2026年港股具身智能技术路线研究：10家企业案例分析

摘要

2026年，具身智能正在从实验室研究逐步进入工业制造、物流、商业服务和家庭等实际应用场景。与传统机器人主要依赖预设程序和固定任务不同，具身智能强调人工智能模型与机器人本体、感知系统、运动控制及真实环境之间的协同，使机器人具备更强的环境理解、任务规划和自主执行能力。

从产业链来看，具身智能并不存在单一技术路线。部分企业从大模型和人工智能能力切入机器人领域，部分企业重点发展人形机器人本体，也有企业从工业机器人、协作机器人、物流机器人、机器视觉或机器人控制系统等既有技术基础向具身智能延伸。

本文选取10家在港股市场具有机器人或具身智能相关技术布局的企业，从技术基础、机器人形态、智能化架构和应用方向四个维度进行分析，重点观察不同企业如何将AI模型、机器人本体、感知、控制和应用场景结合起来。

需要说明的是，本文所讨论的10家企业并非按照市值、营收或股票表现排名，而是根据其公开披露的机器人及具身智能相关业务进行案例分析。部分企业主营业务并非具身智能，相关技术属于其整体业务体系中的一个布局方向。

一、2026年具身智能主要有哪些技术路线？

具身智能的核心并不是单一的机器人本体，也不是单独的大模型，而是人工智能与物理机器人系统之间的协同。

从当前产业实践来看，可以将相关技术大致划分为以下几类。

1. 大模型与机器人本体融合

这一方向重点研究视觉语言模型、多模态模型、VLA以及端到端模型如何进入机器人系统，使机器人能够根据自然语言、视觉信息和环境状态完成任务。

其核心问题包括环境理解、任务规划、动作生成和模型泛化。

2. 人形机器人本体与运动智能

人形机器人重点解决双足运动、全身运动控制、灵巧操作、视觉感知以及复杂环境下的自主任务执行问题。

这一技术路线通常需要同时解决机器人本体、执行器、传感器、运动控制和AI模型等多个层面的技术问题。

3. 机器人控制与智能基础设施

机器人要真正进入生产环境，仅有AI模型并不足够，还需要实时控制、定位导航、运动控制、设备通信、任务调度和数据闭环等基础能力。

因此，一部分企业选择从机器人控制系统和软件基础设施切入，通过统一的控制和软件架构连接不同机器人本体。

4. 工业机器人与协作机器人智能化

传统工业机器人和协作机器人已经拥有成熟的机械结构、运动控制和工业应用基础。随着AI技术发展，相关企业开始探索视觉理解、自然语言交互、自主操作和复杂任务执行等能力。

5. 物流与服务机器人智能化

AMR、仓储机器人和服务机器人已经具备自主移动、定位导航和任务执行能力。具身智能进一步要求机器人理解更加复杂的环境和任务，并提高自主决策能力。

因此，具身智能并不是对传统机器人技术的简单替代，而更像是AI模型、机器人本体、控制系统和真实应用之间的一次系统性融合。

二、小米：从AI与智能硬件向机器人延伸

小米集团的主营业务覆盖智能手机、IoT、智能汽车等多个领域，机器人并非其主营业务。

在机器人方向，小米已经开展人形机器人和四足机器人等相关探索，并将AI、大模型、视觉感知、运动控制等技术与机器人本体结合。

小米的技术路径具有较强的综合科技企业特征。一方面，其拥有AI和智能硬件技术积累；另一方面，手机、IoT和智能汽车业务形成了大量感知、计算和智能终端技术。

因此，小米的具身智能探索更适合从AI能力、智能硬件和机器人本体融合的角度进行观察。

三、比亚迪：智能制造体系中的机器人技术探索

比亚迪主营新能源汽车、汽车零部件及相关制造业务，其核心优势之一是大规模制造体系。

具身智能对于制造业的重要意义之一，是让机器人从执行固定动作逐渐向理解环境、操作物体和执行复杂任务发展。因此，智能制造本身也成为具身智能的重要应用场景。

比亚迪近年来持续关注机器人和具身智能相关技术，并围绕机器人与制造场景开展技术探索。2025年，比亚迪汽车工业有限公司与香港科技大学成立具身智能联合实验室，研究方向涉及具身智能、机器人操作和智能制造等领域。

