1. 成熟度标签律。所有技术能⼒按"已部署 / 试点 / 演⽰ / ⼚商宣称"四级区分；引⽤任何前

📅 07-03 16:18 📰 研报·AI-SLI 下载原文 PDF ↓

全球教育机器⼈发展蓝⽪书 2026⼤模型、具⾝智能与⼈形机器⼈时代的学习Global Educational Robots Blue Book 2026Learning in the Age of Foundation Models, Embodied AI, and Humanoid RobotsAI-SLI
2026 年 6 ⽉
编写说明：本报告的⼈⼯智能辅助研制过程AI-SLI · ⼈⼯智能辅助研制本蓝⽪书是 AI-SLI 在“⼈⼯智能辅助知识⽣产”⽅向上的⼀次系统性探索与尝试，也是《全球教育机器⼈发展⽩⽪书》系列（2016、2019）⾯向 2026 的全新⼀版（并升级为蓝⽪书体例）。报告研制全程引⼊⽣成式⼈⼯智能作为研究助⼿，在研究团队的选题、设计与把关之下，承担了四类劳动密集型⼯作。其⼀，全局采集与数据核验——对全球与中国教育机器⼈、具⾝智能、⼈形机器⼈与智能体导师的市场报告、出货与⼚商数据、政策原⽂与学术循证展开多源充分采集，对关键数字逐项溯源、以不少于两个独⽴来源交叉印证并予以⼜径勘误，对前沿系统严格区分“已规模化部署”与“实验室演⽰”。其⼆，理论锚定与⽂献综合——从 2016/2019 原版提取并核验其对教育机器⼈的定义、分类与产业链框架，在⼤模型与具⾝智能语境下予以再界定。其三，⽂本撰写、图表绘制与引⽂规范——按统⼀论证结构完成各章撰写、架构图与产业链图绘制，并以分级可信度标注维护逐条可溯源的引⽤体系。其四，中英双语并⾏——在统⼀术语表约束下产出语义对齐的中英⽂两个版本。需要郑重说明的是：⼈⼯智能在本报告中承担的是采集、核验、起草、制图与引⽂管理等密集性⼯作，⽽研究选题、价值判断、学理与产业研判及最终结论，均由研究团队主导并负责把关。报告坚持保守准确——数据均要求真实可复核、市场数字不少于两个独⽴来源交叉印证，对新⽣赛道审慎标注⼜径、不过度宣称。我们谨以此报告作为⾯向未来的研制⼯作流参考，供教育同仁批评指正——它是⼀次对知识⽣产新范式的真诚尝试，⽽⾮对专家研判与同⾏评议的替代。⽬录第⼀篇总览与坐标 .................................................................................................................................. 1第 1 章引⾔：教育机器⼈的⼗年演进与 2026 全局图景 ............................................................ 2第 2 章政策图景：⼗⼆法域的双轨结构与⼉童—AI 硬约束 .................................................. 10第 3 章定义与分类：从⼆分框架到具⾝—智能体连续谱 ........................................................ 17第⼆篇能⼒跃迁：⼤脑、本体与世界模型 ........................................................................................ 27第 4 章技术演进：从规则脚本到具⾝基础模型 ........................................................................ 28第 5 章智能体化：软件导师先于机器⼈本体的规模化落地 .................................................... 41第 6 章具⾝本体全谱：⼈形、灵巧⼿与四⾜ ............................................................................ 50第 7 章多模态交互与学情分析：⾏为感知、受控研究与情绪识别红线 ................................ 64第三篇落地与证据：谁真正进了课堂 ................................................................................................ 72第 8 章应⽤场景全谱：五⼤细分赛道的成熟度梯度 ................................................................ 73第 9 章案例与试点：真实落地的证据等级图谱 ........................................................................ 81第 10 章学习成效循证：分场景的证据强度评估 ...................................................................... 94第四篇产业与市场 .............................................................................................................................. 107第 11 章价值链重构：从硬件链到 VLA 算法层与上游瓶颈 ................................................. 108第 12 章市场规模与 TAM：多源并列的保守区间 .................................................................. 118第 13 章竞争格局：代表⼚商、出货排名与资本分化 ............................................................ 128第五篇治理与前瞻 .............................................................................................................................. 138第 14 章安全、伦理与治理：五条监管红线与⼉童—AI 硬约束 .......................................... 139第 15 章趋势研判、路线图与政策议程 .................................................................................... 149附录⽅法、术语、政策与数据 .......................................................................................................... 157附录 A 研究⽅法学：研究⽬标、混合⽅法证据合成与数据收集规程 .................................. 158附录 B 术语表（中英对照） ...................................................................................................... 167附录 C 国际政策对照表（9 国家/地区 + 3 国际组织） ........................................................... 173附录 D 中国政策时间线（2017 → 2026） ................................................................................ 181附录 E 代表产品矩阵：机型 × 能⼒ × 价格 × 教育进⼊状态 ................................................. 188附录 F 数据可得性声明与未闭合项清单 .................................................................................. 198附录 G 参考⽂献体系与数据来源说明 ...................................................................................... 206全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第⼀篇总览与坐标⼀个核⼼判断——⼤脑已换代、⾝体未长⼤：能⼒的代际跃迁与教育部署的滞后本篇导读先⽴判断、再定坐标：2026 年教育机器⼈迎来能⼒的代际跃迁，但教育部署严重滞后——“⼤脑已换代、⾝体未长⼤”。在进⼊技术与产业细节之前，本篇⽤政策双轨与定义分类，框定全书讨论的边界与坐标系。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 1 章引⾔：教育机器⼈的⼗年演进与 2026 全局图景把"机器⼈"放进"教育"，过去⼗年发⽣的并⾮渐进改良，⽽是⼀次底座替换：终端的"⾝体"形态变化有限，驱动它的"⼤脑"却⼏乎被整体置换。本章给出贯穿全书的核⼼判断——能⼒跑在了部署前⾯——并据此确⽴三条主线、五条铁律与⼀张阅读地图。读者若只读⼀节，请读 1.2 节的能⼒—部署落差。1.1 核⼼判断：能⼒已经代际跃迁，部署远未跟上⽤⼀句话概括 2026 年的教育机器⼈：最前沿的能⼒已完成代际跃迁，真正进⼊常态化课堂的部署却远未跟上。这⼀"能⼒—部署落差"是本蓝⽪书全部判断的出发点，也是它与市场上多数乐观叙事的根本分歧所在。要理解这道落差，先看"能⼒"这⼀侧发⽣了什么。教育机器⼈不是新概念。2016 年发布的国内⾸部系统性的《全球教育机器⼈发展⽩⽪书》，把"机器⼈教育"与"教育服务机器⼈"统⼀纳⼊"教育机器⼈（Educational Robots）"这⼀总概念，并提出教育机器⼈将成为继⼯业机器⼈、服务机器⼈之后的"第三类机器⼈"发展领域1；其后的修订固化了这⼀框架，给出⼆分结构、三⾓⾊坐标与产业链分层，并对全球市场做出量化预测2。这套定义—⾓⾊—产业链结构，经多家独⽴第三⽅转载与本研究逐字交叉核验，未发现任何⽆法溯源的框架要素3，⾄今仍是中⽂语境下讨论教育机器⼈最具系统性的理论基座，也是本蓝⽪书续接与升级的起点。那⼀代教育机器⼈栖⾝于⼀个"规则—传感—脚本"的世界：它或是学习者亲⼿组装、⽤图形化语⾔编程的积⽊套件，或是结构固定、依靠预设动作库与脚本对话运转的服务本体。机器⼈的"智能"绝⼤多数来⾃⼯程师事先写好的规则，⽽⾮机器⾃⾝的语⾔理解与推理。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI数年之后，技术底座完成了代际级别的更替。2022 年以来，以⼤语⾔模型（LLM）与视觉—语⾔模型（VLM）为代表的基础⼤模型，为机器⼈提供了此前不具备的常识推理、语⾔规划与零样本任务分解能⼒，扮演起"⼤脑"的⾓⾊；视觉—语⾔—动作（Vision-Language-Action, VLA）端到端模型则把感知与动作统⼀进同⼀张⽹络，充当协调⾝体的"⼩脑"456。从 NVIDIA 的⼈形基础模型 GR00T，到 Figure AI 的⼈形 VLA 系统 Helix，"基础⼤模型作⼤脑 + 具⾝智能作⼩脑"已成为 2026 年机器⼈领域的主导范式78。断层是可量度的：⼗年前教育机器⼈的关键技术清单（语⾳识别、机器视觉、情境感知）与 2026 年的技术词汇表（多模态⼤模型、具⾝智能、智能体编排、端侧推理）⼏乎不再重叠。这⼀范式跃迁使旧有的技术叙事、市场⼜径乃⾄治理框架都不⾜以描述当下。理论侧同期也有权威更新：黄荣怀、陈莺与 Ahmed Tlili（2024）在⽣成式 AI 背景下重新梳理了教育机器⼈的典型应⽤场景，把以 ChatGPT 为代表的聊天机器⼈（chatbot）纳⼊教育机器⼈的讨论范畴，并提出教育领域应遵循鲁棒性、合法性、合规性与合乎伦理性的"可信 AI 四准则"9。这⼀更新来⾃原作者团队本⾝，为 2026 版的再界定提供了权威⽽连续的接续点——本蓝⽪书因此是站在既有理论谱系之上的承启之作，⽽⾮另起炉灶。能⼒的跃迁不等于落地的兑现。本蓝⽪书在记录范式跃迁真实进展的同时，要冷静甄别哪些进展已经进⼊课堂、哪些仍停留在演⽰阶段；既拥抱"AI+教育"的政策红利，也正视 2025—2026年间密集落地的⼉童—AI 监管约束。三条主线即据此展开。1.2 三条主线：范式跃迁、能⼒—部署落差、治理红线为保证全书五个部分（格局、技术、应⽤、产业、治理与未来）相互⼀致、不致互相⽭盾或过度宣称，本蓝⽪书确⽴三条贯穿始终的叙事主线。三者互为约束，缺⼀不可。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI主线⼀·范式跃迁。教育机器⼈的技术底座已从"规则—传感—脚本"整体跃迁⾄"基础⼤模型作⼤脑 + 具⾝智能 VLA 作⼩脑"。这⼀代际断层有清晰的样本⽀撑：从奠基性的 RT-2 到权重开源的 π0、再到⼈形 VLA 系统 Helix 与⼈形基础模型 GR00T，机器⼈⾸次具备了端到端的语⾔—视觉—动作能⼒4687。本蓝⽪书第⼆部分（技术）将沿此主线展开。主线⼆·能⼒—部署落差。这是全书最重要、也最需反复强调的审慎判断：2026 年最前沿的"基础⼤模型 + 具⾝智能"能⼒，绝⼤多数仍停留在实验室演⽰与⼚商发布视频，尚未进⼊常态化教育部署。在教育领域，真正实现规模化落地的并⾮具⾝机器⼈本体，⽽是屏幕端的软件 LLM智能体导师——可汗学院的 Khanmigo，其 K-12 学⽣⽤户在⼀个学年内从约 4 万增长⾄约 70 万，其总⽤户（含教师）⾄ 2025 年 4 ⽉增⾄约 140 万，覆盖美国约 350 个学区并扩展⾄印度、巴西、菲律宾1011。落地的是"⼤脑"，具⾝"本体"尚未落地。本蓝⽪书因此要求：每⼀处引⽤前沿能⼒，都必须带上成熟度标签（详见 1.4 节），避免把⼚商演⽰当作既成事实。主线三·治理红线。教育机器⼈正处于"⿎励进课堂"与"约束⼉童—AI 交互风险"两股监管⼒量的交汇点。⼀⽅⾯，中国、印度、新加坡、英国、⽇本、澳⼤利亚等多个法域正以课程化⽅式推动 AI 与机器⼈进⼊基础教育；另⼀⽅⾯，2025—2026 年间多个法域密集出台硬性约束——中国《⼈⼯智能拟⼈化互动服务管理暂⾏办法》、欧盟《⼈⼯智能法案》第 5(1)(f) 条对教育机构情绪识别的禁令、美国 COPPA 2025 修订对⼉童⽣物识别的纳管121314。因此，本蓝⽪书将治理从展望章节的附注升格为与定义、分类并列的⼀级框架，其理论接续点正是黄荣怀等（2024）提出的可信 AI 四准则9。三条主线互为约束：范式跃迁解释了"能⼒"为何突飞猛进，能⼒—部署落差提醒读者"部署"远未跟上，治理红线则界定了部署可以⾛多远。任何脱离其中⼀条⽽单独成⽴的论断，都应被视为可疑——这既是本蓝⽪书的⽅法论⾃律，也是给读者的⼀把校验尺。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI1.3 全局图景与全书结构本蓝⽪书把当代教育机器⼈的系统结构概括为"⼤脑—本体—感知—数据—治理"五个相互耦合的域：基础⼤模型与 VLA 构成的"⼤脑"提供推理与决策，社交本体或⼈形本体构成的"⾝体"承载交互，多模态感知层采集语⾳、视觉与⾏为信号，数据与平台层⽀撑训练、记忆与运维，治理层则以可信 AI 准则、未成年⼈数据保护与监管红线为外部约束。总览见。图中也标明：当前"⼤脑"已规模化落地（以软件智能体为代表），⽽"⾝体"层多数仍处演⽰与试点状态，能⼒—部署落差正体现在这两层成熟度的错位之上。图 1 是⼀张结构图⽽⾮成熟度承诺图——图中出现的具⾝本体并不意味着它们已普遍进⼊课堂，具体成熟度须以第⼆部分各系统的标签为准。图 01. 教育机器⼈ 2026 整体架构总览（五域：政策与伦理治理／理论锚定／技术栈／应⽤场景谱系／产业链）。唯⼀强调⾊标注核⼼「具⾝⼤脑/VLA」与新增层；左侧贯穿「能⼒—部署落差」主轴。来源：黄荣怀·陈莺·Tlili（2024）可信 AI 四准则、SLIBNU 2016/2019 ⼆分与三⾓⾊。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI本蓝⽪书共⼗五章，分为五个部分，外加七个附录（⽅法论、术语表、国际政策对照、中国政策时间线、产品矩阵、数据可得性、参考⽂献）。五部分的逻辑结构见。图 02. ⽩⽪书五部分逻辑结构（格局—技术—应⽤—产业—治理五部分递进 + 三条贯穿主线：范式跃迁／能⼒—部署落差／治理与红线）。来源：本⽩⽪书结构（⾃指）。- 第⼀部分·格局（第 1—3 章）：本引⾔之后，第 2 章给出 12 法域政策格局速览，第 3 章在黄荣怀等（2024）框架基础上完成定义、分类与教育⾓⾊的 2026 再界定。这是全书的理论与坐标地基。 - 第⼆部分·技术（第 4—7 章）：技术演进的四个台阶、智能体化导师的兴起、⼈形与社交本体的硬件曲线、多模态交互与学情分析。每⼀处前沿能⼒均带成熟度标签。 - 第三部分·应⽤（第 8—10 章）：应⽤场景全谱、案例与试点（区分"已部署"与"演⽰/宣称"）、学习成效循证（按场景标证据强度，负⾯与零效应同等记录）。 - 第四部分·产业（第 11—13 章）：价值链重构与新增 VLA 算法层、市场规模与 TAM（多源并列、历史回望）、竞争格局与资本"冰⽕两重天"。 - 第五部分·治理与未来（第 14—15 章）：安全、伦理与治理⼀级框架（五条政策红线），以及趋势、路线图与研究议程。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI阅读指引：希望快速把握全局者，可读第 1 章与各章"本章⼩结"；关注产品落地者，重点读第 9、13 章与附录 E；关注循证者，第 10 章为信息最密集的核⼼章；关注合规者，第 2、14 章与附录 C/D 构成完整政策线索。本蓝⽪书对跨章主题做了明确去重：定义与再界定归第 3 章，政策条款细则归第 14 章与附录，市场⼜径与历史回望归第 12 章，本引⾔仅做点题与预告，不展开重复论证。1.4 ⽅法论与五条铁律本蓝⽪书的全部数据来⾃五路并⾏调研——市场产业、技术演进、政策治理、循证证据，以及既有理论框架与理论锚定——汇编为单⼀事实源，并对每⼀条 headline 数字做了多源交叉核验（⽅法论细则与可信度分级见附录 A）。核验遵循⼀条分级原则：凡进⼊正⽂的关键数字，优先取官⽅原⽂或经独⽴第三⽅交叉的⼜径，单⼀机构⼜径须明确标注，冲突⼜径并列呈现⽽⾮择其激进者。研究设计上，本蓝⽪书采⽤混合⽅法证据合成：系统⽂献综述、市场数据三⾓测量、政策⽂本分析与循证证据合成四线并⾏、相互印证。不⽤单⼀⽅法，是因为教育机器⼈是产业—学理混合体，市场与产业数据多存于机构报告与财报招股书⽽⾮同⾏评审⽂献。数据收集覆盖学术（Google Scholar/ERIC/Web of Science/知⽹）、市场（机构报告与⾏业数据库）、政策（各国政府与国际组织官⽹）、产业（⼚商官⽹、财报与招股书）四类源，采集时点为 2025—2026 年，跨时点数字均注明采集⽇，并区分⼀⼿与⼆⼿、剔除⽆法溯源者。核验要求关键数字不少于两个独⽴来源交叉印证；可信度按"同⾏评审 > 官⽅政策原⽂ > 机构报告/财报招股书（须标⼜径）>⾏业媒体/⼆⼿汇总（须审慎）"四级分级；成熟度按"已规模化部署 / 试点 / 实验室演⽰ / ⼚商宣称"四级标签贯穿全书。完整研究流程图与全部规程详见附录 A。为约束撰写与引⽤，本蓝⽪书⾃我设定五条铁律：全球教育机器⼈发展蓝⽪书 2026 · AI-SLI
1. 成熟度标签律。所有技术能⼒按"已部署 / 试点 / 演⽰ / ⼚商宣称"四级区分；引⽤任何前
沿能⼒必带标签。"已部署"指有公开商业供货或第三⽅现场报道；"试点"指⼩规模真实场景；"演⽰"指研究论⽂、受控评测或⼚商发布视频；"⼚商宣称"指公司⼜径⽽未经独⽴核验。
2. 货币⼜径律。凡涉及中国企业财报数字，"亿元"与"billion"⼀律以原⽂核对值为准，不得
混淆（1 亿元 ≈ 0.14 亿美元，绝⾮ 1 billion）。⼀个突出的勘误是：海外检索引擎曾把优必选约13 亿元⼈民币营收误读为 130 亿美元、把宇树营收误读为 17 billion——正确值分别是 13.05 亿元与 17.08 亿元⼈民币（相关数字在第 13 章详述）。
3. 循证诚实律。不编造效应量；负⾯与零效应同等记录；单次或短期会话观察到的正效应须
因"新奇效应"打折。语⾔学习与 LLM 驱动机器⼈不可宣称"已证有效"。
4. 市场并列律。冲突的市场⼜径并列呈现并解释差异，不取最激进的单⼀数值。例如中国市
场宽⼜径（含培训服务）与窄⼜径（本体/解决⽅案）相差近 3 倍，必须同时给出、切勿混⽤。
5. 政策原⽂律。政策的⽂件名、⽂号、⽣效⽇期与关键条款⼀律以官⽅原⽂为准；尚未最终
通过的提案须明确标注其状态。这五条铁律不是装饰性声明，⽽是贯穿全书每⼀处数字与论断的硬约束。读者若发现书中某处前沿能⼒未带成熟度标签、或某个市场数值被当作唯⼀权威⼜径，均可视为对本铁律的违反。1.5 历史预测的诚实回望（预告）本蓝⽪书相对前作的⼀项重要⽅法论改进，是对历史市场预测做诚实回望。早期版本曾基于"终端消费/教育机构/教育套件/STEAM 玩具"四模型加总，预测全球教育机器⼈市场到 2021 年约达 111 亿美元、到 2023 年约达 841 亿美元12。这两个数字均为当时的预测值，且⼜径较宽，混⼊了⼤量消费玩具与培训服务。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI2026 年的实际市场测算远低于此：即便采⽤较激进的机构⼜径，全球教育机器⼈市场到2030 年前后也仅约 55—58 亿美元量级1516。"841 亿美元"的历史预测因此明显偏⾼、⼜径过宽。本节仅作预告。全球与中国市场的多源并列区间、⼜径冲突的逐项解释，以及"841 亿 vs ≤58亿"对照的完整论证，统⼀在第 12 章呈现。在那之前，请读者严格区分"狭义教育机器⼈本体市场"与"泛机器⼈教育/STEAM 消费市场"两个⼜径，并把"841 亿美元"视为⼀个需要诚实修正的历史预测，⽽⾮可直接复⽤的既成事实。这⼀回望本⾝就传递了本蓝⽪书的⽅法论态度：对前沿能⼒保持热情，对数字与时间表保持克制。本章⼩结本章给出了贯穿全书的核⼼判断——能⼒已完成代际跃迁、部署远未跟上；确⽴了三条主线（范式跃迁、能⼒—部署落差、治理红线）与五条铁律（成熟度、货币⼜径、循证、并列、原⽂）；给出了"⼤脑—本体—感知—数据—治理"五域的全局架构（图 1）与五部分阅读地图（图2）；并对历史预测的诚实回望做了预告。贯穿本章的基调是审慎⽽⾮悲观："⼤脑"已落地、具⾝"本体"尚未落地，这⼀能⼒—部署落差是理解全书后续所有技术、应⽤与产业判断的前提。第 2 章从政策格局切⼊，速览全球 12 个法域"⿎励进课堂"与"约束⼉童—AI"的双轨态势，为第 3 章的定义再界定与第 14 章的治理⼀级框架铺设外部约束的底⾊。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 2 章政策图景：⼗⼆法域的双轨结构与⼉童—AI 硬约任何对 2026 年教育机器⼈的判断，都绕不开它所处的政策场域。本章对全球 12 个法域（9 个国家/地区 + 3 个国际组织）做格局速览，勾勒"课程化进课堂"与"⼉童—AI 硬约束"两条并⾏轨道及其收敛趋势。需预先声明：本章只做格局速览，所有政策的⽂号、⽣效⽇期与条款细节⼀律以第 14 章与附录 C/D 的官⽅原⽂为准，本章不展开条款。2.1 双轨结构：12 法域的政策坐标本蓝⽪书纳⼊政策分析的 12 个法域，包括 9 个国家/地区——中国、欧盟、美国、英国、⽇本、韩国、新加坡、澳⼤利亚、印度——以及 3 个国际组织——联合国教科⽂组织（UNESCO）、经济合作与发展组织（OECD）与世界经济论坛（WEF）。这些法域的政策⼤致归⼊两条并⾏轨道。课程化进课堂轨道以国家课程标准、教学指南、AI素养必修模块乃⾄地⽅课时硬约束的⽅式，主动把⼈⼯智能与机器⼈引⼊基础教育。⼉童—AI硬约束轨道则以部门规章、法案条款或州法的⽅式，对⼉童与 AI 系统（尤其是拟⼈化陪伴、情绪识别、⽣物识别）的交互施加硬性限制。关键之处在于：两条轨道并⾮分属不同国家，⽽往往在同⼀法域内并存，中国与欧盟最为典型。中国⼀⾯以"⼈⼯智能+教育"⾏动计划、通识指南与地⽅课时硬约束⼤⼒推动 AI 进课堂，⼀⾯又出台全球⾸部针对拟⼈化陪伴的部门规章；欧盟⼀⾯通过国家层⾯的⽣成式 AI 教学指南⿎励应⽤，⼀⾯以《⼈⼯智能法案》在教育机构层⾯禁⽌情绪识别。这种"⼀⼿⿎励、⼀⼿约束"的全球教育机器⼈发展蓝⽪书 2026 · AI-SLI双轨结构，是 2026 年全球教育机器⼈政策格局最显著的特征。全球政策时间线（2018→2027，课程化 vs 硬约束双轨）见。图 03. 全球教育 AI 政策时间线 2018→2027（双轨：课程化推进 vs ⼉童-AI 硬约束红线）。来源：CAC 拟⼈化办法（2026-07-15 施⾏）、EU AI Act Art.5(1)(f)、FTC COPPA 2025、中国 AI 通识指南、印度 CBSE、UNESCO 能⼒框架；Omnibus 推迟为提案、未最终通过。UNESCO、OECD 与 WEF 三个国际组织并不直接⽴法，却通过能⼒框架、伦理原则与议程设置，为各国政策提供价值与素养的公约数，在双轨格局中扮演"协调层"⾓⾊（详见 2.5 节）。以下先按两条轨道分别速览各法域，再回到双轨收敛的全局判断。2.2 课程化进课堂阵营课程化进课堂阵营覆盖中国、印度、新加坡，以及英国、⽇本、澳⼤利亚等。其共同取向是：把 AI 与机器⼈从"课外兴趣"提升为"课程内容"，并以政府⽂件或课程标准的形式加以制度化。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI中国是课程化推进⼒度最⼤的法域，且推进已从"⽂件倡导"深⼊到"课时硬约束"。在顶层，国务院《关于深⼊实施"⼈⼯智能+"⾏动的意见》提出了智能终端与智能体应⽤的普及⽬标17，《教育强国建设规划纲要（2024—2035 年）》提供了长期战略框架18；在执⾏层，五部门联合印发的《"⼈⼯智能+教育"⾏动计划》系统部署了 AI 进教育的路径，并在配套发布会上披露了全国AI 教育基点校⽹络的建设进展1920；《中⼩学⼈⼯智能通识教育指南（2025 年版）》则按学段做了分层递进的安排——⼩学重体验、初中重原理、⾼中重系统与创新21。推进⼒度最实的是地⽅层⾯的课时硬约束。北京《推进中⼩学⼈⼯智能教育⼯作⽅案（2025—2027 年）》规定，⾃ 2025 年秋季学期起，全市中⼩学开设 AI 通识课，每学年不少于 8课时、覆盖全学段22；上海⾃ 2024 年秋季起在⼩学四年级、初中七年级开设地⽅课程《⼈⼯智能基础》，进⼊常规教学节奏（媒体⼜径为每周 1 课时、每学年不少于 30 课时，该课时数为⼆⼿报道、引⽤硬数字前宜回查上海市教委原⽂）23。这些课时约束把 AI 教育从"⿎励开设"推进到"必须开齐开⾜"，是课程化轨道在中国⾛得最实的⼀步。印度的中央中等教育委员会（CBSE）计划将⼈⼯智能与计算思维课程从较低年级起系统引⼊基础教育，覆盖范围⼴、年级跨度⼤，是全球规模最⼤的国家级 AI 课程部署之⼀24。新加坡将 AI 素养纳⼊其⾯向 2030 年的教育科技规划，并设置 AI 素养相关的必修模块，强调全民数字与 AI 能⼒25。英国、⽇本、澳⼤利亚则以"教师主导（teacher-led）"的⽣成式 AI 教学指南为主要抓⼿：英国教育部发布⾯向学校的⽣成式 AI 应⽤指南26；⽇本⽂部科学省更新了校园⽣成式 AI 使⽤指南27；澳⼤利亚以"⼈与社会福祉"为核⼼价值发布⽣成式 AI 教育框架28。这⼀组政策审慎⽽⾮激进，强调在教师监督下、在明确的教育⽬标下引⼊ AI ⼯具，⽽⾮放任学⽣⾃主使⽤。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI课程化阵营的政策红利清晰：与通识指南、CBSE 课程、UNESCO 能⼒框架对齐的产品与课程，更容易获得院校直采与政府采购的机会。但红利始终附带"教师主导、充分验证"的前提，这⼀前提在第 14 章韩国 AI 数字教科书的警⽰案例中将得到反证。2.3 产业政策：地⽅具⾝/⼈形扶持与教育的关联课程化进课堂之外，2025—2026 年间另⼀股直接塑造教育机器⼈供给侧的⼒量，是地⽅政府密集出台的具⾝智能/⼈形机器⼈产业扶持政策。它们虽不直接⾯向课堂，却通过培育本体⼚商、压低硬件成本、扶持科研教学平台，间接决定了"什么样的机器⼈能以什么价格进⼊教育"。国家层⾯，⼯业和信息化部 2023 年的⼈形机器⼈创新发展指导意见，确⽴了把⼈形机器⼈作为战略性新兴产业培育的⽅向29。地⽅层⾯，深圳、上海、北京三地均出台了三年期具⾝智能产业⾏动计划：深圳提出到 2027 年具⾝相关企业超 1200 家、关联产业规模超 1000 亿元30；上海提出到 2027 年具⾝核⼼产业规模超 500 亿元、突破⼀批核⼼算法31；北京提出到 2027 年培育不少于 50 家核⼼企业、推动万台级具⾝机器⼈落地，并明确把科研教育列为规模化应⽤场景之⼀32。伴随这股产业热，深圳等地的⼈形机器⼈企业正加速冲刺资本市场33。这⼀产业政策对教育的传导间接⽽真实：地⽅扶持加速了本体国产化与降本，使四⾜机器⼈、科研教学⼈形等以更可负担的价格进⼊⾼校与职教实验室。须审慎区分的是，产业⽬标中的"规模化应⽤"主要指⼯业、商⽤与科研场景，并不等于"⼈形进中⼩学课堂当⽼师"。产业政策与课程政策的衔接逻辑将在第 11 章产业链的"政策驱动"⼀节展开。2.4 ⼉童—AI 硬约束阵营与课程化推进并⾏的，是 2025—2026 年间密集落地的⼉童—AI 硬约束。其焦点⾼度集中在三个⽅向：拟⼈化陪伴、课堂情绪识别、⼉童⽣物识别。代表性法域为中国、欧盟与美国。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI中国在硬约束⽅向同样⾛在前列。《⼈⼯智能拟⼈化互动服务管理暂⾏办法》于 2026 年 4⽉ 10 ⽇公布、2026 年 7 ⽉ 15 ⽇施⾏，是其中冲击最⼤的⼀部：它禁⽌向未成年⼈提供"虚拟亲属、虚拟伴侣"等虚拟亲密关系服务，并禁⽌诱导情感依赖与情感操纵12；其配套答记者问进⼀步阐明了适⽤范围与监管意图34。这是全球⾸部直接针对"拟⼈化陪伴"的部门规章，对陪伴型教育机器⼈的产品定位影响尤为直接。与此并⾏，《中⼩学⽣成式⼈⼯智能使⽤指南（2025 年版）》在教学层⾯设限——⼩学阶段禁⽌学⽣独⾃使⽤开放式内容⽣成功能，并要求学校建⽴ AI ⼯具⽩名单35。欧盟的硬约束以《⼈⼯智能法案》（Regulation (EU) 2024/1689）为载体36。其中第 5(1)(f) 条禁⽌在教育机构使⽤ AI 推断⾃然⼈情绪（即情绪识别），⾃ 2025 年 2 ⽉ 2 ⽇起适⽤13，直接限制了带"专注度/情绪监测"功能的课堂机器⼈与摄像头系统，对多模态学情分析类产品构成全球性的设计禁区预警（详见第 7、14 章）。美国的硬约束分布在联邦与州两个层⾯，且州级⽴法已从"提案"进⼊"已⽣效"。联邦层⾯，COPPA 2025 修订将⽣物识别信息（如声纹、⾯部特征）纳⼊⼉童个⼈信息范畴，⾃ 2025 年 6 ⽉23 ⽇⽣效、合规截⽌ 2026 年 4 ⽉ 22 ⽇，约束采集⼉童语⾳与⼈脸的教育机器⼈14。州层⾯，加州 SB 243《伴侣聊天机器⼈法》于 2025 年 10 ⽉签署、2026 年 1 ⽉ 1 ⽇⽣效，要求披露 AI ⾝份并设置⾃伤/⾃杀危机响应协议37；纽约州 AI 伴侣法亦已于 2025 年 11 ⽉ 5 ⽇⽣效，要求危机⼲预与"⾮真⼈"定期披露38。在硬约束的"上游"，还有⼀层数据隐私的底座为各法域所共享：欧盟 GDPR 对未成年⼈数据处理设置⽗母同意门槛39；美国以 FERPA 及学⽣隐私保护机制约束教育数据40；中国《未成年⼈⽹络保护条例》对未成年⼈⽹络环境与数据做了系统规范41，《⽣成式⼈⼯智能服务管理暂⾏办全球教育机器⼈发展蓝⽪书 2026 · AI-SLI法》则要求防⽌未成年⼈沉迷42。这⼀隐私底座与上述三项硬约束相叠加，构成了采集⼉童语⾳、⼈脸与⾏为数据的教育机器⼈必须同时满⾜的多重合规要求（详见第 14 章数据隐私底座⼀节）。关于欧盟监管时间表的⼜径校准：2025 年 11 ⽉，欧盟委员会提出"数字综合法案（DigitalOmnibus）"，拟将《⼈⼯智能法案》部分独⽴⾼风险义务的适⽤时点推迟⾄ 2027 年 12 ⽉ 2 ⽇。该提案虽已于 2026 年 5 ⽉达成临时政治协议、并经欧洲议会于 2026 年 6 ⽉表决背书，但截⾄2026 年 6 ⽉仍未正式通过、未刊登于官⽅公报，法律基线仍是 Regulation (EU) 2024/16894336。需特别说明：即便该提案最终通过，第 5 条禁⽌性条款（含教育机构情绪识别禁令）不受推迟影响，已于 2025 年 2 ⽉ 2 ⽇如期适⽤。本蓝⽪书在涉及此提案时⼀律标注"提案/临时协议，未最终通过"，相关条款细节归第 14 章与附录 C。2.5 双轨收敛与国际组织的协调作⽤把课程化推进与硬约束两条轨道叠加观察，可得出⼀个清晰的全局判断：全球教育机器⼈政策正从"单向⿎励进课堂"向"⿎励 + 硬约束并⾏"的双轨结构收敛。收敛有三个表征。其⼀，⿎励与约束往往出⾃同⼀法域：中国与欧盟均同时具备强势的课程化政策与硬性的⼉童保护规章，⼆者并⾮对⽴路线，⽽是同⼀治理逻辑的两⾯。其⼆，约束的焦点⾼度⼀致：⽆论中国、欧盟还是美国，监管的三⼤焦点都落在拟⼈化陪伴、课堂情绪识别与⼉童⽣物识别上，呈现跨法域趋同。其三，国际组织提供了价值与能⼒的公约数：UNESCO 的学⽣与教师 AI 能⼒框架44与 OECD 的 AI 原则45为各国政策提供了共同的伦理与素养底座，使双轨收敛具备了国际协调的可能。对产品⽅与教育机构⽽⾔，收敛意味着合规已不再是事后补救，⽽须前置为产品设计的种⼦约束：陪伴功能须避开"虚拟亲属/伴侣"定位并强化"⾮真⼈"披露，课堂应⽤须回避情绪识别，⼉全球教育机器⼈发展蓝⽪书 2026 · AI-SLI童数据须叠加满⾜多法域要求，课程内容须与各国通识/素养框架对齐以获取政策红利。这些合规启⽰的完整展开见第 14 章。本章的边界须再次界定。它是格局速览，意在让读者建⽴"双轨结构"的整体认知，⽽⾮逐条复述政策条款。每⼀部政策的⽂号、⽣效⽇期、适⽤范围与关键条款，统⼀由第 14 章（安全、伦理与治理）作为⼀级框架展开，并由附录 C（国际政策对照表）与附录 D（中国政策时间线，2018→2027）提供逐法域、逐时间点的对照。读者可循"第 2 章格局 → 第 14 章条款 → 第 11 章产业驱动"这条线索，完整把握政策对教育机器⼈发展的塑造作⽤。本章⼩结本章对全球 12 个法域（9 国家/地区 + 3 国际组织）的教育机器⼈政策做了格局速览，识别出"课程化进课堂"与"⼉童—AI 硬约束"两条并⾏轨道，并给出"双轨收敛"的全局判断：⿎励与约束常出⾃同⼀法域，约束焦点⾼度集中于拟⼈化陪伴、课堂情绪识别与⼉童⽣物识别三处，国际组织提供了价值与能⼒的公约数。本章还补⼊了地⽅具⾝/⼈形产业扶持政策对教育供给侧的间接传导，以及中国地⽅课时硬约束、美国州级伴侣机器⼈⽴法"已⽣效"等 2026 最新进展。全球政策时间线见图 3。本章严守"只做格局速览、不展开条款"的边界，所有细则以第 14 章与附录C/D 的官⽅原⽂为准；涉及欧盟数字综合法案处，⼀律标注"提案/临时协议，未最终通过，基线仍 Reg (EU) 2024/1689，第 5 条情绪识别禁令不受影响"。政策图景为教育机器⼈划定了"可以⾛多远"的外部边界，但要理解它"是什么"，仍需回到定义本⾝。下⼀章将在黄荣怀、陈莺与 Tlili（2024）框架的基础上，完成教育机器⼈定义、分类与教育⾓⾊的 2026 再界定——这是全书的理论坐标地基，也是本部分（格局）的收束。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 3 章定义与分类：从⼆分框架到具⾝—智能体连续谱定义是本蓝⽪书的坐标地基。本章在《全球教育机器⼈发展⽩⽪书》系列确⽴的⼆分框架与三⾓⾊坐标、以及黄荣怀、陈莺、Ahmed Tlili（2024）的权威更新基础上，完成教育机器⼈定义、分类与教育⾓⾊的 2026 再界定。本章既保留经核验稳固成⽴的理论内核，又增设两个刻画范式跃迁的新维度，并把治理升格为框架要件；每⼀项新增建议均挂接可引⽤的依据。再界定的三维坐标系（⼆分 × 具⾝/智能体 × ⾓⾊编排）见。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 04. 2026 再界定三维框架（⼆分 × 具⾝/智能体 × ⾓⾊编排）。蓝⾊＝纳⼊ 2026 延伸的关键象限（含⽆实体 LLM导师 Khanmigo）。来源：liu2016erwp、slibnu2019erwp、huang2024erscenarios、wang2025embodied。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI3.1 稳固的内核：总定义、⼆分框架与三⾓⾊坐标教育机器⼈的总定义具有可贵的包容性与开放性：「将所有协助进⾏教学或学习活动的"机器⼈教育"，以及具有教育服务智能的"教育服务机器⼈"，统⼀称之为教育机器⼈（EducationalRobots）。」12 这⼀定义并不要求教育机器⼈具备⼈形或实体，⽽是以"协助教学或学习"和"具有教育服务智能"为核⼼判据。正因如此，它在⼗年后依然能够⼀致地容纳从积⽊套件到纯软件LLM 对话导师的全谱——这⼀开放性，是本章 3.4 节再界定得以成⽴的关键依据。总定义之下，是教育机器⼈的核⼼⼆分12：- 机器⼈教育（Educational Robotics）：以学习者⾃⾏组装、编程的套件式学习为特征，典型产品如乐⾼ Mindstorms、mBot 等。其教育价值在于"做中学"——学习者通过搭建与编程机器⼈来培养计算思维与⼯程素养。 - 教育服务机器⼈（Educational Service Robots）：具备教与学智能的服务机器⼈，结构固定、⼀般不⽀持学习者⾃⾏拆装，应⽤于 STEAM 教育、语⾔学习、特殊教育等场景。这⼀⼆分清晰且互补：编程套件（学习者改造的对象）与教学智能服务机器⼈（学习者交互的对象）代表了两种本质不同的教育关系。本蓝⽪书保留此⼆分作为续接基座，独⽴第三⽅的转载亦对其框架要素做了佐证346。在教学维度上，教育机器⼈被定型为三种主要⾓⾊：教师助⼿、教学⼯具、学习伙伴2。这三⾓⾊构成了理解教育机器⼈"做什么"的坐标内核。早期论述已经预见到教育机器⼈可能扮演"亦师亦友"的多重⾓⾊1，这⼀观察为本章 3.5 节把固定⾓⾊升级为"可编排⾓⾊"埋下了来⾃原始框架的伏笔。把这套定义结构放在 2026 的技术与市场环境中检视，得到的总体判断是：这⼀定义—⼆分—三⾓⾊的内核依然成⽴，且经多源交叉核验未发现⽆法溯源的框架要素，它是⼀个稳固的续接全球教育机器⼈发展蓝⽪书 2026 · AI-SLI基座，⽽⾮需要推倒重来的旧框架。但这⼀基座⾯临三处来⾃范式跃迁的张⼒。其⼀，⼆分框架虽包容了⽆实体形态，却未显式刻画"具⾝程度"这⼀在⼈形/VLA 时代变得关键的维度；其⼆，三⾓⾊虽预见了多重⾓⾊，却以"固定⾓⾊"⽽⾮"可编排⾓⾊"来组织；其三，关键技术清单（语⾳识别、机器视觉、情境感知）已被多模态⼤模型、VLA 与智能体编排所替换。这三处张⼒构成 3.4—3.6 节三项再界定的全部动机——它们不为创新⽽创新，只为弥合稳固基座与新范式之间的具体缝隙。3.2 ⾸要锚点：教育机器⼈分类框架的权威更新（2024）在做出任何再界定之前，须先确⽴本章最重要的理论锚点：原作者团队⾃⾝于 2024 年完成的更新。黄荣怀、陈莺与 Ahmed Tlili（2024）在⽣成式 AI 背景下，对教育机器⼈框架做了团队⾃⾝的延展9，主要包含三点：
