靠演示。这对采购方而言，将比任何单一产品代的更新都更具深远影响。 这同样是有条件的，且应当明确指出其条件性。

关于路线图主张应向供应商提出的问题

· 对于贵公司路线图上的每一项能力，它目前处于哪个阶段：演示阶段、基准测试阶段还是验证阶段

· 对于贵方引用的任何性能百分比，该数据是在多少次试验中得出的，其置信度是多少

· 这些测试是在何种商品组合、地面状况和人流量水平下进行的

· 该车辆目前符合哪个版本的互操作性规范

· 车辆上的哪些功能属于学习型功能，哪些属于传统功能，哪些属于安全路径中的功能

· 当软件更新导致行为变化时，什么会触发重新验证，费用由谁承担

· 模型供应商、车辆制造商和系统集成商是否为不同主体

· 对于系统无法处理的剩余项目或任务，将如何处理

采购论点

下一代移动机器人将真正实现性能提升，而这些改进大多体现在市场看来并不耀眼、但对实际运营却极具价值的地方：减少停顿次数、在人群中表现更佳、车队管理更便捷

混合技术，每辆车拥有更强的推理能力。在路线图演示中占据主导地位的改进——即能够理解用户需求并自主解决问题的机器人——虽然是真实的研究且取得了切实进展，但尚无可靠的商业验证；而已发表的证据恰恰解释了为何难以获得这种验证，而非仅仅是因为进展缓慢。

对于买家而言，战略性结论是：决策时机应取决于证据的成熟度，而非产品周期。等待新一代计算架构几乎没有任何优势，因为其带来的益处对买家而言仅体现在可靠性的渐进提升上。 根据当前的互操作性版本制定规格、在商业层面将硬件与集成分离，并编写明确规定试验次数和置信区间的验收标准（而非仅采用简单的成功率），这样做具有显著优势。亚马逊的经验既是一个值得警惕的参考点，同时也是一个令人放心的参考点。 该公司在资源、数据和工程速度方面拥有所有优势，却仍需通过在实际运行的建筑中部署系统，才发现“可运行系统”与“就绪系统”之间的差异。如果买家将这一发现纳入合同条款，而非留待事后分析，就能以合理的条款购入下一代产品。

 

免责声明

本文由RobotAIGeek发布，仅供信息参考和教育之用。本文不构成投资建议、采购建议，亦不构成对任何产品、服务或证券的买入、卖出或指定建议。 关于产品可用性、能力阈值及成本走势的前瞻性陈述，均基于已公布证据得出的分析预测，并非任何供应商的承诺，实际结果

可能存在重大差异。所列数据均按引用的来源所公布的内容，以该来源使用的货币和单位表示，且未经独立审计。所引用的标准均以信息截止日当天的最新版本为准。 读者在作出采购或投资决策前，应自行进行尽职调查并寻求独立的专业建议。信息截止日期：2026年8月4日。