教授观点 | 武耀恒：生成式AI与实体机器人，重塑线下服务业服务方式

下一波人工智能正在从“虚拟”走向“实体”，而且速度惊人。对服务企业来说，这意味着：管理者如今可以在现实场景中，让高质量、个性化的服务自动化、规模化落地。

本文基于最新研究成果、一线实践经验和真实应用案例，展望了生成式AI与实体服务机器人未来的发展趋势，并深入探讨其对服务型企业的实际影响，包括：企业如何通过该技术创造领先优势、规避潜在风险，以及如何打造组织内部的“肌肉记忆”，以推动服务机器人的成功部署与持续运作。

许多新兴服务，比如金融科技公司Wise和Revolut，以及在线旅行服务或技术支持平台，都通过端到端的自动化流程实现了几乎完全无人操作的服务交付。正是这种“零接触+全流程自动化”的模式，让它们可以轻松规模化复制，想象一下Airbnb、Google Maps、Spotify，它们都是“服务规模化”的代表。

但令人意外的是，“物理世界”的服务始终顽固地保留着人的位置：餐厅、酒店、医院、零售门店……这些场景中，服务机器人虽然已经开始出现，但大多数应用仍局限于一些“脚本化”的小任务，例如送餐到房间、搬运行李。这些案例虽然看上去“高科技”，却并未真正实现早期采用者期待的规模效应，也未带来显著的商业回报。

不过，这种虚拟服务和实体服务之间的落差，正在迅速缩小。正如英伟达（NVIDIA）创始人兼CEO黄仁勋所言：“下一波AI是实体AI……机器人时代已经到来。”而Google Cloud首席产品与业务官Karthik Narain也指出：“机器人将能进入人流密集环境，在不可预测的场景中工作，与任何人交流，执行多种任务，而不需要为每一个场景单独训练。”

推动这一转变的核心力量，就是生成式人工智能（Generative AI, GenAI）与实体技术的融合，尤其是服务机器人。如今，几乎所有大型机器人制造商，都在加速将生成式AI整合进他们的产品中。这一时刻的到来，具有重大意义。

无论哪个行业，服务企业正面临三重压力：

传统服务机器人在很多年里都像是高级自动售货机。它们依靠预先编程的路线运行，扫描二维码，回答预设的FAQs（常见问答）。在一个高度受控、简单可预测的环境里，它们表现得还不错；但只要情况一变，客户问的问题偏离了脚本，这些机器人很快就“卡壳”。

生成式人工智能（GenAI）的加入正在彻底改变这一点。当大语言模型（LLMs）、大行为模型（LBMs）与“自主智能体（Agentic AI）”融合进入机器人系统时，机器人正在获得五大关键能力，这些能力共同构成了一次“能力跃迁”（step change），让服务机器人开始真正像“人”一样服务。

LLMs让机器人能像人一样与顾客对话和互动

得益于大语言模型（LLMs），机器人能够像训练有素的员工一样与人交互。它们能够理解上下文、处理多轮对话、解释复杂信息，还可以根据用户的情绪和需求调整语气，全程保持自然交流。

过去，如果一个病人问机器人：“这个检查会不会很疼？需要多久？如果头晕怎么办？”机器人可能只会不断重复FAQ板块里的“标准答案”，甚至直接说 “抱歉，我不太明白您的问题”。而现在，搭载LLM的服务机器人能理解这些问题背后的焦虑，逐条解释检查流程、疼痛感受，还能用简单语言安抚病人，甚至引导他们做呼吸放松练习。

在医疗场景里，越来越多的医院已经开始使用机器人来协助术前解释、再教育、甚至带领病人进行心理准备。这对“时间被挤压”的临床人员来说，是非常重要的助力。

未来几年里，这种互动方式将不仅发生在医院，“改个文档格式、预订一张餐桌、更改送货地址”，这些本来需要输文字、点选菜单的操作，很快就会变成一句自然的口头请求。而在实体服务领域，这意味着客人、病患、顾客可以用自己的语言提出需求，机器人能够听懂，回应，跟进，直至服务完成。这将彻底重塑“人与服务系统”的界面，而不是仅仅把一个“碳基员工”换成一个“硅基员工”。