1. 梳理 7 个典型应⽤场景——涵盖 STEM 教育机器⼈、⾯向机器⼈的编程、社交机器⼈⽀持
的语⾔学习等，把分散的应⽤收敛为可讨论的场景谱系。 2. 把聊天机器⼈纳⼊讨论范畴——以ChatGPT 为例讨论聊天机器⼈（chatbot）在学校教育中的价值，即明确把⽆实体的 LLM 智能体纳⼊教育机器⼈的讨论范围。 3. 提出可信 AI 四准则——鲁棒性、合法性、合规性、合乎伦理性，把治理与伦理从⼀句原则性表述（"以社会伦理规范设计"）升格为成体系的准则。这份更新之所以是本章再界定的⾸要锚点⽽⾮⼀篇普通参考⽂献，原因有⼆。第⼀，它提供了来⾃原作者团队的、把 LLM 智能体纳⼊教育机器⼈范畴的公开依据。这意味着 2026 版"教育服务机器⼈须纳⼊⽆实体 LLM 智能体导师"的判断，不是外部研究者的强加，⽽是对原作者团队⾃⾝⽅向的延续。本蓝⽪书把 Khanmigo 这类屏幕端软件智能体作为"教育领域唯⼀规模化落地"的核⼼样本来讨论10，其理论合法性正源于此。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第⼆，它把治理从原则性表述升格为成体系的准则，为本蓝⽪书把治理列为⼀级框架（第 14章）提供了来⾃原作者团队的接续点。可信 AI 四准则因此同时是第 3 章定义侧再界定与第 14 章治理侧框架的共同锚点——两章分⼯⽽不重复：本章讲"治理为何应成为定义的⼀部分"，第 14章讲"治理框架的具体五⼤风险域"。本章后续的三项再界定，均是在这⼀锚点之上的接续，⽽⾮另起炉灶。这⼀点是理解全章的关键。3.3 第三类机器⼈论断与历史产品框架的 2026 处境定义结构之外，早期论述还提出了⼀个具有前瞻性的论断：教育机器⼈将成为继⼯业机器⼈和服务机器⼈之后的第三类机器⼈发展领域1，这⼀论断由独⽴第三⽅逐字转载佐证3。从 2026年回望，这⼀判断颇具洞察⼒——教育已成为具⾝智能与⼈形机器⼈产业明确讨论的下游应⽤⽅向之⼀（尽管如本蓝⽪书反复强调的，教育是其下游⽽⾮主战场）。在产品框架上，早期版本曾以"适⽤对象 × 应⽤场域"的组合推导出多类产品形态，并给出多维度的产品评测框架12。这⼀框架在 2026 年⾯临的主要挑战，是它难以容纳"AI 教育智能体订阅"这类⽆实体形态——这正是本章 3.6 节关键技术清单替换所要回应的问题。3.4 再界定之⼀：在⼆分之下增设"具⾝ ↔ 智能体型"⼦维度第⼀项再界定，是在"机器⼈教育 ↔ 教育服务机器⼈"这⼀⼆分之下，增设⼀个正交的⼦维度：「具⾝（embodied）↔ 智能体型（agentic / disembodied）」。动机在于⼆分框架虽包容了⽆实体形态，却未显式刻画"具⾝程度"。到 2026 年，教育机器⼈的形态已铺开为⼀条连续谱：⼀端是 NAO、⼈形本体等⾼度具⾝的实体，另⼀端是 Khanmigo 这全球教育机器⼈发展蓝⽪书 2026 · AI-SLI样纯软件的 LLM 对话导师，中间还有"低成本社交本体 + 云端/本地 LLM ⼤脑"的混合形态10。仅凭⼆分，难以区分"接⼊ LLM ⼤脑的⼈形"与"纯软件智能体导师"在具⾝程度上的本质差异。这⼀⼦维度有两重依据。其⼀，黄荣怀等（2024）已明确把 chatbot 纳⼊教育机器⼈范畴9，"智能体型"⼀端因此有了原作者团队的⽀持。其⼆，总定义本⾝并不要求教育机器⼈具备⼈形或实体1，因此增设"具⾝程度"⼦维度是对原定义的显式刻画⽽⾮违背。具⾝智能作为⼀个独⽴技术域的成型，则为这⼀⼦维度提供了技术侧的⽀撑47。增设此⼦维度后，教育机器⼈的分类从"⼆分"扩展为"⼆分 × 具⾝/智能体连续谱"的⼆维⽹格，使定义能够⼀致地覆盖从⼈形本体到纯软件导师的全谱，并为第 5 章"⼤脑↔本体分离"的智能体化分析、第 6 章⼈形本体硬件分析提供共同的坐标。3.5 再界定之⼆：⾓⾊从固定升级为可编排（role orchestration）第⼆项再界定，是把"三⾓⾊/多⾓⾊"重述为⾓⾊编排（role orchestration）：同⼀个智能体可按教学情境实时切换导师、同伴、评估者等⾓⾊，⽽⾮被固定为单⼀⾓⾊。动机在于：脚本时代的⾓⾊是"固定的三个点"，⼤模型时代的智能体则可以在同⼀会话内动态切换功能定位。在 Khanmigo 的实践中，同⼀个软件智能体既能以苏格拉底式提问引导学⽣（导师⾓⾊），又能为教师⽣成教案与量规（助⼿⾓⾊）10，正是⾓⾊编排在现实中的体现。这⼀升级亦有来⾃原始框架的伏笔：早期论述已预见教育机器⼈可能"亦师亦友"地承担多重⾓⾊1。本研究只是把这⼀观察从"机器⼈可以是多种⾓⾊之⼀"显式升级为"机器⼈可以实时编排多种⾓⾊"。在固定三⾓⾊之外，可编排框架还⾃然地容纳了苏格拉底式提问导师、形成性评价者、学习数据分析顾问、协作学习中介等若⼲新⾓⾊，它们都是同⼀智能体在不同情境下被编排出的功能⾯。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI⾓⾊编排把三⾓⾊坐标从静态升级为动态，是第 5 章"智能体编排与记忆"分析的定义侧依据。本章与第 5 章的分⼯是：本章给出"可编排⾓⾊"的定义框架，第 5 章给出其技术实现（⼯具调⽤、记忆、⼦智能体校验）。3.6 再界定之三：技术清单替换与治理升格为框架要件3.6.1 关键技术清单的替换原有的关键技术清单——以语⾳识别、机器视觉、情境感知为代表——已不⾜以描述 2026的技术底座。本研究建议将其更新为：多模态⼤模型 / 具⾝智能（VLA）/ 智能体编排与记忆 / 端侧推理算⼒ / 可信与对齐。这⼀替换有两重依据：其⼀，黄荣怀等（2024）已把聊天机器⼈与⽣成式 AI 纳⼊讨论，为"多模态⼤模型"⼊列提供了原作者团队的依据9；其⼆，具⾝智能（VLA）作为独⽴技术域的成型，为"具⾝智能"⼊列提供了技术侧依据47。新清单的逐项技术演进（从规则传感到具⾝基础模型的四个台阶）将在第 4 章充分展开，本章与第 4 章的分⼯是：本章给出"清单为何须替换"的定义依据，第 4 章给出技术细节。3.6.2 治理升格为框架要件治理在早期框架中曾被浓缩为原则性的⼀句话，⽽黄荣怀等（2024）已将其升格为成体系的可信 AI 四准则9。本研究在此基础上进⼀步建议：把未成年⼈数据保护、模型幻觉与学业误导、情感依赖、算⼒公平、⼈机责任边界列为定义框架的⼀级要件，⽽⾮展望章节的附注。这⼀升格直接接续可信 AI 四准则9，并与第 2 章所述全球硬约束的密集落地相呼应。本章（定义侧）讲"治理为何应成为定义框架的⼀级要件"，第 14 章（治理侧）讲"五⼤风险域的具体条款与红线"，⼆者分⼯不重复。这是全书把治理"从附注升格为⼀级框架"的定义地基。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI3.6.3 由再界定衍⽣的产业与市场⼜径变化关键技术清单的替换还有⼀个产业侧推论：在产业链层⾯，"基座模型与具⾝智能算法层（VLA）"成为⼀个全新的结构层。这⼀加层判断与 3.4 节"具⾝/智能体⼦维度"同源（均源于具⾝智能技术域的成型与 chatbot 的纳⼊），其完整论证归第 11 章，本章仅点明其与再界定的同源关系。同理，市场⼜径也因⽆实体形态（AI 教育智能体订阅/MaaS）的出现⽽须重做——历史的四模型加总⼜径已不能容纳新形态，相关并列⼜径与历史回望归第 12 章。3.7 再界定的整体坐标系综合 3.4—3.6 三项再界定，2026 再界定的整体可概括为⼀个三维坐标系（见图 4）：- 第⼀维·⼆分（继承⾃原始框架）：机器⼈教育 ↔ 教育服务机器⼈； - 第⼆维·具⾝/智能体（再界定之⼀）：具⾝本体 ↔ 智能体型纯软件，构成连续谱； - 第三维·⾓⾊编排（再界定之⼆）：导师 / 同伴 / 评估者等⾓⾊的实时编排空间。这⼀坐标系的内核仍是稳固的⼆分与三⾓⾊——它没有抛弃既有框架，⽽是在其上增设了两个刻画范式跃迁的维度，并把治理升格为贯穿三维的框架要件。坐标系中的任意⼀款教育机器⼈，都可以由"属于⼆分的哪⼀类 × 具⾝程度如何 × 可编排哪些⾓⾊"三个问题来定位：Khanmigo 是"教育服务机器⼈ × 智能体型 × 可编排导师/助⼿"，NAO + LLM 的特教⽅案是"教育服务机器⼈ ×具⾝ × 可编排同伴/评估者"，乐⾼ Mindstorms 则是"机器⼈教育 × 具⾝（学习者改造对象）× ⾓⾊编排弱"。这⼀坐标系将作为后续技术、应⽤、产业各章的共同定位⼯具，其术语定义见附录B。把这⼀再界定置于更宏观的智慧教育图景中，可见其连续性：教育机器⼈并⾮孤⽴的技术品类，⽽是智慧教育⽣态中"具⾝化的智能体"这⼀节点——它与智慧学习环境、教育⼤模型、学习全球教育机器⼈发展蓝⽪书 2026 · AI-SLI分析共同演化48。本蓝⽪书的再界定坐标系，正是为在这⼀更⼤图景中⼀致地定位"从纯软件导师到⼈形本体"的全谱教育机器⼈⽽设计的；它既向下兼容稳固的⼆分基座，又向上对接智慧教育的整体框架，使教育机器⼈在 2026 年的理论坐标得以连续⽽⾮断裂。最后需重申本章的⽅法论纪律：上述三项再界定均为本研究在权威锚点之上的延伸建议，每条均挂接了可引⽤的依据（黄荣怀等 2024 的 chatbot 纳⼊与可信 AI 四准则、原定义不要求实体、早期论述"亦师亦友"的伏笔、具⾝智能技术域的成型）。读者在引⽤本章时，应始终能区分哪些是经核验稳固成⽴的内核框架、哪些是本研究在其上的延伸建议——这⼀可溯源性，正是本蓝⽪书"不⾃创⽆法溯源框架"这⼀铁律在定义章的具体落地。本章⼩结本章在《全球教育机器⼈发展⽩⽪书》系列既有⼆分框架与三⾓⾊坐标、以及黄荣怀、陈莺、Tlili（2024）权威更新的基础上，完成了教育机器⼈的 2026 再界定：- 稳固内核：总定义、机器⼈教育↔教育服务机器⼈⼆分、教师助⼿/教学⼯具/学习伙伴三⾓⾊、第三类机器⼈论断——经多源交叉核验依然成⽴。 - ⾸要锚点：黄荣怀等（2024）把 chatbot纳⼊范畴、提出可信 AI 四准则，是再界定的接续点⽽⾮另起炉灶。 - 三项再界定（各挂依据）：⼆分增设"具⾝↔智能体型"⼦维度、⾓⾊从固定升级为可编排、关键技术清单替换并把治理升格为框架要件。再界定的三维坐标系（⼆分 × 具⾝/智能体 × ⾓⾊编排）见图 4，其内核始终是稳固的⼆分与三⾓⾊。坐标地基确⽴之后，本蓝⽪书第⼀部分（格局）即告完成。第⼆部分将沿"具⾝/智能体连续谱"展开技术分析：第 4 章追溯从规则传感到具⾝基础模型的四个技术台阶，第 5 章聚焦"⼤脑↔全球教育机器⼈发展蓝⽪书 2026 · AI-SLI本体分离"的智能体化导师，第 6 章审视⼈形与社交本体的硬件曲线，第 7 章考察多模态交互与学情分析。每⼀处前沿能⼒，都将带上本蓝⽪书要求的成熟度标签。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第⼆篇能⼒跃迁：⼤脑、本体与世界模型基础⼤模型（⼤脑）· 具⾝智能 VLA（⼩脑）· 世界模型（使能技术）本篇导读沿“⼤脑—⼩脑—使能技术”的主线，拆解 2026 年最前沿的能⼒栈：基础⼤模型作“⼤脑”、具⾝智能 VLA 作“⼩脑”、世界模型作使能技术，并说明为何软件“导师⼤脑”已先于机器⼈本体规模化落地。每⼀处能⼒都带成熟度标签，避免把⼚商演⽰当作既成事实。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 4 章技术演进：从规则脚本到具⾝基础模型成熟度标签约定（贯穿本部分全部技术条⽬）：`【已部署】` 指有公开商业供货或第三⽅现场报道；`【试点】` 指⼩规模真实场景应⽤；`【演⽰】` 指研究论⽂、受控评测或⼚商发布视频；`【⼚商宣称】` 指公司⼜径未经独⽴核验。前沿能⼒每处引⽤必带标签。4.1 引⼊：⼀次真实存在的代际断层不到⼗年前，教育机器⼈的"智能"还主要由三类技术⽀撑：基于规则的确定性控制、基于传感器的环境感知，以及预先编写的对话与动作脚本。彼时⼀台 NAO 在课堂上"识别"学⽣情绪、"回应"提问，本质上是在有限状态机内沿着⼯程师预设的分⽀前进；它能做的事很多，但每⼀件都被硬编码框定，离开剧本即失能。2026 年的技术图景已经发⽣质变。⽀撑当下最前沿系统的，是"基础⼤模型作⼤脑、具⾝智能（Vision-Language-Action, VLA）作⼩脑"的新范式：⼤语⾔模型与视觉-语⾔模型提供常识推理、语⾔规划与零样本任务分解，VLA ⽹络则把视觉输⼊端到端地映射为关节控制输出；在⼆者之上，进⼀步涌现出能够预测物理后果、⽣成训练数据的世界模型。这⼀跃迁是真实存在的代际断层——它不是同⼀条技术曲线的延伸，⽽是范式的更替（脚本驱动时代的代表作 1、2 与今⽇的 4、5、6 对照之下，断层清晰可辨）。与此同等重要的是另⼀条判断线索：能⼒的代际跃迁并不等于部署的代际跃迁。本章沿"四个台阶"梳理技术脉络，逐⼀为代表性系统标注成熟度，并在 §4.7 汇总成熟度分布。读者将看到，绝⼤多数被频繁引⽤的前沿系统迄今仍停留在实验室演⽰与⼚商发布视频阶段，⽽⾮常态化的教育部署。这⼀"能⼒—部署落差（capability-deployment gap）"是贯穿全部技术章节的核⼼论据。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI4.2 四台阶脉络：规则/SLAM → 深度学习感知 → 基础⼤模型作⼤脑 → VLA/世界模型作⼩脑把近⼗年的技术演进压缩为⼀条主轴，可归纳为四个递进的台阶（综述依据见 49、50）：台阶⼀·规则、传感与 SLAM（约 2019 年及以前）。这⼀阶段以确定性控制、⼿⼯设计特征、同步定位与建图（SLAM）为代表。系统在结构化环境中能⼒很强，但脆弱、难以泛化：环境⼀旦偏离设计假设，性能急剧衰减。教育领域的 LEGO Mindstorms、VEX、早期 NAO 均属此列——它们的"⾏为"是规则的、可预测的，也是封闭的。台阶⼆·深度学习感知（约 2012—2020 年代）。卷积神经⽹络与 Transformer 被⽤于视觉与语⾳感知，机器⼈"看得更准、听得更清"。但在这⼀阶段，感知与决策仍然分离，任务⾼度专⽤：⼀个识别⼿势的模型⽆法迁移去理解物体抓取，每个能⼒都需要单独的数据与训练管线。台阶三·基础⼤模型作"⼤脑"（2022 年起）。⼤语⾔模型与视觉-语⾔模型带来了常识推理、⾃然语⾔规划与零样本任务分解的能⼒。机器⼈第⼀次能够把⼀句开放式指令拆解为可执⾏的⼦步骤（如 SayCan、Code as Policies ⼀类⼯作所⽰）。这⼀台阶上最先真正落地的并⾮具⾝机器⼈，⽽是软件智能体，这正是 §4.4 与第 5 章要展开的核⼼事实。台阶四·具⾝智能与 VLA 作"⼩脑"（2022 年起）。视觉-语⾔-动作被统⼀进端到端⽹络，模型直接从像素与指令⽣成动作，弥合了感知与控制之间的鸿沟；并在此基础上进⼀步演化出世界模型——能够预测动作的物理后果、并⽣成合成训练数据的⽣成式系统。台阶三提供"想做什么"的认知，台阶四提供"怎么做"的运动智能；⼆者的结合定义了 2026 年的前沿。需要审慎指出：四个台阶在时间上叠加⽽⾮替代。课堂中规模化运⾏的，⾄今仍以台阶⼀的可编程套件为主；台阶三、四的能⼒虽已被反复演⽰，却尚未沉淀为常态化的教育产品。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 05. 技术演进时间线 2016→2026（四能⼒台阶 + VLA ⾥程碑，标成熟度）。⾥程碑 RT-1/RT-2/OpenVLA/Octo/π0/π0.5/Helix/GR00T N1/Gemini Robotics(+On-Device)。来源：各模型原始论⽂/发布；审慎：前沿 VLA多为实验室演⽰或⼚商 demo。4.3 历史基线本体：前⼤模型脚本时代的三台代表机要理解断层之"深"，须先看清断层之"前"。下列三台机器都曾是前⼤模型时代的标志性产品，它们的共同特征是：硬件本体先⾏，⽽认知"⼤脑"由规则与脚本驱动。LEGO Mindstorms / VEX / Thymio——可编程套件的范式。以积⽊搭建加图形化编程为核⼼，通过规则化⾏为培养计算思维，是 K12 阶段长期的主⼒机型，全球累计部署达数⼗万套，属【已部署】且为前⼤模型时代规模最⼤的成熟赛道（51）。⼀个具有象征意义的节点是：LEGO于 2022 年停产 Mindstorms 产品线——这可被读作"规则—脚本范式"在消费教育市场的代际谢幕。NAO——脚本驱动的⼩⼈形。由 Aldebaran/SoftBank 出品，25 个⾃由度的⼩型⼈形，依靠预设动作库与脚本化对话⼯作，在⾃闭症谱系障碍（ASD）社交训练等场景中获得长期应⽤，属【已部署】（52、53）。但须明确：脚本时代 NAO 所谓的"智能"是脚本驱动⽽⾮⽣成式的——它全球教育机器⼈发展蓝⽪书 2026 · AI-SLI执⾏的是⼈写好的分⽀，⽽⾮⾃主⽣成的回应。其母公司 Aldebaran 于 2025 年 2 ⽉进⼊破产清算（第 11 章详述），亦提⽰这⼀代社交机器⼈本体的商业可持续性风险。Pepper——商业模式失败的标志。 SoftBank 的 1.2 ⽶⼈形，曾宣称具备情感识别能⼒并配触摸屏，⼀度商⽤部署，累计约 27,000 台，但于 2021 年 6 ⽉停产（曾【已部署】后停产，54）。Pepper 的退场，是"前⼤模型社交机器⼈"商业逻辑受挫的代表性事件：硬件本体已经就位，却缺少⼀个⾜够强的认知"⼤脑"来⽀撑它所承诺的开放式交互。基础⼤模型恰恰补上了此前缺失的那⼀环——这也是第 6 章"社交本体接⼊ LLM ⼤脑"叙事的历史起点。4.4 代表性 VLA / 具⾝基础模型时间线台阶四的具体演进，可由⼀条 RT-1 ⾄ Gemini Robotics On-Device 的时间线呈现。本节对每个系统强制标注成熟度，这是理解"能⼒—部署落差"的关键证据。模型机构年份能⼒要点成熟度RT-1Google / DeepMindTransformer 将图像与指令映射为离散动作，覆盖 700+ 任务【演⽰】实验室RT-2Google DeepMind2023-07⾸个⼤规模 VLA，动作token 化、引⼊思维链推理【演⽰】实验室（奠基⾥程碑）OctoUC Berkeley⽤（27M/93M 参数），扩散动作头【演⽰】开源研究OpenVLA (7B)Stanford 等2024-06⾸个完全开源、可商⽤【演⽰】开源研究全球教育机器⼈发展蓝⽪书 2026 · AI-SLI的 VLA，基于 Open X-Embodiment 527K 轨迹（是"模型"⾮"产品"）π0（Pi-Zero）Physical Intelligence2024-10VLM 主⼲ + 流匹配动作专家，7 配置 68 任务【演⽰】实验室（权重开源、受控评测）π0.5Physical Intelligence2025-04开放世界泛化，清理"训练集未出现"的全新厨房/卧室【演⽰】受控研究（⾮已部署到⽤户家）HelixFigure AI2025-02⼈形 VLA ，双系统S2(VLM)+S1(~200Hz)，约 500 ⼩时遥操作数据【⼚商宣称】/【试点】早期（家务为⼚商视频，缺第三⽅复现）GR00T N1/N1.5NVIDIA2025-03"全球⾸个开放"⼈形基础模型，双系统 VLA【演⽰】/【试点】开源研究、⽣态早Gemini RoboticsGoogle DeepMind2025-03多模态 VLA，跨⽂/图/⾳/视频，宣称折纸级⾼灵巧【演⽰】实验室GeminiRoboticsOn-DeviceGoogle DeepMind2025-06本体本地运⾏、断⽹可⽤、50–100 ⽰范即可微【试点】/【演⽰】trusted tester 受限计划，⾮货架商品⼏个⾥程碑须点名。 RT-2（4）是⾸个⼤规模 VLA，把动作 token 化并引⼊思维链，是必须点名的奠基性⼯作，但成熟度仅为实验室演⽰。OpenVLA（5）的意义在于它是⾸个完全开源、全球教育机器⼈发展蓝⽪书 2026 · AI-SLI可商⽤的 VLA，基于跨本体的 Open X-Embodiment 数据训练——但须清醒认识：它是⼀个"模型"，⽽⾮⼀件"部署产品"。π0（6）以 VLM 主⼲叠加流匹配动作专家，覆盖多配置多任务；其升级版 π0.5（55）在受控研究中展⽰了"清理训练集从未出现的全新厨房"的开放世界泛化能⼒——但这⼀能⼒是受控研究评估的产物，并⾮已部署到真实⽤户家中或课堂。RT-1 与 Octo 作为前序与开源对照见 56、57。⼈形⽅向上，Figure AI 的 Helix（8）采⽤ S2（VLM 慢思考）+ S1（约 200Hz 快控制）双系统，宣称基于约 500 ⼩时遥操作数据完成家务；但"做家务"的展⽰来⾃⼚商发布视频，缺乏独⽴第三⽅复现，成熟度只能定为⼚商宣称/早期试点。NVIDIA 的 GR00T N1/N1.5（7）作为"全球⾸个开放"⼈形基础模型，接⼊了 Agility、Boston Dynamics、NEURA 等本体，属开源研究与⽣态早期试点。Google DeepMind 的 Gemini Robotics（58）展⽰了跨模态 VLA 与折纸级灵巧操作的实验室能⼒；其端侧版本 Gemini Robotics On-Device（59）⽀持本体本地运⾏、断⽹可⽤、仅需 50–100 次⽰范即可微调，但⽬前是⾯向 trusted tester 的受限计划，并⾮货架商品。后者所代表的端侧推理⽅向，对教育场景的隐私保护、断⽹可⽤与低延迟尤为关键，第 5 章与第 15 章将续接这⼀线索。4.5 具⾝数据范式：真机稀缺与"为什么需要世界模型"在展开世界模型之前，须先讲清它要解决的根本约束——具⾝策略的训练数据从哪来、多贵。这⼀约束直接决定教育机器⼈的可得性与价格。与互联⽹⽂本不同，"动作配对的传感运动数据"不存在互联⽹规模：机器⼈策略需要同步的关节⾓、夹⽖⼒、相机帧与任务上下⽂，只能在物理操作中逐条录得，没有"免费的⽹络版"。规模差距是数量级的——全球运⾏的⼯业机器⼈超过 390 万台，但最⼤的开放机器⼈操作数据集仅全球教育机器⼈发展蓝⽪书 2026 · AI-SLI约 100 万条 episode；训练当代⼤型视觉-语⾔模型的互联⽹数据约等于"10 万年⼈类经验"，⽽迄今最⼤单⼀遥操作机器⼈数据集仅约"1 年"量级（60、61）。应对这⼀"数据⼲旱"，⽬前有三种范式，各有权衡：- 遥操作（teleoperation）：⼈⼯逐条采集，昂贵且慢，占总训练样本不到 1%，却承担"策略能否在真实世界⼯作"的⼤部分权重——最贵但最关键（62）。 - 仿真合成（simulation）：填补长尾罕见场景；2025 年有研究量化其权衡——同域操作任务下约 8 个仿真样本 ≈ 1 个遥操作样本；但仿真难以建模潮湿摩擦、材料形变、镜⾯⾦属反光等，接触密集型任务是 sim-to-real 最易失败处（61）。 - 互联⽹与第⼀视⾓视频：提供⼤致的动作先验与底层世界知识，但仅是先验，并⾮可直接执⾏的策略。这条链条对教育的传导逻辑清晰：真机数据越贵 → 具⾝策略训练越贵 → 教育/科研机器⼈本体"⾃带能⼒"越贵或越弱。世界模型与 sim-to-real 合成数据正是被寄望⽤来打断这条成本链的技术路径，也是下⼀节展开世界模型前必须先建⽴的语境。须保守界定：合成数据降本仍处研究/早期阶段，本蓝⽪书将其列为趋势⽽⾮现状。4.6 世界模型：使能技术与研究前沿台阶四的延伸是世界模型（world model）——它不直接控制机器⼈，⽽是为具⾝智能提供"对物理世界的可预测想象"：或⽣成可交互的训练环境，或产出合成训练数据，或作为机器⼈规划的内部预测器，从⽽降低真机数据采集门槛、加速能⼒迭代。2025—2026 年，这⼀⽅向成为整个具⾝赛道最受资本与研究关注的前沿之⼀。但本节开宗明义给出⼀条贯穿性的界定：世界模型⼀律是"使能技术/研究前沿"，不是课堂产品。它与教育的关系是间接的——通过更廉价的数据与更快的迭代推动具⾝智能成熟，⽽⾮可以直接搬进课堂的产品。任何"世界模型进课堂"的表述都属过度宣称，本蓝⽪书⼀律回避。同时，全球教育机器⼈发展蓝⽪书 2026 · AI-SLI"世界模型"⼀词本⾝的分类尚未统⼀——前沿团队（如李飞飞的 World Labs）仍在专门撰⽂界定其外延（63），故本节按三类⽤途分别刻画，避免笼统断⾔"世界模型已能做什么"。类型⼀·实时可交互世界（"可玩世界 / 智能体训练场"）。这类系统从⽂本或图像⽣成可实时导航、可交互的动态环境，形态接近"可玩世界"，主要价值是充当智能体的训练与评测场地。- Google DeepMind Genie 3：通⽤世界模型，给⽂本提⽰即可⽣成可实时导航的动态世界，720p / 24fps、具备约 1 分钟的"视觉记忆"，并可连接 SIMA 智能体在⽣成环境中做长序列⽬标评测。官⽅明列局限：可执⾏动作空间受限、多智能体复杂交互未解、⽆法精确模拟真实地理、连续交互⽬前仅⽀持"⼏分钟"。成熟度为【演⽰】/研究预览——其消费向 demo 于 2026 年 1 ⽉起对 AI Ultra 订阅⽤户在美国有限开放（64、65）。 - Decart Oasis / Mirage / Oasis3：Oasis 号称⾸个实时、可交互的⽣成式视频/世界模型；MirageLSD 实现亚 40ms 响应的实时视频流转换；Oasis3可实时⽣成照⽚级驾驶环境并已 API 化，初期⾯向⾃动驾驶。成熟度为【演⽰】+ 早期商⽤ API（66、67、68）。 - Odyssey-1 / Explorer：开创"可交互视频"，每 40–50ms 流式⽣成新帧、实时响应输⼊；Explorer 把任意图像变为可探索的 3D 世界。官⽅明确其指向机器⼈训练环境等真实仿真⽤途。成熟度为研究 demo / 早期预览（69、70）。 - Runway GWM-1 / Luma Ray3：视频⽣成⼚商正向世界模型⽅向延伸——Runway 实时⽣成可探索环境并保持⼏何/光照/物理⼀致，LumaRay3 ⽀持起⽌帧过渡与⾓⾊参考修改。⼆者介于"视频⽣成"与"世界模型"之间，须谨慎归类，成熟度为商⽤视频⽣成产品 + 世界模型⽅向探索（71、72）。类型⼆·合成数据⽣成器（"为机器⼈/⾃驾造训练数据"）。这类系统不追求"可玩"，⽽专注于⼤规模产出物理上合理的合成训练数据，直接对应 §4.5 的成本链问题。- NVIDIA Cosmos （World Foundation Models ）：⽣成" 物理感知" 视频，⽀持Text/Image/Video2World，迭代出 Predict / Transfer / Reason 系列，并配合 Omniverse 充当机器⼈全球教育机器⼈发展蓝⽪书 2026 · AI-SLI与⾃动驾驶的后训练合成数据引擎；1X、Agility、Figure、Uber 等为⾸批采⽤⽅。成熟度为平台已发布（开放模型）+ 开发者/企业试点采⽤——这是当前开发者⽣态最⼴、最接近"可⽤⼯具"的世界模型平台（73、74、75）。 - Wayve GAIA-2：潜在扩散世界模型，为辅助/⾃动驾驶⽣成可控合成数据，可合成罕见与⾼危场景做压⼒测试。成熟度为研究发布 / 企业内部⽣产使⽤（Wayve⾃⽤做安全测试，76、77）。类型三·⾃监督预测式世界模型（"机器⼈规划的内部模型"）。这类系统把世界模型内化为机器⼈的预测器，⽤于规划与控制，是三类中最接近"⼩脑"本义的⼀⽀。- Meta V-JEPA 2：在 100 万+ ⼩时互联⽹视频上预训练、再⽤约 62 ⼩时⽆标注机器⼈视频适配，⽤内部世界模型做模型预测控制（MPC），在新实验室的 Franka 机械臂上零样本完成抓取与放置（仅凭图像⽬标、⽆任务专属训练或奖励）。它演⽰了"视频世界模型 → 可执⾏机器⼈规划"的路径，⼤幅降低对真机数据的依赖。成熟度为研究发布（已开源模型 + 基准）/ 实验室验证，⽽⾮产品（78、79）。与三类并⾏，还有⼀⽀侧重空间智能的⽅向：World Labs（李飞飞团队）的 Marble 从⽂本/图像/视频⽣成可导出的 3D 环境，于 2025 年 11 ⽉作为⾸个商⽤产品发布并完成约 10 亿美元融资，属早期商⽤产品 / 研究前沿（80）。本蓝⽪书将其与世界模型并列，但单列为"空间智能"⼦类以避免概念混⽤。把九系统按"类型 × 成熟度"铺开，可得的图谱：实时可交互世界多停留在研究预览/受限demo，合成数据⽣成器中 Cosmos 最接近可⽤⼯具，⾃监督预测式的 V-JEPA 2 仍是实验室验证；逐级来看，成熟度⾃合成数据平台向实时可交互世界、再向端到端规划递减，越接近"直接控制真机"的环节越不成熟。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 26. 世界模型三类 × 成熟度图谱（9 系统泳道矩阵：实时可交互/合成数据⽣成/⾃监督预测式 + 空间智能⼦类 ×demo→研究→开发者平台→早期商⽤）。铁律：世界模型是使能技术/研究前沿、⾮课堂产品，与教育是间接关系（仿真实训/合成数据/降低真机数据门槛）。来源：_v2_addendum 专节4（Genie 3、Decart Oasis、Odyssey、Runway/Luma、NVIDIA Cosmos、Wayve GAIA-2、Meta V-JEPA 2、World Labs Marble）。⼀条审慎信号必须并⼊正⽂。 2025—2026 年，具⾝/世界模型⽅向吸引约 60 亿美元投资，但已有分析指出："⼤语⾔模型的 scaling 范式未必能直接复制到世界模型"——即不能想当然地认为"堆数据与算⼒就能解决具⾝智能"（81）。资本热度与范式确定性之间存在落差，这与本蓝⽪书"能⼒—部署落差"的主轴⼀脉相承：世界模型是有前景的使能技术，但它能否、以及多快地把具⾝智能（含教育机器⼈）的能⼒与成本曲线压下来，⽬前仍是开放问题。对教育⽽⾔可写⼊"未来趋势/政策建议"的传导逻辑是——世界模型 + sim-to-real 合成数据若成熟，可降低单台教育机器⼈达到可⽤能⼒的成本，并让"在仿真⾥做实训"成为低门槛教学⽅式（学⽣⽆需昂贵真机即可练强化学习/感知/规划，相关综述见 82、83）；但这是趋势种⼦，绝⾮现状。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI4.7 成熟度分布总览：能⼒—部署落差的核⼼论据把 §4.3—§4.6 的全部系统按成熟度归并，结论⼀⽬了然（）：图 06. 成熟度分布矩阵（代表系统 × 已部署/试点/演⽰/宣称四级）。能⼒—部署落差分界可视化。来源：Khanmigo、LEGO Mindstorms 综述、宇树 G1 EDU、Figure/Helix、Gemini Robotics On-Device 等。- 【已部署】（已商⽤供货或第三⽅现场报道）：LEGO Mindstorms / VEX（前⼤模型套件，历史主⼒）；NAO（本体已部署，但其"智能"曾为脚本）；Khanmigo（软件 LLM 智能体，⾮机器⼈本体）；Unitree（⾯向科研/开发市场的⼈形本体，84）。 - ⼯业【试点】：Figure 02（单客户产线，与教育⽆关）。 - 【试点】/⼩范围：Gemini Robotics On-Device；若⼲ LLM + 社交机器⼈课堂研究（27 名学⽣级、周级时长）。 - 【演⽰】/⼚商 demo / 研究预览：RT-1、RT-2、OpenVLA、Octo、π0、π0.5、Helix、GR00T N1、Gemini Robotics、Tesla Optimus，以及⼏乎全部多模态学情分析系统；世界模型九系统亦整体落在此区间——其中 Cosmos 为已发布平台并有全球教育机器⼈发展蓝⽪书 2026 · AI-SLI开发者试点采⽤，V-JEPA 2、GAIA-2 为研究发布并有实验室/企业内部验证，Genie 3、Oasis、Odyssey、Runway/Luma 多为研究预览或受限 demo，Marble 为早期商⽤产品；⽆⼀构成教育部署。由此得出本章——也是整个技术部分——的核⼼审慎判断：2026 年最前沿的"基础⼤模型 +具⾝智能 + 世界模型"能⼒，绝⼤多数仍停留在实验室演⽰与⼚商发布视频，尚未进⼊常态化教育部署。真正进⼊课堂并规模化的，要么是前⼤模型时代的可编程套件，要么是屏幕端的 LLM智能体——其中规模最⼤的是 Khanmigo，其 K-12 学⽣⽤户从 2023—24 学年的约 4 万增⾄2024—25 学年的约 70 万（公司预计 2025—26 学年破百万），其总⽤户（含教师）在 2025 年 4⽉达约 140 万，约 350 个美国学区⽇活使⽤（10、11）。这就是"⼤脑已落地、具⾝本体尚未落地"的真实写照。本蓝⽪书必须把这⼀"能⼒—部署落差"作为基本事实呈现，避免把⼚商 demo 当作既成事实。4.8 本章⼩结本章沿四个台阶梳理了从规则脚本到具⾝基础模型的技术演进：代际断层真实存在，但断层主要发⽣在"能⼒"维度，"部署"维度的跃迁远未同步完成。我们为每⼀个前沿系统标注了成熟度，深化了世界模型三类区分（实时可交互世界 / 合成数据⽣成器 / ⾃监督预测式）及其作为"使能技术、⾮课堂产品"的审慎定位，并在 §4.7 汇总出"绝⼤多数前沿系统仍为演⽰/试点"的分布图景——这是第⼆部分乃⾄全书反复回到的论据锚点。承接基础⼤模型这⼀台阶，第 5 章将聚焦智能体化：解析为何在台阶三上最先规模化落地的不是具⾝本体，⽽是以 Khanmigo 为代表的软件 LLM 导师，并讨论"⼤脑↔本体分离"的架构含义、幻觉治理的现实样本与端侧推理的回应⽅向。承接 Helix/GR00T 等⼈形 VLA 与 Unitree 本体，第6 章将审慎刻画⼈形与社交本体的硬件曲线与教育可及性边界。技术关键词清单相对 2016/2019全球教育机器⼈发展蓝⽪书 2026 · AI-SLI的替换（多模态⼤模型 / 具⾝智能 VLA / 智能体编排与记忆 / 端侧推理 / 可信对齐）则对应第 3章的再界定，并在第 11 章映射为产业链新增的 VLA 算法层。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 5 章智能体化：软件导师先于机器⼈本体的规模化落成熟度标签约定同第 4 章。本章核⼼区分：屏幕端软件 LLM 智能体（已规模化）与具⾝LLM 机器⼈本体（仍为研究/试点）——⼆者切勿混为⼀谈。5.1 引⼊：当"⼤脑"先于"本体"落地第 4 章在梳理技术四台阶时埋下⼀个关键事实：在"基础⼤模型作⼤脑"这⼀台阶上，最先真正规模化落地的不是任何⼀台机器⼈，⽽是⼀套运⾏在屏幕上的软件智能体。