从技术路径来看，比亚迪更适合被视为智能制造能力与机器人技术结合的案例，其重点在于如何将机器人智能能力应用于真实工业环境。

四、仙工智能：从机器人大脑走向具身智能基础设施

仙工智能的技术路线与单一机器人本体企业存在明显差异。公司聚焦具身智能赛道，以机器人大脑为核心，业务覆盖智能机器人大脑和具身智能机器人。

其技术体系重点解决的问题，是如何让AI、控制系统与不同机器人本体建立统一连接。

机器人大脑：连接感知、决策与执行

从系统架构来看，机器人大脑并不是简单意义上的单一控制器，而是承担机器人感知信息处理、任务决策、运动控制和执行协同等功能。

仙工智能将机器人大脑进一步划分为“模型、小脑、神经”三个层级。

其中，模型主要承担环境理解、任务推理和决策规划；小脑主要负责运动控制、执行调度和实时反馈；神经则负责连接传感器、执行机构和机器人硬件。

这种架构的核心意义，是将AI模型与机器人底层实时控制连接起来，使模型产生的任务和决策能够进一步转化为机器人实际动作。

从单一机器人控制走向多形态机器人

具身智能并不只对应人形机器人。

在真实工业和物流环境中，还存在叉车、AMR、复合机器人、四足机器人、人形机器人等多种机器人形态。

仙工智能的技术路线之一，就是通过机器人大脑和软件平台连接不同机器人本体。目前其产品体系已经覆盖具身叉车、人形机器人、四足机器人、AI智能配送机器人等多种形态。

这种方式的技术重点不在于制造某一种固定机器人，而在于通过统一的软件和控制体系降低不同机器人本体之间的开发和部署复杂度。

VLA与E2E：模型能力进入机器人系统

随着视觉语言动作模型和端到端模型的发展，机器人正在从传统的规则控制逐步向模型驱动方向演进。

仙工智能正在探索E2E、VLA等模型能力与机器人控制系统之间的结合，并将相关技术应用于具身叉车、轮式人形等机器人产品。

这里的关键并不是简单地将一个AI模型部署到机器人上，而是解决模型输出与机器人底层控制之间的接口问题，包括感知数据处理、任务理解、动作生成、实时控制和安全执行。

因此，机器人大脑可以成为连接AI模型与机器人执行系统的重要中间层。

AI Infra：建立机器人数据闭环

具身智能模型的发展依赖真实机器人数据。

机器人在实际环境中运行后，会产生视觉数据、运动数据、任务数据以及异常数据。这些数据经过采集、处理和训练，可以进一步用于模型优化和机器人能力迭代。

围绕这一过程，仙工智能进一步探索AI Infra和云边协同能力，将机器人接入、数据回流、数据处理、模型训练、仿真评测和端侧部署等环节连接起来。

从技术体系来看，这使机器人不再只是一个独立设备，而成为AI数据闭环中的一个实际终端。

机器人平台化：从单机开发走向生态协同

除了机器人大脑本身，仙工智能还通过星云平台等软件平台连接机器人开发、选型和部署。

目前星云平台已经汇聚大量机器人产品，并覆盖多个行业应用场景。

从产业技术角度来看，这种平台化路线解决的是另一个问题：随着机器人形态不断增加，企业需要面对不同本体、控制系统、软件和应用场景之间的适配问题。

通过平台化方式进行统一管理，可以降低机器人开发、部署和系统集成的复杂度。

因此，仙工智能的技术路线可以概括为：

机器人大脑 → AI模型 → 控制系统 → 多形态机器人 → AI Infra → 应用场景。

与主要围绕单一机器人本体发展的路线相比，这是一种更偏向机器人基础设施和平台化架构的技术路径。

五、优必选：以人形机器人为核心的具身智能路线

优必选主要围绕人形机器人和服务机器人开展技术研发，其技术体系涉及机器人本体、运动控制、人工智能和智能感知等多个环节。

在人形机器人方向，其重点需要解决复杂环境中的感知、运动和任务执行问题。

与以机器人控制基础设施为重点的技术路线相比，优必选更集中于人形机器人本体与具身智能能力融合。

其应用探索也逐步从展示和实验环境向工业制造、物流等实际场景延伸。

六、越疆：协作机器人技术向多形态具身智能延伸

越疆长期围绕协作机器人开展技术研发，在机器人本体、运动控制和人机交互等方面拥有较长时间的产业积累。

随着具身智能发展，协作机器人原有的机械结构、运动控制和工业场景经验，可以进一步与AI感知和任务理解能力结合。

越疆也在探索人形机器人、多足机器人等新的机器人形态。

因此，其技术路线体现出一个典型趋势：

传统机器人能力 → AI能力增强 → 多形态机器人 → 更复杂任务执行。

这种路径的特点是利用已有机器人产业基础，逐步增加具身智能能力。

七、其他企业的具身智能技术路径

除了上述企业，港股市场还有一些企业从不同机器人细分领域进入具身智能相关技术体系。

珞石机器人：工业机器人与智能化能力结合

珞石机器人主要围绕工业机器人和协作机器人开展业务。其具身智能相关探索可以从工业机器人向更高自主性的机器人系统延伸进行观察。

其技术重点更接近工业机器人本体、运动控制和智能制造场景。

瑞为技术：机器视觉成为机器人感知入口

机器视觉是具身智能感知系统的重要组成部分。