大行为模型（LBMs）让机器人在实体世界里，

像LLMs在虚拟世界里一样“无所不能”

如果说LLMs（大语言模型）是在数字世界里理解和生成语言的“智能大脑”，那么LBMs（大行为模型）就是让机器人能在物理世界里观察、学习和模仿行为的“运动系统”。

相比LLMs，LBMs仍是一个较新的技术领域。它的核心理念是：像LLM通过海量语料学习语言一样，LBM通过大量动作数据学习“行为”。

而实体服务场景是出了名的“复杂、不可预测、充满变量”的，例如：“托盘可能倾斜”，“地面可能湿滑”，“客户递过来的是一杯水、碎花瓶，还是护肤品？”，甚至同一个动作，在不同环境下都差之千里。

因此，想通过“预先编程每个步骤”来教机器人做物理动作，几乎不可能。真正的突破在于：让它们像人类一样“学会学习”。

这套机制的妙处在于：

· 学习能力可以迁移。机器人在咖啡馆学会拿杯子，之后可以在诊所学会拿试管、在精品店拿精致工艺品。

· 如同丰田研究院CEO Gill Pratt所说：“让机器人对在一个厨房工作有信心，它就有信心在工厂和家里工作。”

换句话说：LLMs让机器人在“数字世界”里“说得像人”，LBMs让机器人在“现实世界”里“做得像人”。这正是服务机器人从 “机械臂” 到 “智能体” 的关键转折。

Agentic AI让服务机器人

具备“目标驱动”的自主行动能力

真正让实体AI变得“有商业意义”的关键一步，是让机器人不只是“会回答问题”，而是“能基于目标采取行动”。这正是Agentic AI的强大之处 ，它在机器人原本的对话能力之上，加入了：

· 记忆（Memory）；

· 逻辑推理与规划（Reasoning & Planning）；

· 执行（Execution）；

· 反思（Reflection）。

比如，一位老顾客要求提前入住酒店，机器人不仅能认出对方是“回头客”，还会“判断”是否应该为他破例，它会综合考虑客房清洁情况、VIP优先级、入住政策，然后给出合理的安排流程。这不再是按剧本执行，而是真正的“让机器人学会处理取舍、制定计划、执行行动”。

想象一下，一个固化脚本的机器人收到一个“优先配送”的指令，它可能只是照常沿着原路线送货。而融入Agentic AI的系统则会：

· 识别新目标（这不是普通任务，而是“优先配送”）；

· 动态调整路线（比如避开拥堵区域，改用备用入口）；

· 调用资源（提醒同组机器人协调加速、清空路线）；

· 执行完毕后总结经验，记录“是否按时送达、途中是否发生延误”。

它将整个任务拆解为记忆→推理→执行→反思四个环节，并不断自我优化。重要的是，这不需要通用人工智能（AGI）。这种“领域专用智能（domain-specific intelligence）”已经可以满足绝大多数服务场景所需的效果，例如：确保紧急订单优先送达、快速公平地安排客人入住、在营业结束前补充库存。

如今，像Boston Dynamics（Atlas）、Figure AI（Figure 02）、Tesla（Optimus Gen 3）等企业，正在积极研发通用型机器人。但AGI何时出现，仍是未知数。

但是，好消息是，这篇文章中的所有案例，都是不依赖AGI、已经在实验室里跑通、甚至在真实场景中试点的技术。对大多数企业来说，未来不是遥不可及，而是未来12个月~3年内就能实现在“大规模部署”的现实能力——这是服务革命的真正起点。

多模态输入让机器人“能听、能看、能动”，

形成真正的服务闭环

生成式AI驱动的服务机器人，之所以能实现“类人”的智能表现，根本原因在于：它们整合了LLM（语言理解）+LBM（行为执行）+Agentic AI（任务规划），通过多模态输入（multimodal input）实现了真正的“协同运作”。