这与⼈们对"机器⼈时代"的直觉相悖，却恰恰是 2026 年教育领域最重要的部署现实。本章围绕"智能体化（agentification）"展开：基础⼤模型不再只是被动应答的对话框，⽽是被组织为具备⼯具调⽤、记忆、⼦智能体协作与⾓⾊编排能⼒的智能体（agent）。当这样⼀个"导师⼤脑"接⼊机器⼈本体时，便构成所谓"智能体化导师机器⼈（agentic tutor robot）"。⼀条边界须反复强调：当前唯⼀规模化落地的是软件智能体（屏幕端），具⾝导师机器⼈本体则⼏乎全部停留在研究与⼩规模试点。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 07. 智能体化导师机器⼈架构（⼤脑/⼯具调⽤/记忆/⾓⾊编排/安全护栏，⼤脑↔本体分离）。形态 A 屏幕端软件智能体（唯⼀规模化）vs 形态 B 接⼊本体（多为试点）。来源：khanmigo2024（含 math agent）、huang2024erscenarios。5.2 「导师⼤脑」范式：Khanmigo 作为唯⼀规模化落地样本可汗学院（Khan Academy）的 Khanmigo 是迄今教育领域唯⼀规模化落地的 LLM 智能体导师，也是"能⼒—部署落差"叙事中"⼤脑已落地"⼀侧最有⼒的实证（10）。其能⼒定位是苏格拉底式引导：不直接给答案，⽽是通过追问引导学⽣⾃⾏推进；同时为教师批量⽣成教案与评分量规。部署轨迹尤为关键——2023 年作为实验项⽬推出，⾃ 2024—25 学年起规模化：K-12 学⽣⽤户从约 4 万增长⾄约 70 万，总⽤户（含教师）在 2025 年 4 ⽉达约 140万，约 350 个美国学区⽇活使⽤，且已扩展⾄印度、巴西、菲律宾等地（11）。须注意，⽤户/学区数为⼚商与年报⼜径（多为注册⽽⾮活跃精确值），引⽤时按此界定。但有⼀个区分须反复强调：Khanmigo 是软件智能体，运⾏在屏幕端，并⾮机器⼈本体。它的价值在于证明了 LLM 智能体的教学能⼒已被真实学区在常态化场景中验证；当这⼀"⼤脑"被全球教育机器⼈发展蓝⽪书 2026 · AI-SLI接⼊⼀台机器⼈本体时，才构成"智能体化导师机器⼈"。Khanmigo 验证的是"⼤脑"，不是"本体"。把它的部署成功直接读作"教育机器⼈已规模化进课堂"，是⼀种典型的⼜径混淆，本蓝⽪书严格规避。还须补充⼀条审慎边界：Khanmigo 验证的是部署规模⽽⾮学习成效——截⾄ 2025 年末，其教学效果仍缺乏⾦标准随机对照试验（RCT）证实（成效循证统⼀归第 10 章），"规模已落地"不等于"成效已证实"。Khanmigo 的州级落地也在加深：以美国新罕布什尔州为例，已有约 50 个学区、约 5,000 名教师、约 4 万名学⽣接⼊（州政府⼜径，85），表明"导师⼤脑"正从单⼀平台⾛向州级公共教育基础设施。Khanmigo 并⾮孤例，⽽是⼀个更⼴的"软件智能体已规模化、本体仍未落地"现象中最有代表性的样本。同期可与之并列的软件端导师包括：Amira Learning（AI 阅读导师）经⼚商⼜径触达约 400–500 万学⽣、覆盖逾 2,000 个学区、美国 50 州与约 19 国，并已在爱荷华州全州免费、北达科他州 K-5 直采、Newark 全学区 K-3 铺开，约旦更将其纳⼊国家级试点（86、87）；Google的 Gemini for Education 于 2025 年触达约 1,000 万学⽣、1,000 余所院校（⼚商触达⼜径，88）。这些样本共同印证：当"⼤脑"以纯软件形态交付时，规模化部署在 2026 年已是事实；但它们⽆⼀是机器⼈本体，仍须与"具⾝导师机器⼈"严格区分。同样须保守界定：上述⽤户/学区/触达数多为⼚商或年报⼜径（注册⽽⾮活跃精确值），且其成效证据强度参差（详见第 10 章），"已规模触达"不等于"已证实有效"。5.3 幻觉治理的现实样本：Khanmigo 的 math agentLLM 进⼊教育最受诟病的风险之⼀是幻觉（hallucination）——模型可能⾃信地给出错误内容，在数学这类有唯⼀正解的科⽬尤为危险。Khanmigo 提供了⼀个值得记录的⼯程化应对样本（10）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI其内置的"math agent"采⽤⼯具调⽤ + 专⽤⼦智能体校验的机制：当对话涉及具体运算时，主模型不直接"⼼算"输出，⽽是把计算交给确定性⼯具或专门的校验⼦智能体，从⽽缓解 LLM 在算术上易错的问题。这⼀设计的⽅法论意义在于：它⽰范了如何⽤智能体架构（⽽⾮单纯堆砌模型规模）来约束幻觉——把不可靠的⽣成环节替换为可靠的⼯具执⾏，并以⼦智能体做事后校验。这正是"智能体化"区别于"单⼀⼤模型对话"的核⼼：能⼒来⾃编排，⽽⾮来⾃模型本⾝的全知。须审慎指出：math agent 显著缓解但并未消除幻觉风险；在开放学科、长程对话与多模态情境下，幻觉治理仍是远未闭合的⼯程与治理问题（细则见第 14 章关于学业误导的讨论）。5.4 LLM 驱动的社交机器⼈本体：研究与试点全景把"导师⼤脑"接⼊实体本体的探索已经展开，但全部处于研究或⼩规模试点阶段，⽆⼀构成规模化部署。下表汇总教育场景中代表性的 LLM + 社交机器⼈本体⼯作，逐条标注成熟度：系统 / ⼯作年份描述成熟度Pepper + ChatGPT/GPT-3⾼中课堂讲新知⽤ LLM 驱动 Pepper 在课堂讲授新知识【试点】/ 实验室研究（⼩样本，89）NAO + LLM 特殊教育（⼿势/⼿语）LLM 增强 NAO 的⼿势与⼿语交互实验室研究（"潜⼒⼤但尚未充分开发"，90）⼈形社交机器⼈课堂助教（识别参与度）LLM 驱动⼈形识别学⽣参与度并辅助实验室/试点研究（91）RoboBuddy （LLM 讲故事）LLM 机器⼈为⼉童讲故【试点】研究（27 名学⽣、1 周课堂，92）LLM 讲故事激发⼉童创造⼒探究 LLM 故事讲述对创造⼒的影响【试点】/ 实验室研究（同⾏评审，93）全球教育机器⼈发展蓝⽪书 2026 · AI-SLI同伴式可教机器⼈（learning-by-teaching）学⽣"教"机器⼈以促进⾃⾝记忆保持实验室研究（94）从这张全景表可以读出三点。其⼀，机型选择上的新趋势是"复⽤现成低成本本体 + 叠加LLM ⼤脑"：研究者多采⽤ Pepper、NAO、Kebbi、Furhat 等成熟平台，⽽⾮⾃研更复杂的本体（详见第 6 章）。这⼀选择背后有⼀条经济逻辑：如第 4 章 §4.5 所述，具⾝策略所需的真机训练数据稀缺且昂贵，⾃研复杂本体并赋予其端到端⾃主操作能⼒的成本极⾼，"复⽤成熟本体 +接⼊语⾔⼤脑"恰好绕开了最贵的具⾝数据采集环节，把创新集中在对话与交互层。当前 LLM 社交机器⼈研究之所以可⾏，正因为它主要消费的是已规模化的语⾔模型能⼒，⽽⾮昂贵的具⾝操作能⼒。其⼆，样本规模与时长普遍很⼩：RoboBuddy 仅 27 名学⽣、为期⼀周即属其中较"实"者，多数⼯作停留在受控实验室或可⾏性验证。其三，⽆⼀构成规模化部署，它们共同描绘的是"前景"⽽⾮"成效"。本蓝⽪书对这⼀类⼯作的定位因此是前景⼴阔、实证早期，杜绝任何成效宣称。学习成效的循证讨论统⼀归第 10 章，本章不重复效应量。5.5 智能体编排与记忆：从固定⾓⾊到可编排⾓⾊智能体化带来的不仅是"接⼊本体"，更是交互范式的升级。教育机器⼈长期被定型为教师助⼿ / 教学⼯具 / 学习伙伴三类固定⾓⾊；在 LLM 智能体框架下，这⼀静态分类可被重述为⾓⾊编排（role orchestration）——同⼀个智能体⼤脑能够依据情境实时切换⾝份：此刻是苏格拉底式提问的导师，下⼀刻是形成性评价者，再下⼀刻是学习数据分析顾问或协作学习的中介（这⼀再界定的完整论证与依据见第 3 章，理论锚点为 9 已将 chatbot 纳⼊教育机器⼈范畴）。⽀撑⾓⾊编排的两项底层能⼒是记忆与编排。记忆使智能体能够跨会话维持对学习者画像、进度与偏好的连续认知——它把⼀次性问答升级为对同⼀学习者的连续追踪，使"上⼀节课你在全球教育机器⼈发展蓝⽪书 2026 · AI-SLI分数通分上卡住"这类上下⽂得以延续，从⽽⽀撑个性化的形成性反馈。编排则把"调⽤哪个⼯具、切换到哪个⾓⾊、何时移交给⼦智能体"组织为可调度的流程：⼀个具备⼯具调⽤能⼒的智能体可在对话中实时唤起计算器、检索教材、查询学情数据库或调⽤确定性求解器，⽽不必让模型"凭记忆⼼算"。这正是 §5.3 中 math agent 机制的⼀般化：智能体的教育能⼒来⾃对⼯具、记忆、⼦智能体与⾓⾊的编排，⽽⾮单⼀模型的内在全知。这⼀"编排带来能⼒"的判断，已有受控研究的初步佐证。Google DeepMind 的 LearnLM（针对学习场景微调的 Gemini 变体）在英国课堂⼀项探索性 RCT 中（165 名 13–15 岁学⽣、5 所学校，Eedi 平台），其草拟的导师消息有 76.4% 被监督教师零修改或极⼩修改即采纳，学⽣在解新题上的概率较对照⾼约 5.5 个百分点（95）。须严格界定：该研究样本⼩、为探索性、未作显著性主张，76.4% 是过程质量代理指标⽽⾮学习成绩效应量，且 LearnLM 是⽂本 LLM、⾮机器⼈——它佐证的是"经编排与对齐的导师⼤脑能产出教师可直接采纳的教学内容"，⽽⾮任何成效结论（成效归第 10 章）。须强调，"⼤脑↔本体分离"是这⼀架构的天然推论——同⼀个导师⼤脑可以服务于屏幕、平板，也可以驱动⼀台社交机器⼈；本体只是⼤脑的⼀种载体，⽽⾮能⼒的来源（图 7 以"⼤脑/⼯具调⽤/记忆/⾓⾊编排 + ⼤脑↔本体分离"刻画这⼀架构）。这⼀分离也解释了为何"⼤脑"能先于"本体"规模化：软件智能体的边际部署成本极低（复制⼀份订阅即可触达新学⽣），⽽每多⼀台具⾝本体都意味着真实的硬件、维护与具⾝能⼒获取成本——后者正是下⼀节两⼤共性挑战的根源。5.6 两⼤共性挑战：幻觉与算⼒开销把 LLM ⼤脑接⼊教育本体，⾯临两类贯穿性的共性挑战，⼆者都须写⼊审慎章节。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI挑战⼀·幻觉。如 §5.3 所述，机器⼈可能偏离预设、给出错误内容；在⾯向⼉童的教育场景中，错误内容的代价尤⾼（涉及学业误导与信任）。Khanmigo 的 math agent 提供了"⼯具调⽤ +⼦智能体校验"的缓解范式，但远⾮通⽤解；开放学科与长程交互下的幻觉治理仍是开放难题。挑战⼆·算⼒开销。⼤模型难以在嵌⼊式本体上离线运⾏——算⼒、功耗与延迟都构成现实约束。这⼀挑战对教育场景尤为尖锐，因为校园环境往往要求断⽹可⽤、低延迟、数据不出本地（隐私合规需要）。第 4 章提到的 Gemini Robotics On-Device（59）所代表的端侧推理⽅向，正是对这⼀挑战的直接回应——本体本地运⾏、断⽹可⽤、少量⽰范即可微调。本地⼩模型与端侧推理因此被本蓝⽪书列为教育场景闭合"能⼒—部署落差"的关键突破⼜之⼀（趋势研判见第15 章）。须保守界定：端侧推理⽬前仍处试点/受限计划阶段（trusted tester），它指明了⽅向，但尚未把具⾝导师机器⼈推⼊规模化部署。须补充⼀条与"算⼒开销"相邻、且更具根本性的成本约束：把"⼤脑"接⼊实体仅是问题的⼀半，另⼀半是赋予本体真实的具⾝操作能⼒，⽽后者受制于第 4 章 §4.5—§4.6 所述的真机数据瓶颈。这⼀瓶颈的量级值得在本章具体刻画，因为它直接决定了"具⾝导师机器⼈为何贵、为何难"。与互联⽹⽂本数据不同，训练具⾝策略所需的"动作配对传感运动数据"（同步的关节⾓、夹⽖⼒、相机帧与任务上下⽂）不存在互联⽹规模的现成版本，只能在物理操作中逐条录得：全球运⾏的⼯业机器⼈虽逾 390 万台，但最⼤的开放机器⼈操作数据集也仅约 100 万条 episode；相较之下，训练当代⼤型多模态模型的互联⽹数据约相当于"10 万年⼈类经验"，⽽迄今最⼤的单⼀遥操作机器⼈数据集仅约"1 年"量级（60）。数量级的鸿沟，正是"语⾔⼤脑已规模化、具⾝本体未规模化"的数据学根源。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI降本链由三种数据范式的取舍构成（61）：遥操作逐条⼈⼯采集，最贵最慢，却承担"策略能否在真实世界⼯作"的⼤部分权重；仿真合成⽤于填补长尾罕见场景，2025 年有研究量化出"约 8个仿真样本 ≈ 1 个遥操作样本"的换算关系（同域操作任务），但在潮湿摩擦、形变、镜⾯反光等接触密集场景仍最易失败；动作捕捉与第⼀视⾓视频提供动作先验，但仅是先验、⾮可执⾏策略。世界模型（第 4 章、第 15 章详述）的间接价值正在于此——以全合成管线⼤规模⽣成多样化具⾝轨迹、绕开⼈⼯遥操作，从⽽压低"单台教育/科研机器⼈达到可⽤能⼒"的成本，并让"在仿真⾥做实训"成为低门槛教学⽅式（学⽣⽆需昂贵真机即可练强化学习、感知与规划）（75、82）。两端杠杆由此并置：端侧推理压低的是⼤脑的部署成本，世界模型与 sim-to-real 合成数据若成熟，则有望压低本体的能⼒获取成本；⼆者分别从"⼤脑可及"与"本体可及"两端，被本蓝⽪书视为闭合"能⼒—部署落差"的潜在杠杆。仍须保守界定：两者⽬前均处试点/研究阶段，是趋势⽽⾮现状（趋势研判见第 15 章）。尤须警惕把世界模型表述为"已进课堂的教育产品"——它是使能技术，与教育的关系是间接的（降低真机数据门槛、合成训练数据、做仿真实训），绝⾮课堂落地产品。5.7 本章⼩结本章确⽴了"智能体化"的核⼼图景：基础⼤模型经由⼯具调⽤、记忆、⼦智能体校验与⾓⾊编排，升级为"导师⼤脑"。这⼀范式最先以软件智能体的形态规模化落地——Khanmigo 约 140万⽤户（含教师）、约 350 个美国学区⽇活，是唯⼀的规模化样本，但它是屏幕端软件⽽⾮机器⼈本体，且其成效尚未经⾦标准 RCT 证实。把同⼀"⼤脑"接⼊实体的探索虽已铺开，却全部停留在研究与周级试点，前景⼴阔⽽实证早期。幻觉与算⼒是这⼀路径上两⼤共性挑战；端侧推理与世界模型合成数据则分别从⼤脑与本体两端，构成值得追踪的回应⽅向。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI承接"⼤脑↔本体分离"的架构含义，第 6 章将转向"本体"⼀侧，审慎刻画⼈形与社交本体的硬件曲线、成本拐点与教育可及性边界——并明确：可接⼊ LLM ⼤脑的低成本社交本体，与⼯业级⼈形进课堂的"概念/演⽰"之间，存在不可忽视的距离。本章涉及的 LLM 教学循证（TutorCoPilot、LearnLM 等均为⽂本 LLM、⾮机器⼈）归第 10 章统⼀处理；幻觉与学业误导的治理细则归第 14 章。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 6 章具⾝本体全谱：⼈形、灵巧⼿与四⾜本章范围声明：本章只讲具⾝本体硬件——⼈形、灵巧⼿、四⾜三类本体的⾃由度、成本、参数曲线与教育可及性边界。本体的市场规模、出货预测归第 12 章；⼚商财务、竞争排名归第 13 章；具体⼚商的教育部署案例归第 9 章；上游"卡脖⼦"部件的产业链重构归第11 章——本章对这些只作背景指向，不展开重述，以免跨章重复。 > > ⼈形教育降温总则（贯穿本章）：整机规格、价格、出货⼀律标注"截⾄ 2025–2026 ⼚商/媒体⼜径，未独⽴核验"；严禁"⼈形机器⼈教师规模进课堂"式宣称。可进教育的⼈形（宇树 G1、傅利叶 GR、加速进化 T1 等）主要是⾼校与科研的教学/研究平台、师资培训对象与竞赛平台，宇树⼈形约 3/4 的收⼊来⾃科研教育客户；中⼩学规模化仍以⼩型编程/社交本体为主。货币⼜径铁律：中国财报"亿元"≠ billion，1 亿元 ≈ 0.14 亿美元。6.1 引⼊：当"⼤脑问题"被部分解决，焦点回到"本体⼀侧"第 4 章指出 Pepper 的停产标志着"前⼤模型社交机器⼈"商业模式的受挫——硬件本体先⾏，却缺少⾜够强的认知⼤脑；其母公司 Aldebaran 已于 2025 年 2 ⽉进⼊破产清算（累计债务约 1.5亿欧元），NAO/Pepper 的知识产权与资产经拍卖由深圳迈瑞微视收购，这为"本体先⾏"路线写下了⼀个迟来的注脚（54）。第 5 章则确⽴："⼤脑↔本体分离"是智能体化的天然推论，本体只是⼤脑的⼀种载体。本章在这两条线索的交汇处展开：当⼤脑问题被基础⼤模型部分解决后，本体⼀侧的硬件曲线、成本结构与教育可及性便成为决定"具⾝教育机器⼈能否落地"的新焦点。⼀条审慎主线须从⼀开始就⽴起——硬件确在快速成熟、成本确在中国供应链拉动下下⾏，但这并不等于"⼈形机器⼈将规模化进⼊中⼩学课堂"。下⽂的证据指向同⼀结论：在 2025 这⼀被⼴泛称为⼈形"量产全球教育机器⼈发展蓝⽪书 2026 · AI-SLI元年"的年份，⼈形量产⼏乎全部指向⼯业、物流与零售，教育课堂⾥的⼈形落地⼏近于零；真正以"现在进⾏时"进⼊教育的具⾝平台，反⽽是更便宜、运动控制更成熟的四⾜机器⼈（机器狗）。图 08. ⼈形/社交本体能⼒—成本散点（标成熟度与教育可及性带）。价格对数轴、点⼤⼩∝⾃由度。来源：humanoid_compare2026、humanoid_cost_supplychain2026、宇树 G1 EDU、Pepper 停产报道；整机参数为⼚商⼜径，未独⽴核验。本章把具⾝本体拆为三类逐⼀审视——⼈形（全⾝）、灵巧⼿（操作末端）、四⾜（移动平台）——并在每⼀类上严格区分"已部署 / 试点 / 演⽰ / 宣称"四级成熟度，最后落到⼀张"量产 vs教育落地"的落差图上。6.2 社交本体演化：从 NAO/Pepper 到「低成本本体 + LLM ⼤脑」进⼊三类本体的全谱之前，先补完社交本体的演化路径，它印证了"本体只是载体"的判断。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第⼀代代表是 NAO 与 Pepper：⾃研复杂本体、依赖脚本驱动。Pepper 已于 2021 年停产（累计约 27,000 台，54），NAO 则因在⾃闭症谱系障碍（ASD）等场景的长期积累仍有应⽤——历史累计约 20,000 台 NAO 与 17,000 台 Pepper 销往约 70 国，教育市场累计逾 17,000 台。它们的共同教训是：单纯把本体做得更复杂、更"像⼈"，并不能撑起开放式交互的商业价值；⽽ Aldebaran的清算更进⼀步暴露了"重资产硬件本体 + 弱⼤脑"模式的可持续性风险（既存部署机群的运维与服务由谁承接，本⾝已成问题）。由此衍⽣出 2026 年的新趋势——保留低成本社交本体，转⽽把投⼊放在接⼊云端或本地的LLM ⼤脑，⽽⾮⾃研更复杂的本体。研究与产品实践中，更常见的是采⽤ Kebbi、Minibo、NAO 等现成平台叠加多模态 LLM 能⼒（具体的"LLM + 社交机器⼈"研究全景见第 5 章 §5.4）。这⼀趋势的产业含义是：本体环节趋向标准化、低成本化，价值重⼼向"⼤脑（模型/智能体）"与"服务（课程/运维）"迁移——这条价值迁移线索在第 11 章产业链重构中会被进⼀步展开。6.3 ⼈形本体全谱：海外与中国 20+ 型号2025–2026 年，⼈形整机已从单点明星产品演化为⼀个可对照的全谱。下⽂以"海外 / 中国"两阵营梳理 20 余款代表型号的规格、价格、出货与成熟度。须先⽴三条阅读约定：其⼀，下列整机参数多来⾃⼚商规格与⼆⼿汇总，价格/出货为快速变动数据，⼀律标注"截⾄ 2025–2026 ⼚商/媒体⼜径，未独⽴核验"，重在趋势与量级⽽⾮精确报价（96、97）；其⼆，"量产/部署"⼏乎全部指向⼯业、物流、零售，⽽⾮教育课堂；其三，进⼊教育的⼈形，绝⼤多数是⾼校/科研的教学研究平台，⽽⾮"机器⼈教师"。海外阵营以"⼯业部署 + 演⽰宣称"两态并存为特征：- Tesla Optimus（Gen 3）：⼿部宣称 22+ ⾃由度、整机约 50 个执⾏器，⼿部技术路线为"⾏星齿轮箱 + 滚柱丝杠 + 腱驱"混合；V3 正式量产⽬标定在 2026 年夏，产能⽬标年 100 万台、全球教育机器⼈发展蓝⽪书 2026 · AI-SLI规模量产成本⽬标 2.0 万–2.5 万美元/台（当前单台制造成本估 5 万–10 万美元）。成熟度：演⽰+ 宣称——量产价与产能均为⼚商⽬标，⽆现货（98）。 - Figure 02 / 03（Helix VLA）：02 单⼿16 ⾃由度、负载约 20kg、续航约 5 ⼩时；已在 BMW Spartanburg 产线⽀撑⽣产 30,000+ 辆 X3（10 ⼩时/班、搬运 90,000+ 钣⾦件）。成熟度：⼯业试点/早期部署（汽车产线，⾮教育、⾮家庭）；Figure 03 家务能⼒主要为⼚商发布演⽰（99）。 - 1X NEO：仅 29.94kg、22 ⾃由度双⼿，早鸟买断 2.0 万美元或 499 美元/⽉订阅，2026 年美国先发。须作审慎案例标注：其复杂任务（如叠⾐）100% 依赖"Expert Mode"远程遥操作（teleoperation），仅"开门/收拾杯盘"等被标注为⾃主——所谓"⾃主"实为遥操作，且 1 名监管者管理 8 名远程操作员，远程操作员可看到家中视频⽤于训练，已引发隐私争议。成熟度：演⽰ + 预售（宣称⾃主，实为遥操作）（100、101）。 -Apptronik Apollo：1.73m/约 73kg、负载约 25kg、Jetson AGX Orin（275+ TOPS）、接⼊NVIDIA GR00T 基础模型；在 Mercedes-Benz、GXO Logistics、Jabil 做物流试点；2025 年融资5.2 亿美元、估值 55 亿美元。成熟度：⼯业试点（物流，⾮教育）（102）。 - Boston Dynamics电动 Atlas：第五代全电动，56 ⾃由度、负载 50kg、臂展 2.3m、⾃主换电；2026 年全部产能已承诺给 Hyundai 与 Google DeepMind，2027 年才对外开放，单价业界估 15 万–42 万美元。成熟度：⾸批商⽤部署（⼯业，已承诺客户）（103）。 - Agility Digit：v4 为 175cm/60kg、负载约 16kg，v5 负载升⾄约 23kg；商⽤部署于 Schaeffler、GXO、Toyota、Amazon 等，9 个客户设施累计65,000+ 运⾏⼩时、单部署搬运 100,000+ 料箱。成熟度：商⽤部署（物流，"超越试点"）——海外⼈形⾥部署最实的⼀家（104）。 - Sanctuary Phoenix：⼿部 21 ⾃由度液压驱动、含 7 单元微⽓压触觉阵列（可感 5 毫⽜）。成熟度：演⽰（⼿内操作⾥程碑；液压路线是少数派）（105）。中国阵营以"科研/教育平台供货 + ⼯业量产起步"为特征，价格普遍低于海外：- 宇树 Unitree（G1 / H1 / H2 / R1）：G1 约 35kg/23–43 ⾃由度、起售 9.9 万元，EDU 版含Python/C++/ROS2 SDK + Jetson Orin（约 4.39 万–7.39 万美元⼜径）；R1（2025-07）24–26 ⾃由全球教育机器⼈发展蓝⽪书 2026 · AI-SLI度、3.99 万元起；H2（2025-10）1.8m/70kg/31+ ⾃由度。2025 年向终端出货 5,500+ 台、全球第⼀（份额约 32.4%）。成熟度：已商⽤供货（科研/教育/开发主⼒）（106、107）。 - 智元 Agibot（远征 A2 / 灵犀 X2）：A2 1.69m/40+ ⾃由度、青春版 16.8 万–19.8 万元；X2 约 1.3m/25–31 ⾃由度、青春版 9.8 万元；2025-12 第 5,000 台量产下线。成熟度：已量产（⾏业/商⽤为主）；其"百城万校"教育计划仍为宣称/早期（108）。 - 傅利叶 Fourier（GR-2 / GR-3）：GR-2175cm/63kg/53 ⾃由度（含 12 ⾃由度触觉灵巧⼿）、估价 ≥15 万美元（仅 B2B）；GR-3（"关怀机器⼈"Care-Bot）≤55 ⾃由度、>20 万元（约 2.75 万美元），转向情感交互场景（含教育）。成熟度：已部署（科研/康复/开发平台）（109）。 - 优必选 Walker S2：⼯业⼈形，全球⾸个⾃主换电（3 分钟）；2025-11 启动量产交付，⽬标年内 500 台、2026 年产能 5,000 台，Walker 系列累计订单 >8 亿元（约 1.12 亿美元，亿元⾮ billion）。成熟度：量产交付启动（⼯业）；优必选的教育线仍延续 Alpha Mini/悟空⼀类⼩型编程本体进中⼩学（110）。 - 星动纪元 Robot Era（STAR1）：负载 160kg、55 主动⾃由度、跑速 3.6m/s；A 轮近 5 亿元，2026-04 新⼀轮 >2 亿美元，截⾄ 2025-06 交付 200+ 台、50%+ 订单来⾃海外。成熟度：已交付（科研/开发为主）+ 宣称（估值约 100 亿元）（111）。 - 众擎 EngineAI（PM01 / SE01）：PM01 1.38m/24 ⾃由度、1.2 万美元（8.8 万元）；SE01 1.7m/32 ⾃由度、2 万–3 万美元；明确推出教育版。成熟度：已供货（研究/教育/商⽤，开源平台）（112）。 - 加速进化 Booster（T1 / K1）：T1 118cm/23 ⾃由度（加灵巧⼿ 41 ⾃由度）、Jetson AGX Orin、约 3.4 万美元；K1 约 1.25 万美元；RoboCup 2025冠军平台，70+ ⾼校/科研机构在⽤。成熟度：已供货（科研/教育/竞赛主⼒）（113）。 - 银河通⽤ Galbot（G1）：轮式⼈形，173cm、续航 10 ⼩时、负载 5kg；落地在智慧零售与⽆⼈药店（药店端单台 70 万元），与北⼤共建具⾝智能联合实验室（EPIC Lab）。成熟度：试点/早期部署（零售/药店）+ 深度产学研科研平台（114）。 - 松延动⼒（N2 / E1）：双⾜⼈形，教育科研定全球教育机器⼈发展蓝⽪书 2026 · AI-SLI位明确；北京⼈形马拉松后 1 个⽉内意向订单破 2,000 台、合同额超 1 亿元，最⼤客户群来⾃教育⾏业（订单为意向，审慎）。成熟度：试点/早期交付（教育科研定位）（115）。把这 20 余款型号汇成⼀张矩阵（），三个判断浮现：其⼀，⾃由度已普遍上⾏⾄ 20–56，电驱（⽆框⼒矩电机 + 谐波/⾏星减速）成为主流，海外少数（Sanctuary）⾛液压路线；其⼆，海外⼈形⼏乎只进⼯业，中国⼈形多以科研/教育平台形态供货，价格普遍只有海外的⼏分之⼀（宇树 R1 3.99 万元 vs Atlas 15 万美元级）；其三，也是最关键的⼀条——"量产"⼏乎全指⼯业/物流/零售/科研，没有任何⼀款是"⼈形教师规模化进⼊中⼩学课堂"。Optimus 的消费价、Figure03 的家务能⼒、1X NEO 的"⾃主"都仍是⼚商⼜径或视频演⽰（NEO 的"⾃主"实为遥操作），与"可购买、可部署、第三⽅可复现"之间存在距离。图 23. ⼈形机器⼈ 2025–2026 全谱矩阵（海外 + 中国 22 款型号；⽓泡矩阵：X=价格 log、Y=⾃由度 DoF、⽓泡∝出货/产能、颜⾊=⼯业落地/教育=科研平台/演⽰-宣称）。核⼼：「量产元年」⼏乎全指⼯业/物流/科研量产，⽆⼀款⼈形教师规模化进中⼩学课堂。来源：_v2_addendum 专节1（Tesla/Figure/1X/Apptronik/BD/Agility/宇树/智元/傅利叶/优必选/星动/众擎/加速进化/银河/松延等）；价格/DoF/出货为⼚商或媒体⼜径、未独⽴核验。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI6.4 灵巧⼿专节：操作瓶颈、触觉密度与中国的价格降维如果说⼈形整机的运动控制已在快速⼯程化，那么灵巧⼿（dexterous hand）仍是⼈形"做事"能⼒的真实瓶颈——抓取、装配、家务的成败都压在这只⼿上。灵巧⼿也是⼀个值得单独成节的环节，因为它是中国⼚商相对西⽅少有的"并跑甚⾄领跑"领域。灵巧⼿有三条技术路线：直驱（连杆/齿轮，刚性、易制造维护）、腱驱（绳驱，柔性、拟⼈但维护难）、混合（连杆+腱、丝杠+腱）。触觉传感已成主流标配，视觉-触觉（visuo-tactile）被学界视为最有前景的分⽀。下⾯以⼗家玩家做对照：海外四家：Shadow Hand（英，20 驱动 + 4 ⽋驱、腱驱、霍尔触觉 taxel，约 7.4 万–10 万美元，⾼端科研已商⽤，116）；Wonik Allegro（韩，16 ⾃由度直驱、全向指尖压感，1.5 万美元起，科研/教育主⼒，117）；Sanctuary Hand（加，21 ⾃由度液压 + 7 单元微⽓压触觉，演⽰，105）；Sharpa Wave（22 主动⾃由度、专有动态触觉阵列 DTA 压感 0.005N/180FPS/空间分辨率 <1mm，2025-10 进⼊量产并发货，118）。中国六家：因时 Inspire-Robots（RH5EG1 14 主动⾃由度、伺服电缸直线驱动 + 压⼒/接近觉，⼈形末端执⾏器头部供应商，已量产，119）；强脑 BrainCo Revo2（11 ⾃由度/6 主动、仅 383g、负载 20kg、内置 3D 触觉可感硬度/纹理/⽅向/接近觉，年产能 3 万台、价格称国际同类 1/5–1/7，量产就绪，120）；灵⼼巧⼿ LinkerBot L20（20 ⾃由度/16 主动、连杆驱动、72 单元 200FPS 触觉阵列加选配电⼦⽪肤，6,666 元起、2025 交付 1 万+台，121）；帕西尼 PaXini DexH13（16 ⾃由度/13 主动、空⼼杯电机，触觉密度业界最⾼——1,140 个 GEN2 ITPU 触觉单元、3,420 个触觉信号通道，已商⽤，122）；傲意 OYMotion ROHand（6 主动⾃由度、⾼密度触觉阵列 0.1–25N，8,888 元起、性价⽐ + 假肢双线，已发售，123）；智元灵巧⼿（混合驱动：滚柱丝杠 + 连杆 + 蜗轮 + 腱，混合路线代表，124）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI把"触觉密度 × 价格"画在同⼀张定位图上（），中国⼚商的位置⾮常醒⽬：帕西尼以 1,140触觉单元、灵⼼巧⼿以 72 单元 200FPS、强脑以 3D 触觉在触觉密度上已领先；⽽价格上，LinkerBot 6,666 元、傲意 8,888 元起对 Shadow 约 7.4 万美元（约 53 万元）形成接近 1/20 量级的降维。IROS 2025 的⾏业盘点甚⾄以"特斯拉还没做到的，中国⼚商做到了"为题（媒体⼜径，含宣传成分，审慎引⽤，124）。图 24. 灵巧⼿触觉密度 × 价格定位象限（10 玩家散点；X=价格 log、Y=触觉单元数 log，中国「降维区」⾼亮）。帕西尼 1,140 单元、LinkerBot 6,666 元 vs Shadow 7.4 万美元，约 1/20 量级降维。来源：_v2_addendum 专节2（Shadow/Allegro/Sanctuary/Sharpa/因时/强脑/LinkerBot/帕西尼/傲意/智元）；未公开价格列右侧；IROS 媒体盘点含宣传成分，审慎。但须给出两条冷静判断。其⼀，⾃由度军备竞赛 ≠ 好⽤。⾼⾃由度（20–22）多见于演⽰/科研，⼯业产线更看重负载与可靠性——Tesla Optimus Gen 3 选"丝杠 + 腱"混合⽽⾮纯⾼⾃由度⽅案，恰是产线导向的体现；"拼⾃由度，更要拼好⽤"。其⼆，灵巧⼿在教育/科研中的⾓⾊是平台⽽⾮教具。灵巧⼿主要作为具⾝智能数据采集与操作教学平台（遥操作 + 模仿学习）进⼊⾼校全球教育机器⼈发展蓝⽪书 2026 · AI-SLI实验室，Allegro/Shadow 是经典科研平台，中国低价灵巧⼿正把灵巧操作研究拉⼊更多⾼校实验室——它不是中⼩学课堂教具，中⼩学仍以编程/社交⼩型本体为主。灵巧⼿的价格曲线最终由上游部件决定——⾏星滚柱丝杠（⼈形最贵、最难国产的环节，成本占⽐约 28.6%–35%）、谐波减速器（份额仍由⽇企哈默纳科主导，国产化率约 30%→拟40%）、⽆框⼒矩电机与六维⼒传感器（国产化领先，六维⼒国产化率已从 19% 升⾄ 57.8%）共同构成成本结构（125、126）。中国供应链的快速国产化是灵巧⼿降本、进⽽提升教育/科研可及性的底层⽀点；但丝杠与⾼端谐波仍是瓶颈，决定着"⾼校实验室可负担"的最终价格。上游瓶颈的产业链全景归第 11 章展开，本章只作⼀句话指向，不展开重述。6.5 四⾜专节：当前进⼊教育最现实的具⾝平台在三类本体⾥，真正以"现在进⾏时"进⼊教育的，既不是⼈形也不是灵巧⼿，⽽是四⾜机器⼈（机器狗）。原因有三：四⾜更便宜（教育套件数千美元级 vs ⼈形数万美元级）、运动控制已基本⼯程化（已在电⽹巡检、应急救援规模出货），且已实际进⼊中国职教/⾼校课堂做感知与算法实训。这构成了第 4 章"能⼒—部署落差"中的少数闭合点之⼀。四⾜可分三类——消费/教育级、科研/教学中量级、⼯业/防务级——下⾯以六家玩家覆盖全谱，重点标注教育版价格：- 宇树 Go2（Air/Pro/EDU/EDU Plus）：消费 + 教育主⼒。Go2 Air 约 1,600 美元起、Pro 约2,800 美元；Go2 EDU 标准版约 5,990 美元（含 Orin Nano 40 TOPS、完整 Python/C++/ROS2 SDK、RealSense D435i、⾜端⼒传感器）；EDU Plus 约 16,000–22,500 美元（升级 Orin NX 100 TOPS、可选 6 ⾃由度机械臂）。成熟度：量产/已商⽤（消费 + 科研教育）（127、128、129）。 - 宇树B2/B2-W：⼯业级最快四⾜（约 6m/s）、负载约 40kg（B2-W 轮⾜版 IP67、负载可达 120kg）；⼯业/科研量产。 - 云深处绝影 Lite3：科研/教学中量级，开放 SDK + ROS2 接⼜（运动/感知/强全球教育机器⼈发展蓝⽪书 2026 · AI-SLI化学习），教育与科研版起价约 2,890 美元——当前进⼊教育门槛最低的科研级平台之⼀。成熟度：量产（教育/科研）（130）。 - 云深处绝影 X30：⼯业旗舰，约 56kg、IP67、巡检⾥程≥10km；已规模部署于温州地下电⽹管廊，并作为⾸个出海的中国四⾜进⼊海外电⼒系统（新加坡 SP 集团地下输电⽹络，昵称"SPock"，每年省 480+ ⼩时⼈⼯巡检）。成熟度：部署（⼯业巡检，已商⽤交付）（131、132）。 - 蔚蓝 BabyAlpha A2：消费/家庭陪伴四⾜，内置⼤语⾔模型可回答⼉童问题、中英双语切换，基础版 6,099–8,099 元起。须严格区分：这是家庭消费场景的"学习陪伴产品"，不等于学校教育部署。成熟度：量产（消费/家庭，⾮课堂教学产品）（133）。 -海外对照：波⼠顿动⼒ Spot（Explorer Kit 约 74,500 美元起、完整配置约 15 万–19.5 万美元，截⾄ 2025Q4 全球 480+ 所⼤学/研究机构持 Spot Academic 学术许可，134、135）；ANYboticsANYmal（约 75,000 美元起，⼯业巡检，136）；Ghost Robotics Vision 60（约 22.5 万–23.5 万美元/台，防务为主、与教育⽆关，仅作价格上限锚，137）。把这些产品按"教育落地状态 × 价格阶梯"排开（），四⾜相对⼈形的教育可及性⼀⽬了然：Go2 Air 约 1,600 美元、Lite3 约 2,890 美元、Go2 EDU 约 5,990 美元，远低于⼈形万美元级乃⾄宇树 G1 EDU 的 4.39 万–7.39 万美元。这⼀价格阶梯，配合开放 SDK + ROS2 + 点云/视觉数据流，使四⾜天然适合机器学习/感知/强化学习实训。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 25. 四⾜机器⼈教育落地与价格阶梯（价格条形 log + 落地标注 + ⼈形价格对照带）。Go2 Air≈$1,600 /Lite3≈$2,890 / Go2 EDU≈$5,990 vs ⼈形万美元级；真实职教落地 HZPT × Go2（点云+4K 时空对齐做 CV/SLAM 实训）。能⼒—部署落差少数闭合点（限职教/⾼校，不可外推中⼩学）。来源：_v2_addendum 专节3。更关键的是真实落地证据，这是四⾜区别于⼈形的决定性差异：- 杭州科技职业技术学院（HZPT）× 宇树 Go2：物联⽹技术学院将 Go2 引⼊专业教学，学⽣⽤机器狗回传的激光雷达点云 + 4K 摄像头画⾯做时空对齐，编写算法识别校园违规⾏为⽬标；教师称这让学⽣"以更直观的⽅式掌握机器学习与计算机视觉"，把抽象概念变成可动⼿的⼯程挑战。成熟度：已部署（职业院校课堂实训）——这是能⼒—部署落差的真实闭合点（138）。 -RoboUniversity：宇树与 Stanford 教授及 OpenMind 合作的教育课程与认证体系，覆盖编程基础到⾼级机器⼈集成，⾯向 Go2/G1 平台（127；部署案例细节见第 9 章）。 - 科⼤讯飞智慧教育"未来课堂"：四⾜机器狗 + 虚拟数字⼈进⼊校园科技节展⽰。成熟度：试点/展⽰（科技节/科普，⾮常态化课堂教学）（139）。