在工业机器人领域长期竞争的日本川崎重工业、发那科、安川电机，开始在具身智能基础设施建设上联手。 该项目已被日本经济产业省与NEDO的公开征集项目采纳，名称为"通过制造现场视觉触觉数据收集，构建面向VTLA基础模型的数据集"。项目计划收集制造现场中的视觉、触觉、语言和动作数据，为机器人学习复杂手部作业建立数据集。实施周期预计为2026年8月至2027年7月，为期一年。 这一合作的重点，并不是三家企业共同开发机器人本体。真正值得关注的是，竞争对手开始在影响AI时代竞争力的"现场数据规格"和"数据采集基础设施"上进行协同。 工业机器人的竞争轴心，正在从机械性能本身，转向能够积累、学习和复用作业经验的数据基础设施。 |
为什么必须由竞争对手共同推进
过去，工业机器人的导入高度依赖各厂商的控制规格、每个现场的工程设计，以及系统集成商的个别调整。
企业要导入机器人，通常需要针对具体作业进行示教，组合夹具、机器人手爪、末端执行器、相机、安全设备和周边装置，再逐条产线完成调试。
这种方式在大批量、稳定品种的生产线上具有优势。但在多品种、小批量、频繁换线的生产环境中，问题就会显现。每次产品变化，都可能带来新的示教、调试和验证工作，导致导入成本上升，产线启动周期拉长。
具身智能试图改变的，正是这一结构。
如果机器人能够从过去的作业数据中学习，并将经验迁移到相似任务，就有可能减少示教工时、缩短导入周期、提升品种切换能力，并降低对熟练作业人员的依赖。
但仅靠一家机器人厂商，很难收集到足够多样的数据。单一企业的数据往往会偏向特定机器人、特定控制系统、特定客户现场和特定应用场景。
川崎重工、发那科、安川电机三家大型厂商共同参与，意味着项目更有可能覆盖不同机器人平台、不同控制方式和不同制造现场。
根据NEDO资料，这三家日本机器人厂商合计拥有日本国内约70%的市场份额，以及全球约25%的市场份额。项目计划利用这一基础，联合系统集成商和终端用户，构建制造现场作业数据的采集机制。 其目标并不是让某一家企业的机器人更聪明，而是探索一种能够跨越不同机器人本体的通用学习基础。 |
自动化最后的难点，仍然在"手部作业"
此次项目的技术核心，在于触觉数据。
工业机器人已经广泛应用于焊接、涂装、搬运、组装等领域。但在制造现场，仍然有大量工作依赖人工完成。
例如，零部件拣选与配套、柔性物体抓取、连接器插入、容易滑动或变形的零件处理等。这些作业并不是单靠摄像头就能完成判断。
人类在操作时，不只是依靠眼睛。作业人员会同时感知指尖受力、物体是否开始滑动、接触瞬间是否存在异常阻力。这些非视觉信息，正是许多精细作业难以自动化的原因。
项目提出的"VTLA"模型，指的是Vision、Tactile、Language、Action，也就是视觉、触觉、语言和动作的综合处理。相比只整合视觉、语言和动作的VLA模型，VTLA进一步将触觉纳入机器人学习体系。 这意味着，机器人不只是"看见"物体、理解指令、执行动作，还要学习接触过程中的力、滑动、变形和失败模式。 项目重点面向的作业包括拣选配套、柔性物处理和连接器嵌合。这些都是制造现场中典型的"最后难点"：看似简单，却高度依赖人的手感和经验。 |
从1.8万小时到5000小时，关键是"可学习数据"
根据项目计划，相关方将从汽车、机器人、食品、日用品等制造工厂收集约1.8万小时的图像、触觉数据和机器人动作数据。
这些原始数据不会直接用于训练。项目还需要进行视觉与触觉数据同步、标注、匿名化、格式转换等处理，最终整理出约5000小时可用于学习的数据集。
真正重要的不是单纯的数据时长，而是这些数据能否被AI有效学习。
摄像头画面、触觉传感器数据、机器人动作日志、作业是否成功等信息，需要在时间轴上准确同步。与此同时，制造现场的影像与动作数据往往直接关联工艺条件、质量管理和生产诀窍。
如何在去除机密信息的同时，保留足够的学习价值，是项目成败的关键之一。