这一能力让机器人不再只是“机械执行者”，而是更加接近现实世界里的服务者：它们能听懂、看懂、理解客户意图并采取行动。具体来说：

· LLMs帮助机器人听懂人类语言，并自然、上下文一致地回应，无论是对着客户说话，还是与员工对接信息；

· LBMs让机器人能执行具体任务，比如拿起东西、移动、避障、递送、调整姿态；

· Agentic AI则负责接到指令之后，该如何决定、如何排序任务、如何反馈执行过程。

三者叠加，就像给机器人装上了眼睛、耳朵、手脚，以及一颗“目标导向的智慧大脑”。

这套架构带来的商业价值是前所未有的：企业终于可以做到：像数字服务一样“规模化复制”物理服务体验，同时又像顶尖员工那样做到个性化和情境优化。相比人类员工，机器人反而更可能做到：

· 理解客户的情绪变化、语气差异；

· 记住你是谁、你上次点了什么、你喜欢什么风格；

· 在动态环境中保持对话逻辑一致，不会“漏话”“断片”；

· 能根据反馈和目标去调整服务节奏、提出建议。

换句话说，机器人现在不仅能“听懂你说什么”，还可以“推测你没说出口的需求”。这将带来一系列革命性的能力：

· 上下文理解能力：对话连续性、主题一致性；

· 自然语言识别的细腻精准：捕捉语气、情绪、紧急程度；

· 记忆与个性化：能记住顾客喜好、历史记录，提供差异服务；

· 多语言沟通：天然支持跨文化服务场景；

· 问题解决与纠错能力：主动识别问题并优化体验（比如“抱歉您久等了，我已经为您加速处理...”）。

传统服务机器人（如零售门店里的迎宾、餐厅里的送餐小车）执行的是固定脚本：问候、点餐、送货，路径固定、流程单一、互动形式僵硬，除了“新奇感”，几乎没有带来真实价值或体验优化。

生成式AI的加入则使服务机器人跃升到更高的服务层级：它们可以承担更复杂的客户交互角色，遍及酒店接待、医疗陪护、餐饮支持、零售咨询乃至服务恢复等。这是服务机器人的下一步：从“机械性任务执行者”，走向“全场景可互动的智能服务伙伴”。

零代码编程+群体学习，

让部署与优化“快又灵活”

第五项能力，彻底改变了“谁”能部署、调整、优化服务机器人这件事。过去，一旦遇到系统设备需要更新、不符合操作流程，或者想优化体验，就必须开工单给IT团队，联系供应商来现场调试，或者排期做系统升级。

这不仅麻烦，而且速度慢，往往一个小调整需要数周甚至数月。而现在，凭借生成式AI支持下的“零代码训练（No-Code Training）”，情况有了颠覆性的改变：一线员工可以直接告诉机器人：“你刚才的做法不对，应该这样做。”机器人还会“学”，并“记住”这个更优的方式。这个学习过程不再是写代码，而是由员工通过三个简单步骤完成：

· 问为什么（让机器人解释为什么这样做）；

· 告诉它更好的方式（用自然语言描述优化方案）；

· 示范怎么做（用肢体动作带它“看着学”）。

通过这个三步法，一线员工就能完成“现场调校”，让机器人变得更聪明、更贴近业务需求。更重要的是，一台机器人学会的技能，可以同步到整个机器人fleet（机器人群）里，只需正确审批确认，就能在全系统部署，真正做到：“一次学习，整队升级”。

这意味着：从发现问题、提出建议、到实现改进，不再需要几个月，而可能只需要几天。这是服务机器人部署从“技术推动”，真正走向“业务驱动”的关键节点：持续改进，将不再是总部工程师团队的任务，而是在一线就能完成。

五大能力，让机器人从“自助工具”

变成“智能执行者”

当这五项能力叠加，你会看到：服务机器人从过去的“哑巴型自助终端（dumb SSTs）”，转变为真正具备对话能力+判断能力+行动能力的自适应智能系统。它们可以：

· 按照上下文进行互动；

· 在物理空间自主执行任务；

· 不断学习，提高服务质量；

· 实现规模化部署，持续改进。

而这些机器人所具备的服务水平，已经可以达到，甚至超过多数人类一线员工的平均表现。换句话说：生成式AI时代的服务机器人，终于有能力以成本可控的方式，实现高质量的线下服务规模化复制。这是实体服务革命真正被启动的时刻。

从目前的实验室试点到实际场景部署，越来越多的案例显示：如果企业能设计好服务模型（operating model），服务机器人将在客户体验、员工效能、以及企业运营层面，带来显著价值提升。