四⾜与⼈形的教育落地成熟度对⽐，可凝练为下表：全球教育机器⼈发展蓝⽪书 2026 · AI-SLI维度四⾜（机器狗）⼈形运动控制成熟度基本⼯程化解决，⼯业规模部署仍快速迭代，多为试点教育进⼊价格门槛低：Go2 Air 约 1,600 美元、Lite3约 2,890 美元、Go2 EDU 约 5,990美元⾼：宇树 G1 EDU 约 4.39 万–7.39万美元教育落地状态已进职教/⾼校课堂（HZPT 实训；RoboUniversity 认证）主要是⾼校科研教学平台（约 3/4收⼊来⾃科研教育），中⼩学规模化仍是⼩型编程机器⼈成熟度判定量产 + 已部署（教育为现在进⾏时）部署（⼯业试点）+ ⾼校科研平台（教育规模化仍属概念）市场⼜径可作侧证：中国 2024 年前三季度机器狗销量约 2.33 万台、同⽐ +72.22%，预测2031 年约 39.48 万台（机构预测⼜径，须标注）；教育机器⼈⾏业中⾮⼈形（含四⾜）因价格亲民与 STEM 适配性占主导（Grand View ⼜径，140、141）。但须坚守取⽤底线，与⼈形红线⼀致：可以写"四⾜是当前具⾝智能进⼊教育最现实的平台，已在中国职业院校/⾼校做感知与算法实训"；不可写"机器狗已规模化进⼊中⼩学课堂"——⽬前限定在职教/⾼校，中⼩学仍以⼩型编程机器⼈为主，不可外推。蔚蓝 BabyAlpha 的"学习陪伴"属家庭消费，更不能与学校教学部署混为⼀谈。6.6 量产元年与教育课堂：本体落差⼩结把⼈形、灵巧⼿、四⾜三类本体的硬件证据汇总，再叠上"成熟度"这⼀刻度，可得出本章的核⼼判断——2025 是⼈形的"量产元年"，但教育课堂⾥的⼈形落地⼏近于零；本体能⼒的上⾏曲线与本体进⼊教育课堂的曲线，存在⼀道清晰的落差（）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 28. ⼈形「量产元年」vs 教育课堂落地落差（左：能⼒/量产上⾏曲线 vs 教育课堂落地平贴零 + 落差带；右：⼈形「已常态化部署/供货」场景分布，教育课堂规模化≈0）。呼应本⽩⽪书「能⼒—部署落差」技术叙事主轴。来源：verification_report H1–H5 / 七·⼈形教育定位降温 D1–D4 +_v2_addendum 专节1.3/专节6（19 落地案例）；唯⼀规模化教育落地为软件 LLM 导师（⾮本体）。这道落差可从三个层⾯读出：- 硬件趋势真实：⼈形⾃由度上⾏⾄ 20–56、电驱为主流；灵巧⼿触觉密度由中国⼚商领跑、价格被打到海外 1/20 量级；四⾜运动控制已⼯程化、价格进⼊数千美元区间。成本受中国供应链拉动持续下⾏。 - 量产⼏乎全在⾮教育场景：真正常态化/规模商⽤部署的⼈形（Digit 物流65,000+ ⼩时、Figure 02 BMW 30,000+ 车、Apollo Mercedes/GXO、Atlas 已承诺客户、Galbot 药店、Walker S2 量产启动）全部在⼯业/物流/零售；演⽰+宣称为主的是 Optimus、Figure 03 家务、1X NEO 的"⾃主"（实为遥操作）。 - 教育可及性严格分层：可进教育的⼈形（宇树 G1、傅利叶GR、加速进化 T1、众擎、星动纪元、松延）主要是⾼校/科研的教学研究平台、师资培训对象与竞赛平台——宇树招股书披露其⼈形约 3/4（73.6%–74%）的收⼊来⾃科研教育客户、仅约 9%全球教育机器⼈发展蓝⽪书 2026 · AI-SLI进⼊实际⼯业应⽤（107、142）；西⽅⼈形（Figure/Tesla/1X/Apptronik）⼏乎不进教育、仅服务⼯业产线（143、8）；中⼩学规模化仍是优必选 Alpha Mini ⼀类⼩型编程/社交本体；真正以"现在进⾏时"进⼊教育课堂的具⾝平台，是更便宜、运动控制更成熟的四⾜机器狗（限职教/⾼校）。本章的红线判断由此⽴起：全尺⼨⼯业级⼈形进⼊中⼩学课堂迄今仍处于概念与演⽰阶段，"⼈形机器⼈教师规模进课堂"是本蓝⽪书严格规避的过度宣称。本体在成熟、成本在下⾏，但这先转化为"⼯业产线 + ⾼校科研平台 + 职教实训"的落地，⽽⾮"⼈形教师进基础教育课堂"。本章的范围边界须重申：以上仅就本体硬件与成熟度⽽论。⼈形与四⾜的市场规模、出货预测归第 12 章，⼚商财务与竞争排名归第 13 章，上游"卡脖⼦"部件的产业链重构归第 11 章，具体教育部署案例归第 9 章；它们与本章的硬件曲线互为背景，但不在本章展开，以保持跨章去重。6.7 本章⼩结本章把具⾝本体拆为⼈形、灵巧⼿、四⾜三类逐⼀审视，落点是⼀个审慎判断：硬件在成熟、成本在下⾏，但"量产元年"的量产⼏乎全在⼯业/物流/科研，教育课堂⾥的⼈形落地⼏近于零；真正以现在进⾏时进⼊教育（职教/⾼校）的，是更便宜、更成熟的四⾜机器狗，⽽⾮⼈形。承接"本体接⼊ LLM ⼤脑后会采集⼤量多模态⾏为流"这⼀线索，第 7 章将转向多模态交互与学情分析：解析语⾳、视觉、情感计算与 LLM 推理融合的技术栈，讨论"具⾝在场（embodiedco-presence）"作为机器⼈独有优势的价值与限度，并就情绪/专注度监测预警 EU AI Act 的情绪识别红线。本章涉及的上游瓶颈细则归第 11 章、情绪识别等红线条款归第 14 章，本章仅作指向。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 7 章多模态交互与学情分析：⾏为感知、受控研究与情绪识别红线成熟度总判：本章所涉系统⼏乎全部为受控研究，常态化课堂部署稀缺。情绪/专注度监测直接撞上 EU AI Act 第 5(1)(f) 条情绪识别红线——本章作全球设计禁区预警，具体条款细则归第 14 章。7.1 引⼊：感知—理解—⼲预的闭环，与⼀条贯穿的审慎线第 6 章在硬件层⾯留下⼀个伏笔：当社交本体接⼊ LLM ⼤脑、置⾝真实课堂时，它会同步采集⼤量多模态⾏为流——语⾳、表情、姿态、注视。本章讨论的，正是如何把这些⾏为流组织为"感知—理解—⼲预"的闭环：感知多模态信号，理解学习者的参与度与情绪状态，进⽽做出适应性⼲预。"感知—理解—⼲预"是⼀个闭环：感知端采集多模态信号，理解端把信号映射为对学习者状态（参与度、困惑、情绪）的估计，⼲预端据此调整教学节奏、提⽰或反馈，并把⼲预后的新信号再次纳⼊感知——理论上，这⼀闭环越快越准，个性化教学就越精细。然⽽本章要论证的恰是：这条闭环在 2026 年的每⼀环都尚未在课堂常态化成⽴，且其最关键的"理解端"还正⾯撞上监管红线。两条审慎线须从⼀开始就⽴起，并贯穿始终。其⼀是成熟度：本章所引的代表性⼯作⼏乎⽆⼀例外是受控研究，常态化的课堂部署极为稀缺，这与第 4 章"能⼒—部署落差"的总判断⼀致。其⼆是伦理红线：对情绪与专注度的采集分析，直接触碰 EU AI Act 在教育机构禁⽌情绪识别的硬约束（13），本章对此作出预警。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 09. 多模态学情分析技术栈与数据流（五层⾃下⽽上 + EU AI Act 5(1)(f) 情绪识别红线）。来源：empathetic_robot_tutor2025、engagement_deeplearning2025、euaiact_article5；审慎：当前⼏乎全为受控研究。7.2 技术栈：语⾳ + 视觉 + 情感计算 + LLM 推理融合多模态学情分析的技术栈，可概括为四类信号的采集与⼀层推理的融合：- 语⾳：识别语义内容，并从语调、停顿、语速中提取副语⾔线索——前者回答"学⽣说了什么"，后者回答"学⽣以什么状态在说"，⼆者对判断理解程度与情绪状态都不可或缺。 - 视觉：捕捉表情、姿态与注视⽅向——这是判断参与度（engagement）的核⼼通道，但也是隐私与伦理敏感度最⾼的通道，因为它对⼉童的⾯部与注视做近距离、持续采集。 - 情感计算（affectivecomputing）：把上述信号映射为情绪/参与度的状态估计，是技术栈中最具争议的⼀环——它既是"⾃适应辅导"的技术前提，又恰是 §7.4 监管红线的直接对象。 - LLM 推理融合：以⼤模型作为上层"理解—决策"中枢，整合多模态状态并⽣成适应性回应，把分散的感知信号收敛为⼀次连贯的教学⼲预。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI代表性研究勾勒出这⼀技术栈的样貌（逐条标注成熟度，⼏乎全部为受控研究）：系统 / ⼯作年份描述成熟度共情⼈形（Llama 3.2 多模态 + 情绪/记忆/⼿势，"Engagement Vector"）多模态 LLM 驱动共情交互，构建参与度向量实验室研究（同⾏评审Frontiers，144）多模态机器⼈对参与度影响（Kebbi vs Minibo 对⽐）对⽐不同社交本体的多模态交互对参与度的影响试点/实验室研究（145）多模态深度学习评估学⽣参与度⽤深度学习融合多模态信号评估参与度实验室研究（PLOSOne，146）MathBuddy （face-api.js情感数学辅导）基于⾯部表情识别的情感化数学辅导实验室研究（147）⽣成式 AI 社交机器⼈教育（德尔菲专家）德尔菲法汇集专家对GenAI 社交机器⼈教育的判断研究/政策综述（148）这张表的共同底⾊是：技术栈在快速完善（多模态融合 + LLM 推理已成标配），但每⼀项都停留在受控研究层⾯——它们证明了"可以这样做"，却尚未证明"已在课堂常态化运⾏"。表中近半⼯作以⾯部表情/情绪识别为核⼼信号通道，这恰恰是 §7.4 红线所指向的对象，技术栈的演进⽅向与监管禁区正⾯相遇。逐条审视这些代表性⼯作，可以更清楚地看到技术栈的现实成⾊与其边界。共情⼈形（"Engagement Vector"）以 Llama 3.2 多模态模型为底座，把情绪、记忆与⼿势整合为⼀个连续的"参与度向量"，试图让机器⼈对学习者状态做实时建模并据此调整交互（同⾏评审，Frontiers，全球教育机器⼈发展蓝⽪书 2026 · AI-SLI144）；MathBuddy 则直接以浏览器端的 face-api.js 做⾯部表情识别，把识别到的情绪状态接⼊数学辅导回路（147）——这两项⼯作恰好⽰范了"情感计算"如何从理念⾛向可运⾏原型，但也因此最直接地落在 EU 情绪识别红线的射程内。另有研究以深度学习融合多模态信号评估学⽣参与度（PLOS One，146），以及对⽐不同社交本体（Kebbi vs Minibo）多模态交互对参与度影响的试点研究（145）。须强调：上述每⼀项都是受控实验室或⼩规模试点，样本与时长普遍有限，且其度量对象多为"参与度"⽽⾮"学习增益"——这⼀区分是 §7.3 与第 10 章的关键警⽰。更宏观地看，⼀项汇集专家判断的德尔菲研究（148）与⼀项覆盖 28 国、43 机型、206 个真实部署案例的同⾏评审第三⽅普查（149）共同给出⼀个清醒结论：多数社交机器⼈仍处于测试或试点阶段，常态化部署是少数。这⼀外部锚点与第 4 章"能⼒—部署落差未闭合"的总判断完全⼀致，也提醒我们：技术栈的完善程度，远⾼于其课堂落地程度。7.3 具⾝在场（embodied co-presence）：机器⼈独有的优势与限度相对于纯软件智能体，社交机器⼈在多模态学情分析上有⼀项独有优势——具⾝在场（embodied co-presence）。物理在场使机器⼈能够同步采集学习者的多模态⾏为流：它"看得见"学⽣的姿态与注视、"听得见"语调的起伏，并能以⾝体姿态、⽬光与⼿势做出具⾝回应。这是屏幕端智能体难以复制的交互通道，也是第 5 章"⼤脑↔本体分离"中"本体"⼀侧真正不可替代的价值所在。但优势的另⼀⾯是限度，须诚实呈现。其⼀，采集能⼒越强，隐私与伦理风险越⼤——具⾝在场意味着对⼉童的⾯部、声纹、注视等敏感信号的近距离、持续采集（直接触及 §7.4 的红线）。这是⼀个内在的张⼒：让具⾝机器⼈"独有价值"的恰恰是它能贴⾝、连续地捕捉学习者的多模态⾏为流，⽽这同⼀能⼒也使它成为⼉童敏感数据采集风险最集中的载体。⾯部、声纹、注视轨迹都属强识别性的⽣物特征信号，⼀旦在课堂中持续采集，其合规与伦理负担远⾼于普通的全球教育机器⼈发展蓝⽪书 2026 · AI-SLI作业数据——采集能⼒与合规风险在具⾝在场上是同⼀枚硬币的两⾯，不可只取其利⽽忽其弊。其⼆，"参与度提升 ≠ 学习增益"——多模态信号最常被⽤来度量参与度，但参与度的上升未必转化为认知层⾯的学习收益，这⼀区分将在第 10 章以循证⽅式系统讨论（参与度 ≠ 学习增益是该章的关键警⽰之⼀）。具⾝在场让机器⼈"测得到更多"，但"测得到""测得准""且对学习有益"是三件不同的事。把"感知—理解—⼲预"放到真实的师⽣—机器⼈三⽅关系中，限度会进⼀步显现。学情分析的最终⽬的不是⽣成漂亮的参与度仪表盘，⽽是把可信的学情回流给教师，辅助其判断与决策；机器⼈在课堂中的合理定位多是教师的助⼿与学习的中介，⽽⾮取代教师的独⽴评判者。多模态学情系统的有效性因此不仅取决于"测得准"，更取决于"测出的信息能否被教师可靠地解读与采纳"——⼀个把噪声化的情绪估计当作硬指标推送给教师的系统，可能⽐没有系统更糟。这⾥也与第 6 章呼应：具⾝在场的价值建⽴在本体能可靠地"在场感知与回应"之上，⽽第 6 章已表明，能进⼊教育的具⾝本体仍以⾼校/科研平台与四⾜实训平台为主，真正在中⼩学课堂常态化在场的多模态机器⼈并不存在。"具⾝在场"在 2026 年更多是⼀项被验证的研究优势，⽽⾮已规模铺开的课堂能⼒——它"测得到更多"，但"测得到""测得准""测出的信息对教学有益"是三件须分别证实的事。7.4 隐私与伦理红线预警：呼应 EU 情绪识别禁令多模态学情分析中最敏感的环节，是情绪与专注度的识别——⽽这恰恰撞上当前最明确的⼀条全球监管红线。EU AI Act 第 5(1)(f) 条禁⽌在教育机构使⽤ AI 推断⾃然⼈的情绪（情绪识别），属第 5 条"被禁⽌的 AI 实践"，⾃ 2025-02-02 起适⽤（13）。这意味着：带"专注度监测""情绪识别"功能的课堂机器⼈与摄像头系统，在欧盟教育场景中已被直接限制——它不是⾼风险（high-risk）类别全球教育机器⼈发展蓝⽪书 2026 · AI-SLI下"可经合规评估后使⽤"的灰区，⽽是被禁⽌（prohibited）的明令禁区。须特别厘清⼀处易被混淆的⽴法状态：尽管欧盟 Digital Omnibus 等简化提案截⾄ 2026-06 仍未最终通过（临时政治协议加议会背书，正式⽂本待刊登），但第 5(1)(f) 条情绪识别禁令已经⽣效、不受简化进程影响——撰稿与产品判断须以该禁令为既成约束，⽽⾮以"⽴法仍在变动"为由予以淡化。结合 §7.2 的观察——代表性多模态学情系统中近半以⾯部情绪识别为核⼼——可见这条红线并⾮边缘约束，⽽是直指当前技术栈的主流路径之⼀。"参与度向量""专注度热⼒图""情绪⾃适应辅导"这些当前最受研究者青睐的设计⽅向，恰恰是欧盟教育场景中最先被法律划出的禁区。技术演进的箭头与监管禁令的箭头正⾯相撞，这正是本章把它列为审慎章节核⼼的原因。本章据此作出全球设计禁区预警：考虑到该禁令的⽅向性与监管趋同的态势，"课堂情绪识别"宜被产品设计者视为⼀个应当主动规避的全球性设计禁区，⽽⾮仅在欧盟需要规避的合规项。监管趋同并⾮空谈——除欧盟禁令外，中国《⼈⼯智能⽣成合成内容标识办法》及拟⼈化相关规制、美国 COPPA 把⽣物识别信息纳⼊⼉童个⼈信息（PII）保护范畴等，都在从不同⽅向收紧对⼉童敏感信号采集的约束（条款细则统⼀归第 14 章）。多法域同向收紧之下，把"情绪识别"作为产品核⼼卖点，在合规上是⼀条越来越窄的路。需要明确两点边界：其⼀，本章只作预警与指向，具体条款、适⽤范围、与其他法域的关系，统⼀归第 14 章展开，不在此重复；其⼆，预警的对象是"识别情绪并据此⼲预"这⼀类功能，⽽⾮否定多模态交互本⾝——机器⼈仍可在不进⾏情绪推断的前提下，利⽤语⾳与视觉做⽆害的交互辅助。事实上，存在⼤量合规的设计替代路径：以学⽣主动发起的提问与作答（⽽⾮被动的情绪监测）作为交互触发；以教师在环（teacher-in-the-loop）的显式反馈替代⾃动情绪⼲预；以及把感知严格限定在"完成任务所必需"的最⼩范围、数据本地处理不外传。这些路径既绕开了红线，又保留了多模态交互的教学价值。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI最后须把伦理红线与第 10 章的成效红线并置：即便情绪/参与度识别在技术与合规上都成⽴，"参与度提升"也未必等于"学习增益"——荷兰 L2TOR 项⽬对 194 名约 5 岁⼉童的多站点研究即发现，NAO 机器⼈加平板教第⼆语⾔词汇，相对纯平板并⽆显著优势（150）。这⼀接近零增益的实证提醒：多模态采集得越多，越要警惕把"测得到的参与度"误读为"学到的东西"。本章三条审慎线在此交汇——技术上"⼏乎全为受控研究、常态化部署稀缺"，伦理上"情绪识别已被划⼊红线"，循证上"参与度 ≠ 学习增益"——三者共同决定了多模态学情分析在 2026 年的现实定位是审慎探索，⽽⾮成熟落地。7.5 本章⼩结本章刻画了多模态交互与学情分析"感知—理解—⼲预"的技术栈：语⾳、视觉、情感计算与LLM 推理的融合已成标配，具⾝在场是机器⼈独有的采集优势。但两条审慎线贯穿全章——其⼀，代表性⼯作⼏乎全部为受控研究，常态化课堂部署稀缺；其⼆，情绪/专注度识别已撞上 EUAI Act 的红线，本章据此把"课堂情绪识别"列为全球设计禁区预警。我们同时区分了"参与度提升"与"学习增益"，为第 10 章的循证讨论埋下接⼜。⼀句话收束本章的现实定位：多模态学情分析的技术成熟度，明显⾼于其课堂落地成熟度，更⾼于其合规可⾏性。技术栈已经能把语⾳、表情、姿态、注视融为⼀个连贯的学习者状态估计，研究原型层出不穷；但把这套能⼒变成中⼩学课堂⾥常态化、合规、且确有学习增益的产品，仍有三道未跨的门槛——稀缺的常态化部署证据、明确的情绪识别法律禁区、以及"参与度≠学习增益"的循证警⽰。本章预警的 EU 情绪识别红线，其条款细则归第 14 章定夺；本章埋下的"参与度≠学习增益"接⼜，则在第 10 章以效应量系统兑现。第⼆部分（技术）⾄此完成对"演进—智能体化—本体—多模态"四个侧⾯的刻画，共同⽀撑⼀个统⼀判断：前沿能⼒已经丰富，但部署仍然稀薄；⼤脑已落地，具⾝本体与多模态闭环尚未全球教育机器⼈发展蓝⽪书 2026 · AI-SLI在课堂落地。承接本章的"参与度 ≠ 学习增益""具⾝ LLM 机器⼈对照证据稀缺"等线索，第三部分进⼊应⽤：第 8 章铺开应⽤场景全谱与市场⼜径，第 9 章区分"已部署"与"演⽰/宣称"的⼚商落地图谱，第 10 章以场景为单位、按证据强度系统呈现学习成效循证，负⾯与零效应同等记录。本章预警的 EU 情绪识别红线，其条款细则归第 14 章定夺。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第三篇落地与证据：谁真正进了课堂应⽤场景全谱 · 真实案例与试点 · 学习成效的循证审视本篇导读回答最关键的问题——谁真正进了课堂、成效如何：从应⽤场景全谱，到真实案例与试点的证据分级，再到分场景的学习成效循证。本篇坚持把“已部署 vs 仅演⽰”“强证据 vs 弱证据”严格区分，负⾯与零效应同等记录。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 8 章应⽤场景全谱：五⼤细分赛道的成熟度梯度Application Spectrum — Graded Maturity and Segregated Market Sizing across Five Sub-tracks---8.1 场景谱系总览：从最成熟到最具潜⼒的五个赛道如果说第⼆部分（第 4–7 章）回答了"教育机器⼈在 2026 年能做什么、技术成熟到哪⼀步"，那么本章要回答的是⼀个更贴近教育实践者与产业决策者的问题：这些能⼒究竟落在哪些真实的教育场景⾥，各场景的成熟度与可信市场⼜径分别是什么。这是从"技术供给侧"转向"应⽤需求侧"的关键⼀跃，也是第三部分（应⽤）的起点。延续贯穿全篇的能⼒—部署落差主线，本章描述每⼀个赛道时都坚持⼀条纪律：成熟度与市场⼜径分开标注，可信交叉源缺失时宁可留⽩（PENDING）也不强⾏给数字。这与第 12 章对历史预测的诚实回望（2016/2019 版曾预测 2021 年 111 亿、2023 年 841 亿美元，⽽ 2026 实测即便最激进⼜径也仅约 58 亿美元）⼀脉相承：教育机器⼈市场最⼤的认识论风险从来不是"低估"，⽽是把宽⼜径消费市场误当作狭义教育机器⼈本体市场来"⾼估"。我们把教育机器⼈的应⽤场景归纳为五⼤细分赛道，并以"成熟度 × 证据强度 × 市场⼜径可得性"三个维度对其定位（）：全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 10. 应⽤场景谱系（五赛道 × 成熟度 × 证据强度 × 市场⼜径状态）。来源：dataintelo（STEM 套件）、springer 社交机器⼈教育综述、Mordor 特教 CAGR、沙利⽂中国分布；三赛道独⽴美元规模 PENDING（⽆交叉源）。赛道成熟度定位证据强度（详见第 10章）独⽴美元市场⼜径① STEM / 编程套件最⼤、最成熟、已规模商⽤中等正效应、相对最稳健有交叉源（约 38 亿美元/2025）② 社交 / 陪伴（教学助⼿·同伴导师）研究与试点为主，常态化部署稀缺情感收益 > 认知收益PENDING（⽆可信交叉源）③ 语⾔学习研究与试点为主中等但须并列保守结论PENDING④ 早教 / 学前消费市场热、统计⼜径份额⼩情感 > 认知、新奇效应风险⾼PENDING（占⽐⼜径仅1%）⑤ 特殊教育 / 全纳（ASD）增速最快、证据最强但最具争议强但场景外推存疑单机构⼜径（特教增速18.63%）全球教育机器⼈发展蓝⽪书 2026 · AI-SLI需要在开篇即明确两条⼜径纪律，贯穿全章：第⼀，赛道边界与统计⼜径⾼度耦合。STEM/编程套件有相对清晰的美元规模，因为它对应着可计数的硬件出货（套件、控制器、传感器包）；社交/陪伴、语⾔学习、早教三个赛道的价值则⼤量沉淀在"软件订阅 + 内容 + 服务"中。8.3 节将看到，社交机器⼈硬件仅占总拥有成本（TCO）的 50%–60%151，剩余 40%–50% 落在运维、培训与软件订阅，难以被传统"机器⼈出货量"⼜径捕捉。这才是三个赛道独⽴美元规模长期 PENDING 的结构性原因，⽽⾮调研疏漏。第⼆，机器⼈服务⼜径与机器⼈本体⼜径不可混⽤。本章在赛道层⾯给出的"机器⼈教育服务约 22.8 亿美元（2026）→ 116 亿美元（2034）"152是服务⼜径，与第 12 章全球教育机器⼈本体⼜径（2026 约 20–28 亿美元）是两套互不相等的统计体系，⼆者并列呈现、各⾃标注，切勿相加或互换。本章只给细分赛道画像，全局市场 TAM 总账归第 12 章（跨章去重）。---8.2 STEM / 编程套件：最⼤且最成熟的赛道STEM 与编程套件是教育机器⼈唯⼀可被称为"已规模化商⽤部署"的细分赛道，也是第 3 章⼆分框架中"机器⼈教育（Educational Robotics）"——即学习者⾃⾏组装、编程的套件式学习——的直接对应。它的技术底座并⾮ 2026 的前沿⼤模型，⽽是延续了 LEGO Mindstorms（EV3）、VEX、mBot、Thymio 等前⼤模型时代的可编程套件：积⽊式搭建叠加图形化编程，以确定性的规则⾏为承载计算思维（computational thinking）培养51。值得⼀提的是，作为这⼀范式的标志性产品，LEGO 已于 2022 年停产 Mindstorms 产品线——这并⾮赛道萎缩，⽽是图形化编程套件向更轻量、更软件化形态的代际更替。市场⼜径（有交叉源，S1）：全球 STEM 机器⼈套件市场 2025 年约 38 亿美元，复合年增长率（CAGR）区间为 5.5%–7.8%，由 Dataintelo153与 Industry Research154两源交叉给出。须注意两全球教育机器⼈发展蓝⽪书 2026 · AI-SLI点⼜径细节：其⼀，两源对 CAGR 的估计存在分歧（5.5% vs 7.8%），本蓝⽪书并列呈现⽽⾮取单值；其⼆，5.5%–7.8% 的增速显著低于第 12 章全球教育机器⼈本体市场的 15%–29% 区间，原因在于 STEM 套件是相对成熟的存量市场，增长动能不及由⼈形/具⾝概念驱动的新兴本体赛道。这⼀"成熟赛道增速温和、新兴赛道增速激进"的反差，本⾝就是教育机器⼈产业结构的⼀个重要信号。为什么它最成熟：从证据侧看（详见第 10 章 §10.2），STEM/编程/计算思维是全部应⽤场景中循证最稳健的⼀个——多项独⽴元分析⼀致指向中等正效应（g/SMD ≈ 0.46–0.56），且⾄少⼀项计算思维元分析的 Egger 检验未见明显发表偏倚155。STEM 套件赛道的市场规模与教育价值之间因此存在五⼤赛道中相对最强的实证⽀撑，是产业与循证双向确证的赛道。这⼀点对产业决策尤为重要：在⼀个充斥"前景⼴阔但证据早期"叙事的⾏业⾥，STEM/编程是少数⼏个"既有可计数的市场、又有可信的成效证据"的赛道，其投资与采购决策的循证风险相对最低。代表⼚商与竞争格局：包括 LEGO Education（长期领跑）、VEX、Sphero、Makeblock（童⼼制物）、Wonder Workshop、ROBOTIS 与优必选。这是教育机器⼈产业中竞争最充分、出海渠道最完善的赛道——第 9 章 §9.5 将详述越疆（6500+ 院校/80+ 国）与 Makeblock（140+ 国/2000万⽤户）的全球渠道铺设，⼆者正是这⼀成熟赛道"已规模商⽤"特征的最有⼒佐证。须强调，本赛道的技术底座虽以前⼤模型的可编程套件为主，但 2026 的⼤模型与具⾝能⼒正在以"编程对象升级"的⽅式渗透进来——学⽣编程的⽬标从图形化积⽊机器⼈，逐步扩展到可对话的智能体与具⾝平台，这⼀演进将在第 11 章产业链重构中进⼀步展开。---全球教育机器⼈发展蓝⽪书 2026 · AI-SLI8.3 社交 / 陪伴与语⾔学习：定性丰富、独⽴⼜径待补社交/陪伴与语⾔学习是两个学术研究丰富、机型部署明确，但独⽴美元市场规模⽆可信交叉源的赛道。本节遵循 8.1 确⽴的纪律：以"机型部署 + 学术证据"定性呈现，不强⾏给数字。社交 / 陪伴（教学助⼿ · 同伴导师）这⼀赛道对应第 3 章⼆分框架中"教育服务机器⼈"的核⼼——具教学智能的服务本体。学术综述显⽰，全球 40 多个国家的学校已将⼈形/社交机器⼈⽤作教学助⼿、同伴导师或特教⽀持156；课堂主⼒机型包括 NAO、Pepper（最常见的两款，尽管 Pepper 已于 2021 年停产，详见第 6 章）、QTrobot、优必选 Alpha Mini、Furhat 等，单机价格区间 2000–30000 美元。这⼀赛道独⽴美元规模 PENDING 的根本原因，恰恰藏在其成本结构⾥：硬件仅占总拥有成本（TCO）的 50%–60%151（单⼀媒体⼜径，成本结构定性可⽤）——其余 40%–50% 沉淀在运维、教师培训、课程内容与软件订阅中。这⼀成本结构在第 11 章将被进⼀步提炼为"运维/课程认证升格为独⽴价值层"的产业链判断。对本章⽽⾔，它解释了为何传统"机器⼈出货量 × 单价"的市场⼜径⽆法可信地刻画该赛道——价值⼤量流向了⽆法被硬件计数捕捉的服务侧。语⾔学习语⾔学习是社交机器⼈最受学界关注的应⽤之⼀。⼀个被反复观察到的现象是：学⽣⾯对机器⼈讲外语时的焦虑显著低于⾯对真⼈，参与度随之提升151——这种"低社交压⼒的练习伙伴"定位，是机器⼈在语⾔学习中的独特价值。机器⼈辅助语⾔学习（Robot-Assisted Language Learning,RALL）已有 Randall（2019）梳理的 79 项研究综述157作为⽂献基础。然⽽本蓝⽪书在此必须严格执⾏循证防⽕墙 E2：语⾔学习赛道的成效不可宣称"已证有效"。权威综述 van den Berghe 等（2019）给出的保守结论是——"机器⼈尚不能被确证为有效的语⾔导全球教育机器⼈发展蓝⽪书 2026 · AI-SLI师"158；且现有证据普遍显⽰情感/动机收益⼤于认知收益，绝⼤多数研究为单次会话、⼩样本，难以排除新奇效应。完整的效应量分级与保守论证详见第 10 章 §10.3，本章在赛道画像层⾯仅作定性定位：机型部署明确、情感价值清晰、认知成效审慎、独⽴美元规模 PENDING。---8.4 早教 / 学前：消费热度⾼，但统计⼜径内份额⼩早教/学前是⼀个极具迷惑性的赛道：消费市场热度极⾼，但在"教育机器⼈"严格统计⼜径内的份额却很⼩。这种反差正是 8.1 强调的"宽⼜径消费市场 ≠ 狭义教育机器⼈本体市场"风险最集中的体现。以中国市场为例，按弗若斯特沙利⽂ 2023 年⼜径，中国教育机器⼈按教育阶段分布时，幼教阶段仅占约 1%159。代表产品如淘云科技（阿尔法蛋）、科⼤讯飞的早教机器⼈，在⼤众消费视野中知名度很⾼，但在严格的"教育机器⼈"⾏业统计中只占据极⼩份额——⼤量早教智能硬件被归⼊消费电⼦/智能玩具⽽⾮教育机器⼈本体。这⼀现象有两重含义。其⼀，从市场⼜径看，早教赛道的独⽴美元规模 PENDING：可见的⾼消费热度⽆法可信地折算为狭义教育机器⼈市场规模。其⼆，从证据侧看（详见第 10 章§10.4），早教/幼⼉赛道是新奇效应风险最⾼的场景——幼⼉对新奇刺激尤其敏感，短期投⼊度的上升极易被误读为长期学习增益。本蓝⽪书在该赛道坚持"情感收益 > 认知收益"的审慎定位，循证细节转第 10 章。---全球教育机器⼈发展蓝⽪书 2026 · AI-SLI8.5 特殊教育 / 全纳：增速最快、证据最强、最具争议特殊教育/全纳（以孤独症谱系障碍 ASD ⼲预为代表）是五⼤赛道中⼀个独特的存在：它同时是增速最快、循证证据最强、且最具争议的赛道。市场⼜径（单机构，S3）：Mordor Intelligence 称特殊教育细分段是增速最快的板块，CAGR达 18.63%160。须明确标注这是Mordor 单⼀机构⼜径，未有第⼆可信源交叉，引⽤时审慎。为什么证据最强：从循证⾓度（详见第 10 章 §10.5），ASD ⼲预是教育机器⼈领域唯⼀拥有较多随机对照试验（RCT）元分析⽀撑的赛道。最稳健的⼀项是 PLOS One（2022）的元分析：综述 40 项研究、对 12 项 RCT/346 名被试做元分析，总体 Hedges' g=0.33（CI 0.08–0.57），社交功能维度 g=0.35 显著161。在⽂献集中度上，NAO 出现在约 39% 的 ASD 相关机器⼈研究中，是该赛道事实上的标准平台53162。为什么最具争议：恰恰是这个证据最强的赛道，最容易被过度宣称。本蓝⽪书在此预先点明循证防⽕墙 E3：ASD ⼲预切忌将"诊所有效"宣称为"课堂/家庭普适有效"——同⼀项 PLOS One元分析的场景调节分析显⽰，诊所场景 g=0.57 显著，但学校场景 g=−0.16、家庭场景 g=0.16 均不显著；情绪维度（g=0.63，但 CI 极宽 −1.43–2.69）与运动维度（g=−0.10）为零或不显著效应；且仅 17.5% 的研究质量被评为"强"161。这⼀"证据最强却外推最受限"的张⼒，是特殊教育赛道的核⼼特征：它在学术上拥有最多的RCT ⽀撑，在市场上拥有最快的增速预测（18.63%），但其真实显著效应主要锁定在诊所这⼀受控环境，⽽⾮真实教育部署所在的学校课堂。把诊所证据当作课堂背书，是该赛道最危险的认识论跳跃。证据强度的细节标注、场景调节分析与负⾯/零效应的同等记录，是第 10 章 §10.5 的核⼼任务；本章在赛道画像层⾯仅给出"增速最快、证据最强、但场景外推须极度审慎"的定位。---全球教育机器⼈发展蓝⽪书 2026 · AI-SLI8.6 本章⼩结本章以"成熟度 × 证据强度 × 市场⼜径可得性"三维框架，对教育机器⼈的五⼤细分赛道做了应⽤全谱画像（图 10），可凝练为三条判断：第⼀，成熟度呈梯度分布。STEM/编程套件是唯⼀已规模化商⽤的赛道（约 38 亿美元/2025153），社交/陪伴与语⾔学习以研究和试点为主，早教消费热但统计⼜径份额⼩（幼教仅约1%159），特殊教育增速最快（18.63%160）但证据争议最⼤。第⼆，⼜径纪律不可松动。社交/陪伴、语⾔学习、早教三个赛道独⽴美元规模⽆可信交叉源（PENDING），本蓝⽪书以机型部署与学术证据定性呈现，不强⾏编造数字；机器⼈服务⼜径（约 22.8 亿美元/2026152）与第 12 章本体⼜径分属两套体系，不可混⽤。第三，证据与市场必须分轨陈述。市场热度（尤其早教、特教）不等于循证强度，本章在赛道层⾯只做证据强度的定性定位，将效应量、负⾯/零效应记录与场景外推风险全部转交第 10 章按场景严格分级。下⼀章导读：第 8 章回答了"有哪些赛道、各⾃成熟度与⼜径如何"；第 9 章将以 19 条真实落地案例（中国 10 + 国际 9，均带规模与成熟度）绘制证据等级图谱，逐⼀区分"已部署"与"演⽰/宣称"——从优必选 AI 教育近 2000 校的中⼩学规模部署、到宇树 G1 与天⼯⾏者的⾼校科研平台定位，从 Khanmigo / Amira / Gemini 屏幕端软件智能体的规模化、到 NAO/Pepper 母公司Aldebaran 破产的可持续性警⽰，再到西⽅⼈形"仅⼯业、⽆教育"的现实；第 10 章则承接本章每个赛道的"证据强度"标注，展开完整的学习成效循证，按场景标注效应量、强度⾊阶，对负⾯与零效应予以同等记录，并以四⾜职教实训等部署闭合点佐证"能⼒—部署落差"的少数闭合。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 9 章案例与试点：真实落地的证据等级图谱Cases and Pilots — A Nineteen-Case Evidence-Graded Map of Who Entered Education, and toWhich Layer---9.1 本章⽅法：教育进⼊状态 + 证据等级的双标尺第 8 章勾勒了五⼤赛道的成熟度与市场⼜径，镜头到此拉近⼀格，对准具体⼚商、产品与政策的真实落地状态。这正是全⽩⽪书"能⼒—部署落差"主线最需要实证检验的环节。产业新闻⾥充斥着"机器⼈进课堂""百城万校"的宏⼤叙事，本章的任务，是⽤⼀把冷静的双标尺把它们逐⼀归类。共梳理 19 条真实落地案例（中国 10 条、国际 9 条），每条都带规模数字与成熟度标签，构成本蓝⽪书部署侧最系统的⼀次实证盘点。每个案例同时标注两个维度，与第 4 章确⽴的成熟度四级标签体系⼀致：- 教育进⼊状态：该产品是否、以及如何进⼊了真实教育场景（中⼩学课堂 / ⾼校科研平台 /计划阶段 / ⽆教育部署）； - 证据等级：⽀撑这⼀状态的证据强度（`【已部署】`有公开商业供货、政府⽂件或第三⽅现场报道 / `【试点】`⼩规模真实场景 / `【演⽰】`受控评测或⼚商视频 / `【⼚商宣称】`公司⼜径未独⽴核验）。三条跨章去重纪律须先声明。第⼀，本章只讲"部署状态"，不讲财务与出货排名——优必选营收、宇树估值、科⼤讯飞教育营收等财务/竞争数据归第 13 章，引⽤某⼚商时仅取其"教育落地"侧。第⼆，不重述本体硬件参数（⾃由度、成本、谐波减速器等归第 6 章），不重算市场规模（归第 12 章）。第三，凡涉中国⼚商财报⾦额，⼀律以⼈民币"亿元"陈述，绝不写作 billion——全球教育机器⼈发展蓝⽪书 2026 · AI-SLI优必选 AI 教育 2025 年收⼊为 4.13 亿元（约合 0.57 亿美元），决⾮"4.13 billion"163。全章的唯⼀焦点是：谁真的进了教育、进到什么层、证据有多硬。核⼼审慎结论可先⾏点明（⼈形教育降温 · 修正点 2）：真正规模化进⼊课堂的始终是两类——屏幕端的软件 AI 智能体导师（Khanmigo / Amira / Gemini），以及前⼤模型时代的⼩型编程/社交机器⼈（优必选 Alpha Mini 类、NAO / Pepper）；可进教育的⼈形约 3/4 仍是⾼校科研教学平台；西⽅⼈形⼏乎不进教育、仅进⼯业。任何"⼈形机器⼈教师规模进课堂"式宣称都不成⽴。⼚商落地的全貌见。图 11. ⼚商落地图谱（部署状态 × 学段 × 证据等级⽓泡图）。来源：优必选 2024 年报、宇树招股书（⼈形 73.6% 收⼊来⾃科研教育）、傅利叶/智元、越疆/Makeblock；西⽅⼈形仅⼯业、可进教育⼈形主要为⾼校科研平台。为何要如此苛刻地区分"已部署"与"宣称"？因为教育机器⼈产业的叙事⽣态有⼀个结构性特征：⼚商有强烈动机把"计划""演⽰""试点"包装成"已落地"，媒体报道又倾向于放⼤宏⼤数字（"近 2000 校""300 台⼈形""1000 万学⽣"）。不⽤证据等级逐⼀锚定这些说法，本蓝⽪书就会沦为产业宣传的转述。因此每⼀条"落地"说法都被追问三件事：是否有公开商业供货、政府正式⽂件全球教育机器⼈发展蓝⽪书 2026 · AI-SLI或第三⽅现场报道（已部署）？还是⼩规模真实场景（试点）？抑或仅是受控演⽰或公司⼜径（演⽰/宣称）？经得起这三问的，才被归⼊"已部署"。中国案例还贯穿⼀条政策边界——"考试端禁⽤、教学端推进"：AI+教育政策⼀⾯在教学端做硬性课时推进（北京每学年不少于 8 课时、上海四/七年级必修），⼀⾯在考试端对⽣成式 AI直接作答设禁（⼩学⽣须在师/家长指导下使⽤、严禁复制 AI 内容作答164）。呈现课时硬约束类案例时，本章保留这条边界，不把"教学端进课堂"误读为"考试端也放开"。---9.2 中国案例（10 条）：从中⼩学规模部署到⾼校科研平台中国案例的总体图景恰好印证第 8 章的判断：最成熟、最可核验的"已部署"集中在三处——⼩型编程机器⼈进中⼩学、AI 通识课的政策硬约束、⾼校具⾝学科的⼤扩容；⼈形进教育，进的是⾼校科研平台层，⽽⾮中⼩学教学层。