作者：智讯智库分析师 陈宥文

10月16日，宇树科技发布了一款名为UniUni的智能集群控制系统。

简单来说，就是一套“群控”软件——用一台电脑统一指挥多台机器人协同行动，面向宇树H2、G1人形机器人用户免费开放下载[1]。

它要解决的，是如何让多台机器人踩着同一个节拍行动——谁在什么时间移动到什么位置、做什么动作，都得事先安排妥当。这类把多台机器的动作、走位与节奏统一组织起来的工作，业内称为“编排”。而有了UniUni，编排全程在电脑软件里就能完成：设计好动作与走位、完成定位和任务同步后一键启动，整支队伍便按计划运行；运行中软件统一监测设备状态，必要时一键急停[2]。

而操作方式，则很像剪辑视频的流程：时间线上排列的是动作，地图上绘制的是路径。官网演示的AI编排示例里，六台机器人排成两行三列扭秧歌，系统自动生成轨迹和动作序列，用户再逐段调整时长与衔接[2]。

机器人的多机控制由此有了一个普通用户也能上手的入口。

但沿着这个入口往产业深处走，还有两个更难的问题有待解决：任务变了，队伍能不能自己重新分工？一台机器人中途退出，剩下的成员能不能把它的工作接下去？

这两个问题，更加考验多台机器之间如何组织——也把我们引向机器人的另一条进化方向：群集智能。

    要点速览：

• 产品层面：宇树把多机编排做成了免费的标准软件，多机器人协作的使用门槛第一次降到普通用户的桌面。

• 技术层面：多机器人协作正从“人事先编排”走向“运行中自行调整”，组织结构与行为代码都能在任务执行中在线重构，但整体仍处早期验证。

• 产业层面：协作优化的价值已在真实工厂与车队中得到验证，下一轮产业价值将归于可以跨项目复用的协作能力。

风险提示：本文涉及的前沿技术仍处于早期验证阶段，产业应用与商业化进度存在不确定性；文中数据与案例均基于公开披露信息，后续可能更新或调整口径。本文仅为产业研究与信息分享，不构成任何投资建议。

群集智能：一台机器的能力之外，

还有一支队伍的能力

自然界早就给出过类似的案例。

一些行军蚁会用身体搭成活桥，让同伴从身上通过；地形宽窄和通行量变化时，蚂蚁不断加入或退出，桥的形状也随之调整。没有谁给每只蚂蚁安排固定位置，整个群体却靠彼此之间的互动维持了通行[3]。

群集智能（swarm intelligence），研究的正是这种集体能力[4]——不依赖总指挥，也不要求任何成员掌握全局——每个个体只依据局部信息行动，与身边的同伴和环境互动，整体的行为模式从这些分散的交互中涌现。蚁群、鸟群、鱼群是这个方向最初的参照物，对它的系统研究在学术界已经持续数十年：设计个体遵循的简单规则，让群体在变化的环境中持续完成任务。对于机器人产业而言，它提供了一把标尺——多机器人的协作水平，关键要看协作关系如何形成：人事先编排，还是群体依据现场自行组织。

这条路线的意义，可以放在工厂现场中来看。

在工厂里，轮式平台负责运料，机械臂守着工位操作，移动操作机器人穿梭在工位之间交接。每台机器人单独看都能把自己的动作做好，可一旦遇上等待物料、通道争用或某台设备故障，整条流程仍可能停下来。

于是，队伍需要另一组能力：谁先做、谁接手、现场变了之后怎样继续。同一批机器人，组织方式不同，能交付的任务也可能不同。通信、分工、交接和故障接替，也因此成为可以单独设计、学习和验证的对象。

拿这把尺子回头量宇树的UniUni，它眼下所处的位置会显得更清楚。

首先是它已经做到的。编队、走位、动作和节奏由人设计，系统负责让多台机器同步执行，并在运行中兜底——实时监测状态、异常时统一急停。编排权在人、执行交给系统，这正是它作为免费标准软件的价值：多机编排第一次变成了装机即用的产品能力。

其次是它还做不到的。系统只负责照章执行：任务不会被自主分配，一台机器出了问题，其他成员也不会主动接替。按“协作关系由谁形成”来衡量，它推进的是多机控制的普及，距离群集智能所要求的自主调整还有明显一步。

最后是尚未披露的部分。一次最多能接入多少台、对网络环境有什么要求、定位精度达到什么水平、按什么标准验收，这些指标目前都没有公开。它们未必是有意保留，更可能是产品刚诞生时的正常状态；但恰恰是这些指标，决定着UniUni能否从一个编排工具，走向承接真实作业的生产系统。