接下来，我们将从三个角度来看它的潜力：

大多数客户不满的服务体验，都是从“服务界面”开始的，例如：自助机不懂人话，客服脚本不允许跳步骤，线上机器人拒绝回答“非标准问题”，都让客户陷入“被流程绑架”的困境。而搭载LLM的服务机器人，反转了这个逻辑，你说人话就行，剩下的交给它。机器人承担对话负担，负责理解、判断、执行，无论是语义识别还是物理执行。

举例：酒店入住体验的颠覆。过去在酒店前台：一位接待员需要点击六七个不同界面，才能核对预订信息、会员等级、房间打扫状态、偏好设置、付款方式……而一个生成式AI驱动的机器人可以同时连接多个系统，一边和客人对话欢迎，一边在后台调取会员资料、查房态、处理支付验证，甚至解决“房间还没清好但客人是VIP”这样的复杂冲突。

最终不到几秒，机器人微笑着递上房卡，让客人感到被亲切、高效、个性化对待，而这一切背后，是它比任何人类更快速、更准确地协调多系统数据。

零售/餐饮场景同样如此，想象一个零售场景：

顾客：“我想找一件中号绿色防水夹克，最好有内袋。”普通机器人可能只答一句：“请找店员”。而生成式AI服务机器人会：

· 先实时回应并确认需求；

· 自动联动库存系统检索店内现货；

· 发消息给后场请求取件；

· 同时推荐“这款腰包很适合搭配”；

· 观察顾客反应，再决定是否继续推荐。

对顾客来说，这感觉就像一个“懂你需求、反应迅速的私人购物助理”，而不是冷冰冰的工具。相比传统自助系统，这种“AI+物理存在”的融合，比人类员工更稳定，比旧式机器人更自然。它让客户觉得：“我不是在跟一台机器互动，我是被理解、被服务。”这正是生成式AI服务机器人在当下最大价值的体现之一。

另一个革命性变化来自于：前线员工不再只是“使用机器人”，而可以“训练机器人”。比如，一位寿司师傅发现送餐机器人摆盘的顺序不够讲究，他可以直接问：“为什么你这样摆盘？”，并告诉它：“更好的顺序是A→B→C，会更稳定、美观”，然后亲手示范一遍。

机器人就能“就地学会”。不需要软件工程师，也不需要排期开更新。而机器人也可以反向成为“员工教练”：

· 用自然语言协助员工掌握平台；

· 提供个性化、分步指导；

· 模拟真实场景，给予即时反馈。

员工一边训练机器人如何服务客户，一边也在“被机器人训练”，成为更懂AI、更具系统思维的“新型一线人才”。

最终，一线员工的工作变得更专业，更具技能含量；发展路径从“操作人员”进阶为“协作设计者”；企业内部形成了“公民开发者”的文化基础，对AI有更深层的理解。

对企业领导者来说，真正的战略红利不只是“用机器人省人工”，而是：以可控成本，破解实体服务领域长期难以解决的矛盾：规模化一致性×个性化体验。这是一直以来实体服务的“阿喀琉斯之踵”：无论如何培训人员，服务水平总是参差不齐，很难像数字服务那样“一次优化，全球复制”。而生成式AI服务机器人首次让企业能做到：

· 一致性：机器人不会忘记流程，也不会因为疲惫而降低标准；

· 个性化：因应每位顾客需求，做出即时动态调整；

· 规模化复制：一旦有效，在全球范围内自动化部署。

企业常常只优化高频、标准化的流程（如收银、点餐、办理入房）。但真正困扰系统的是那些“每月偶尔出现”的流程，例如：某个门店每个月只处理一次特殊退款，某家酒店每周只接到几位行动不便的贵宾，某家诊所每隔几天才遇到罕见的问诊场景。

对单店来说，这些流程“出现频率不高”，往往难以标准化、也不值得投入系统优化。但对拥有数千个门店/数万个服务接触点的大型品牌来说，每月1次的“低频事件”X1万个门店=每月1万次流程。在过去，这些低频“长尾流程”是组织黑洞，不断消耗运营成本、人力注意力，却很难统一提升。但现在，通过“机器人群体学习（Fleet Learning）”，一个门店解决了问题，整条网络都能获益：