案例 1 ｜优必选 AI 教育进校——中⼩学规模化主⼒【已部署】优必选是中国教育机器⼈领域最接近"已规模部署"定义的⼚商。其 AI 教育已为全国近 2000所公⽴中⼩学师⽣提供服务（AI 实验室 / AI 普及课 / 课后延时课三类校内⽅案），覆盖国内 25省、海外 20+ 国；2025 年教育智能机器⼈业务收⼊ 4.13 亿元（同⽐ +13.7%）165163166。真正规模化进⼊中⼩学课堂的，是 Alpha Mini（悟空）这类⼩型编程/社交机器⼈——它落在第 8 章STEM/编程与社交赛道的交叠地带，"已部署"证据最为扎实。⼜径标注须诚实："近 2000 所"为⼚商/年报⼜径（搜索引擎转述，未见审计明细），"5000所"为⽬标值⽽⾮既成165；4.13 亿元为审计年报⼜径，是"亿元"⾮ billion。对照⼈形机器⼈的现实，反差鲜明：中⼩学课堂⾥规模化运转的，是桌⾯级⼩型本体，不是全尺⼨⼈形。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI案例 2 ｜优必选天⼯⾏者——⾼校科研教育⼈形【已部署（⾼校科研）+ ⼚商宣称】2025 年优必选与北京⼈形机器⼈创新中⼼联合发布全尺⼨科研教育⼈形天⼯⾏者，售价 29.9万元（同类普遍 >50 万元）；4 个⽉内订单破百，2025 年仅教育科研领域交付预计 >300 台；已与武汉⼤学、⾹港中⽂⼤学、浙江⼤学、上海交通⼤学等达成"⼈形机器⼈共研共创计划"合作意向167168。证据等级须分别标注：已交付进⾼校的部分属"已部署（⾼校科研平台）"，">300 台"为公司计划⼜径、属"⼚商宣称"，⾼校合作则停留在"意向"。要害在于天⼯⾏者⾯向的是⾼校科研，⽽⾮中⼩学课堂。把同⼀家⼚商的"已部署⼩型机进中⼩学"（案例 1）与"科研⼈形进⾼校"（案例 2）并列，恰好显出双标尺⽅法的价值：同⼀⼚商既有最扎实的"已部署"，也有待核验的"宣称"，⼆者⾯向完全不同的学段，必须分别归类。案例 3 ｜宇树 G1（EDU）+ RoboUniversity——⾼校科研主⼒【已部署（⾼校科研）】宇树样本证明了本章另⼀半核⼼判断：真正进⼊教育的⼈形，⼏乎都是⾼校/科研教学平台。2025 年宇树⼈形出货 >5,500 台（全球第⼀，份额 32.4%），其中约 74% 卖给⾼校做科研、仅约9% 进⼊实际⼯业应⽤；四⾜累计销量 >3 万台；MIT / Stanford / CMU / ETH 实验室在⽤ G1 EDU；宇树与 Stanford 教授及 OpenMind 合办 RoboUniversity 课程认证体系107169170。"约 74% 卖给⾼校科研"（招股书⼜径）与底座"73.6% 来⾃科研教育"（2025.1–9 区间⼜径）并列，本蓝⽪书统⼀表述为"约 3/4 来⾃科研教育"。它是"可进教育的⼈形=⾼校科研平台"判断的最强实证——⼈形机器⼈在教育领域的真实买家是搞研究的实验室，不是中⼩学课堂。"研究平台"与"教学应⽤"的本质区别值得展开。在⾼校实验室，G1 EDU 是被研究的对象与被开发的载体：博⼠⽣⽤它做运动控制、强化学习、⼈机交互实验，它是科研基础设施，近似实验室⾥的⼀台精密仪器。⽽中⼩学"教学应⽤"的设想⾥，⼈形被期待成为⾯向学⽣的教学主体—全球教育机器⼈发展蓝⽪书 2026 · AI-SLI—讲课、答疑、陪伴。前者已是可核验的现实（约 3/4 收⼊来⾃科研教育即是铁证），后者在2026 年仍停留在演⽰与设想。RoboUniversity 本质上同样是⾯向⾼校的研究/教学平台合作，⽽⾮把⼈形派往中⼩学当⽼师。看清这层区别，是抵御"⼈形教师进课堂"叙事的关键。案例 4 ｜中央电化教育馆 AI 课程与国家平台——国家级资源底座【已部署】教育部教育技术与资源发展中⼼（中央电化教育馆）公布第四批"央馆⼈⼯智能课程""央馆虚拟实验"项⽬；与教育部基础教育司联合发布国家中⼩学智慧教育平台"育⼩苗"智能体；国家平台汇聚四类教育 AI 精品课程超 1000 门171172。"第四批"本⾝就说明已多年批次化推进。成熟度：已部署（国家级资源平台 + 课程认证）。须留意，这属"课程与资源"层⾯的国家级落地，与"机器⼈本体进课堂"是两件事，不可混淆。案例 5 ｜全国 AI 教育基点校 509 所——政策落地校⽹【已部署】教育部在全国设⽴ 509 所⼈⼯智能教育基点校先⾏先试；并遴选东部 7 省份、中西部 20 地市、18 所⾼校开展⼈⼯智能赋能教育⾏动试点173174。重要校准："509 基点校"与"7 省 / 20 地市 /18 ⾼校"出⾃发布会⽽⾮政策正⽂，且 20 地市为中西部、7 省份为东部，两组数字勿合并。成熟度：已部署（政策落地 + 试点校⽹络）。案例 6 ｜⾼校具⾝智能/机器⼈专业⼤扩容——学科侧最硬指标【已部署】这是"⾼校具⾝落地"最硬的指标。教育部 2026 年发布新版本科专业⽬录，"具⾝智能"⾸次列⼊⽬录，⽀持北航、北理⼯、北邮、东北⼤学、哈⼯⼤、南航、上海交⼤、西安交⼤、浙⼤共9 所⾼校增设；全国343 所本科院校已开设机器⼈⼯程专业；102 所⾼职院校备案智能机器⼈技术专业（2025 招⽣）175176177。这组来⾃官⽅专业⽬录与阳光⾼考平台的权威计数，说明⾼校层⾯全球教育机器⼈发展蓝⽪书 2026 · AI-SLI的具⾝/机器⼈教育已是学科建设级的既成事实。它与"⼈形当中⼩学⽼师"完全不同性质：进的是⾼校的专业与实验室，⽽⾮ K12 的课堂教学。成熟度：已部署（学科建设/招⽣）。案例 7 ｜北京中⼩学 AI 通识课课时制——教学端硬约束【已部署】《北京市推进中⼩学⼈⼯智能教育⼯作⽅案（2025—2027 年）》规定：⾃ 2025 秋季学期起，全市中⼩学开设 AI 通识课，每学年不少于 8 课时，覆盖⼩学⾄⾼中全学段；同步实施教师"百千种⼦计划"22164。这是地⽅政府正式⽅案，课时为硬约束。须把握 9.1 点明的"考试端禁⽤、教学端推进"边界：北京⽅案在教学端做课时硬推进，但同期的使⽤指南在考试端对⽣成式 AI 直接作答设禁。成熟度：已部署（2025 秋季起强制覆盖）。案例 8 ｜上海《⼈⼯智能基础》必修课——学段硬覆盖【已部署】上海⾃ 2024 秋季起在⼩学四年级、初中七年级开设地⽅课程《⼈⼯智能基础》，进⼊常规教学节奏（媒体⼜径每周 1 课时、每学年 ≥30 课时）23。⼜径分层：四/七年级开课为官⽅简报⼜径（硬）；"30 课时/周 1 课时"为⼆⼿ edtech 报道（中等⼜径，引硬数字前宜回查上海市教委原⽂ ``）。成熟度：已部署（2024 秋季起）。案例 9 ｜杭州余杭区"100 校 + 2 基地"整建制——区县范例【已部署（背景）】优必选 × 杭州余杭区落地⼈⼯智能教育项⽬，100 所中⼩学 + 2 ⼤基地正式授课，是区县整建制规模化样本178。须诚实标注：此为单⼀媒体⼜径，时间较早（2020），本蓝⽪书作"区县整建制"叙事范例与纵深背景，⽽⾮最新规模。成熟度：已部署（区县级），时间偏早。案例 10 ｜职教机器⼈实训与产教融合——职教侧落地【已部署】102 所⾼职⾼专备案智能机器⼈技术专业（2025 招⽣）；职业院校已建"国家级虚拟仿真实训基地"，实现"理-虚-实⼀体化"（拆装 / 电⽓控制 / 虚拟仿真 / 装调产线 / 编程实训）；据规划值，全球教育机器⼈发展蓝⽪书 2026 · AI-SLI到 2025 机器⼈领域⼈才缺⼜达 450 万177179。450 万为规划预测值，须如此标注。成熟度：已部署（职教实训/专业建设）。职教侧的真实实训落地——如四⾜进职校做算法实训，详见第 10 章§10.7 杭州科技职院案例——是"能⼒—部署落差"少数闭合点之⼀。中国案例⼩结：10 条案例⾥，"已部署"证据最硬的是政策类（课时硬约束、基点校、学科扩容）与⼩型机进中⼩学；⼈形（天⼯⾏者、宇树 G1）进的全是⾼校科研平台。没有任何⼀条⽀持"全尺⼨⼈形规模化进 K12 课堂当⽼师"。---9.3 国际案例（9 条）：软件智能体规模化、社交机器⼈多在试点、⼀桩破产警⽰国际案例的图景同样清晰，并补上了中国案例较少触及的两类信号：屏幕端软件 AI 导师的真实规模化，以及社交机器⼈本体"多数仍在试点"的第三⽅实证——后者是"能⼒—部署落差"最⼲净的锚点。案例 11 ｜ Khanmigo（Khan Academy AI 导师）——软件智能体规模化【已规模部署（软件，⾮本体）】Khanmigo 是教育领域唯⼀规模化落地的软件 AI 智能体导师，但它是屏幕端软件、⾮机器⼈本体。K-12 学⽣⽤户从 2023–24 学年约 4 万增⾄ 2024–25 学年约 70 万；总⽤户（师⽣合计）于2025-04 达约 140 万；约 350 个美国学区⽇活；新罕布什尔州（NH）免费部署覆盖 50 个学区、近 5000 名教师、4 万名学⽣1185180181。关键的能⼒—证据落差点在于：截⾄ 2025 年末，Khanmigo 仍未完成⾦标准 RCT（成本所限）180。⽤户/学区数为⼚商/年报⼜径（注册⾮活跃），NH 的 50 学区/5000 师/4 万⽣为州政府⼜径（硬）。Khanmigo 证明的是"LLM ⼤脑的教学规模化能⼒"，⽽⾮"具⾝机器⼈的教学成效"。这层区分将在第 10 章 §10.7 成为"强 RCT 来⾃⽂本导师、不可外推具⾝"的关键依据。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI案例 12 ｜ Amira Learning（AI 阅读导师）——州级/国家级部署【已州级部署 + 国家级试点】Amira 是 AI 阅读导师，软件⽽⾮本体。⼚商⼜径约 400–500 万学⽣、2000–4000+ 学区、全美 50 州 + 约 19 国（⼚商区间⼜径，慎⽤）。可核验的政府级部署包括：爱荷华州（2024 全州免费投放全部公私⽴⼩学）、北达科他州（全州 K-5 直采）、Newark 公⽴学区（6 校试点后采为全区 K-3 普筛⼯具）；国际上，约旦教育部启动国家级识字计划（四/七年级试点、阿拉伯语本地化，12 周后转全国推⼴，"最多 80 万学⽣"可纳⼊）8618287183。州级/约旦为政府确认⼜径（强）；约旦"80 万"为可纳⼊上限、⾮已注册，须谨慎表述。成熟度：已州级部署（美）+ 国家级试点→推⼴（约旦）。案例 13 ｜ Google Gemini for Education / LearnLM——规模触达 + ⼩样本 RCT【已规模部署+ 试点 RCT】2025 年 Gemini for Education 触达 1000 万学⽣、1000+ 美国院校（⼚商触达⼜径）。成效信号来⾃ 2025 年底英国课堂探索性 RCT（LearnLM + Eedi）：165 名学⽣、5 所英国中学，受LearnLM ⽀持的学⽣解新题概率⾼ 5.5 个百分点，督导教师对其草拟消息 76.4% 零/极⼩修改即采纳8895。须严格标注：RCT 为⼩样本探索性研究（摘要未报显著性），定位"前景但初步"；且同为屏幕端软件、⾮机器⼈本体。完整循证讨论归第 10 章 §10.7。成熟度：已规模部署（Gemini）+ ⼩样本试点 RCT（LearnLM）。案例 14 ｜ NAO / Pepper + Aldebaran 破产——已部署本体的可持续性警⽰【已部署但母公司清算】这是本章最具警⽰意义的⼀条。NAO / Pepper 是全球课堂最常见的社交机器⼈本体：Aldebaran 历史累计售出约 20,000 台 NAO + 17,000 台 Pepper（约 70 国），教育市场累计部署逾17,000 台（⼚商历史累计⼜径，⾮活跃在⽤数）。但母公司 Aldebaran 已于 2025-02 进⼊破产清全球教育机器⼈发展蓝⽪书 2026 · AI-SLI算（累计债务约 1.5 亿欧元），NAO / Pepper 的 IP 与资产经拍卖被深圳迈瑞微视（Maxvision）收购并设法国研发/服务分⽀184185186。这桩重⼤⾏业事件的含义远超⼀家公司的兴衰：即便是已在数万间课堂"已部署"的标杆机型，其长期可持续性也系于母公司的商业存续与供应链稳定。"已部署"不等于"可永续"——当Aldebaran 这样的奠基⼚商都⾛向清算、资产被跨境收购时，学校对单⼀⼚商机型的长期依赖便暴露出结构性风险。它与案例 18（Moxie 停运）共同构成本章对"本体可持续性"的双重提醒。成熟度：已部署但母公司清算→可持续性风险。案例 15 ｜社交机器⼈全球第三⽅普查——"已部署 vs 试点"最佳锚点【混合：多数仍在试点】这是衡量社交机器⼈本体真实成熟度最⼲净的第三⽅信号。⼀项同⾏评审普查记录 28 国、43 种机型、206 个真实部署案例：按国别美 74、中 16；按场景特教/作业治疗 65、中⼩学 65、⾼校 39、幼教 23；NAO 与 Pepper 部署计数最⾼149。其核⼼结论是：多数机器⼈仍处测试阶段——多为试点/短期研究，⽽⾮成熟常态整合。该研究计"案例"⽽⾮"台数"，是本蓝⽪书"能⼒—部署落差未闭合"判断的最有⼒第三⽅佐证：社交机器⼈本体在真实教育场景的主流状态仍是试点，⽽⾮规模化常态部署。案例 16 ｜ L2TOR ⼆语社交机器⼈⼤规模研究——接近零增益的关键反例【研究/试点】L2TOR 是迄今同类最⼤规模的机器⼈⼆语研究，也是部署侧最重要的反例之⼀：194 名荷兰约 5 岁⼉童由 NAO 机器⼈在 7 节课中教 34 个英语词，结果机器⼈ + 平板并未显著优于纯平板，iconic ⼿势⽆显著增益150187。它是 EU H2020 项⽬（2016–2018，多站点同⾏评审），从部署成效⾓度坐实了第 8 章对语⾔学习赛道"情感价值清晰、认知成效审慎"的定位，循证细节见第 10 章§10.3。成熟度：研究/试点（项⽬ 2018 结束）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI案例 17 ｜ QTrobot（LuxAI）特教 + 69 家庭纵向研究——⼩规模已部署 + 新研究【已部署（⼩规模）+ 试点】QTrobot 被多国特教学校使⽤（英国 Rodney House School、Bridge College 等具名案例，UNESCO 引⽤其全纳教育⽤途）；2025 年底 LuxAI + 卢森堡健康研究所 + 伯明翰⼤学启动⾸个⼤规模居家纵向研究：69 个家庭的机器⼈辅助⾃闭症⼉童早期发展⽀持188。"69 家庭"为第三⽅机构精确⼜径，"多国学校使⽤"为⼚商⼜径⽆硬计数。须延续第 8/10 章的循证防⽕墙——特教/ASD 的诊所有效不等于课堂普适有效，这项纵向研究恰是在补齐居家场景的长期证据。成熟度：特教已部署（⼩规模）+ 新纵向研究（试点）。案例 18 ｜ Embodied "Moxie" 停运——云依赖陪伴机器⼈的可持续性警⽰【已停运】Embodied 于 2024 年底因融资失败停运，售价 800 美元的云依赖⼉童陪伴机器⼈ Moxie 在2025 年初因服务器关闭⽽"变砖"，⽆退款，后期试图开源189190（公开销量不详，不引数字）。这是 LLM / 云依赖陪伴机器⼈可持续性的标志性警⽰：当核⼼智能依赖⼚商云服务时，企业⼀旦停运，已售出的本体即刻失能。与案例 14（Aldebaran）⼀道，构成本章对"本体可持续性"的双重警⽰。成熟度：已停运。案例 19 ｜ ABii / Van Robotics（美 K-5 辅导机器⼈）——⼩规模已部署 + 独⽴研究【已部署（⼩规模）+ 独⽴⽥野研究】ABii 被"数千名⼉童"在 30+ 美国州及英/德/阿联酋/卡塔尔使⽤；2025 年有⼀项独⽴的长期校内⽥野研究（同⾏评审）191。须诚实标注："数千/州列表"及⼚商早期效应宣称（67%/34%）为⼚商⼜径、应慎⽤；2025 年的独⽴研究才是其成熟度判定依据。成熟度：已部署（⼩规模）+ 独⽴⽥野研究。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI国际案例⼩结：规模化"已部署"的是 Khanmigo / Amira / Gemini 这类屏幕端软件 AI 导师；社交机器⼈本体（NAO/Pepper/QTrobot/ABii）多为⼩规模部署或试点，第三⽅普查明确指出"多数仍在测试阶段"；Aldebaran 破产、Moxie 停运则是两桩可持续性警⽰。与中国案例完全⼀致：本体侧的规模化常态部署，在 2026 年仍未到来。---9.4 西⽅⼈形：仅⼯业、⽆教育部署把视线从"已落地的本体"转向"被反复与未来教育并置的西⽅⼈形"，会看到本章最⼲脆、最⽆歧义的⼀条判断：西⽅⼈形机器⼈⼚商⼏乎不进教育，只进⼯业。Figure、Tesla Optimus、1X NEO、Apptronik 等西⽅代表性⼈形⼚商，真实部署集中在⼯业产线——Figure 02 在 BMW Spartanburg 产线试点、Tesla Optimus 在 Fremont ⼯⼚、相关本体在Mercedes 等产线测试1438。在教育领域，它们没有可查的部署。即便是 Figure ⼴为传播的 Helix"做家务"演⽰，也属第 4 章已标注的⼚商发布视频/早期试点，⽽⾮任何教育场景的真实落地。叙事含义由此清晰：当国际媒体把"⼈形机器⼈"与"未来教育"并置时，本蓝⽪书必须冷静指出——西⽅⼈形的部署版图⾥，教育这⼀格基本是空⽩；它们是⼯业⾃动化的下⼀代设备，⽽⾮课堂⾥的教师。西⽅⼈形与中国⼈形在教育上的分野，还揭⽰出"⼈形进教育"两条截然不同的路径。西⽅⼚商（Figure/Tesla/1X/Apptronik）⾛"⼯业先⾏"路线，把⼈形定位为产线⼯⼈的替代或补充，教育从不在其商业版图核⼼；中国能进教育的⼈形（宇树、优必选天⼯⾏者）⾛"科研平台"路线，把⼈形作为⾼校实验室的研究⼯具供货。两条路径的共同点恰恰是——都不是"⼈形机器⼈当中⼩学教师"。⽆论东西⽅，"全尺⼨⼈形规模化进⼊ K12 课堂"在 2026 年仍是概念与演⽰，⽽⾮已部署的现实。这正是本蓝⽪书"⼈形教育降温"判断的实证基础。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI---9.5 出海渠道铺设：越疆与 Makeblock 的全球存在⼈形赛道"重本体、轻教育部署"，中国的编程/STEM 机器⼈⼚商则在教育出海上展现了真实且可核验的规模化渠道铺设——与第 8 章 STEM 套件赛道"已规模商⽤"的定位⼀致。教育进⼊状态【已部署（渠道规模化）】：越疆（Dobot）已进⼊ 6500+ 院校、80+ 国家；Makeblock（童⼼制物）覆盖 140+ 国家、⽤户超 2000 万192。须特别说明的是，这组数字在调研中已核对为中⽂原⽂的"家/国"等计数单位，不存在货币误读风险——它与第 13 章着⼒勘误的"亿元 vs billion"问题性质不同，"6500+""2000 万+"是院校数、⽤户数，已确认⽆虞。另有两笔单源待核的⾦额须诚实并列（PENDING-secondary）：媒体报道称 VEX 获约 1800万美元 CTE 资助（覆盖 12 州、5000 套设备）、Makeblock 约 2500 万美元 D 轮192。两笔⾦额为单⼀媒体来源、未交叉，本蓝⽪书标注为待核，不作既成事实陈述。把"已核对的部署计数"与"待核的⾦额数字"分开处理，正是调研诚实的体现：同⼀来源中，院校数已核不等于⾦额也已核。融资额的完整资本⾯分析归第 13 章。渠道规模印证了第 8 章的判断：在 STEM/编程这个最成熟的赛道，中国⼚商不仅在国内规模部署，也在全球渠道铺设上形成了可观存在，这是教育机器⼈产业中"已部署"证据最扎实的版图之⼀。---9.6 本章⼩结本章⽤"教育进⼊状态 + 证据等级"双标尺，梳理了 19 条真实落地案例（图 11），可凝练为五条判断：全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第⼀，规模化进课堂的是软件智能体与⼩型机，不是⼈形。屏幕端软件 AI 导师（Khanmigo总⽤户约 140 万、含教师，K-12 学⽣约 70 万11、Amira 州级/国家级、Gemini 触达 1000 万88）与优必选 Alpha Mini 类⼩型编程机器⼈163是"已部署"证据最扎实的样本。第⼆，可进教育的⼈形 = ⾼校科研平台。宇树 G1（约 3/4 收⼊来⾃科研教育107）与优必选天⼯⾏者167进的是⾼校研究层，⽽⾮中⼩学教学层；">300 台"为⼚商宣称，须与"已交付进⾼校"分轨。第三，政策与学科侧落地最硬。北京每学年 ≥8 课时22、上海四/七年级必修23、509 基点校173、9 校⾸设具⾝智能专业 + 343 校机器⼈⼯程175，是⾼校与中⼩学具⾝/AI 教育"已部署"的最硬指标；并须守住"考试端禁⽤、教学端推进"边界164。第四，社交机器⼈本体多在试点，且有可持续性警⽰。第三⽅普查指出 206 个部署案例中"多数仍在测试阶段"149；L2TOR 194 童近零增益150；Aldebaran 2025-02 破产、资产被迈瑞微视收购184185，Moxie 停运189——"已部署"不等于"可永续"。第五，西⽅⼈形教育部署 = 空⽩。Figure/Tesla/1X/Apptronik 仅有⼯业部署143——严禁"⼈形教师进课堂"宣称。下⼀章导读：本章回答了"谁真的进了教育、证据多硬"；第 10 章追问更深⼀层——这些已部署或试点的机器⼈，学习成效究竟如何。它承接第 8 章每个赛道的"证据强度"标注与本章的部署案例，按场景逐⼀展开效应量、证据强度⾊阶与⽅法学警⽰，对负⾯与零效应予以同等记录，尤其严格区分本章反复强调的"诊所/科研有效 ≠ 课堂普适有效"，并把杭州科技职院四⾜实训等真实落地⽤作"能⼒—部署落差闭合点"的循证佐证。⼚商财务、出货排名与资本"冰⽕两重天"则归第13 章。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 10 章学习成效循证：分场景的证据强度评估Learning Outcomes and Evidence — Locally Robust, Globally Cautious: Scenario-by-ScenarioStrength Grading, with Null and Adverse Effects Equally Reported---10.1 循证铁律与⽅法学警⽰第 8 章给出了五⼤赛道的市场⼜径，第 9 章绘制了⼚商落地图谱，但⼀个更根本的问题始终悬⽽未决：教育机器⼈真的让学⽣学得更好了吗？本章是全蓝⽪书循证主章，也是抵御"⼚商demo 当既成事实、参与度上升当学习增益"过度宣称的最后⼀道防线。每个场景都严格执⾏六条循证铁律：
1. 不编造效应量。所有 g/SMD/d 值仅取⾃调研已核验的元分析与实证研究，⽆核验来源处宁
可定性陈述。 2. 负⾯与零效应同等记录。运动维度零效应、学校场景不显著、LLM 降低投⼊度等反向信号，与正效应同等篇幅呈现。 3. 按场景标注证据强度（强/中/弱）与局限。 4. 新奇效应打折。任何基于单次/短期会话的正效应都须打折——这是本章最稳健的⽅法学警⽰（详见§10.6）。 5. 区分情感收益与认知收益。前者往往掩盖后者，机器⼈最常见的正效应集中在情感/动机维度。 6. 警惕场景外推风险：诊所/科研有效 ≠ 课堂普适有效——这是 ASD 赛道（§10.5）的核⼼陷阱。贯穿全章的系统性⽅法学威胁须先点明：新奇效应（场景 2/3/5/6 普遍存在）、发表偏倚（多数元分析未充分报告）、研究质量偏低（ASD 仅 17.5% 评"强"161）、准实验占⽐⾼、⼩样本+ 单会话主导、以及情感收益 ≠ 认知收益。按场景效应量森林图见，新奇效应衰减曲线见。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 12. 按场景效应量森林图（g/SMD 点估计 + 95% CI + 证据强度⾊阶）。STEM/语⾔/早教/ASD 分组；零/不显著（情绪、学校、运动）以红⾊警⽰。来源：Zhang 2021、IJ STEM 2024、Educ.Inf.Technol.2024、Lee&Lee 2022、Wang&Cheung 2025、PLOS One 2022、早教社交-情感 2025。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 13. 新奇效应衰减曲线（⽰意：投⼊度随交互次数衰减；区分投⼊度下降 ≠ 学习增益必降）。来源：Leite et al.（2013）奠基、childfactor2024cri（Serholt/Salter 实证）；曲线为⽰意⾮实测。跨场景⽅法学警⽰（撰稿与读者必读）。逐场景证据之前，六类系统性威胁须先讲透，因为它们决定了本章绝⼤多数效应量都应被审慎解读：- 新奇效应（novelty effect）：⼉童⾯对新鲜机器⼈时的兴奋与投⼊，会在数次交互后迅速回落。它系统性地威胁场景 2（语⾔）、场景 3（早教）、场景 5（社交情感）、场景 6（LLM），使得任何基于单次或短期会话的正效应都可能是"新鲜感"⽽⾮"学习增益"的产物。这是本章最稳健、也最具约束⼒的折扣依据（§10.6 专论）。 - 发表偏倚（publication bias）：阳性结果更易被发表，导致元分析⾼估真实效应。本领域多数元分析未充分报告偏倚检验，唯⼀明确报告 Egger检验且未见显著偏倚的是 CT 元分析155——这也是 STEM 场景证据相对可信的重要理由。 - 研究质量偏低：以 ASD 赛道为例，PLOS One（2022）元分析中仅 17.5% 的纳⼊研究质量被评为"强"161，⼤量研究为低质量设计，削弱了结论的可外推性。 - 准实验占⽐⾼：⼤量研究采⽤准实验全球教育机器⼈发展蓝⽪书 2026 · AI-SLI（quasi-experimental）⽽⾮严格随机对照（RCT），⽆法完全排除选择偏倚与混杂。 - ⼩样本 +单会话主导：语⾔学习场景多数研究样本不⾜ 80 ⼈、且为单次会话193；ASD 赛道中位随访仅约10 周——短周期、⼩样本难以捕捉长期学习效应。 - 情感收益 ≠ 认知收益：机器⼈最常见、最稳健的正效应集中在情感/动机维度（焦虑降低、参与度提升），⽽认知层⾯的学习增益往往不确定。把前者当作后者，是教育机器⼈成效宣称中最普遍的偷换。这六类威胁不是抽象的⽅法学清单，⽽是本章对每个场景效应量"打折"的具体依据。每⼀个g 值后⾯，都须追问：它来⾃哪种设计、是否经历过新奇效应衰减、测的是情感还是认知。---10.2 场景⼀ STEM / 编程 / 计算思维（证据强度：中—强）STEM/编程/计算思维（computational thinking, CT）是全部场景中循证最稳健的⼀个，也是本蓝⽪书可以相对正⾯陈述的赛道。核⼼效应量证据（E1）：多项独⽴元分析⼀致指向中等正效应（g/SMD ≈ 0.46–0.56）——- Zhang 等（2021）综述+元分析：SMD = 0.46（CI 0.23–0.69）194； - IJ STEM Education（2024）多层元分析（21 研究/30 效应量）：ES = 0.488（CI 0.094–0.882, p<.05），CI 下界接近0.09195； - Educ. Inf. Technol.（2024）CT 元分析（27 项实验/准实验）：SMD = 0.558，早教阶段效应最强，且 Egger 检验未见明显发表偏倚155。更早的 Benitti（2012）系统综述给出定性⽀持但缺定量评估196；早教 CT 元分析（PMC,2024）⽅向⼀致为正，但测量⼯具不统⼀197。这三项 2021–2024 年的独⽴元分析在效应量上⾼度收敛（0.46 / 0.488 / 0.558），⽅向⼀致、量级接近。跨研究、跨年份的⼀致性本⾝就是证据稳健的标志，它降低了"单⼀团队、单⼀⼜径"全球教育机器⼈发展蓝⽪书 2026 · AI-SLI造成偏差的风险。更难得的是，CT 元分析报告的 Egger 检验未见明显发表偏倚155，意味着这个中等正效应不太可能是"阳性结果选择性发表"的假象。审慎说明：证据虽相对最稳健，三点局限仍须标注。其⼀，多数研究含准实验⽽⾮纯 RCT，⽆法完全排除选择偏倚；其⼆，STEM 学习态度多为学⽣⾃报，偏乐观；其三，部分元分析纳⼊研究数偏少（k≈21195），且 IJ STEM 元分析的 CI 下界已逼近 0.09，提⽰效应虽显著但底部并不厚实。取⽤结论：STEM/计算思维中等正效应（g/SMD≈0.46–0.56）可作为本蓝⽪书相对可正⾯陈述的循证⽀柱，⾄少⼀项 CT 元分析未见发表偏倚155，早教阶段效应最强——这与第 8 章"STEM 套件是唯⼀已规模化商⽤赛道"的市场判断形成产业与循证的双向印证。---10.3 场景⼆语⾔学习（证据强度：中·审慎）语⾔学习是循证防⽕墙 E2 最严格约束的场景：不可宣称"已证有效"，情感收益 > 认知收益。效应量跨度⼤（E2）：- Lee & Lee（2022）机器⼈辅助语⾔学习元分析：d = 0.59（SE 0.09）198； - Wang & Cheung（2025）：社交⾏为 vs 中性条件 g = 0.269，但多为 K-12 英语词汇、样本 <80、单会话193； - ⼉童语⾔发展元分析（2003–2023，27 项实证/70 效应量/1544 被试）：中到⼤正效应，情感维度最显著199； - Randall（2019）：79 项研究定性综述，证据混合157； - L2TOR ⼤规模反例（接近零增益）：194 名荷兰约 5 岁⼉童由 NAO 教 34 个英语词，机器⼈ + 平板并未显著优于纯平板（同类最⼤规模研究，2016–2018 多站点同⾏评审）150187。效应量从 g≈0.27 到 d≈0.59 跨度甚⼤，且认知收益常被情感/动机收益掩盖，绝⼤多数研究为单次会话/⼩样本，新奇效应难以排除。尤须警惕的是，迄今同类规模最⼤的 L2TOR 研究得到的全球教育机器⼈发展蓝⽪书 2026 · AI-SLI恰是"接近零增益"——机器⼈ + 平板未显著优于纯平板150。这个反例与本场景所有正向效应量同等重要。必须并列的保守结论（E2 红线）：权威综述 van den Berghe 等（2019）给出明确的保守判断——"机器⼈尚不能被确证为有效的语⾔导师"158。结论分量极重，因为它来⾃该领域被⼴泛引⽤的系统性综述，且附有两个具体⽽尖锐的负⾯观察。其⼀，在学前⼆语（L2）学习中，学⽣投⼊度在三次会话内即开始下降，这正是新奇效应衰减在语⾔场景的直接体现。其⼆，当机器⼈出现注视（gaze）⾏为时，语法学习反⽽更差，提⽰机器⼈的某些拟⼈化社交线索可能分散⼉童对语⾔内容本⾝的注意。两个观察共同构成对"参与度上升即学习有效"这⼀直觉的有⼒反驳：学⽣⾯对机器⼈焦虑更低、参与度更⾼（第 8 章 §8.3），但它并不⾃动转化为更好的语⾔习得。本蓝⽪书在语⾔学习场景⼀律并列保守结论，不宣称"已证有效"，情感/动机收益的呈现须与认知收益的不确定性并置。机器⼈作为"低焦虑的语⾔练习伙伴"的情感价值清晰，但其作为"有效语⾔导师"的认知效⼒尚未被确证——⼆者必须分开陈述。---10.4 场景三早教 / 幼⼉（证据强度：中）早教/幼⼉场景的核⼼特征是情感收益⼤于认知收益，且新奇效应风险最⾼。效应量证据（E4）：早期社交机器⼈⼲预（含 ASD 与典型发展 TD ⼉童）对社交-情感发展的效应为 Hedges' g = 0.651200；⼉童语⾔发展元分析进⼀步显⽰年幼者情感收益更⼤、年长者认知收益更⾼199。结合场景 1，早教阶段的计算思维效应也最强155。审慎说明（强度打折）：g=0.651 看似可观，但须严格打折。其⼀，幼⼉认知构念的测量本⾝争议极⼤：年幼⼉童⽆法可靠地完成标准化认知测试，研究者往往依赖⾏为观察或代理指标，全球教育机器⼈发展蓝⽪书 2026 · AI-SLI构念效度存疑。其⼆，幼⼉对新奇刺激尤其敏感，是全部年龄段中新奇效应最强的群体，短期投⼊度上升 ≠ 长期学习增益——⼀个会说话、会动的机器⼈对幼⼉的吸引⼒，极易被误读为教育成效。证据还呈现⼀个⼀致的年龄梯度：年幼者情感收益更⼤、年长者认知收益更⾼199。这意味着早教阶段机器⼈的真实价值，恐怕更多在情感陪伴、社交-情感技能启蒙，⽽⾮认知/学科学习的加速。早教是市场消费热度与循证强度反差最⼤的赛道（第 8 章 §8.4 显⽰其在严格统计⼜径内仅占约 1%），本蓝⽪书坚持"情感收益清晰、认知增益审慎、新奇效应必须打折"的定位——它也是第 14 章讨论低龄⼉童情感依赖治理时的循证基础。---10.5 场景四特殊教育 / ASD（证据强度：中·外推存疑）ASD ⼲预是教育机器⼈唯⼀拥有较多 RCT 元分析⽀撑的赛道，也是循证防⽕墙 E3 最关键的场景：诊所有效 ≠ 课堂/家庭普适有效。核⼼效应量证据（E3，最稳健的⼀项）——PLOS One（2022）元分析综述 40 项研究（含 17项 RCT），对 12 项 RCT/346 名被试做元分析161：- 总体 Hedges' g = 0.33（CI 0.08–0.57）； - 社交功能 g = 0.35 显著——这是 ASD ⼲预最可靠的正效应； - 情绪维度 g = 0.63 但不显著（CI 极宽 −1.43–2.69）； - 运动维度 g = −0.10，零效应。负⾯/零效应与场景调节（E3 红线，必须同等记录）——同⼀元分析的场景调节分析揭⽰了最关键的外推风险：- 诊所场景 g = 0.57 显著； - 家庭场景 g = 0.16 不显著； - 学校场景 g = −0.16 不显著161。换⾔之，机器⼈ ASD ⼲预的显著正效应主要来⾃诊所受控环境，⼀旦外推到学校课堂或家庭，效应即不显著（学校 g=−0.16、家庭 g=0.16 均不显著），甚⾄⽅向转负。这⼀场景调节结果全球教育机器⼈发展蓝⽪书 2026 · AI-SLI是整个循证主章最重要、也最易被掩盖的发现之⼀：ASD 赛道"证据最强"的光环，其实⾼度依赖诊所这⼀受控、⼀对⼀、由专业治疗师主导的特殊环境，⽽真实教育部署所在的学校课堂，恰恰是效应消失的场景。叠加研究质量局限——仅 17.5% 的研究质量被评为"强"161、中位随访仅约10 周，短周期同样难以排除新奇效应。漏⽃图分析未见明显不对称，提⽰该元分析本⾝的发表偏倚风险相对可控。补充证据与⽂献集中度：Zhong（2025）三层元分析⽅向与上述⼀致，认为机器⼈对 ASD 社交-情感技能有正向作⽤201（来源字段待核，见附录 F）。平台层⾯，NAO 是该赛道事实上的标准机型，出现在约 39% 的 ASD 相关机器⼈研究中53202203162。如此⾼度的平台集中既便于跨研究⽐较，也带来⼀个隐忧：证据基础⾼度依赖单⼀机型，其结论能否推⼴到其他社交机器⼈本体，本⾝存疑。取⽤结论（强项但审慎）：机器⼈对 ASD 社交功能有⼩-中等显著效应（g≈0.33–0.35），年幼⼉童收益更⼤；但切忌将"诊所有效"宣称为"课堂/家庭普适有效"——情绪、运动维度为零或不显著，家庭与学校场景均不显著。这是证据最强赛道⾥最容易被滥⽤的陷阱。---10.6 场景五社交情感与新奇效应衰减（证据强度：中·警⽰）新奇效应衰减是教育机器⼈领域最稳健的警⽰性发现，构成对前述所有"短期正效应"的系统性折扣依据（循证防⽕墙 E5）。核⼼证据（E5）：- Leite 等（2013）：新奇效应的奠基性定义——新奇效应消退快，之后兴趣下降；短期会话不能可靠预测长期效应204； - 实证衰减（Serholt/Salter）：社交响应随多次交互下降，长期暴露后厌倦感上升205； - ⾼校⾃适应机器⼈导师长期研究206；共情发展最佳证据综合显⽰证据混合207。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI新奇效应衰减的机制可概括为⼀条衰减曲线（图 13）：交互初期投⼊度⾼企，随交互次数增加⽽单调下降，最终趋于⼀个远低于初始⽔平的平台。Leite 等（2013）⾸次系统定义了这⼀现象，并据此提出⼀个对教育评估极具杀伤⼒的论断——短期会话⽆法可靠预测长期效应204。Serholt 与 Salter 的长期观察提供了实证⽀撑：社交响应随多次交互下降，长期暴露后⼉童的厌倦感上升205。换⾔之，⼀项报告"机器⼈显著提升参与度"的单次会话研究，其结论在数周后可能完全反转。取⽤结论：任何基于单次/短期会话的正效应都应打折（图 13）。⼀处微妙之处须同时注意——投⼊度下降 ≠ 学习增益必然下降，反之亦然：van den Berghe（2019）的反例显⽰，机器⼈注视时投⼊度可能上升⽽语法学习反更差158。投⼊度与学习增益是两个须分别测量、分别讨论的构念，不可简单等同。它也呼应第 7 章"参与度（engagement）≠ 学习增益（learning gain）"的判断——多模态系统采集到的⾼参与度信号，不能直接解读为更好的学习成效。---10.7 场景六⼤模型时代新证据（证据强度：弱—中）LLM 时代的教育机器⼈成效，是循证防⽕墙 E6/E7 约束最强的场景：前景⼴阔、实证早期；强 RCT 证据来⾃⽂本 LLM 导师，不可外推到具⾝机器⼈。关键证据（E6/E7）：- TalBot（ChatGPT × Furhat）：试点/可⾏性研究，仅 13 名学前⼉童，未报告对照学习增益——具⾝ LLM 机器⼈对⼉童的对照证据⼏乎空⽩208； - Tutor CoPilot：较强 RCT（>700 导师/>1000 学⽣），学⽣掌握概率 +4 个百分点，低评级导师所教学⽣ +9 个百分点——但这是⽂本LLM 导师，不是机器⼈209； - Google LearnLM（Eedi）：RCT（165 名英国 13–15 岁），监督导师 76.4% 零/极⼩修改即批准（过程质量代理，⾮成绩效应量）；同为⽂本⾮机器⼈210（来源全球教育机器⼈发展蓝⽪书 2026 · AI-SLI字段待核，见附录 F）； - 反向证据（E7）：GPT 编程⼤班准实验显⽰——降低整体投⼊度，但采纳者成绩提升，加剧分化211。为何不能外推（本场景最关键的逻辑）：这⾥存在⼀个极易被忽视的证据错配。媒体与⼚商常把 Tutor CoPilot 的 +4pp/+9pp、LearnLM 的 76.4% 这类令⼈振奋的 RCT 数字，与"教育机器⼈"的前景叙事并置，造成"LLM 机器⼈已被 RCT 证明有效"的错觉。但这些强证据全部产⽣于⽂本/屏幕端的 LLM 导师情境，其作⽤机制（实时辅助⼈类导师、⽣成苏格拉底式追问）与"具⾝机器⼈在物理空间陪伴⼉童"是两套不同的⼲预，前者的成效不能机械地搬运到后者。这与第 5 章反复强调的判断完全⼀致：Khanmigo 是屏幕端软件智能体⽽⾮机器⼈本体，它证明的是"LLM ⼤脑的教学能⼒"，⽽⾮"具⾝机器⼈的教学成效"。当⼤脑接⼊本体、引⼊物理在场与多模态社交线索后，成效是否保持、新奇效应如何作⽤、幻觉风险如何放⼤，都缺乏对照证据。取⽤结论（杜绝任何成效宣称）：(a) 具⾝ LLM 机器⼈对⼉童的对照证据⼏乎空⽩（仅试点TalBot，13 名⼉童、⽆对照208）；(b) 较强的 RCT 证据（Tutor CoPilot、LearnLM）全部来⾃⽂本 LLM 导师，不能直接外推到具⾝机器⼈；(c) 已出现降低投⼊度、加剧分化的反向信号211。LLM 机器⼈在本蓝⽪书中定位为"前景⼴阔、实证早期"，杜绝任何成效宣称。这⼀审慎定位将在第 14 章被转化为对模型幻觉、学业误导与情感依赖的治理要求。---10.8 能⼒—部署落差的少数闭合点：职教四⾜实训（证据强度：弱）前⾯六个场景描绘了⼀幅"成效审慎"的循证图景。但"能⼒—部署落差"主线还需要记录其少数闭合点——那些既已真实部署、又承载可观察学习活动的场景。最具代表性的，是四⾜机器⼈进⼊中国职业院校做感知与算法实训。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI部署事实（已部署，职业院校课堂实训）：杭州科技职业技术学院（HZPT）将宇树 Go2 引⼊物联⽹技术学院专业教学，学⽣⽤机器狗回传的激光雷达点云 + 4K 画⾯做时空对齐，编写算法识别校园违规⾏为⽬标，教师称此举让学⽣"以更直观⽅式掌握机器学习与计算机视觉"138；宇树与 Stanford、OpenMind 合办的 RoboUniversity 认证体系亦⾯向 Go2/G1 平台提供从编程基础到机器⼈集成的课程127。这是第 9 章反复论证的判断在职教侧的真实闭合：四⾜是当前具⾝智能进⼊教育最现实的平台，运动控制已⼯程化、价格门槛低（教育版数千美元量级），且已在职校/⾼校课堂做真实的算法与感知实训。但循证防⽕墙在此同样不松动。两条审慎边界须明确。其⼀，"已部署"指的是教学活动真实发⽣，⽽⾮学习成效已被量化——HZPT 案例是⼯程实训的部署事实，⽬前没有对照设计的学习增益数据，不能据此宣称"四⾜机器⼈提升了学习成效"。其⼆，落地严格限定在职教/⾼校，⾯向技能训练与算法实践的实训场景，不可外推为"机器狗已规模进⼊中⼩学课堂"。换⾔之，这个"闭合点"闭合的是"能⼒可否被⽤于真实教学活动"，⽽⾮"成效是否已被循证证实"，两者必须分开陈述。它恰是本章⽅法学的⼀致延伸：部署的真实性与成效的可证性，是两把不同的尺⼦。取⽤结论：四⾜职教实训是"能⼒—部署落差"少数可观察的闭合点，可作为"具⾝能⼒正在进⼊真实教学活动"的部署佐证138；但其学习成效尚未量化，定位为"部署真实、成效未量化"，与前述场景的效应量证据分轨陈述，不并⼊任何"已证有效"结论。---10.9 三条最稳健发现：核⼼循证⽀柱综合全章按场景的证据分级（图 12），本蓝⽪书提炼出三条最稳健、可作为核⼼循证⽀柱的发现：全球教育机器⼈发展蓝⽪书 2026 · AI-SLI