UniUni的确降低了“用上多机协作”的门槛——而让队伍在运行中自己调整协作之路，群集智能的研究已经走了几十年。

从预设动作，到现场调整协作

这条研究线已经积累了扎实的进展。2024年发表于《科学·机器人学》（Science Robotics）的SoNS，提出了“自组织神经系统”：机器人自行建立、维持和调整临时的层级关系，整支队伍可以形成一个整体，也可以拆成几个较小的组织分头行动。研究在真实的空地异构机器人群中验证了部分任务与容错能力，而250台规模的验证（200台地面机器人加50台空中机器人）是在仿真中完成的[5]。

它展示的是一种能聚能散的组织方式：需要统筹时，群体中涌现出临时的协调节点；需要分头行动时，组织再拆开——协调者并非事先指定，而是随任务需要不断调整。

arXiv:2401.13103v1，2024.图注：SoNS允许机器人通过局部通信建立和重构临时层级：小队可以合并、拆分，协调节点也可以替换。图为机制示意。图注：SoNS允许机器人通过局部通信建立和重构临时层级：小队可以合并、拆分，协调节点也可以替换。图为机制示意。

大模型的加入，又给这套系统添了一件新工具。2025年10月，SoNS团队公开了接入DeepSeek R1的概念验证：队伍遇到障碍后，协调节点向大模型请求新代码，再把更新传播给其他成员，尝试继续前进。

结果有亮点，也有不足。团队演示了6台真机，其中2台空中机器人采用系留方式；34台机器人参与的20次仿真中，17次成功。失败的3次原因很具体：模型生成的代码删掉了检测部分成员受困的机制，一些机器人因此被落在原地[6]。

这说明，让队伍向前移动只是第一步，如何确保该到达的成员都跟得上，则是另一道题。模型能够修改程序，只是其中一个环节；修改之后能否完成整体任务，仍需要反复验证。

这些进展指向同一个方向：多机协作的安排不再只发生在部署之前、由人一次性预设，而是开始在运行过程中在线调整——组织结构可以重组，行为代码也可以由模型生成和修改。

产业要补的，是一条持续运行的流程

回到工厂，协作首先要解决的是一连串具体问题：新设备怎样接入，成员之间怎样共享状态，任务怎样交接，故障之后怎样恢复。

亚马逊的DeepFleet提供了一个量化的参照。这套系统利用运行数据学习机器人之间的交通与交互模式，为车队协调提供支持。据亚马逊2025年6月披露，这项优化可使机器人车队的行驶时间缩短约10%[7][8]。这一案例说明，在既有设备上把拥堵和等待减下来，运行效率就有机会改善；而机器持续工作留下的数据，又会成为下一轮优化的原料。

跨品牌协作也已经有了实际部署。据AWS与SYNAOS于2026年10月13日公布的案例，大众商用车汉诺威工厂把来自两家供应商的125台以上移动机器人接入统一系统，每天完成2500多笔自动运输订单[9]。承担这项工作的是一套集中式物流调度系统——所谓调度，就是系统根据任务和现场状态，统一决定每台设备在什么时间做什么、走哪条路；它已经把不同厂商的设备接进了持续供料的流程。

接口标准也在为协作铺路。2026年4月公布的VDA 5050通信接口3.0版，新增了区域规则与路径共享机制：上层设定通行约束，具备相应自主能力的机器人自行规划详细路线，再把结果反馈给上层[10]。

这些案例采用的技术架构各不相同，承担的任务却同样具体：减少等待、把设备接起来、让流程持续运行。对产业而言，协作能力的价值，就必须在这样的工作中兑现。

商业化最终看的，是能否反复交付

协作在现场持续兑现之后，价值会落到一类新资产上：经过现场验证、可以跨项目复用的协作能力。这类资产不挂在某台设备名下，而属于把它组织起来的那一方——整机厂商、软件企业或场景运营方，谁能把它积累和复用，谁就握住下一次交付的本钱。

从商业上看，检验标准只有一条：换一个现场，上次部署形成的能力还能用多少。每单都要重做，扩张就永远背着定制投入；经验能转化为软件、模型和技能，才可能成为可复制的产品。客户最终购买的是交付结果：订单能否按时完成，设备故障后多久恢复，单位任务成本能否下降。免费软件解决的是「先用起来」，持续付费要靠这些结果来换。

未来一年，据需要关注三项指标就够了：接入一台新设备的工时，一名成员退出后恢复交付的时间，换一个现场需要重做的比例。三个数字越低，协作越接近一门可复用的生意。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)