· 一次培训，全系统升级；

· 长尾场景被“集体优化”；

· 原本碎片化、不透明的低效行为被学习、总结、提升。

这就是：小规模提升，大规模放大 ， 解锁隐藏的“长尾生产力”。

在数字业务里，我们有着成熟的用户行为分析体系，例如：点击率、滚动深度、停留时长、放弃购物车行为，而实体服务，通过机器人，现在终于有能力把“面对面服务”也数字化了。机器人搭载摄像头和麦克风，可以记录：顾客的面部表情变化，语气、语速、音调，肢体语言和姿势变化，喜欢/抵触时的互动模式。

这些信号经过分析，就能形成“情绪印记（emotion prints）”：服务过程的哪些瞬间让顾客发光？在哪里冷淡失焦？何时变得焦躁、拒绝？相比依赖事后问卷与抽样调查，这种实时洞察覆盖率几乎是 100%，真实反馈无须等结果延迟，是“每一次服务都是学习样本”的极致体现。对企业而言，服务机器人带来的，不止是“自动化”，而是“数据智能化+体验乘数效应”：AI让实体服务，不再是“黑箱”，而变成可测量、可优化、可复制、可增长的运营资产。

从“数字世界”转向“现实世界”的放大镜。

搭载生成式AI的服务机器人，通常会配备摄像头和麦克风。在法律允许前提下，它们可以记录、分析几乎所有面对面互动； 结合语言模型，它们还能“理解”用户背景，“识别”行为模式，并适时提出建议、引导选择。这让它们在销售、加购、推荐交叉销售中展现巨大能力，但如果没有透明度和约束，也可能变成：悄无声息地影响、说服、甚至操控用户行为。同时，机器人在决定：谁获得升级？谁可以提前入住？谁应被推荐更高价格或更优方案？

这些决策如果缺乏透明规则，易引发歧视、偏见与不公平待遇问题，因此，建议：

· 决策逻辑必须明确、公平、可解释；

· 建立偏见监测机制；

· 提供“申诉机制”，使客户可质疑或反对自动化决策。

因为技术往往比你更了解你自己，它能预测、引导你的行为 ，透明与信任就尤为关键。

机器人不只是“软风险”，也有“硬风险”。

机器人进入餐厅、医院等场景时，不仅有隐私问题，还有食品安全问题：机器手臂是否符合卫生标准？机器人在化疗病房里移动是否有交叉污染风险？也会涉及空间安全问题：机器人会不会撞人？撞物？导致设备损坏？

现实中就有案例：某医院机器人碰撞了高价值医疗设备，造成数千美元损失。因此，安全防护绝非可选项：

· 建立安全评估体系（Safety Cases）；

· 设置“地理围栏（Geofencing）”约束活动区域；

· 配备紧急停止机制（Emergency Stop）；

· 实施实时监控。

这应成为标准配置，而非“默认为无风险”。

AI “越学越偏”怎么办？

生成式AI机器人的一大优势在于“从互动中学习”，但这也带来风险，例如：它可能“学坏”——在酒店里跟着醉酒客人学“脏话”；在博物馆里被游客恶作剧、反复调戏；系统开始模仿“不当行为”。随着数据迭代，模型可能出现漂移（Model Drift），偏离原本的预期方向。甚至有顾客会刻意“操控系统”，例如：今天说点偏颇信息，明天博取“特殊待遇”或激活个性化优惠。

因此，需要明确“边界训练规则”与纠偏机制；定期复检模型输出与行为；引入“对抗式测试”（Red Teaming）手段。

影子IT的现实版

当模型学会“演戏”怎么办？

要将“从试点到规模化部署”变成现实，企业必须重新设计运营模型。这意味着领导者需要重新思考：如何选取适合的服务场景？如何构建机器人体系与集群部署？如何设计学习循环、改进机制与角色分工？如何定义自治分级、监测运营效果、计算真实ROI？

以下是成功实施生成式AI机器人部署的关键建议：

# 推荐阅读 #

NUS蝉联QS世界大学排名亚洲第1、全球第8！

招生简章 | 新加坡国立大学2026级EMBA高级工商管理硕士学位课程