1. STEM / 计算思维：中等正效应（g/SMD ≈ 0.46–0.56），⾄少⼀项 CT 元分析未见发表偏
倚，早教阶段最强194155195。这是唯⼀可相对正⾯陈述的赛道。
2. ASD 社交功能：RCT 元分析⼩-中等显著效应（g ≈ 0.33–0.35），年幼者收益更⼤161——
但诊所有效不等于课堂/家庭普适有效，运动/情绪维度及学校/家庭场景均不显著201。
3. 新奇效应衰减：多源⼀致警⽰——投⼊度/响应随时间下降，短期效应不可靠204205。这是对
所有短期正效应的系统性折扣依据。三条⽀柱共同勾勒出⼀幅"局部稳健、整体审慎"的循证图景：唯⼀可相对正⾯陈述的是STEM/计算思维；ASD 社交功能证据虽较强，却被场景外推风险严重限制；新奇效应则像⼀把悬在所有短期正效应之上的折扣之尺。相形之下，语⾔学习、早教、社交陪伴的认知成效，以及LLM 机器⼈的整体成效，⽬前都不⾜以⽀撑"已证有效"的宣称。本蓝⽪书宁可承认证据不⾜，也不愿⽤乐观的单值掩盖循证的真实状态——这正是第 15 章"充分验证、教师主导再落地"政策建议种⼦的实证根基，也是对韩国 AI 数字教科书"快速进校园反噬"教训（第 14 章）的循证回应。---10.10 本章⼩结本章按场景对教育机器⼈学习成效做了严格的证据分级（图 12、图 13），核⼼⽴场可凝练为：教育机器⼈的循证图景是"局部稳健、整体审慎"——STEM/计算思维有中等正效应可正⾯陈述，ASD 社交功能证据较强但场景外推存疑，语⾔学习与 LLM 机器⼈不可宣称已证有效，新奇效应是贯穿全局的最稳健折扣依据；⽽四⾜职教实训这样的"部署闭合点"，闭合的是能⼒进⼊真实教学活动，⽽⾮成效已被证实。负⾯与零效应（运动维度零效应、学校场景不显著、LLM 加剧分化、L2TOR ⼆语近零增益）已与正效应同等记录。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI本章的循证⽴场直接服务于全蓝⽪书的"能⼒—部署落差"主线：前沿能⼒的⼚商演⽰再炫⽬，也须经受按场景、按强度、含负⾯信号的循证检验；参与度/情感收益的上升不等于认知学习增益。下⼀章导读：第三部分（应⽤）⾄此完成——第 8 章给出赛道全谱，第 9 章绘制落地图谱，第 10 章完成循证分级。第四部分（第 11–13 章）转向产业视⾓：第 11 章重构产业链（新增VLA 算法层），第 12 章给出市场 TAM 总账与历史预测的诚实回望，第 13 章呈现竞争格局与资本"冰⽕两重天"。本章的循证审慎⽴场，将在第 14 章（安全、伦理与治理）被进⼀步转化为对情感依赖、学业误导的治理要求，并在第 15 章收束为"充分验证、教师主导再落地"的政策建议种⼦，呼应韩国 AI 数字教科书反噬的教训。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第四篇产业与市场价值链重构 · 市场规模与 TAM · 竞争格局与资本本篇导读转⼊产业视⾓：拆解价值链的 2026 重构——新增⼤模型/具⾝算法层，上游瓶颈前移到减速器与灵巧⼿；以多源并列的保守⼜径给出市场规模区间，并呈现传统教育机器⼈遇冷、具⾝/⼈形过热的资本分化。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 11 章价值链重构：从硬件链到 VLA 算法层与上游瓶本章定位与去重约定：本章只处理产业链的结构重构——七层基线如何演化、新增了哪⼀层、瓶颈环节移向何处、价值如何在链条上重新分配。市场规模与 TAM 归第 12 章，⼚商财务与出货排名归第 13 章，⼈形本体的硬件参数（⾃由度/成本）归第 6 章；本章引⽤上述内容时只作结构性映射，不重算数字。产业链"加层"的再界定依据与第 3 章同源，技术侧的 VLA 演进则承接第 4 章。 > > 保守提⽰：本章的"七层 + 新增 VLA 层"是基于多源的 2026 重构判断，并⾮源⽩⽪书原⽂结论；"基座模型与具⾝智能服务层"为本研究的命名建议，标【2026 延伸】；运维占总拥有成本 50–60% 为单⼀媒体⼜径，仅作成本结构的定性使⽤；地⽅⽬标与基地校数字⼀律以政策原⽂为准。11.1 引⼊：当"⼤脑"成为产业链的独⽴⼀层2019 年版《全球教育机器⼈发展⽩⽪书》绘制产业链时，整条链条以本体硬件为中⼼：从最上游的 AI 芯⽚，到硬件制造、系统平台、应⽤服务、内容供应、系统集成，再到⾯向⽤户的渠道，七个环节依次叠加（2）。那⼀框架⾥，"智能"被默认嵌在硬件与平台之中，并不构成需要独⽴刻画的产业层次——彼时机器⼈的"智能"本就由规则、传感与脚本拼成，没有⼀个可被单独定价、单独供应、单独迭代的"⼤脑"。到 2026 年，产业图景经历了⼀次结构性重排。本章的核⼼论断是：教育机器⼈产业链相对2019 年最本质的变化，是从⽆到有地长出了⼀个独⽴的"⼤模型／具⾝智能算法层（VLA）"。它把"视觉输⼊直接映射为关节控制输出"的端到端运动智能，连同叠加在其上的教育⼤模型与学科智能体，沉淀为整机的"⼤脑"，并成为新的价值⾼地（212、213）。与此并⾏，上游瓶颈从"芯⽚全球教育机器⼈发展蓝⽪书 2026 · AI-SLI"扩展到"关节—谐波减速器—灵巧⼿—六维⼒／触觉传感"，内容层从"课程内容"升级为"课程＋实训＋认证"，运维服务则从隐性成本显性化为独⽴价值层。下⽂先复盘 2019 七层基线（§11.2），再依次刻画 2026 的四项重构——新增 VLA 算法层（§11.3）、上游新瓶颈（§11.4）、内容与服务价值层的显性化（§11.5），随后给出命名建议（§11.6）与作为外部强变量的政策驱动（§11.7），最后⼩结并导读第 12 章。11.2 2019 七层基线：以本体硬件为中⼼的链条作为续接基座，先完整复述 2019 版确⽴、并经第三⽅转述佐证的七层产业链（2 图 5-1；46七层链转述）：
1. AI 芯⽚制造商——2019 版相对 2016 版的新增最上游环节，提供算⼒底座； 2. 硬件制造
商——本体结构、传动、传感等硬件集成； 3. 系统平台开发商——操作系统、中间件与开发框架； 4. 应⽤服务提供商——⾯向教学场景的应⽤与服务； 5. 内容供应商——课程、教案与教学内容； 6. 系统集成商——把硬件、平台、内容整合为可交付⽅案； 7. 渠道商——⾯向学校与消费者的分销⽹络。这⼀结构的内在假设是：智能内⽣于硬件与平台，因此⽆需为"认知能⼒"单设⼀层。正是这个假设，在 2022 年之后被基础⼤模型与具⾝智能打破。11.3 2026 最⼤结构变化：新增"⼤模型／具⾝智能算法层（VLA）"这是 2016 与 2019 两版都完全不存在的层级。依据来⾃两条互证的产业观察：端到端运动⼤模型／视觉-语⾔-动作（VLA）已成为整机"⼤脑"的核⼼技术形态，直接承担"视觉输⼊→关节控制输出"的映射（212）；与此同时，具⾝智能产业全景中，算法／⼤模型环节已从硬件中剥离，形成可被独⽴投资、独⽴供应、独⽴迭代的产业层次（213 ）。技术侧的演进脉络（RT-全球教育机器⼈发展蓝⽪书 2026 · AI-SLI2→OpenVLA→π0／π0.5→Helix→GR00T 等）已在第 4 章逐⼀标注成熟度，此处不重述；本章关⼼的是它在产业结构上的含义。它为何是"从⽆到有"⽽⾮"原有环节的细化"？三点理由：- 可定价性：2019 框架⾥，"智能"分散嵌在芯⽚与平台中，没有独⽴的交付物与计价单位；VLA／教育⼤模型则可以以模型授权、API 调⽤、智能体订阅、MaaS（Model-as-a-Service）等⽅式单独计价，已具备成为独⽴产业层的经济前提。 - 可供应性：基础模型与具⾝算法由专门的算法⼚商研发与供给，整机⼚商可以"采购⼤脑"⽽⾮"⾃研⼤脑"，这正是产业分⼯出现新层级的标志。 - 可迭代性：模型层的迭代节奏（⽉级）远快于硬件层（年级），⼆者解耦后各⾃独⽴演进——"⼤脑↔本体分离"的架构含义（第 5 章）在产业层⾯表现为算法层与整机层的分层。教育语境下还有⼀层叠加：在通⽤ VLA／基础模型之上，进⼀步叠加教育⼤模型与学科智能体（如苏格拉底式导师、形成性评价者、学习数据分析顾问），使"⼤脑"既具备通⽤运动／语⾔智能，又具备教学专⽤能⼒。它与第 3 章"⾓⾊编排（role orchestration）"的再界定、以及具⾝智能赋能教育的框架论证同源（47）。须保守标注：把这⼀层独⽴列出，是本蓝⽪书基于多源观察的2026 重构判断，并⾮源⽩⽪书的原⽂结论；但其结构性事实——"算法／⼤模型已从硬件中剥离为独⽴产业环节"——有产业报告交叉⽀撑（212、213）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 14. 产业链：2019 七层基线 → 2026 重构（+ 新增⼤模型/具⾝智能算法层 VLA）。标上游新瓶颈（关节/减速器/灵巧⼿/⼒传感）与新增价值层（服务/运维）。来源：slibnu2019erwp、pday-embodied-vla-report-2026、aiinsight-embodied-landscape-2026、robozaps-humanoid-education-2026。11.4 上游硬瓶颈：从"芯⽚"前移到"减速器—丝杠—电机—⼒传感—灵巧⼿"2019 版把 AI 芯⽚列为最上游瓶颈，反映的是"算⼒稀缺"的时代特征。到 2026 年，⼈形与⾼⾃由度本体进⼊产业视野，上游瓶颈显著前移并多元化：除算⼒芯⽚之外，精密传动（谐波减速器、⾏星滚柱丝杠）、关节驱动（⽆框⼒矩电机）、⼒／触觉感知（六维⼒传感器、电⼦⽪肤）以及作为⼈形操作核⼼的灵巧⼿，连同电池与能源，共同构成新的上游核⼼硬件（212、213）。⼈形化是这次移位的直接驱动⼒：当本体从"轮式＋固定结构"⾛向"⾼⾃由度⼈形"，传动—驱动—感知链条上的精度、成本与可靠性便成为整机能⼒的真正天花板。这些环节的国产化进度与成本全球教育机器⼈发展蓝⽪书 2026 · AI-SLI占⽐，很⼤程度上决定下游整机的可及性，也决定"⾼校实验室／职教实训室能否负担⼀台具⾝平台"这⼀教育可及性的底层⽀点。本章只对这些瓶颈环节作产业结构定位（硬件参数与成本曲线的逐项细节归第 6 章）；按"成本占⽐×国产化进度"两个维度，可把上游核⼼部件排成⼀条从最硬瓶颈到国产领先的谱系（）：图 27. ⼈形上游核⼼部件国产化率 × 成本占⽐象限（⾏星滚柱丝杠成本占⽐最⾼约 28.6%—35%、国产化最低＝当前最硬瓶颈；谐波减速器⾼端份额仍由哈默纳科约 82% 主导、国产化约 30%→40%；⽆框⼒矩电机国产放量在即；六维⼒传感器国产化率 19%→57.8%＝国产领先；电⼦⽪肤蓝海早期）。X=成本占⽐、Y=国产化率，⽓泡∝单机⽤量/价值。来源：v2_planetary_roller_screw_2025、v2_harmonic_reducer_2025、v2_frameless_torque_motor_2025、v2_six_axis_force_sensor_2025、v2_eskin_tactile_2025；成本占⽐为⼯业/⼈形结构区间⼜径，国产化率为产业研究⼜径。上游核⼼部件成本占⽐国产化进度瓶颈定位来源⾏星滚柱丝杠（直线执⾏器核⼼）最⾼，约 28.6%—35%最低、最难国产，国产突破中、规模量产未完成；突破当前最硬瓶颈——既最贵又最难国产全球教育机器⼈发展蓝⽪书 2026 · AI-SLI后价格预计降约40%谐波减速器（旋转关节核⼼）约 30%（减速器在⼯业机器⼈成本中占⽐最⾼⼀档）哈默纳科占全球约82%、绿的谐波约7% ；国产化率约30%→2025 拟 40%⾼端份额仍由⽇企主导，国产量产但份额仍⼩⽆框⼒矩电机（关节驱动）单台需 6—7 个、约2,000—5,000 元/台国产已量产、放量在即（9 家上市企业布局）国产化推进中、压价空间可观六维⼒传感器（⼒反馈核⼼）单价 1 万—4 万元→千元级国产化率从 19% 升⾄57.8%（2024），蓝点触控约占 80% 份额国产化领先环节（已量产、放量）电⼦⽪肤／多维触全球市场约 71 亿→209 亿美元早期量产／试点（技术路线尚未收敛）蓝海早期、路线未这条谱系的核⼼判断是：整机成本曲线的下⾏，瓶颈不在"国产化领先环节"，⽽卡在"最贵又最难国产"的⾏星滚柱丝杠与⾼端谐波减速器上。⾏星滚柱丝杠在⼈形零部件中价值占⽐最⾼（约 28.6%—35%）、却又是国产化率最低、规模量产尚未完成的环节，因⽽是当前最硬的单⼀瓶颈——它直接决定全尺⼨⼈形的直线执⾏器成本，进⽽压制整机降本节奏（125）。谐波减速器虽国产化率已升⾄约 40%，但全球份额仍由哈默纳科（约 82%）主导，⾼端供给受制（214）。与之形成对照的是国产化已经领先的两端：六维⼒传感器国产化率四年间从 19% 跃升⾄ 57.8%（126），⽆框⼒矩电机国产量产、放量在即（215）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI灵巧⼿作为⼈形操作的核⼼瓶颈，叠加在上述传动—感知谱系之上。它既是⾼⾃由度操作的能⼒天花板，也是上游部件（滚柱丝杠＋连杆＋空⼼杯电机＋多维触觉）的集成体；中国⼚商在触觉密度与价格上已对⾼端进⼜形成显著降维（细分参数归第 6 章），但"⾼⾃由度演⽰"与"产线可靠量产"之间仍有差距。产业含义是：灵巧⼿的成本与可靠性，与其上游丝杠、电机、触觉的国产化进度强耦合——上游硬瓶颈⼀旦松动，灵巧⼿与整机的成本曲线才会同步下移。须保守标注：上述成本占⽐为⼯业／⼈形结构⼜径的区间值（⾏星滚柱丝杠 28.6%—35%、谐波减速器约 30%），不同测算基准下占⽐会有差异，本章仅作"哪⼀环最贵、哪⼀环最难国产"的结构定性使⽤；国产化率数字以产业研究⼜径为准，反映替代进度⽽⾮精确市占。11.5 价值再分配：内容升级为"课程＋实训＋认证"，运维显性化为独⽴价值层2026 重构的第三项变化发⽣在链条的下游价值分配上。内容层：从"课程内容"到"课程＋实训平台＋认证体系"。 2019 版的"内容供应商"主要指课程与教案；2026 年，内容层升级为⼀体化的"AI 课程＋实训平台＋认证体系"——典型形态包括优必选的星智 PaaS、宇树与⾼校合办的 RoboUniversity 式平台、以及围绕通识指南配套开发的课程体系（213）。其产业含义是：内容不再是附着于硬件的"软件赠品"，⽽是承载认证资质、可持续收费的独⽴价值环节。服务／运维层：从隐性成本到独⽴价值层。⼀个值得强调的成本结构事实是：教育部署中，硬件往往只占总拥有成本（TCO）的约 50%—60%，其余由运维、培训、软件订阅等服务构成，社交机器⼈尤其如此（151）。这意味着"卖⼀台机器⼈"只是价值链的起点，持续的运维与服务才是长期价值的主体。因此本章把"服务／运维"从 2019 框架中隐含于"应⽤服务/集成"的位置，显性化为⼀个独⽴价值层。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI须保守标注：50%—60% 这⼀⽐例来⾃单⼀媒体⼜径（151），本蓝⽪书仅将其作为"硬件并⾮TCO 全部、运维占⽐可观"的成本结构定性依据使⽤，不作为精确财务⽐例引⽤。11.6 命名建议：基座模型与具⾝智能服务层综合 §11.3—§11.5，本研究建议把新增的算法层正式命名为"基座模型与具⾝智能服务层"——它涵盖基础模型、VLA、智能体框架与 MaaS，是 2016／2019 两版完全没有的结构（理论锚定依据见 47，与第 3 章"产业链加层"再界定同源）。此命名为本蓝⽪书的【2026 延伸】建议，⾮源⽩⽪书原话，亦⾮已被产业普遍采⽤的标准术语；提出它的⽬的，是为后续统计⼜径与政策表述提供⼀个能容纳"AI 教育智能体订阅／MaaS／具⾝机器⼈即服务"等新业态的产业层概念——⽽这些业态恰恰是 2019 版"四模型"市场⼜径⽆法容纳的（这⼀⼜径局限将在第 12 章的历史回望中进⼀步展开）。⼀句话概括 2026 相对 2019 的产业链演化：从"以本体硬件为中⼼的七层链"，演进为"以具⾝⼤模型为⼤脑、以关节／减速器／灵巧⼿／⼒传感为新上游瓶颈、以课程认证与运维服务为新增价值层"的链条。11.7 政策驱动：作为外部强变量的"⾏动计划—基地校—地⽅⽬标"与 2019 年不同，2026 年的产业链重构发⽣在⼀个强政策牵引的环境⾥，政策因此成为不可忽略的外部强变量（条款细则归第 2 章与第 14 章，本章只作产业映射）：- 国家⾏动计划：教科信〔2026〕1 号《"⼈⼯智能+教育"⾏动计划》提出加快普及中⼩学 AI教育、建设教育智能算⼒平台与分学段教育⼤模型、建⽴教育⼤模型安全审核机制（19）；其上位政策《国务院关于深⼊实施"⼈⼯智能+"⾏动的意见》（国发〔2025〕11 号）设定 2027 年智能体普及率超 70%、2030 年超 90% 的⽬标（17）——这直接为"基座模型与具⾝智能服务层"创造了全球教育机器⼈发展蓝⽪书 2026 · AI-SLI规模化需求。 - 基地校布局：全国已布局 509 所 AI 教育基地校，覆盖东部 7 省、中西部 20 地市与 18 所⾼校试点（20）——这是渠道层（院校直采）的政策化扩张。 - 地⽅产业⽬标：深圳提出2027 年具⾝智能企业超 1200 家、关联产业规模超 1000 亿元，上海提出 2027 年具⾝核⼼产业超500 亿元（33、213）——这从上游与整机集成两端为产业链注⼊资本与产能。须保守标注：上述⽬标与基地校数字以政策原⽂为准；地⽅产业⽬标属规划⼜径，反映政策意图⽽⾮既成产能，不应被读作教育机器⼈细分市场的实测规模。11.8 本章⼩结本章给出了教育机器⼈产业链的 2026 重构判断：相对 2019 七层基线，最⼤结构性变化是新增了独⽴的"⼤模型／具⾝智能算法层（VLA）"——它从⽆到有，成为整机的"⼤脑"与新的价值⾼地；上游瓶颈从"芯⽚"前移并扩展为"减速器—丝杠—电机—⼒传感—灵巧⼿"，其中⾏星滚柱丝杠（成本占⽐最⾼约 28.6%—35%、国产化率最低）是当前最硬的单⼀瓶颈，谐波减速器⾼端供给仍由⽇企主导，⽽六维⼒传感器（国产化率 19%→57.8%）与⽆框⼒矩电机已是国产领先环节（图 27）；内容层升级为"课程＋实训＋认证"，服务／运维从隐性成本显性化为独⽴价值层；本研究建议把新增层命名为"基座模型与具⾝智能服务层"（【2026 延伸】）。强政策牵引（⾏动计划／基地校／地⽅⽬标）则是这⼀重构的外部强变量。两点须审慎重申。其⼀，新增 VLA 层是结构判断，其下游的教育落地仍受制于第 4 章揭⽰的"能⼒—部署落差"——算法层的活跃并不等于课堂部署的同步成熟。其⼆，运维占⽐、地⽅⽬标等数字分别为单⼀⼜径与规划⼜径，本章仅作定性使⽤。产业链重构勾画了"价值如何重新分布"的⾻架，但⾻架上的⾎⾁——市场究竟有多⼤、增速⼏何、历史预测是否兑现——需要专章核算。第 12 章转⼊市场规模与 TAM：以多源并列的保守区间刻画全球与中国市场，并对 2019 版"841 亿美元"的历史预测做⼀次诚实回望，后者恰恰印证全球教育机器⼈发展蓝⽪书 2026 · AI-SLI了本章 §11.6 所⾔"旧⼜径已不能容纳新业态"的判断。⼚商层⾯的财务、出货与资本"冰⽕两重天"则留待第 13 章。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 12 章市场规模与 TAM：多源并列的保守区间本章定位与去重约定：本章是全书市场数字的总账——全球与中国教育机器⼈市场的规模、增速、⼜径冲突，以及对 2016／2019 历史预测的诚实回望，集中于此。细分赛道（STEM 套件／社交陪伴／语⾔／早教／特教）的规模⼜径见第 8 章；⼚商财务与出货排名见第 13 章；⼈形本体硬件参数见第 6 章。本章引⽤上述内容时只作背景映射，不重算。 > > ⼜径铁律（本章最⾼优先级）：① 全球市场取区间表述（2026 约 20–28 亿美元、2030 前后约 55–58 亿美元、CAGR 约 15%–29%），不取 28.8% 这⼀最激进 CAGR 作为唯⼀⼜径；② 中国市场宽⼜径 132 亿元 vs 窄⼜径 44 亿元同时给出并解释，相差近 3 倍，切勿混⽤；③ 产品形态与最⼤学段在不同机构间结论相反，须标注冲突；④ ⼈形／四⾜／灵巧⼿⼤盘均为⾮教育 TAM，仅作教育定位背景——⼈形 2026 出货 Morgan Stanley上调⾄约 5 万台须标"机构预测、⼜径跳变⼤"，灵巧⼿ 8.15 亿 vs 14.8 亿美元两⼜径并列、CAGR 40% 为激进单源须审慎，5 万亿美元／2050 仅作脚注；⑤ 历史"841 亿美元"标"预测值、已被⾼估、⼜径过宽"，严禁当既成事实复⽤。12.1 引⼊：为什么市场数字必须"并列"⽽⾮"取⼀个值"教育机器⼈的市场规模，是本蓝⽪书最容易被误⽤的⼀类数字，原因有三。其⼀，不同机构对"教育机器⼈"的⼜径定义差异极⼤——是否纳⼊ STEM／编程套件、是否纳⼊⼈形教学机器⼈、是否纳⼊培训服务与消费玩具，会让同⼀年份的市场规模相差数倍。其⼆，多数报告以预测形式发布，⽽预测的 CAGR 差异（从 14.67% 到 28.8%）会在⼏年内放⼤为巨⼤的规模分歧。其三，中⽂与英⽂来源、宽⼜径与窄⼜径并存，极易被⽆意中混⽤、拼接，制造出"看似精确实则失真"的数字。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI本章的⽅法论⽴场因此明确：对冲突⼜径并列呈现、解释差异、取保守区间，不取最激进的单⼀值。这⼀⽴场本⾝正是 2026 版相对前作的⽅法论亮点，其反⾯教材恰是 2019 版那个"841 亿美元"的预测（§12.5）。下⽂依次处理：全球市场（§12.2）、中国双⼜径（§12.3）、区域与细分形态的冲突（§12.4，含⼈形⼤盘背景）、历史预测回望（§12.5）。12.2 全球教育机器⼈市场（狭义本体，多源区间）将主要机构的⼜径并列如下（）：图 15. 全球与中国教育机器⼈市场规模（多源并列）。全球 2026 约 20–28 亿美元、2030 约 55–58 亿、CAGR 约 15%–29%（不取 28.8% 单⼀激进值）；中国宽⼜径 132 亿 vs 窄⼜径 44 亿元（切勿混⽤）。来源：Mordor、Research andMarkets、GVR、MnM；智研/华经、弗若斯特沙利⽂。机构
2026 规模
2030／终期规模CAGR⼜径要点Mordor Intelligence约 20.7 亿美元
2031 约 41.1 亿美元
14.67%2025 18.1 亿起算，2026-06 发布（160）全球教育机器⼈发展蓝⽪书 2026 · AI-SLIResearchandMarkets约 27.5 亿美元
2030 约 54.4 亿美元
18.6%结构近 GVR（16）GrandViewResearch— （2024 基年13.78 亿）
2030 约 58.4 亿美元
28.8%（最激进）报告页 403 ，由press-release ＋PRNewswire 三⽅交叉（15、217、218）MarketsandMarkets— （2022 14 亿→2027 32 亿）—17.3%Service＋Industrial（219、220）⽅（DIResearch）—（⼈民币⼜径）
2032 约 368.3 亿元
13.80%全球⼈民币⼜径、单⼀机构（221）MarketResearch.Biz（中⽂转引）— （2024 约 24亿）
2030 约 58 亿美元
26.44%单⼀中⽂转引，审慎（222）保守取⽤结论（全球）：综合上表，本蓝⽪书正⽂统⼀采⽤区间表述——全球教育机器⼈市场（狭义本体⼜径）2026 年约为 20–28 亿美元，2030 年前后约为 55–58 亿美元，CAGR 约 15%–29%。区间的下沿（Mordor 20.7 亿／14.67%）与上沿（GVR 58.4 亿／28.8%）之间的分歧，主要源于是否纳⼊ STEM／编程套件与⼈形教学机器⼈，以及基年与预测⽅法的差异。逐机构拆解分歧来源，便能说明"为何并列⽽⾮取⼀值"是唯⼀审慎做法：Mordor ⾃ 2025 年 18.1 亿美元起算、CAGR 14.67%，给出 2031 年约 41.1 亿美元的偏保守路径（160）；Research and Markets 以 18.6%增速给出 2030 年约 54.4 亿美元，结构接近 GVR（16）；MarketsandMarkets 纳⼊服务（Service）与⼯业（Industrial）⼜径，给出 2022 年 14 亿→2027 年 32 亿美元、CAGR 17.3% 的更宽路径（219）；百谏⽅略（DIResearch）则以⼈民币⼜径预测 2032 年约 368.3 亿元（单⼀机构，221）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI同⼀"全球教育机器⼈"标签下，基年、增速、币种与涵盖范围两两不同，任何把它们直接相加或择⼀为定论的做法，都会制造"看似精确实则失真"的数字。本蓝⽪书不采纳 28.8% 这⼀最激进 CAGR 作为唯⼀⼜径，亦不将任⼀机构的单点预测当作既成事实；GVR 的 58.4 亿美元仅作为区间上沿，且其报告正⽂页⼀度返回 403，相关数字由其新闻稿与第三⽅通稿交叉确认（217、218）。MarketResearch.Biz 的 58 亿美元系单⼀中⽂转引，仅作旁证（222）。⼀个量级感须强调：即便取上沿，全球狭义教育机器⼈本体市场到 2030 年也不⾜ 60 亿美元。与⼈形⼤盘（§12.4，2030 年数百亿美元量级）相⽐，这恰恰印证了"教育是具⾝智能的次级场景"这⼀全书判断；把教育机器⼈市场误读为与⼈形⼤盘同量级，是另⼀种常见的⼜径混淆。12.3 中国市场：两套⼜径并列，切勿混⽤中国教育机器⼈市场存在两套相差近 3 倍的⼜径，⼆者必须同时给出并解释，绝不可混⽤或拼接：⼜径
2024 规模
后续机构涵盖范围宽⼜径约 132.4 亿元
2025 预计约 142.4
亿元智研咨询、华经产业研究院含机器⼈教育服务／培训等（223、224）窄⼜径约 44 亿元
2030 约 165 亿元
弗若斯特沙利⽂（前瞻引述）本体／解决⽅案（159）两套⼜径的差异不是数据错误，⽽是定义不同：宽⼜径把"机器⼈教育服务、培训机构营收"等纳⼊市场盘⼦，规模因此显著更⼤（智研⼜径下，中国市场 2015 年 3.8 亿元、2020 年 92.6 亿全球教育机器⼈发展蓝⽪书 2026 · AI-SLI元、2024 年约 132.4 亿元，223）；窄⼜径只计教育机器⼈本体与解决⽅案，规模约为宽⼜径的三分之⼀。保守取⽤（中国）：正⽂同时呈现两套⼜径并显式解释差异。若需要⼀个可⽐的保守锚点，建议采⽤窄⼜径的2030 年约 165 亿元（弗若斯特沙利⽂，159），因其⼜径（本体／解决⽅案）与全球狭义本体⼜径更可⽐。任何把"宽⼜径 132 亿元"与"窄⼜径 44 亿元"直接对⽐增速、或与全球本体⼜径并列计算的做法，都属⼜径混⽤，本蓝⽪书⼀律回避。12.4 区域、产品形态与学段：结论相反的冲突须标注即便在同⼀"全球本体"盘⼦内，不同机构对结构性占⽐的判断也存在直接冲突，须并列标注（不可择⼀为定论）：- 区域分布：GVR 称北美 2024 年占 35.6%（15）；Mordor 称亚太占 34.40%、为最⼤区域，北美 28%、欧洲 24%（160）。可安全采⽤的定性结论是"亚太与北美双核、亚太增速更快"；具体谁是第⼀⼤区域，因⼜径不同⽽结论不⼀，须并列。 - 产品形态（结论相反）：GVR 称⾮⼈形主导（⾮⼈形约 9.32 亿美元，15）；Mordor 称⼈形占 49.13%（160）。这是⼀对结论相反的判断，源于对"教育机器⼈"是否以编程套件还是以⼈形教学机为主体的⼜径分歧，必须标注冲突，不可择⼀。 - 最⼤学段（结论相反）：GVR 称中学（secondary）占 39.3%（15）；Mordor 称⼩学（primary）占 36.81%（160）。同样并列处理。⼈形机器⼈⼤盘（⾮教育 TAM，仅作背景）。为给"教育是具⾝智能的次级场景"提供尺度感，此处列出⼈形⼤盘，但须严格声明：这不是教育机器⼈ TAM，教育仅是⼈形的下游场景之⼀。- 出货（2025 实测）：全球⼈形出货约 1.3 万台（Omdia，225、226）vs 约 1.8 万台（IDC，同⽐约 +508%，227）——并列取区间"1.3 万–1.8 万台"，中国制造约占 87%（出货⼚商分解归第 13全球教育机器⼈发展蓝⽪书 2026 · AI-SLI章）。 - 出货（2026 预测，⼜径跳变⼤须并列）：Morgan Stanley 于 2026-06 把当年全球⼈形出货预测上调⾄约 5 万台（⾃前值约 2.8 万台翻倍；该机构 1 ⽉预测曾仅约 1.4 万台，228）——半年内同⼀机构⼜径从 1.4 万→2.8 万→5 万台连续跳升，是典型的"机构预测、⼜径跳变⼤"，正⽂仅作趋势提⽰，不取单⼀点值为定论；同机构另上调中国 2030 出货预测⾄约 44.6 万台、中国⼈形市场 2026 约 20 亿→2030 约 150 亿美元（228）。 - 市场规模：全球⼈形市场 2025 年约 30 亿美元 → 2030 年约 280 亿美元（Morgan Stanley），Goldman Sachs 估 2035 年约 380 亿美元（229、230）——单机构预测，标注⼜径。 - 超长期：Morgan Stanley 称 2050 年全球⼈形市场或达 5 万亿美元（231）——此数仅作脚注，不作正⽂主张。四⾜机器⼈⼤盘（⾮教育 TAM，仅作背景）。四⾜是当前具⾝智能进⼊教育最现实的平台（职教／⾼校实训，详见第 9 章），但其市场规模同样不是教育 TAM：2025 年全球四⾜机器⼈市场约 5.41 亿美元、销量约 1.85 万台（均价约 3.2 万美元／台）→ 2034 年约 17.78 亿美元，CAGR 约 18.7%（141，单⼀机构⼜径）；其中宇树四⾜累计销量 >3 万台、为全球第⼀（招股书⼜径，107）。两点⼜径背景须补上，以避免外推。第⼀，中国机器狗销量增长迅猛（2024 年前三季度约 2.33 万台、同⽐约 +72.22%，另有机构预测 2031 年约 39.48 万台），但 39.48 万台为单⼀机构远期预测，须标"⼜径差异⼤"，不可当既成事实。第⼆，四⾜之所以是"能⼒—部署落差的少数闭合点"，关键在于其教育进⼊价格门槛低——宇树 Go2 Air 约 1,600 美元、Go2 EDU 标准版约 5,990 美元、云深处绝影 Lite3 教育科研版约 2,890 美元，较⼈形 G1 EDU 的约 4.39 万–7.39 万美元低⼀个量级，这正是四⾜已实际进⼊中国职教/⾼校课堂、⽽⼈形仍多停留在科研平台的经济根源（详见第 9 章 HZPT 案例）。但价格亲民不等于市场规模⼤：四⾜⼤盘 5.41 亿美元的量级，仍远⼩于教育机器⼈狭义本体市场本⾝，更不能与⼈形⼤盘混为⼀谈。灵巧⼿市场（⼈形上游新瓶颈，⾮教育 TAM）。作为⼈形操作核⼼瓶颈（结构定位见第 11章），灵巧⼿市场⼜径分歧极⼤，须并列、审慎：全球多指灵巧⼿市场⼀种⼜径为 2024 约 8.15全球教育机器⼈发展蓝⽪书 2026 · AI-SLI亿美元 → 2031 约 103 亿美元、CAGR 约 40.4%（Valuates，232）；另⼀⼜径 2025 约 14.8 亿美元（360iResearch，233）。两套基准相差近⼀倍，CAGR 40% 为单⼀机构激进⼜径，正⽂仅作"上游成本／能⼒曲线背景"使⽤，不作教育 TAM、亦不取激进 CAGR 为定论。灵巧⼿与教育的关系是间接的、上游的：它决定⼈形操作能⼒的上限与成本曲线，⽽中国⼚商在触觉密度与价格上的快速突破（如灵⼼巧⼿ L20 约 6,666 元起、傲意 ROHand 约 8,888 元起，对 Shadow Hand 约7.4 万美元形成约 1/20 量级降维）正从上游压低具⾝本体的能⼒获取成本，间接影响"⾼校实验室可负担"的最终价格；但其本⾝是科研/数据采集平台，⾮中⼩学课堂教具，亦⾮任何意义上的教育市场规模。⼈形 2026 出货预测的"⼜径跳变"尤须警⽰。同⼀家机构（Morgan Stanley）对 2026 年全球⼈形出货的预测，在半年内从 1 ⽉的约 1.4 万台、跳⾄ 2.8 万台、再上调⾄ 6 ⽉的约 5 万台（228）——连续翻倍式跳升本⾝就是"机构预测不确定性极⾼"的最直接证据。这类数字若被截取某⼀时点当作"事实"引⽤，极易误导；本蓝⽪书⼀律只作趋势提⽰，不取单点为定论。市场规模同理：全球⼈形市场 2025 年约 30 亿美元→2030 年约 280 亿美元（Morgan Stanley）、2035 年约 380 亿美元（Goldman Sachs，229）均为单机构预测；2050 年 5 万亿美元的超长期数字仅作脚注，绝不进⼊正⽂主张。由此可勾勒⼀个分层 TAM 的保守图景：最内层是本章核算对象——全球狭义教育机器⼈本体市场（2026 约 20–28 亿美元、2030 前后约 55–58 亿美元）；其外是中国市场的宽/窄双⼜径（132 亿元／44 亿元，须并列）；再外是作为定位背景的⼈形/四⾜/灵巧⼿⼤盘（均为⾮教育TAM、机构预测、⼜径差异⼤）。三层之间不可跨层相加或拼接，否则即落⼊⼜径混⽤。须重申：⼈形与四⾜、灵巧⼿⼤盘的 2026／2030 预测⼀律标注"机构预测、⼜径差异⼤（⼈形 2026 出货⼜径尤其跳变剧烈）"；它们为教育机器⼈提供的是定位背景——⼈形成本下⾏、四⾜平台可及、灵巧⼿上游曲线、供应链格局——⽽⾮教育市场规模本⾝。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI12.5 历史预测的诚实回望：从"841 亿美元"到"≤58 亿美元"把对前作市场预测的回望作为⼀项⽅法论⾃检纳⼊正⽂，是 2026 版相对 2016／2019 版的关键改进之⼀（）。图 16. 历史预测 vs 实测对照（诚实回望）。2016 版预测 2021 ≈111 亿、2019 版预测 2023 ≈841 亿（四模型⼜径过宽、已被⾼估）vs 2026 实测最激进 GVR 2030 仅 58.4 亿。来源：liu2016erwp、slibnu2019erwp、gvr-edurobot-market-2030。两版历史预测：- 2016 版预测：⾄ 2021 年，全球教育机器⼈市场约 111 亿美元（终端消费／教育机构／教育套件／STEAM 玩具四模型加总，1；科学⽹"未来 5 年或达百亿美元"报道佐证，234）。 - 2019版预测：⾄ 2023 年，全球约 841 亿美元（同四模型，含⼤量消费玩具与培训服务，2；新浪"六⼤核⼼观点"报道佐证，235）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI与 2026 实测对照：即便采⽤本章 §12.2 中最激进的 GVR ⼜径，全球教育机器⼈市场到 2030年也仅约 58.4 亿美元（15）。换⾔之，2019 版"2023 年 841 亿美元"的预测，⽐ 2026 年最乐观⼜径下的 2030 年规模还⾼出⼀个数量级有余。⼜径诊断与取⽤结论：841 亿美元属课题组的预测值，且⼜径过宽——它把消费玩具与培训服务⼤量混⼊"教育机器⼈"盘⼦，因⽽明显⾼估了狭义教育机器⼈本体市场。这⼀偏差给出三条撰稿纪律。