NEDO资料显示，VTLA数据处理后的可用率预计约为30%，低于相对成熟的VLA数据约40%的水平。这也说明，触觉数据的采集、整理和利用难度更高。 在文本和图像生成AI领域，互联网数据曾经是重要的学习资源。但具身智能不同。它真正需要的，是现实世界中机器人与物体接触、失败、修正和重复操作的数据。尤其是接触、滑动、力的变化、微小误差和失败时的行为，这些数据只存在于工厂现场。 |
ABEJA、FingerVision和大学补足关键能力
该项目除了三家机器人企业外，还包括大阪大学、FingerVision、ABEJA、日本产业技术综合研究所（AIST）、名古屋大学等机构。这样的组合，反映出具身智能并不是机器人厂商单独可以完成的任务。
机器人企业拥有本体、控制和现场客户基础；大学和研究机构提供模型研究与验证能力；FingerVision提供触觉感知技术；ABEJA则参与数据集设计和数据生态系统建设。
其中，ABEJA的角色并不只是开发AI模型。更重要的是，制造现场数据应该如何采集、匿名化、授权、管理和提供。对于制造业来说，数据治理往往比模型本身更难。 NEDO资料中也提到，需要根据使用者、使用目的和数据机密程度，对公开范围和访问权限进行区分，并按不同用例切分数据集，探索有偿提供的方式。 这说明，项目的目标并不只是做出一个研究用数据集，而是希望形成一个可持续的数据生态。 |
FingerVision的参与同样值得关注。触觉数据越重要，机器人手爪、末端执行器、触觉传感器、力觉传感器、视觉处理和控制软件的价值就越高。
未来的机器人竞争，不再只看机械臂的负载、速度和重复定位精度，也要看它能感知什么、记录什么，以及能否把这些数据用于学习。 |
系统集成商的角色也将变化
此次项目的影响，不会只停留在机器人本体厂商。
在实际制造现场，机器人通常不是单独进入产线。系统集成商需要设计工艺，组合机器人、手爪、末端执行器、夹具、相机、安全装置和周边设备，并完成调试与验证。
如果具身智能逐步落地，系统集成商的角色也会发生变化。
过去，系统集成商的核心能力，是针对每个现场做工程化设计和个别优化。
未来，这一角色可能进一步扩展到数据采集、模型调优、现场学习数据管理，以及把一个现场的经验横向复制到类似工程中。
换言之，系统集成商不只是"搭设备"的企业，也可能成为制造现场数据与AI模型之间的连接者。 这会影响一批周边市场，包括机器人手爪、末端执行器、触觉传感器、力觉传感器、图像处理设备、控制软件、数据采集系统和AI导入服务。如果数据基础设施真正形成，受益者将不只是川崎重工、发那科和安川电机，也包括围绕机器人应用展开的整个制造自动化生态。 |
日本企业的优势在于"现场经验"
在全球AI与机器人竞争加速的背景下，日本企业并不一定能在通用大模型或算力竞赛中占据优势。但在制造现场数据方面，日本仍有独特资产。
日本制造业长期积累了高可靠性生产流程、严格质量管理、熟练工人的操作诀窍，以及大量实际运行中的工业机器人系统。这些经验不是公开互联网数据，无法简单复制，也无法通过实验室快速生成。
具身智能需要的，恰恰是这类来自真实现场的经验数据。
未来，机器人的价值不仅取决于机械臂性能，还取决于它学习过多少作业、处理过多少接触状态、经历过多少失败模式，以及能否把这些经验迁移到新的现场。
不过，难点也同样明显。
制造现场数据本身就是企业竞争力的一部分。工序顺序、治具设计、零件形状、作业条件、节拍时间、不良发生征兆，很多都属于企业不愿外部公开的信息。 因此，项目真正要解决的不只是"能否收集5000小时数据"，而是如何划分可共享数据和不可共享数据，如何保护企业机密，同时又让数据具备足够的学习价值。如果这个边界设计不好，现场数据就很难持续流入。 |
此次合作不会因为一年期NEDO资助项目结束而完成。真正的关键在于，数据能否持续积累，模型能否不断改进，最终能否反哺实际制造现场。
工业机器人的主战场，正在从机械臂的性能、价格和维护网络，扩展到现场经验数据的积累与复用。
川崎重工、发那科、安川电机此次联手，某种意义上是日本机器人产业的一次试探：能否把过去在硬件和制造现场中形成的优势，转化为AI时代的数据基础设施优势。
未来的机器人竞争，拼的不只是"身体"，更是它在现场积累过的"经验"。 |
