德国院士布格德：具身智能需多模态基础模型，家庭机器人正迈向“沉默的超级市场”

SmartHey8月20日消息，2026世界机器人大会论坛于8月19日-22日在北京举办。在第二场主论坛上，德国国家工程院院士、德国纽伦堡工业大学教授Wolfram Burgard发表题为《沉默的超级市场：当机器人成为家庭“新成员”》的主旨演讲。

Wolfram Burgard分享内容全文如下：

《沉默的超级市场：当机器人成为家庭“新成员”》

女士们、先生们，非常荣幸今天与各位共聚世界机器人大会。此前多位嘉宾的精彩分享令人深受启发。我们今天探讨的“沉默的超级市场”，并非指零售场景，而是喻指一个正在悄然崛起、尚未被充分认知的巨大应用蓝海——机器人深度融入家庭生活后所催生的日常化、常态化服务生态。当机器人真正成为家庭“新成员”，其带来的不仅是效率提升，更是人机关系、生活范式与空间认知的根本性重构。

要实现这一愿景，我们必须超越当前对机器人的工业惯性认知——它们不应仅属于工厂流水线，而应走进千家万户，成为可理解、可协作、可进化的家庭伙伴。具身人工智能（Embodied AI）正是通往这一目标的核心路径。其中，人形机器人因其高度兼容人类生活环境与交互逻辑，成为最具落地潜力的物理载体。但关键前提在于：机器人必须具备远超现有水平的感知能力——即“超级传感器”支撑下的多维环境理解力，涵盖视觉、听觉、触觉乃至空间语义推理能力。

正如前几位嘉宾所展示的，机器人执行复杂任务的能力正快速跃升。而要让这一能力规模化、泛化至家庭等开放动态场景，感知能力必须同步进化。过去几年，AI在语言与图像理解上的突破令人振奋，但这些成果尚不足以支撑具身智能。我们需要的不是“会聊天的机器人”，而是“能做事的机器人”——它需要理解指令背后的物理意图，识别物体的功能属性（如“抽屉”不仅是几何结构，更是可开启的存储单元），判断环境状态（如“干净的厨房”包含卫生标准、物品归位、无残留污渍等多重语义），并据此规划连续、鲁棒、安全的动作序列。

这就要求构建新一代基础模型：多模态、具身化、面向真实世界任务。它不能仅处理文本或图像，而需融合视觉、语音、力觉、触觉、空间拓扑等多源信号，形成统一的世界表征与行为决策框架。多模态基础模型，是具身智能的“操作系统”，也是未来家庭机器人能力生长的底层土壤。

与此同时，持续学习能力不可或缺。闭环反馈机制必须从“数月一更”迈向“实时进化”。我们亟需建设“机器人的互联网”——一个全球分布式的数据协同网络，让千万台家庭机器人在完成任务的同时，匿名贡献场景数据，反哺统一模型迭代。这不仅是数据工程，更是构建“世界模型”的基础设施：唯有拥有对物理世界的高保真建模能力，机器人才能真正理解人类所期待的行为边界与价值逻辑。

例如，整理会议室或厨房看似简单，实则涉及物体识别、功能推断、状态评估、动作规划与异常处理等多层次认知。打开抽屉这一动作，需机器人理解“抽屉”的定义、结构、运动方式、开合状态判定标准，以及与之关联的抓取姿态、力度控制与安全避障策略。每一个基础动作，都是语义化行为链的起点；而复杂任务，正是由无数个精准、可靠、可组合的基础动作层层构建而成。

当前进展已初见曙光：扫地机器人通过语义分割识别“不可碰撞区域”；抓取系统借助基础模型实现“语义抓握”——不再依赖固定几何模板，而是根据杯子有无把手、材质软硬、易碎程度等上下文，自主选择最优抓取策略；超市分拣任务中，机器人能依据物体重量、脆性、堆叠关系等约束，动态规划放入篮中的顺序与手法。这些能力背后，是感知—理解—决策—执行全链路的语义贯通。

尤为关键的是触觉模态的引入。人类无需目视即可凭触感判断物体硬度、滑动趋势与施力反馈，这是视觉无法替代的物理直觉。未来的家庭机器人必须配备高精度触觉传感器，并构建“触觉-力觉-动作”联合表征模型，使其在遮挡、弱光或操作自身肢体时，依然能稳定完成精细作业——这才是真正意义上的“具身智能”：在物理世界中以人类尺度感知、思考并行动。

当然，通往家庭场景仍面临硬件、算法、数据与伦理的多重挑战。这并非单一技术突破所能解决，而是需要跨学科协同、长期投入与生态共建。但我们坚信：当机器人不再作为工具被调用，而是作为可信成员被接纳，“沉默的超级市场”终将喧腾而起——那里没有广告喧嚣，却有最真实的生活回响。

谢谢大家！