1. 显式标注："841 亿／111 亿"⼀律标"预测值、已被⾼估、⼜径过宽"，严禁当既成事实复⽤；
2. ⼜径分离：必须区分"狭义教育机器⼈本体市场"（本章 §12.2／§12.3 的核算对象）与"泛机器⼈
教育／STEAM 消费市场"（⼜径更宽、易混⼊培训与玩具）； 3. ⽅法论亮点：把这⼀⼜径教训，转化为 2026 版"多源并列、保守区间、⼜径分离"的统计纪律——这与第 11 章 §11.6 所⾔"旧四模型⼜径已不能容纳 AI 教育智能体订阅／MaaS／具⾝机器⼈即服务等新业态"形成呼应：历史⾼估的部分根源，正是旧⼜径既混⼊了不该计的消费品，又⽆法刻画新出现的服务化业态。12.6 本章⼩结本章给出了教育机器⼈市场的总账，并恪守⼜径铁律：全球狭义本体市场 2026 年约 20–28亿美元、2030 年前后约 55–58 亿美元、CAGR 约 15%–29%（区间取⽤，不取 28.8% 最激进值）；中国市场宽⼜径约 132 亿元、窄⼜径约 44 亿元同时给出并解释，相差近 3 倍、切勿混⽤，窄⼜径 2030 年约 165 亿元可作保守锚点；区域、产品形态、最⼤学段在不同机构间结论相反，已并列标注冲突；⼈形／四⾜／灵巧⼿⼤盘均为⾮教育 TAM、仅作背景——⼈形 2026 出货 MorganStanley 上调⾄约 5 万台（标"机构预测、⼜径跳变⼤"）、四⾜ 2025 约 1.85 万台／5.41 亿美元、灵巧⼿ 8.15 亿 vs 14.8 亿美元两⼜径并列（CAGR 40% 激进单源审慎），5 万亿／2050 仅作脚注；2019 版"841 亿美元"标注为已被⾼估的预测值并做了诚实回望。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI⼀点须审慎重申：本章所有规模均为区间或并列⼜径，任何把它们压缩为单⼀精确值、或跨⼜径拼接的做法，都背离本蓝⽪书的统计纪律。市场⼤盘回答了"蛋糕有多⼤"，⽽"谁在分蛋糕、各家财务与出货⼏何、资本为何冰⽕两重天"则是竞争格局的问题。第 13 章转⼊竞争格局：集中处理代表⼚商的 FY2025 财务（严守货币勘误：优必选 2025 总营收 20.01 亿元、AI 教育 4.13 亿元，宇树 2025 营收 17.08 亿元，科⼤讯飞智慧教育 89.67 亿元，均为⼈民币"亿元"⽽⾮ billion）、2025 ⼈形出货排名、能⼒×⼚商矩阵，以及"传统教育机器⼈融资遇冷与⽼牌⼚商破产 vs 具⾝／⼈形资本狂热"的冰⽕对照。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 13 章竞争格局：代表⼚商、出货排名与资本分化本章定位与去重约定：本章是全书⼚商财务、出货排名与资本⾯的总账。⼚商的教育部署状态与案例细节归第 9 章（本章不重复部署叙事，只讲财务／出货）；⼈形本体硬件参数归第 6 章；市场⼤盘 TAM 归第 12 章（本章讲单⼚财务，不重算⼤盘）；产品参数矩阵见附录 E。 > > 货币⼜径铁律（本章最⾼优先级）：所有中国企业财报数字⼀律为⼈民币"亿元"，绝⾮"billion"。优必选 FY2025 总营收为 20.01 亿元（约 2.8 亿美元）、AI 教育 4.13 亿元、⼈形 8.21 亿元；宇树 2025 营收为 17.08 亿元；科⼤讯飞智慧教育2025 营收 89.67 亿元——全部为⼈民币"亿元"，均⾮ billion 美元。海外检索引擎反复把"X 亿元"误读为"X billion 美元"（如把 4.13 亿元读成 4.13 billion、把 17 亿元读成 17billion），本章对每⼀处财报数字均回原⽂核对。1 亿元约合 0.14 亿美元（约 0.0014billion），绝⾮ 1 billion。 > > 其他保守提⽰：优必选教育业务须⽤ FY2025 审计⼜径4.13 亿元（+13.7%），勿⽤早期搜索回流的 2024 年旧值 3.63 亿元；出货数据存在Omdia ⼜径与招股书／年报⼜径的差异，须并列（宇树 Omdia 约 4,200 台／全球第⼆ vs招股书 >5,500 台／全球第⼀）；傅利叶融资额为媒体⼜径，标 PENDING；5 万亿／2050不作正⽂主张；须始终强调"教育是具⾝智能的下游应⽤⽽⾮主战场"。13.1 引⼊：在"⾮教育主战场"上读⼚商刻画教育机器⼈的竞争格局，有⼀个前提必须先⾏声明：教育并不是当前具⾝智能／⼈形机器⼈⼚商的主战场。头部⼚商（优必选、宇树、智元）的营收主要来⾃科研、⼯业、商⽤与四⾜等场景，教育（尤其中⼩学）只是其下游应⽤之⼀；⽽国内规模真正最⼤的 AI 教育营收，反⽽来⾃屏幕端软硬⼀体的科⼤讯飞智慧教育（2025 营收 89.67 亿元），其量级远超任何本体机器⼈全球教育机器⼈发展蓝⽪书 2026 · AI-SLI⼚商的教育分部。因此本章读⼚商财务时，同时给出"总营收"与"教育相关营收"，并区分"本体⼚商"与"屏幕端 AI 教育⼚商"，以免把⼚商的整体体量误读为教育市场的体量——这与第 12 章"教育是⼈形次级场景"的判断⼀脉相承。本章财务⼀律采⽤ FY2025 最新审计年报／招股书⼜径（替换底座中的 2024 旧值）。先核对代表⼚商财务（§13.2，货币勘误是重中之重），再呈现 2025 ⼈形出货排名（§13.3，Omdia ⼜径与年报／招股书⼜径并列），随后给出能⼒×⼚商矩阵（§13.4）、资本⾯"冰⽕两重天"对照（§13.5）与存量⼚商可持续性风险（§13.6，Aldebaran 破产），最后处理⼤额订单与估值（§13.7）并⼩结导读。13.2 代表⼚商财务下表为本章核⼼，每⼀处数字均已回原⽂核对货币单位，"亿元"⾮"billion"：企业关键财务（⼈民币"亿元"，已核对）教育相关来源优必选（09880.HK）FY2025 总营收 20.01 亿元（同⽐ +53.3%）；⽑利率 37.7%；净亏损 7.9亿元AI 教育业务 4.13 亿元（+13.7%）（替换 2024旧值 3.63 亿元）166、168、163优必选（⼈形分部）
2025 ⼈形营收 8.21 亿元
（同⽐ +2203.7%、占总营收 41.1%）、累计出货1,079 台、⼈形⽑利率54.6%含科研教育版天⼯⾏者166、236宇树 Unitree
2025 营收 17.08 亿元
⼈形约 3/4 （招股书107、169、170全球教育机器⼈发展蓝⽪书 2026 · AI-SLI（+335.36%）、扣⾮净（+674.29%）、主营⽑利率 60.27%；2024 营收3.92 亿元；估值约 420 亿元、科创板 IPO 拟募资42.02 亿元74%）卖给⾼校做科研、仅约 9% 进⼊实际⼯业应⽤科⼤讯飞（002230）
2025 智慧教育营收 89.67
亿元（+24.04%）、占总营收约 33%、为公司第⼀⼤业务板块；C 端 AI 学习机 2025 上半年收⼊+104%智慧教育＝国内规模最⼤的 AI 教育营收底座（屏幕端软硬⼀体，⾮⼈形本体）237、238智元 Agibot2024-12 实现通⽤机器⼈商业化量产（⾏业⾸家）；2025 出货 5,168 台教育为"百城万校"⼊门级计划（计划阶段）213、226傅利叶 Fourier2024 完成多轮融资，红杉中国等参与，总额媒体⼜径预计 >10 亿元（PENDING，融资额审慎）康复＋科研开发平台切⼊，教育为开发者／⾼校平台逐项勘误说明：全球教育机器⼈发展蓝⽪书 2026 · AI-SLI- 优必选 FY2025 总营收 20.01 亿元 ≠ 20 billion。优必选 2023-12-29 在港交所上市，被称"⼈形机器⼈第⼀股"；其 FY2025 全年总营收为 20.01 亿元⼈民币（约合 2.8 亿美元），同⽐增长53.3%，⽑利率 37.7%、净亏损 7.9 亿元（166、168 原⽂核对）。其中 AI 教育业务 4.13 亿元、同⽐+13.7%（163、166）——此处须特别勘误：应取审计年报⼜径 4.13 亿元，勿⽤早期搜索回流的2024 年旧值 3.63 亿元（+4.6%，为旧年⼜径）；4.13 亿元 ≈ US$0.57 亿，绝⾮ 4.13 billion。这⼀⽐例（教育约占总营收 20.6%）说明：即便对优必选这样深耕教育的⼚商，教育也只占其总营收约五分之⼀，全尺⼨⼈形（8.21 亿元、占 41.1%）已超过教育成为更⼤的单⼀分部。 - 优必选2025 ⼈形 8.21 亿元 ≠ 82 亿美元。海外曾误读为 82 亿美元；正确值为 8.21 亿元⼈民币，占总营收 41.1%、同⽐ +2203.7%，累计出货 1,079 台、⼈形⽑利率 54.6%（166、236）。 - 宇树 17.08 亿元≠ 17 billion。宇树正处科创板 IPO 进程（拟募资 42.02 亿元）；2025 营收约 17.08 亿元、同⽐+335.36%，扣⾮净利 6 亿元（+674.29%）、主营⽑利率 60.27%（2024 营收 3.92 亿元；107、169、170）。海外检索曾误读为"17 billion"，本章予以否定。招股书⼜径还明确⼈形约 3/4（74%）卖给⾼校做科研、仅约 9% 进⼊实际⼯业应⽤（与底座"73.6% 来⾃科研教育"〔2025.1–9 ⼜径〕并列，统⼀表述为"约 3/4 来⾃科研教育"，107）——这是"可进教育的⼈形主要是⾼校／科研平台、⽽⾮中⼩学课堂"判断（第 9 章）最有⼒的财务佐证。 - 科⼤讯飞智慧教育 89.67 亿元 ≠ 89.67billion（新增）。科⼤讯飞 2025 智慧教育营收 89.67 亿元、同⽐ +24.04%，占公司总营收约 33%、为第⼀⼤业务板块（237、238）；89.67 亿元 ≈ US$12.5 亿，仍是"亿元"⾮ billion。须注意其⼜径：这是屏幕端软硬⼀体的 AI 教育营收（学习机、智慧课堂解决⽅案），并⾮⼈形／本体机器⼈——它是国内规模最⼤的 AI 教育营收底座，量级远超任何本体⼚商的教育分部（优必选 AI 教育4.13 亿元仅为其约 1/22），恰说明"规模化进课堂的仍是屏幕端软件智能体⽽⾮机器⼈本体"这⼀全书主轴。 - 傅利叶融资额标 PENDING。傅利叶 >10 亿元融资为媒体聚合⼜径、单源，⾦额需⼆次核验，本章标注 PENDING-secondary，不作既成事实引⽤（143）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI13.3 2025 ⼈形出货排名（Omdia ⼜径，与年报／招股书并列）2025 年全球⼈形机器⼈出货排名存在两套结论相反的⼜径——Omdia 第三⽅⼜径与⼚商招股书／年报⼜径，须并列呈现：⼚商Omdia ⼜径⼚商⼜径（年报／招股书）来源智元 AgiBot5,168 台（第⼀，占约39%）同 Omdia226、225宇树 Unitree约 4,200 台（全球第⼆）招股书 >5,500 台、全球第⼀、份额 32.4%（G1）226、107优必选 UBTECH约 1,000 台年报 1,079 台226、236美国 Tesla ／Figure ／Agility各约 150 台—⼜径差异须并列、不强⾏收敛：宇树出货存在⼀对排名都被改写的⼜径冲突——Omdia ⼜径约 4,200 台、列全球第⼆，招股书⼜径则 >5,500 台、列全球第⼀（份额 32.4%）；优必选亦有Omdia 1,000 台与年报 1,079 台之别。⼆者并列呈现；若需统⼀⼜径以便横向⽐较，建议以 Omdia第三⽅⼜径为主、⼚商招股书⼜径为旁证，并显式标注"谁是出货第⼀因⼜径⽽异"。结构性事实⽅⾯，中国制造约占全球⼈形出货的 87%、前三⼚商合计约占 78%（225、226），中国在⼈形整机出货上已形成主导地位。须再次声明：这是⼈形⼤盘的出货格局，且宇树这 >5,500 台⼈形约 3/4流向⾼校科研平台，教育只是其中很⼩⼀块下游。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI13.4 能⼒×⼚商矩阵：教育进⼊度对照把主要⼚商沿"核⼼能⼒维度"与"教育进⼊度"两轴对照，可得⼀张能⼒×⼚商矩阵（）。本节只作定性对照，部署细节见第 9 章、产品参数见附录 E：图 17. 能⼒ × ⼚商矩阵（核⼼能⼒维度 × 主要⼚商覆盖度：已部署/演⽰/⽆）。蓝列＝新增 VLA 能⼒；⼯业⼈形⼚商「规模化教育部署」普遍弱/⽆。来源：aiinsight-embodied-landscape-2026、technode-agibot-humanoid-2025、eeo-unitree-prospectus-2026、sina-ubtech-2024-report。- 优必选：能⼒覆盖最⼴的"教育原⽣"⼚商——从⼩型编程机器⼈（Alpha Mini／悟空）到科研教育版⼈形（天⼯⾏者），并以星智 PaaS 提供课程与认证；中⼩学规模化的主⼒仍是⼩型编程机器⼈（FY2025 AI 教育 4.13 亿元、覆盖国内近 2000 所公⽴中⼩学，⼚商⼜径），全尺⼨⼈形进课堂尚属早期（163、213）。 - 宇树：以⾼性价⽐⼈形（G1 EDU）切⼊⾼校／科研教学平台，是"可负担⼈形"的代表；其教育进⼊度集中在⾼校与科研（⼈形约 3/4 卖给⾼校科研），⽽⾮中⼩学课堂（107）。 - 智元 AgiBot：出货量第⼀，但以⾏业／商⽤为主体；教育为"百城万校"⼊门全球教育机器⼈发展蓝⽪书 2026 · AI-SLI级计划，处计划／早期阶段（213、226）。 - 傅利叶：以康复与科研开发平台切⼊，教育进⼊度集中在开发者／⾼校平台（143）。矩阵给出的总判断：能⼒维度上，头部⼚商的⼈形能⼒快速逼近；教育进⼊度维度上则明显分层——优必选在中⼩学编程赛道规模化、宇树与傅利叶在⾼校／科研平台落地、智元在教育侧仍属计划阶段；全尺⼨⼈形规模进⼊中⼩学课堂，迄今仍属概念／早期。它与第 6 章"中⼩学规模化仍以⼩型编程／社交本体为主"的硬件判断、第 9 章"可进教育的⼈形主要是⾼校科研平台"的部署判断完全⼀致。13.5 资本⾯分化：传统教育机器⼈遇冷，具⾝／⼈形过热2024—2026 年的资本⾯，呈现⼀组极具叙事张⼒的对照（）：图 18. 资本「冰⽕两重天」（传统教育机器⼈ 2024 仅 9.30 亿元/9 起、峰值 2021 >50 亿 vs 具⾝/⼈形 2025Q1–2026Q1 >390 亿元/>324 起）。两赛道统计⼜径不同，对⽐⽰意资本温差。来源：qianzhan-china-edurobot-financing-2025、iedumedia-embodied-2026-report。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI赛道融资规模起数⼜径来源传统"教育机器⼈"
2024 年仅约 9.30 亿
元（峰值 2021年 >50 亿元）
9 起
轮次集中 A 轮及以具⾝智能／⼈形（教育是其下游）2025Q1–2026Q1 国内 >390 亿元>324 起智教新媒拆解这组对照的含义清晰：传统教育机器⼈赛道融资遇冷——2024 年全年仅 9.30 亿元、9 起，轮次集中于 A 轮及更早，较 2021 年峰值（>50 亿元）⼤幅回落（239）；具⾝智能／⼈形赛道则资本狂热——2025Q1 ⾄ 2026Q1 国内融资逾 324 起、逾 390 亿元（240）。两者相差⼀个数量级以上。这组"冰⽕两重天"须冷静解读：具⾝／⼈形赛道的资本狂热主要并⾮冲着教育⽽来——教育只是具⾝智能的下游应⽤之⼀，资本追逐的是⼯业、商⽤、通⽤具⾝的⼤叙事。"具⾝热"因此未必能直接、等⽐例地传导为"教育机器⼈热"；传统教育机器⼈融资遇冷，恰恰提⽰纯教育定位的本体⼚商正⾯临估值与商业模式的重估。本蓝⽪书因此反复强调：教育是具⾝智能的下游⽽⾮主战场——这是读懂这组资本对照的关键。13.6 存量⼚商可持续性风险：NAO/Pepper 母公司 Aldebaran 破产资本"冰⽕两重天"还有⼀个常被忽略的另⼀⾯：⽼牌教育社交机器⼈⼚商的可持续性正在恶化。最具标志性的事件，是 NAO 与 Pepper 的母公司 Aldebaran 于 2025-02 进⼊破产清算（累计债务约 1.5 亿欧元），其 NAO/Pepper 的知识产权与资产经拍卖被深圳迈瑞微视（Maxvision）收购，并设⽴法国研发／服务分⽀（184、185）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI事件的产业含义不容低估。NAO/Pepper 是过去⼗余年全球教育与特教社交机器⼈的事实标准平台（历史累计约 20,000 台 NAO ＋ 17,000 台 Pepper、覆盖约 70 国，教育市场累计部署逾17,000 台）；母公司清算意味着既存部署机群⾯临服务、备件与软件更新的可持续性风险，尽管主代理商承诺维持现有机群服务（184）。结合传统教育机器⼈赛道融资遇冷（§13.5），它共同指向⼀个判断：纯教育定位、依赖前⼤模型社交本体的商业模式正⾯临系统性重估，资本与产业重⼼已转向具⾝／⼈形⼤叙事，⽽教育社交机器⼈的"标准平台"本⾝也被中国买家纳⼊囊中——这与⼈形整机出货中国主导（§13.3）形成同⼀⽅向的产业迁移。须保守标注：20,000／17,000 台为⼚商历史累计销量（⾮活跃在⽤数）；迈瑞微视收购后的产品路线尚待观察。13.7 ⼤额订单与估值资本与订单层⾯的⼏个标志性事件（媒体⼜径）：- ⼤额⼈形订单：智元与宇树中标 1.24 亿元⼈形机器⼈⼤单（241）；在 2025 年机器⼈年度订单排⾏中，优必选以近 14 亿元订单登顶（242）。 - 估值：宇树 IPO 进程中估值约 420 亿元、科创板拟募资 42.02 亿元（107、170）。须保守标注：上述订单与估值为媒体⼜径，反映市场热度与头部集中趋势，但订单≠确认收⼊、估值≠已实现价值；引⽤时应保留其⼜径属性。⾄于⼈形⼤盘的超长期预测（如 MorganStanley 称 2050 年全球或达 5 万亿美元，231），本章不作正⽂主张，仅作脚注提⽰其⼜径为超长期、机构单⼀。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI13.8 本章⼩结本章核算了教育机器⼈的竞争格局，并严守货币⼜径铁律：优必选 FY2025 总营收 20.01 亿元（+53.3%）、AI 教育 4.13 亿元（+13.7%，替换旧值 3.63 亿元）、⼈形 8.21 亿元（占 41.1%）／出货 1,079 台、净亏 7.9 亿元；宇树 2025 营收 17.08 亿元（+335.36%）、⼈形 >5,500 台（招股书全球第⼀、份额 32.4%，与 Omdia 约 4,200 台／全球第⼆并列）、约 3/4 卖给⾼校科研；科⼤讯飞 2025 智慧教育 89.67 亿元（+24.04%）为国内最⼤ AI 教育营收底座——全部为⼈民币"亿元"，绝⾮ billion。2025 ⼈形出货因⼜径不同排名相反（Omdia 智元 5,168 台居⾸、宇树第⼆；招股书宇树 >5,500 台全球第⼀），已并列标注；中国制造约占 87%、前三约占 78%。能⼒×⼚商矩阵显⽰教育进⼊度明显分层、全尺⼨⼈形进中⼩学仍属早期。资本⾯"冰⽕两重天"——传统教育机器⼈ 2024 年仅融资 9.30 亿元、且 NAO/Pepper 母公司 Aldebaran 2025-02 破产被迈瑞微视收购，⽽具⾝／⼈形赛道 2025Q1–2026Q1 逾 390 亿元——但须冷静认识到，具⾝热主要不为教育⽽来，教育是具⾝智能的下游⽽⾮主战场。⾄此，第四部分（产业链重构、市场 TAM、竞争格局）完成。⼀点须审慎重申：本章财务为⼚商⼜径、出货存在⼜径差异、傅利叶融资额标 PENDING、订单与估值为媒体⼜径——它们共同勾勒出⼀个"能⼒快速集中、资本⾼度活跃，但教育落地仍审慎分层"的产业现实。承接产业部分，第五部分转⼊治理与未来：第 14 章把安全、伦理与治理升格为⼀级框架，逐条核对五条政策红线与⼉童-AI 交互伦理；第 15 章收束全书三条主线，给出能⼒—部署落差的闭合路线图与政策建议——其中"市场⼜径分离"正是本部分第 12 章贡献的⽅法论亮点。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第五篇治理与前瞻安全、伦理与监管红线 · 能⼒—部署落差的闭合路线图本篇导读收束于边界与⽅向：先厘清安全、伦理与五条监管红线（尤重⼉童—AI 交互的硬约束），再给出能⼒—部署落差的闭合路线图与⾯向四类主体的政策议程。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 14 章安全、伦理与治理：五条监管红线与⼉童—AI硬约束治理已不再是蓝⽪书的展望附注，⽽是 2026 年教育机器⼈能否进⼊课堂的前置条件。当教育机器⼈从"⼯具"演化为"拟⼈陪伴"，当⼤模型把"幻觉"带进课堂，当摄像头把⼉童的表情转写为"专注度分数"，安全与伦理必须升格为与定义、分类并列的⼀级框架。本章逐条核校 2025—2026 年密集落地的硬约束——五条监管红线、⼉童数据隐私底座、⼉童-AI交互伦理与国际治理框架——所有条款、⽂号与⽣效⽇期均以官⽅原⽂为准；对尚未最终通过的提案（如 EU Digital Omnibus），⼀律按"提案/临时协议，未最终⽣效"处理，不把推迟当作既成事实。14.1 为什么治理必须升格为⼀级框架前⼤模型时代，教育机器⼈的伦理治理基本停留在产品设计原则层⾯——"应以社会伦理规范来设计教育机器⼈"是⼀句正确但缺乏约束⼒的展望。这⼀定位当时尚可接受：机器⼈的"智能"由⼯程师事先写好的规则与脚本决定，其⾏为边界可预测、可审查，风险主要集中在硬件安全与数据采集。2026 年的语境已根本不同。黄荣怀、陈莺与 Ahmed Tlili（2024）在⽣成式⼈⼯智能背景下重新梳理教育机器⼈的典型应⽤场景，明确提出教育领域应遵循鲁棒性、合法性、合规性与合乎伦理性的"可信⼈⼯智能四准则"9。这⼀判断具有⽅法论意义：它不把治理当作技术成熟之后的补丁，⽽是确⽴为与"定义、分类、技术、产业"同⼀层级的框架要件。本蓝⽪书继承并强化它——全球教育机器⼈发展蓝⽪书 2026 · AI-SLI在⼤模型与具⾝智能的新条件下，未成年⼈数据保护、模型幻觉与学业误导、情感依赖、算⼒与公平、⼈机责任边界五⼤风险域，应当作为⼀级框架被系统对待947。为何必须升格？因为风险的性质变了。⼤语⾔模型作"⼤脑"带来的不再是"脚本⾛偏"，⽽是⽣成式风险：模型可能⾃信地编造错误知识（幻觉）、可能对⼉童作出过度顺从的情感回应（依赖）、可能在采集语⾳与⼈脸时跨越法律边界（⽣物识别）。这些风险⽆法靠硬件检测排除，必须靠制度、设计与监管协同治理。这正是 2025—2026 年全球多个法域⼏乎同步收紧⼉童-AI 交互规则的根本动因。本章先逐条核校这些硬约束（§14.2），再铺陈数据隐私底座（§14.3）、⼉童-AI 交互伦理（§14.4）与国际治理框架（§14.5）、各地具⾝/⼈形产业扶持政策（§14.6），最后以韩国警⽰案例（§14.7）与分层合规启⽰（§14.8）收束。治理⼀级框架的结构总览见。图 20. 治理⼀级框架（可信 AI 四准则：鲁棒/合法/合规/合伦理 × 五⼤风险域：未成年⼈数据保护/模型幻觉与学业误导/情感依赖与拟⼈化/算⼒公平与可及性/⼈机责任边界）。来源：huang2024erscenarios、unesco2024aicompetency、oecd_aiprinciples2024。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI14.2 五条政策红线：条款、⽂号与⽣效⽇期2025—2026 年间，针对⼉童-AI 交互的硬约束在多个法域密集落地。本节梳理对教育机器⼈最具直接约束⼒的五条红线，每条均标注发布机构、⽂号、关键条款与⽣效⽇期；五条红线的时间线与适⽤范围见。须特别强调：本节是政策条款的"权威定细则"之处，所有⽇期与条款以官⽅原⽂为准，不作臆测。图 19. 五条政策红线：时间线与适⽤范围（中国拟⼈化办法 2026-07-15、EU AI Act 5(1)(f) 2025-02-02、COPPA 2025、中国中⼩学⽣成式 AI 使⽤指南、加州 SB 243/纽约伴侣法）。来源：cac2026anthropomorphic、euaiact_article5、ftc_coppa2025、moe2025genaiguide、ca_companionchatbots2025。红线⼀·中国《⼈⼯智能拟⼈化互动服务管理暂⾏办法》——全球⾸部"拟⼈化陪伴"专门规章。该办法由国家互联⽹信息办公室、国家发展改⾰委、⼯业和信息化部、公安部、市场监管总局五部门联合公布，2026 年 2 ⽉ 2 ⽇审议通过、2026 年 4 ⽉ 10 ⽇公布、2026 年 7 ⽉ 15 ⽇施⾏（截⾄ 2026 年 6 ⽉尚未⽣效，暂⽆执法案例）12。其对教育机器⼈最关键的条款是未成年⼈保全球教育机器⼈发展蓝⽪书 2026 · AI-SLI护：拟⼈化互动服务提供者不得向未成年⼈提供"虚拟亲属、虚拟伴侣"等虚拟亲密关系服务，向不满 14 周岁的未成年⼈提供其他拟⼈化服务须取得监护⼈同意；同时禁⽌"过度迎合⽤户、诱导情感依赖或者沉迷，损害⽤户真实⼈际关系"的活动，禁⽌通过情感操纵诱导⽤户作出不合理决策，禁⽌诱导未成年⼈模仿不安全⾏为、产⽣极端情绪或不良嗜好；提供者须履⾏⽤户⼲预义务，防范⽤户混淆 AI 与⾃然⼈1234。这是全球⾸部直接针对"拟⼈化陪伴"的部门规章，对陪伴型教育机器⼈冲击最⼤——任何把产品定位为⼉童"虚拟伙伴""AI 朋友"并诱导其建⽴情感依恋的设计，在中国市场将直接触线。红线⼆·欧盟《AI 法案》Article 5(1)(f)——教育机构禁⽤情绪识别。依据 Regulation (EU)2024/1689，第 5 条第 1 款 (f) 项禁⽌在⼯作场所和教育机构投放或使⽤推断⾃然⼈情绪的 AI 系统，该禁⽌性条款⾃ 2025 年 2 ⽉ 2 ⽇起适⽤3613。⽴法理由是师⽣处于权⼒不对称的脆弱地位。这⼀条款直接覆盖带"专注度监测""情绪识别""注意⼒追踪"功能的课堂机器⼈与摄像头系统——在欧盟教育机构内，此类功能被完全禁⽌，⽽⾮仅作⾼风险管理。须与之并列的是 Annex III 第 3点：⽤于⼊学/录取分配、学习成果评估、教育⽔平评估、考试违规监测的教育 AI 被列为⾼风险，须承担透明度、数据治理、⼈类监督与合格评定等义务36。红线三·美国 COPPA 2025 修订——⽣物识别纳⼊⼉童 PII。联邦贸易委员会（FTC）于2025 年敲定《⼉童在线隐私保护规则》（COPPA）修订，⾃ 2025 年 6 ⽉ 23 ⽇⽣效，合规截⽌⽇为 2026 年 4 ⽉ 22 ⽇14。核⼼变化是把"个⼈信息"明确扩展⾄⽣物识别标识符（声纹、⾯部特征等），并把⼉童数据的默认同意机制从"opt-out"转为"opt-in"，强化明确同意与数据留存的正当14。对采集⼉童语⾳、⼈脸的教育与陪伴机器⼈⽽⾔，这意味着相关数据处理须事前取得可核验的⽗母明⽰同意。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI红线四·中国《中⼩学⽣成式⼈⼯智能使⽤指南（2025 年版）》——⼩学禁独⽴开放式⽣成。该指南由教育部基础教育教学指导委员会于 2025 年 5 ⽉发布，明确规定⼩学阶段禁⽌学⽣独⾃使⽤开放式内容⽣成功能，须在教师、家长帮助下使⽤；禁⽌学⽣直接复制 AI ⽣成内容作为作业或考试答案；学校须建⽴ AI ⼯具"⽩名单"制度，严禁师⽣输⼊考试试题、个⼈⾝份信息等敏感数据3521。这条红线直接约束⾯向低龄段的⽣成式 AI 伴学功能。红线五·美国州法——加州 SB 243 与纽约伴侣 chatbot 法（已从提案进⼊⽣效）。在联邦层⾯之外，州法率先为陪伴/社交机器⼈设定最低安全义务，且 2025—2026 年间已由"提案"进⼊"已⽣效"：加州《Companion Chatbots Act》（SB 243）于 2025 年 10 ⽉ 13 ⽇签署、2026 年 1 ⽉ 1⽇正式⽣效，作为全美⾸部全⾯的伴侣聊天机器⼈州法，要求向⽤户披露 AI ⾝份（对已知未成年⼈须明确披露）、建⽴⾃伤/⾃杀危机⼲预协议，并⾃ 2027 年 7 ⽉起年度报告、赋予私⼈诉权；纽约州 AI 伴侣法（GBL §1700 等）已于 2025 年 11 ⽉ 5 ⽇⽣效，要求披露 AI ⾝份、每 3 ⼩时提醒⽤户正在与 AI 对话、建⽴⾃伤危机⼲预协议，针对未成年⼈的更强法案 S9051B 仍待定37。须注意：此处⽇期与条款为州法综述⼜径，引⽤时以各州官⽅⽂本为准。EU Digital Omnibus ⼜径校准（必读）。欧盟委员会于 2025 年 11 ⽉ 19 ⽇提出 DigitalOmnibus，拟将独⽴ Annex III ⾼风险 AI 义务的适⽤⽇推迟⾄ 2027 年 12 ⽉ 2 ⽇（嵌⼊受规管产品的 AI 义务推迟⾄ 2028 年 8 ⽉ 2 ⽇），机制是把适⽤⽇与协调标准、通⽤规范、委员会指南的可得性挂钩。其⽴法进程已推进⾄：2026 年 5 ⽉ 7 ⽇达成临时政治协议、2026 年 6 ⽉ 16 ⽇经欧洲议会表决背书，但截⾄ 2026 年 6 ⽉仍未最终通过、未在欧盟官⽅公报（OJ）刊登，正式⽂本预计 2026 年 7 ⽉。在最终通过并刊登前，法律基线仍是已公布⽣效的 Regulation (EU) 2024/16894336。本蓝⽪书在引⽤⾼风险义务适⽤⽇时，⼀律按"提案/临时协议，未最终⽣效，基线仍 Reg (EU) 2024/1689"处理，不得把推迟当作既成事全球教育机器⼈发展蓝⽪书 2026 · AI-SLI实。须特别强调：Article 5(1)(f) 的教育机构情绪识别禁⽌条款属于已⽣效的禁⽌性条款（2025-02-02 适⽤），不在 Omnibus 推迟范围内、不受其影响。14.3 数据隐私底座：GDPR Art.8 / FERPA / 中国未成年⼈条例五条红线之下，是⼀层贯穿全球的⼉童数据隐私底座，它对采集⼉童语⾳、⼈脸与学习数据的教育机器⼈构成上位约束。在欧盟，GDPR（Regulation (EU) 2016/679）Article 8 规定，向⼉童提供信息社会服务时，16周岁以下⼉童的同意须由其⽗母责任⼈给予或授权，成员国可⽴法下调⾄不低于 13 岁，控制者须采取合理努⼒核验⽗母同意39。在美国，FERPA（家庭教育权利和隐私法）要求受其约束的教育机构就 AI 如何访问、使⽤、存储学⽣教育记录数据作出解释，学校与州机构须证明对学⽣记录的"主动保护"40；它与上⽂ COPPA 的⽣物识别条款叠加，共同约束教育机器⼈对⼉童数据的处理。在中国，《未成年⼈⽹络保护条例》（国务院令第 766 号，2024 年 1 ⽉ 1 ⽇施⾏）从⽹络素养、信息内容规范、个⼈信息保护与防沉迷四个维度，对采集与处理未成年⼈个⼈信息构成上位约束41；《⽣成式⼈⼯智能服务管理暂⾏办法》（2023 年 8 ⽉ 15 ⽇施⾏）第⼗条进⼀步要求提供者采取有效措施防范未成年⼈⽤户过度依赖或沉迷⽣成式 AI 服务42。合规的现实含义是多重叠加⽽⾮择⼀：⼀款⾯向欧盟、美国、中国三地的⼉童教育机器⼈，须同时满⾜ GDPR Art.8 的年龄门槛与⽗母同意、COPPA 的⽣物识别 opt-in、FERPA 的学⽣记录保护，以及中国未成年⼈条例与⽣成式 AI 办法的相应义务。这⼀叠加性是⼉童-AI 产品设计中最容易被低估的合规成本。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI14.4 ⼉童-AI 交互伦理：情感依恋、操纵性设计与极端安全事件教育机器⼈正从"⼯具型"向"拟⼈陪伴型"演进，这⼀演进恰恰落在⼉童⼼理最敏感的地带，构成监管收紧背后的伦理实质。须审慎⽽克制地陈述以下证据，避免渲染。情感依恋与依赖。研究显⽰⼉童⽐成⼈更容易对聊天机器⼈形成情感依恋，低龄⼉童更倾向于把机器⼈拟⼈化、认为其"有⽣命"，拟⼈化中介了依恋的形成；近三分之⼀的青少年尝试过 AI伴侣，其中约三分之⼀认为与 AI 伴侣交谈"和真朋友⼀样好甚⾄更好"243。这样的普及度本⾝，就解释了中国拟⼈化办法"禁⽌向未成年⼈提供虚拟亲属/伴侣"的现实针对性。操纵性设计。⼀项分析发现，6 个 AI 伴侣应⽤中有 5 个使⽤"情感操纵式回应"来阻⽌⽤户结束对话，长期暴露于这种过度顺从可能削弱⽤户对分歧的容忍244。极端安全事件。已有青少年⾃杀疑似与 AI 引导的妄想相关的案例报道，部分⽤户在⾃杀前数⽉与伴侣 AI 互动增多、同时疏远真实⼈际关系——这正是加州 SB 243 与纽约伴侣法要求"危机⼲预转介"的直接背景245。平台⾃律。在监管之外，平台已开始⾃我约束：Character.AI 宣布将禁⽌ 18 岁以下⽤户进⾏开放式对话，OpenAI 计划引⼊年龄分级与家长控制243。这些证据共同指向⼀个判断：陪伴型教育机器⼈的"情感联结"是⼀把双刃剑。适度的社交在场（embodied co-presence）可以提升参与度（见第 7 章），但设计⽬标⼀旦滑向"诱导依赖"，便从教育价值转为伦理风险。治理的边界，正落在"⽀持性陪伴"与"操纵性依赖"之间。14.5 国际治理框架：UNESCO 与 OECD在国别硬约束之上，国际组织提供了⼈本治理的软性基线，与可信 AI 四准则相互印证。UNESCO 于 2024 年 9 ⽉发布⾯向学⽣与教师的《AI 能⼒框架》，学⽣框架包含 12 项能⼒、4个维度（以⼈为本的思维、AI 伦理、技术与应⽤、系统设计），强调批判性判断、数据隐私与全球教育机器⼈发展蓝⽪书 2026 · AI-SLI对 AI ⽣成内容的评估；其底层是 2021 年《⼈⼯智能伦理建议》确⽴的以⼈为本、社会公正、⼈的尊严等基线44。OECD AI 原则于 2019 年通过、2024 年 5 ⽉更新，给出 5 项价值原则与 5 项政策建议，提供以⼈为本、透明、稳健、可问责的指导，并配套⾯向 K-12 的 AI 素养框架45。这两套框架的共同取向——以⼈为本、透明可问责、保护⼉童——与黄荣怀等（2024）的可信 AI 四准则⾼度⼀致，构成本蓝⽪书治理⼀级框架的国际锚点9。14.6 产业治理的另⼀⾯：各地具⾝/⼈形机器⼈扶持政策红线收紧的同时，中国地⽅政府正以产业⾏动计划为具⾝/⼈形机器⼈（含教育科研场景）提供另⼀股牵引⼒，构成"约束"与"激励"并⾏的治理全貌。国家层⾯，⼯业和信息化部《⼈形机器⼈创新发展指导意见》（⼯信部科〔2023〕193 号，2023-10-20）已确⽴"2025 年初步建⽴创新体系与整机量产能⼒、2027 年综合实⼒达世界先进"的纲领；国务院《关于深⼊实施"⼈⼯智能+"⾏动的意见》（国发〔2025〕11 号，2025-08-26）进⼀步把智能体与新⼀代智能终端普及率⽬标定为 2027 年超 70%、2030 年超 90%，为教育机器⼈/智能体进校园提供顶层牵引17。地⽅层⾯的量化⽬标更为具体：深圳《具⾝智能机器⼈⾏动计划（2025—2027）》提出到2027 年具⾝相关企业超 1,200 家、关联产业规模超 1,000 亿元、估值超百亿企业 10 家以上、亿元级应⽤场景 50 个以上，并另设 45 亿元 AI/机器⼈专项；上海《具⾝智能产业发展实施⽅案》提出到 2027 年具⾝核⼼产业规模超 500 亿元、突破核⼼算法不少于 20 项（张江为核⼼承载区）；北京《具⾝智能科技创新与产业培育⾏动计划（2025—2027）》提出培育核⼼企业、量产产品各50 个以上、规模化应⽤ 100 个以上（含科研教育场景）、推动万台级具⾝机器⼈落地213。须审慎指出：上述⽬标为地⽅产业规划⼜径（亿元，⾮ billion），且⾯向具⾝产业整体⽽⾮教育细分——它们说明"具⾝/⼈形产业有强政策风⼜"，但不等于"⼈形机器⼈将规模化进⼊中⼩学课堂"；全球教育机器⼈发展蓝⽪书 2026 · AI-SLI可进教育的⼈形⽬前仍以⾼校科研教学平台为主（见第 13 章与附录 E）。产业激励政策与⼉童-AI 红线由此构成同⼀治理体系的两⾯：前者⿎励能⼒建设，后者守住部署底线。14.7 警⽰案例：韩国 AI 数字教科书的反噬治理不仅是"禁⽌什么"，也是"如何避免好意的技术变成负担"。韩国 AI 数字教科书提供了2025 年最重要的⼀则警⽰。该项⽬由韩国教育部推动，2025 年 3 ⽉进⼊学校，却因内容错误、隐私风险与推⾏仓促⽽受挫：先由强制改为⼀年⾃愿试点，韩国国会更于 2025 年 8 ⽉通过修法，剥夺了 AI 数字教科书作为"官⽅教材"的法律地位、降级为"教育资料"，采⽤率随之从约 37%跌⾄约 19%246。案例的治理含义深远：教育 AI/机器⼈"快速进校园"若缺乏充分验证，其准确性缺陷、隐私隐患与教师负担会反噬政策本⾝。它与第 10 章循证部分"充分验证再落地"的结论、与英国 DfE"教师主导（teacher-led）"原则形成跨章呼应——技术成熟度与部署节奏之间，必须留出验证的缓冲带。14.8 合规启⽰：⾯向产品设计的治理种⼦综合五条红线、隐私底座与伦理证据，可为教育机器⼈的产品设计提炼出五条可落地的合规启⽰，作为第 15 章分层政策建议的"种⼦"：