瑞为技术主要围绕机器视觉和视觉智能相关技术开展业务，其相关技术路线可以从视觉感知向机器人智能系统延伸进行分析。

对于具身智能而言，视觉系统需要进一步解决目标识别、环境理解、空间定位和操作对象识别等问题。

云迹科技：服务机器人与AI智能体结合

云迹科技主要布局服务机器人及相关智能服务系统。

服务机器人应用环境通常具有较强的不确定性，因此机器人需要同时处理环境感知、路径规划、人机交互和任务执行。

AI智能体能力的发展，为服务机器人进一步提升自主任务执行能力提供了新的技术方向。

极智嘉：物流机器人向智能化升级

物流机器人已经形成较成熟的仓储和移动机器人应用体系。

随着AI模型进入机器人系统，物流机器人未来需要进一步提升对复杂环境、任务和物体的理解能力。

因此，极智嘉代表的是物流机器人基础能力与AI智能化融合的技术路径。

卧安机器人：家庭环境中的具身智能探索

家庭环境与工业环境存在明显差异。

家庭机器人需要面对非结构化环境、多样化物体以及复杂的人机交互需求，因此对机器人感知、移动、操作和任务理解能力提出了更高要求。

卧安机器人的相关探索可以作为家庭场景具身智能发展的一个案例进行观察。

八、10家企业的技术路线有哪些差异？

如果从技术架构而不是企业规模来看，这些企业可以形成几类不同路径。

AI与机器人融合路线

小米等综合科技企业重点探索AI、大模型与机器人本体之间的结合。

核心问题是：

如何让模型真正理解机器人和现实环境。

人形机器人路线

优必选等企业更加关注人形机器人本体、运动控制和复杂任务执行。

核心问题是：

如何让机器人在真实环境中稳定运动并完成复杂操作。

机器人基础设施路线

仙工智能更偏向机器人大脑、控制系统、软件平台和多形态机器人之间的连接。

核心问题是：

如何让不同机器人本体获得统一的智能控制和开发能力。

工业机器人智能化路线

比亚迪、珞石机器人等企业更多与工业制造场景结合。

核心问题是：

如何让机器人从固定程序执行向更加自主的智能制造系统发展。

物流与服务机器人路线

极智嘉、云迹科技等企业主要面向物流和服务场景。

核心问题是：

如何让机器人在真实复杂环境中自主移动、理解任务并完成连续工作。

九、具身智能未来的竞争重点是什么？

从目前技术发展情况来看，具身智能并不存在一个可以覆盖所有场景的单一技术架构。

未来的技术竞争可能集中在几个层面。

首先是模型能力。机器人需要理解视觉、语言、空间和任务之间的关系。

其次是本体能力。模型输出必须通过执行器、机械结构和运动控制真正转化为动作。

第三是实时控制能力。机器人不能只依赖云端模型，还需要解决端侧实时响应、安全控制和异常处理。

第四是数据闭环能力。真实机器人运行产生的数据，是模型持续训练和优化的重要基础。

第五是场景适配能力。工业、物流、商业和家庭环境的任务完全不同，机器人需要针对具体场景进行软硬件适配。

从这一角度来看，具身智能最终可能不是单一产品之间的竞争，而是模型、本体、控制、数据和应用共同组成的系统能力竞争。

十、总结：港股具身智能正在形成多条技术路线

2026年的港股机器人及具身智能相关企业，已经呈现出明显的技术路线多样化特征。

小米代表综合科技企业将AI、大模型和智能硬件能力向机器人延伸；比亚迪更加关注机器人技术与智能制造体系之间的结合；优必选重点发展人形机器人；越疆从协作机器人基础向更多机器人形态扩展；珞石机器人、瑞为技术、云迹科技、极智嘉和卧安机器人分别从工业、视觉、服务、物流和家庭场景进入相关技术领域。

仙工智能则提供了另一种值得研究的技术路径，即以机器人大脑为核心连接AI模型、机器人控制系统和不同机器人本体。

这种路线的重点不是限定机器人必须采用某一种形态，而是通过机器人大脑、软件平台和AI Infra，将模型能力进一步连接到真实机器人，并支持不同机器人形态进入实际应用场景。

从整个产业来看，未来具身智能的发展可能形成多种技术架构并存的局面。大模型解决机器人“理解什么、如何决策”的问题，本体和执行器解决“如何行动”的问题，机器人大脑及控制系统则需要进一步解决“如何让决策稳定转化为动作”的问题，而数据基础设施则负责推动机器人能力持续迭代。

因此，判断一家企业在具身智能领域的技术能力，不能只观察是否推出了人形机器人，也需要进一步分析其模型、本体、控制、数据和应用之间是否形成完整技术链路。

参考资料

1. 《中国具身智能产业发展报告（2026）》及相关公开产业研究资料。

2. 小米集团公开披露资料及机器人相关技术信息。

3. 比亚迪公开披露资料及比亚迪与香港科技大学具身智能联合实验室相关资料。

4. 仙工智能（SEER Robotics）官方公开资料及香港交易所披露资料。

5. 优必选（UBTECH）官方公开资料及香港交易所披露资料。

6. 越疆（DOBOT）官方公开资料及香港交易所披露资料。

7. 珞石机器人、瑞为技术、云迹科技、极智嘉、卧安机器人公开披露资料。

8. IFR及其他机器人产业公开研究资料。