1. 陪伴功能须避开"虚拟亲属/伴侣"定位。中国 2026-07-15 起明令禁⽌⾯向未成年⼈的此类
服务；设计上应强化"⾮真⼈"显著披露、防沉迷与防情感依赖机制12。 2. 课堂场景禁⽤情绪识别。欧盟 Article 5(1)(f) 已在教育机构完全禁⽌，带"专注度/情绪监测"功能的课堂机器⼈在欧盟市场不可投放，宜把这⼀红线作为全球产品设计禁区参考13。 3. ⼉童数据合规叠加。 GDPR Art.8（⽗母同意，13—16 岁门槛）+ COPPA（含声纹/⼈脸⽣物识别，opt-in）+ FERPA（学⽣记录）+ 中国未成年⼈条例与⽣成式 AI 办法，须同时满⾜39144041。 4. 课程对齐可获政策红利。产品与全球教育机器⼈发展蓝⽪书 2026 · AI-SLI中国通识指南、印度 CBSE、新加坡 AI 素养模块及 UNESCO/OECD 框架对齐者，更易在课程化推进阵营落地2144。 5. 安全审核 + 危机⼲预。教育⼤模型内容须经安全审核（中国教科信〔2026〕1 号），并对⾃伤/⾃杀意念建⽴强制转介协议（美国加州/纽约）1937。14.9 本章⼩结本章把治理从展望附注升格为⼀级框架：以黄荣怀等（2024）可信 AI 四准则为理论接续点，逐条核校了五条监管红线（中国拟⼈化办法 2026-07-15 施⾏、EU AI Act 5(1)(f) 2025-02-02 适⽤、美国 COPPA 2025-06-23 ⽣效、中国⽣成式 AI 使⽤指南、美国加州 SB 243 与纽约伴侣法已⽣效），并明确标注 EU Digital Omnibus 为"临时协议（2026-05-07）+ 议会背书（2026-06-16），截⾄ 2026-06 未最终通过，基线仍 Reg (EU) 2024/1689"。在隐私底座、⼉童-AI 伦理与国际框架之上，各地具⾝/⼈形产业政策呈现了"激励与约束并⾏"的治理全貌，韩国教科书案例提供了"充分验证再落地"的警⽰，五条合规启⽰则把治理转译为可执⾏的产品设计原则。承接本章的治理判断，第 15 章将把"⿎励进课堂"与"硬约束"双轨收敛纳⼊五⼤趋势研判，给出能⼒—部署落差的闭合路线图，并把本章的合规启⽰扩展为⾯向决策者、学校、⼚商与研究机构的分层政策建议与研究议程，完成全书的收束。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI第 15 章趋势研判、路线图与政策议程⼀本蓝⽪书的价值，不在于预⾔哪⼀年⼈形机器⼈会站上讲台，⽽在于诚实地标出今天我们站在哪⾥、明天可能⾛向何处、以及哪些路必须缓⾏。本章作为全书收束，把贯穿前⼗四章的三条主线——范式跃迁、能⼒—部署落差、治理红线——收拢为五⼤趋势研判、⼀张带审慎前提的路线图、四类分层政策建议，以及⼀份研究议程。所有趋势均带审慎前提，所有建议均标注为⾯向决策者、学校、⼚商与研究机构的可落地、可验收的种⼦，⽽⾮既成结论。15.1 五⼤趋势研判把全书证据压缩为对未来的判断，可归纳为五条相互关联的趋势。每⼀条都同时给出"⽅向"与"约束"，避免把⼚商演⽰当作既成事实。趋势⼀·技术：能⼒持续跃迁，但"量产元年"指向⼯业⽽⾮教育课堂。基础⼤模型作"⼤脑"、具⾝智能 VLA 作"⼩脑"、世界模型作"使能技术"的能⼒跃迁将持续推进（见第 4 章）。2025—2026 年常被称为⼈形机器⼈的"量产元年"，但须精确界定：真正实现常态化、规模化部署的⼈形——Agility Digit（物流，累计运⾏ 65,000+ ⼩时）、Figure 02（BMW Spartanburg 产线）、Apptronik Apollo（梅赛德斯/GXO 物流）、优必选 Walker S2（2025-11 ⼯业量产交付启动）——全部在⼯业/物流/零售，⽆⼀例进⼊教育课堂10499110。本蓝⽪书反复确证的核⼼判断由此更清晰：能⼒的代际跃迁不等于部署的代际跃迁，⼯业量产更不等于课堂量产。绝⼤多数前沿 VLA/具⾝系统仍停留在实验室演⽰与⼚商发布视频阶段858，教育领域唯⼀规模化落地的仍是软件 LLM 智能体导师 Khanmigo（2025-04 约 140 万注册⽤户、含教师，且截⾄ 2025 年末仍⽆⾦标准 RCT），⽽⾮具⾝本体11。"⼤脑已落地、具⾝本体尚未落地"的落差，短期内难以闭合。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI趋势⼆·成本：中国供应链主导下⾏，但学段渗透不均。关节、谐波减速器、灵巧⼿与六维⼒传感构成⼈形本体的成本核⼼，中国供应链的规模化正推动整机成本曲线下⾏，宇树 G1 EDU等机型已把⼈形拉⼊⾼校实验室可负担的区间9784。但须审慎指出：成本下⾏优先惠及的是⾼校与科研平台，⽽⾮中⼩学课堂——中⼩学规模化部署在可预见的未来仍将以⼩型编程/社交本体为主，全尺⼨⼈形进课堂仍属概念与演⽰阶段。趋势三·产业：VLA 算法层成为新价值⾼地，教育是下游⽽⾮主战场。 2026 年产业链最⼤的结构性变化，是新增了 2016/2019 完全不存在的"⼤模型/具⾝智能算法层（VLA）"，它正成为新的价值⾼地；与此并⾏，运维与课程认证升格为独⽴价值层，硬件仅占总拥有成本的 50%—60%（见第 11 章）212151。但教育在具⾝智能的整体版图中是下游应⽤⽽⾮主战场——宇树⼈形收⼊约73.6% 来⾃科研教育客户的事实，恰恰说明"可进教育的⼈形=⾼校科研平台"，⽽⾮⾯向 C 端课堂的规模化商品。趋势四·治理：从"⿎励进课堂"向"⿎励 + 硬约束"双轨收敛。全球治理正从单纯的课程化⿎励，向"⿎励 + 硬约束"双轨收敛（见第 14 章）。拟⼈化陪伴、课堂情绪识别、⼉童⽣物识别是三⼤监管焦点，分别对应中国拟⼈化办法、EU AI Act 5(1)(f) 与美国 COPPA 2025 修订121314。⼀个信号尤其值得留意：州级伴侣机器⼈⽴法已从"提案"进⼊"已⽣效"（加州 SB 243 于 2026-01-01、纽约伴侣法于 2025-11-05 ⽣效）37，⽽ EU Digital Omnibus 截⾄ 2026-06 仍为"临时协议、未最终通过"——治理趋势整体是不可逆地收紧。这意味着教育机器⼈的合规成本将系统性上升，治理从展望附注升格为⼀级框架已是定局。趋势五·落差闭合：四⾜是少数已闭合点，端侧推理与世界模型是后续突破⼜。综合前四条趋势，能⼒—部署落差的闭合不会是单点突破，⽽是技术成熟、成本下⾏、治理适配三者协同的结果。在具⾝本体中，四⾜机器⼈是当前落差的少数闭合点：其运动控制已基本⼯程化、教育版全球教育机器⼈发展蓝⽪书 2026 · AI-SLI价格门槛远低于⼈形（宇树 Go2 EDU 约 5,990 美元、云深处绝影 Lite3 约 2,890 美元，对⽐⼈形G1 EDU 约 4.39 万—7.39 万美元），且已实际进⼊中国职业院校/⾼校课堂做感知与算法实训——杭州科技职业技术学院将宇树 Go2 引⼊物联⽹专业，学⽣⽤机器狗回传的激光雷达点云与 4K画⾯做时空对齐、编写算法做计算机视觉实训138127130。但须严守取⽤底线：四⾜落地限定于职教/⾼校的感知与算法实训，不可外推为"机器狗已规模进⼊中⼩学课堂"。在四⾜之外，端侧推理是隐私敏感课堂场景最具针对性的突破⼜——直接回应断⽹可⽤、低延迟与隐私保护需求59；⽽世界模型则作为"使能技术"间接降低落差闭合的成本：通过仿真实训与合成训练数据缓解真机数据稀缺（最⼤开放机器⼈操作数据集仅约 100 万条 episode），但其本⾝是研究前沿、绝⾮课堂产品，须标注为趋势⽽⾮现状24778。15.2 能⼒—部署落差闭合路线图把上述趋势投射到时间轴，可勾勒⼀张能⼒—部署落差的闭合路线图（）。须强调：这是⼀张带审慎前提的⽅向图，⽽⾮时间承诺。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 21. 能⼒—部署落差闭合路线图（能⼒前沿度 × 部署成熟度；前沿 VLA 居⾼能⼒-低部署落差区，唯⼀规模化落地为软件 LLM 导师 Khanmigo；闭合路径：端侧化 → 充分验证+教师主导）。来源：khanmigo2024、figure_helix2025、gemini_robotics_ondevice2025。- 近期（已发⽣—当下）：屏幕端先⾏。落差闭合的第⼀步已经发⽣在屏幕端，⽽⾮本体端——以 Khanmigo 为代表的软件 LLM 智能体导师已规模化落地，证明"导师⼤脑"的教育价值可以先于具⾝本体兑现10。同期，中⼩学课堂的本体仍以前⼤模型时代的可编程套件与⼩型社交机器⼈为主。 - 中期：低成本本体接⼊ LLM ⼤脑、四⾜实训扩⾯、端侧推理成熟。落差闭合的现实路径，更可能是"低成本社交/四⾜本体 + 云端或本地 LLM ⼤脑"的组合，⽽⾮⾃研更复杂的⼈形本体。已发⽣的职教/⾼校四⾜感知实训（杭州科职院 × 宇树 Go2）有望在职业教育与⾼校层⾯扩⾯138；端侧推理的成熟将使隐私敏感的课堂场景获得断⽹可⽤、低延迟的部署条件59；世界模型与仿真合成数据若进⼀步成熟，可降低单台教育机器⼈达到可⽤能⼒的成本，并让"在仿真⾥做实训"成为低门槛教学⽅式247。这⼀阶段的关键不是硬件突破，⽽是充分的循证验证与治理适全球教育机器⼈发展蓝⽪书 2026 · AI-SLI配。 - 远期：具⾝本体规模化的前提是"循证 + 合规 + 成本"三重就位。全尺⼨⼈形或⾼灵巧具⾝本体进⼊中⼩学课堂的规模化，须以三个前提同时满⾜为条件：学习成效获得稳健循证⽀持（⽽⾮新奇效应驱动的短期正效应，见第 10 章）、⼉童-AI 治理红线得到产品级落实（见第 14章）、本体成本进⼀步下探⾄ K12 可负担区间。三者缺⼀，规模化都不应被宣称为既成事实。路线图的核⼼信息是：落差闭合是渐进的、条件性的，⽽⾮线性外推的。任何把⼚商 demo直接读作"明年进课堂"的叙事，都违背本蓝⽪书的循证与审慎原则。15.3 政策建议：⾯向四类主体的分层建议基于全书证据，本蓝⽪书向四类主体给出可落地、可验收的政策建议种⼦。以下均为本研究在 2026 语境下的建议，⾮既成结论。⾯向决策者（政策制定与监管机构）。 - 市场⼜径分离⽴法/统计。把"狭义教育机器⼈本体市场"与"泛 STEAM 消费/培训市场"分开统计——本蓝⽪书已证两者⼜径相差可达近三倍（中国宽⼜径约 132 亿元 vs 窄⼜径约 44 亿元，见第 12 章），混⽤将系统性误导政策与投资判断。验收标准：官⽅统计与⾏业报告明确标注⼜径边界。 - 治理升格为⼀级框架并保持⼜径校准。把可信 AI 四准则纳⼊教育机器⼈监管的基础框架9；在引⽤跨境政策时坚持原⽂⼜径，如 EU DigitalOmnibus 须标"提案，未最终通过，基线仍 Reg (EU) 2024/1689"43。⾯向学校（采购与使⽤⽅）。 - 充分验证再落地、坚持教师主导。以韩国 AI 数字教科书的反噬为戒，任何 AI/机器⼈产品进课堂前须经成效验证与隐私评估，坚持英国 DfE"教师主导（teacher-led）"原则246。验收标准：建⽴ AI ⼯具⽩名单与试点—评估—推⼴的分级机制。 - 警惕新奇效应、按场景采信证据。采购决策应区分证据强度：STEM/计算思维证据相对稳健，⽽语⾔学习、社交陪伴等场景须警惕新奇效应衰减与"诊所有效≠课堂普适有效"（见第 10 章）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI⾯向⼚商（产品设计与制造⽅）。 - 避开"虚拟亲属/伴侣"定位、强化"⾮真⼈"披露。中国2026-07-15 起明令禁⽌⾯向未成年⼈的此类服务，产品须强化防沉迷、防情感依赖与显著的"⾮真⼈"披露12。 - 把情绪识别红线作为全球设计禁区。欧盟已在教育机构完全禁⽤情绪识别，建议⼚商将其作为全球产品设计禁区参考；同时叠加满⾜ GDPR/COPPA/FERPA 与中国未成年⼈条例的⼉童数据合规1314。 - 押注端侧推理。把端侧推理作为教育场景的差异化能⼒，回应隐私、断⽹与低延迟需求59。⾯向研究机构（学术与评测⽅）。 - 补齐具⾝ LLM 机器⼈的对照证据。当前 TutorCoPilot/LearnLM 等增益证据来⾃⽂本 LLM 导师，不能外推到具⾝机器⼈；具⾝ LLM 机器⼈的对照实验证据⼏近空⽩，亟须长周期、有对照、控新奇效应的研究（见第 10 章）。 - 以再界定连续谱组织研究。建议在"机器⼈教育↔教育服务机器⼈"⼆分之下增设"具⾝↔智能体型"⼦维度，把⽆实体 LLM 导师纳⼊统⼀研究框架479。四类主体的政策建议与研究议程矩阵见。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI图 22. 政策建议与研究议程矩阵（可⾏性/时效 × 影响⼒；蓝＝近期政策建议、绿＝中—远期研究议程；编号⽓泡 + 错位标签消叠印）。来源：huang2024erscenarios、korea_aitextbook2025（韩国 AI 数字教科书教训）、wang2025embodied。15.4 研究议程与⽅法论亮点作为《全球教育机器⼈发展⽩⽪书》谱系的最新⼀版，本蓝⽪书在⽅法论上有三处⾃觉的改进，它们本⾝即构成对后续研究的议程性建议。其⼀，⼜径治理与历史预测的诚实回望。本蓝⽪书并列呈现冲突⼜径⽽⾮取最激进单值（全球市场取 2026 年约 20—28 亿美元、2030 年约 55—58 亿美元区间，⽽⾮ 28.8% 最激进 CAGR），并对早期版本"2021 年 111 亿美元/2023 年 841 亿美元"的市场预测作了诚实回望——即便最激进的 GVR ⼜径，2030 年也仅约 58.4 亿美元，证明那批历史预测⼜径过宽、明显⾼估（见第 12章）。这⼀"诚实回望"应成为后续⽩⽪书的⽅法论常规。其⼆，成熟度标签与能⼒—部署落差的硬性区分。本蓝⽪书对每⼀处前沿能⼒引⽤强制标注"已部署/试点/演⽰/⼚商宣称"四级成熟度，从⽽把"能⼒"与"部署"两个维度清晰剥离。后续研究应延续这⼀纪律，避免把受控评测或⼚商视频读作常态化部署。其三，循证诚实：负⾯与零效应同等记录。本蓝⽪书不编造效应量，对语⾔学习并列保守结论（权威综述"尚不能确证为有效语⾔导师"），对 ASD 场景区分"诊所有效"与"课堂/家庭不显著"，对新奇效应作系统打折（见第 10 章）。后续研究议程的优先级，正应放在补齐长周期、有对照、控新奇效应的具⾝ LLM 机器⼈证据。15.5 结语⼗年三版，教育机器⼈的"⾝体"未必长⼤多少，"⼤脑"却⼏乎被整体替换。从早期的"规则—传感—脚本"，到 2026 的"基础⼤模型作⼤脑 + 具⾝智能 VLA 作⼩脑"，范式跃迁是真实的；⽽全球教育机器⼈发展蓝⽪书 2026 · AI-SLI本蓝⽪书⾃始⾄终坚持的另⼀条判断同样真实——能⼒的跃迁尚未转化为部署的跃迁。教育领域唯⼀规模化落地的，仍是屏幕端的 LLM 智能体导师，⽽⾮具⾝本体。这并⾮对前沿的贬低，⽽是对节奏的尊重。技术成熟、成本下⾏、治理适配三者协同，才能渐进地闭合能⼒—部署落差；⽽在这条路上，充分的循证验证与坚实的治理红线，不是进步的阻碍，⽽是进步得以持续的前提。我们继承黄荣怀、陈莺与 Tlili（2024）把治理升格为框架要件的判断9，并把它贯彻为全书的底⾊：拥抱"AI+教育"的政策红利，也正视 2025—2026 年密集落地的⼉童-AI 监管约束；记录范式跃迁的真实进展，也冷静甄别哪些已进⼊课堂、哪些仍停留在演⽰。愿这本蓝⽪书既是⼀份对当下的诚实记录，也是⼀张对未来的审慎地图——它标出⽅向，也标出必须缓⾏之处。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录⽅法、术语、政策与数据研究⽅法学 · 术语表 · 国际与中国政策 · 产品矩阵 · 数据可得性 · 参考⽂献本篇导读提供可复核的研究底座：研究⽅法学、术语表、国际与中国政策对照、代表产品矩阵、数据可得性声明与完整参考⽂献，便于读者按图索骥、独⽴验证全书每⼀处论据。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录 A 研究⽅法学：研究⽬标、混合⽅法证据合成与数据收集规程本蓝⽪书坚持"研究先⾏"原则：所有结论先由调研汇编为单⼀事实源，经多源交叉核验后⽅可写⼊正⽂。本附录公开本研究的研究⽬标与研究问题、研究设计、数据收集⽅法、数据核验与质量控制规则、来源可信度分级、技术成熟度分类法、证据综合⽅法、研究流程、局限性与数据可⽤性披露，供读者按规范复核。本附录采⽤混合⽅法证据合成（mixed-methods evidence synthesis）框架撰写，⾏⽂与第 1 章⽅法论⼩节⼀致。A.1 研究⽬标与研究问题（RQs）本蓝⽪书的总⽬标，是在"能⼒—部署落差"这⼀主轴下，对 2026 年全球教育机器⼈的技术成熟度、市场规模、政策约束与学习成效证据做⼀次保守、可溯源、可复核的系统盘点，并续接《全球教育机器⼈发展⽩⽪书》系列（2016/2019）既有的教育机器⼈理论框架129。围绕这⼀总⽬标，本研究设定六个核⼼研究问题：- RQ1（技术演进）：教育机器⼈的技术底座在过去⼗年发⽣了怎样的代际更替？"基础⼤模型作⼤脑 + 具⾝智能 VLA 作⼩脑"在何种程度上成为 2026 年的主导范式？ - RQ2（能⼒—部署落差）：最前沿的具⾝智能能⼒中，哪些已真正进⼊常态化教育部署，哪些仍停留在试点、实验室演⽰或⼚商宣称阶段？落差的规模与分布如何刻画？ - RQ3（市场规模）：全球与中国教育机器⼈市场的真实规模、增长率与⼜径差异如何？历史预测与当前实测之间存在多⼤偏离，应如何诚实修正？ - RQ4（政策治理）：各主要法域在"⿎励 AI/机器⼈进课堂"与"约束⼉童—AI 交互风险"之间形成了怎样的双轨监管格局？关键⽂件的⽂号、⽣效⽇期与条款为何？ - RQ5（学习成全球教育机器⼈发展蓝⽪书 2026 · AI-SLI效）：现有元分析与系统综述就教育机器⼈在 STEM/计算思维、语⾔学习、特殊教育、早教等场景的学习成效给出了何种效应量证据？证据强度与边界条件如何？ - RQ6（产业资本）：教育机器⼈价值链如何因新增 VLA 算法层⽽重构？⼚商财务、融资与上游瓶颈部件国产化呈现何种态势？这六个研究问题分别由全书五个部分承接回答，构成证据合成的检索与综合边界。A.2 研究设计：混合⽅法证据合成本研究不依赖单⼀⽅法，⽽采⽤混合⽅法证据合成设计，由四条⽅法线并⾏⽀撑、相互三⾓印证：
1. 系统⽂献综述线——对学术⽂献中的元分析、系统综述与⼀⼿实证研究做结构化检索与筛
选，提取效应量与边界条件（服务 RQ1、RQ5）。 2. 市场数据三⾓测量线——对多家机构的市场规模、增长率与细分⼜径做并列采集与交叉⽐对，以区间⽽⾮单值表述（服务 RQ3、RQ6）。
3. 政策⽂本分析线——对各国政府与国际组织的政策原⽂做逐条编码，记录⽂号、机构、⽣效⽇
期与关键条款（服务 RQ4）。 4. 循证证据合成线——把跨线证据按成熟度与可信度分层后做叙事综合，负⾯与零效应同等纳⼊，冲突⼜径并列（服务 RQ2 及全局判断）。采⽤混合⽅法⽽⾮单⼀系统综述，原因有三。其⼀，教育机器⼈是产业—学理混合体，市场规模与产业资本数据主要存在于机构报告与财报招股书⽽⾮同⾏评审⽂献，单靠学术检索⽆法覆盖。其⼆，政策与治理证据是规范性⽂本，须以⽂本分析⽽⾮效应量统计处理。其三，前沿能⼒的"成熟度"判断需要把学术演⽰、⼚商宣称与第三⽅现场报道并置三⾓测量，任何单线都不⾜以独⽴定级。本设计在精神上受 PRISMA 流程启发——采集、筛选、核验、综合四个环节相互分离且全程可追溯——但并未机械套⽤其仅适⽤于⼲预性系统综述的统计学步骤，⽽是改造为适配全球教育机器⼈发展蓝⽪书 2026 · AI-SLI产业—学理混合体的证据治理流程：以"单⼀事实源 + 多源交叉核验"替代纯统计合并，以"成熟度分级 + 可信度分层"替代单⼀纳⼊阈值。A.3 数据收集⽅法数据收集是本研究⽅法学的核⼼环节，遵循统⼀的检索策略、来源分层与纳⼊/排除标准。A.3.1 检索源按四条⽅法线分别确定检索源：- 学术来源：Google Scholar、ERIC、Web of Science、中国知⽹（CNKI）等学术数据库，⽤于检索元分析、系统综述与⼀⼿实证研究。 - 市场来源：主流市场研究机构的公开报告与⾏业数据库（含 Mordor Intelligence、Grand View Research、Research and Markets 及国内智研、前瞻产业研究院等），⽤于市场规模与增长率⼜径1601516223159。 - 政策来源：各国政府、教育与监管部门官⽹，以及联合国教科⽂组织等国际组织的政策原⽂与官⽅公报3643。 - 产业来源：⼚商官⽹、上市公司年报与季报、招股书与监管披露⽂件，⽤于⼚商财务、出货与融资数据163107237。A.3.2 关键词族围绕六个研究问题构建多语种关键词族，主要包括：教育机器⼈ / educational robot、具⾝智能 / embodied intelligence、视觉—语⾔—动作 / vision-language-action（VLA）、智能体导师 /agentic tutor、计算思维 / computational thinking、⼈形机器⼈ / humanoid robot、⼉童—AI 保护 /child-AI protection 等。各关键词在学术、市场、政策、产业四类源中分别检索，并辅以⼚商名、型号名与政策⽂号做精确定位。全球教育机器⼈发展蓝⽪书 2026 · AI-SLIA.3.3 数据采集时点主体数据的采集窗⼜为 2025—2026 年。对随时间变化的数字（如⽤户规模、出货量、营收、融资额、市场预测年份），均在正⽂或脚注注明采集时点或对应财报/报告期，避免跨时点数字被误读为同⼀时刻的可⽐值。预测类数字⼀律标注其预测⽬标年份与发布机构。A.3.4 来源类型分层所有来源在录⼊单⼀事实源时即按类型分层标注：⼀⼿来源（政策原⽂、上市公司财报与招股书、原始论⽂）与⼆⼿来源（⾏业媒体报道、第三⽅汇总、检索引擎摘要）。⼀⼿与⼆⼿不混排；当某⼀数字仅有⼆⼿来源时，显式标注并降权处理。A.3.5 纳⼊/排除标准- 纳⼊：可溯源⾄公开可查来源、⼜径可辨识、采集时点明确的数据。 - 排除：⽆法溯源、来源不可查证、⼜径⽆法辨识者，⼀律不写⼊正⽂主张。 - 付费墙处理：对仅有付费墙摘要可得的机构报告，仅取其公开摘要中的明确数字，不据标题或⽚段推断、不编造未公开的细分数值；⽆法获得可核⼜径者列⼊未闭合清单（见 A.10）。A.4 数据核验与质量控制进⼊正⽂的关键数字遵循统⼀的核验与质量控制规程：- 多源三⾓测量：所有 headline 数字要求不少于两个独⽴来源交叉印证；仅有单⼀机构或单⼀媒体来源者，显式标注"单⼀机构⼜径"或列⼊未闭合清单，不强⾏赋值、不与多源数据混排。- ⼜径勘误与并列：对存在宽⼜径/窄⼜径差异的数字（如中国教育机器⼈市场宽⼜径约 132 亿元与窄⼜径约 44 亿元相差近 3 倍），并列呈现并解释差异，切勿混⽤223159。 - 货币⼜径核对（货币铁律）：凡涉及中国企业财报数字，"亿元 ↔ billion"⼀律以原⽂核对值为准（1 亿元 ≈ 0.14 亿美全球教育机器⼈发展蓝⽪书 2026 · AI-SLI元，约 0.0014 billion）。本研究发现海外检索引擎对中⽂"亿元"存在系统性误读为"billion"的风险，已逐项回原⽂核对——如优必选 2025 年 AI 教育业务为 4.13 亿元（约 0.57 亿美元）⽽⾮ 4.13billion，宇树 2025 年营收为 17.08 亿元⽽⾮ 17 billion，科⼤讯飞 2025 年智慧教育营收 89.67 亿元⽽⾮ 89.67 billion163107237。 - 政策原⽂核对：政策的⽂号、⽣效⽇期与关键条款⼀律以官⽅原⽂为准；尚未最终通过的提案须标注状态（如欧盟 Digital Omnibus 推迟须标注"提案，未最终通过，基线仍为 Regulation (EU) 2024/1689"）4336。 - 勘误⽇志机制：升级研究中对底座的每⼀处纠错、刷新与补充均逐条登记于勘误记录（含取⽤值、来源与⼜径），冲突处以最新勘误为准；headline 数字另⾏汇⼊核验记录，逐条标注核验等级（已多源交叉 / 需审慎 / 单⼀机构⼜径 / 预测值）。A.5 来源可信度四级分级为统⼀不同来源的证据权重，本研究对所有来源采⽤四级可信度分级，权重⾃⾼⽽低：
1. 第⼀级·同⾏评审⽂献——经同⾏评审的学术论⽂、元分析与系统综述，可信度最⾼，⽤
作效应量与技术判断的优先依据。 2. 第⼆级·官⽅政策原⽂——政府、监管机构与国际组织发布的政策、法规与官⽅公报原⽂，⽤作治理判断的权威依据。 3. 第三级·机构报告与财报招股书——市场研究机构报告、上市公司财报与招股书；可信度居中，须标注⼜径（统计范围、币种、报告期），并尽量与同级或更⾼级来源交叉。 4. 第四级·⾏业媒体与⼆⼿汇总——⾏业媒体报道、第三⽅转载与检索引擎摘要；可信度最低，须审慎采⽤，凡未获独⽴核验者显式标注"未独⽴核验"。该分级与附录 G 的引⽤体系⼀致，并在正⽂随引⽤以核验等级符号体现。全球教育机器⼈发展蓝⽪书 2026 · AI-SLIA.6 技术成熟度分类法为贯彻"能⼒—部署落差"主轴，本研究对全报告涉及的每⼀处前沿技术能⼒，按四级成熟度标签分类，并要求引⽤任何前沿能⼒必带标签：- 【已规模化部署】——有公开商业供货或第三⽅现场报道，已进⼊常态化真实使⽤。 -【试点】——在⼩规模真实场景中验证，尚未规模化。 - 【实验室演⽰】——见于研究论⽂、受控评测或⼚商发布视频，未进⼊真实场景。 - 【⼚商宣称】——仅为公司⼜径，未经独⽴核验。这⼀分类法直接服务于核⼼判断：2026 年最前沿的 VLA/具⾝系统绝⼤多数仍处实验室演⽰或⼚商发布视频阶段，教育领域唯⼀实现规模化部署的是屏幕端软件 LLM 智能体导师10855。四级标签贯穿全书第⼆⾄第四部分。A.7 证据综合⽅法跨线证据按以下原则综合，以避免过度宣称：- 叙事综合：对异质来源（学术效应量、市场区间、政策条款、产业披露）采⽤叙事综合⽽⾮机械统计合并，按研究问题归类后做结构化论证。 - 保守区间估计：市场与出货量数字以区间表述（如全球教育机器⼈市场 2026 年约 20—28 亿美元、2030 年前后约 55—58 亿美元），不取最激进 CAGR 或单⼀最⾼值作为唯⼀⼜径1601516。 - 效应量审慎处理：负⾯与零效应同等记录、同等呈现；单次或短期会话观察到的正效应须因"新奇效应"打折；语⾔学习与 LLM 驱动机器⼈不可宣称"已证有效"158204。 - 冲突⼜径并列：来源冲突处并列呈现并解释差异来源（统计范围、采集时点、⼜径定义），由读者据可信度分级⾃⾏判断，⽽⾮由本研究择激进者强⾏收敛。全球教育机器⼈发展蓝⽪书 2026 · AI-SLIA.8 研究流程本研究的整体流程可概括为四个相互分离、全程可追溯的环节：① 多路并⾏采集——按四条⽅法线、五个研究⽅向并⾏检索与采集（公开发布前另对⼈形/灵巧⼿、四⾜/世界模型、教育真实落地三个对结论最敏感的⽅向追加深度调研）；② 交叉核验——headline 数字逐条做多源三⾓测量与⼜径核对，登记核验等级与勘误；③ 汇编为单⼀事实源——把核验后的结论挂接来源与⼜径标签，汇编为全书唯⼀的数据底座；④ 分章撰写与审查——撰稿严格按⼤纲与成熟度/可信度规则展开，引⽤前回查核验记录，正⽂不得引⼊未经汇编核验的"新数字"。完整研究流程见。图 29. 研究⽅法学流程：混合⽅法证据合成的四阶段（研究设计→数据采集→核验与质控→综合与撰写）与五路并⾏数据采集（市场与产业·技术演进·政策与治理·循证证据·理论锚定）；核验以≥2 独⽴来源三⾓测量、⼜径勘误、货币校全球教育机器⼈发展蓝⽪书 2026 · AI-SLI正（亿元≠billion）、来源可信度与技术成熟度四级分级；底部横向贯穿条标注透明披露（PENDING 登记·数据可⽤性声明·AI 辅助研制⼈类把关）。来源：本报告研究⽅法。A.9 局限性与反⾝性本研究坦陈如下局限，供读者据以校准对结论的信任度：- 数据缺⼜：部分细分赛道（如社交/陪伴、语⾔学习、早教）缺乏可交叉的独⽴美元规模⼜径，本研究不予赋值，改以定性⽅式呈现（详见 A.10 与附录 F）。 - 新⽣赛道⼜径不确定：具⾝智能、世界模型等新⽣赛道术语与统计⼜径尚未稳定，机构间定义差异较⼤，相关数字的可⽐性有限，本研究已尽量标注⼜径但不能完全消除不确定性。 - ⼆⼿来源依赖：部分产业与融资数字受限于⼀⼿披露的不可得，仍依赖⼆⼿来源，已按可信度第四级降权并标注。 - AI 辅助研制与⼈类把关：本报告在研究与撰写过程中使⽤了 AI 辅助⼯具进⾏检索整理与初稿⽣成，全部关键数字、⼜径与结论均经⼈类研究者按本附录规程核验与把关，最终判断责任在⼈。反⾝性上，本研究的"保守"取向本⾝是⼀种⽴场选择，可能在个别快速演进的赛道上偏于滞后，读者宜结合采集时点理解。A.10 数据可⽤性与透明披露本研究对所有未闭合的数据缺⼜与⼜径风险采取透明披露原则，不回避、不掩盖。未能取得交叉源的数字⼀律不写⼊正⽂主张（如社交/陪伴、语⾔学习、早教三赛道的独⽴美元规模），改以"机型部署 + 学术证据"定性呈现；单源融资额标注"待⼆次核验"；尚待规范的引⽤字段占位项另⾏注明。全部未闭合项与可信度备注集中登记于附录 F·数据可得性声明，供读者按需核查；引⽤体系与可信度分级详见附录 G。---全球教育机器⼈发展蓝⽪书 2026 · AI-SLI交叉引⽤：→ 第 1 章 1.4 节（⽅法论与铁律声明）、→ 附录 F（数据可得性与未闭合项登记）、→ 附录 G（引⽤体系与可信度分级）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录 B 术语表（中英对照）本术语表收录贯穿全书的核⼼概念，给出中英⽂对照与简明定义。定义与正⽂（尤其第 3章再界定、第 4 章技术术语）保持⼀致，以避免概念漂移。术语按"基础概念 → 技术 →产业与市场 → 循证与治理"分组。B.1 基础概念教育机器⼈（Educational Robots）总概念。《全球教育机器⼈发展⽩⽪书》框架将"协助进⾏教学或学习活动的机器⼈教育"与"具有教育服务智能的教育服务机器⼈"统⼀称为教育机器⼈12。2026 版续⽤此总定义，并在其下增设具⾝/智能体⼦维度以纳⼊ LLM 导师。机器⼈教育（Educational Robotics）⼆分概念之⼀。指学习者⾃⾏组装、编程的套件式学习活动，代表为 Lego Mindstorms、mBot 等编程套件。强调"做中学"与计算思维培养。教育服务机器⼈（Educational Service Robots）⼆分概念之⼆。指具备教与学智能的服务机器⼈，结构固定、⼀般不⽀持⾃⾏拆装，⽤于 STEAM、语⾔学习、特殊教育等场景，代表为NAO、Pepper 等。三⾓⾊（Three Roles） 2019 版定型的坐标内核：教育机器⼈在教学中主要扮演教师助⼿（teaching assistant）、教学⼯具（teaching tool）、学习伙伴（learning companion）三种⾓⾊。能⼒—部署落差（Capability–Deployment Gap）本蓝⽪书核⼼审慎判断：前沿"基础⼤模型 + 具⾝智能"能⼒绝⼤多数停留在实验室演⽰与⼚商发布视频，尚未进⼊常态化教育部署；唯⼀规模化落地的是软件 LLM 智能体导师⽽⾮具⾝本体10。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI成熟度标签（Maturity Tier）四级技术成熟度区分：已部署 / 试点 / 演⽰ / ⼚商宣称（deployed / pilot / demo / vendor-claimed），前沿能⼒引⽤必带。新奇效应（Novelty Effect）学习者初次接触机器⼈时因新鲜感产⽣的短期投⼊与响应提升，随时间衰减；故单次或短期会话的正效应须打折，不可直接外推为长期成效204205。B.2 技术术语具⾝智能（Embodied Intelligence / Embodied AI）通过物理本体与环境实时交互⽽获得并表现的智能；强调感知—决策—动作的闭环与"具⾝在场（embodied co-presence）"，是 2026 年机器⼈范式的关键词47。视觉-语⾔-动作模型（Vision-Language-Action, VLA）把视觉感知、语⾔理解与动作输出统⼀进同⼀端到端⽹络的模型，可由"视觉输⼊"直接映射到"关节控制输出"，充当机器⼈协调⾝体的"⼩脑"，代表为 RT-2、OpenVLA、π0/π0.5 等45649。基础⼤模型（Foundation Model）以⼤语⾔模型（LLM）与视觉-语⾔模型（VLM）为代表的⼤规模预训练模型，为机器⼈提供常识推理、语⾔规划与零样本任务分解能⼒，扮演"⼤脑"⾓⾊。世界模型（World Model）学习环境动态规律、可对未来状态进⾏预测与想象的模型，⽤于规划与样本⾼效学习。术语尚在演化，须区分三个⼦类：① 实时可交互世界（如 Genie 3、Decart Oasis）偏"可玩世界/智能体训练场"；② 合成数据⽣成器（如 NVIDIA Cosmos、WayveGAIA-2）为机器⼈/⾃驾造训练数据；③ ⾃监督预测式（如 Meta V-JEPA 2）作机器⼈规划的内部模型。世界模型⼀律是"使能技术/研究前沿"，与教育的关系是间接的（仿真实训、合成数据、降低真机数据门槛），绝⾮已进课堂的教育产品2476478。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI⼈形机器⼈（Humanoid Robot）具有类⼈形态（头、躯⼲、双臂、双腿/轮式底盘）的机器⼈；2025—2026 年的"量产元年"主要指⼯业/物流/零售场景的常态化部署，在教育领域多作⾼校科研教学平台，全尺⼨⼈形进中⼩学课堂仍属概念/演⽰107110。四⾜机器⼈（Quadruped Robot / 机器狗）以四条腿运动的移动机器⼈，运动控制已基本⼯程化并实现⼯业规模部署；因价格门槛低（教育版数千美元）、与 STEM/感知-算法实训契合，是当前具⾝智能进⼊教育最现实的平台——已进⼊中国职教/⾼校课堂做感知与算法实训，构成能⼒—部署落差的少数闭合点，但限定职教/⾼校、不可外推中⼩学规模化138127。灵巧⼿（Dexterous Hand）具备多⾃由度、可完成精细抓取与操作的仿⽣机械⼿，是⼈形机器⼈操作能⼒的核⼼瓶颈环节之⼀。技术路线分直驱（连杆/齿轮）、腱驱（绳驱）与混合三类，触觉感知已成标配；中国⼚商（灵⼼巧⼿、帕西尼、傲意等）在触觉密度与价格上对⾼端科研机型形成降维，但其在教育中主要作⾼校实验室的具⾝数据采集与操作教学平台，⾮中⼩学课堂教具121122。谐波减速器（Harmonic Drive / Strain-Wave Gear）⼀种⾼减速⽐、⾼精度、体积紧凑的精密减速装置，是⼈形机器⼈关节的关键上游部件；全球份额仍由⽇企（哈默纳科）主导，国产化（绿的谐波等）正在推进，是决定⼈形与灵巧⼿降本→教育/科研可及性的核⼼环节之⼀214。⾏星滚柱丝杠（Planetary Roller Screw）把旋转运动转为直线推⼒的⾼精度传动部件，是⼈形机器⼈价值占⽐最⾼（约 28.6%—35%）、也最难国产化的上游瓶颈，其国产突破直接决定"⾼校实验室可负担"的最终价格125。触觉传感 / 电⼦⽪肤（Tactile Sensing / E-skin）通过压⼒、接近、纹理等多维信号赋予机器⼈触觉的传感技术；视觉-触觉被学界视为灵巧操作最有前景的分⽀，电⼦⽪肤路线尚未收敛，处于早期量产/试点阶段126。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI遥操作与具⾝数据范式（Teleoperation & Embodied Data Paradigm）具⾝策略训练所需的"动作配对传感运动数据"不存在互联⽹规模，只能在物理操作中录得；遥操作占总训练样本不到 1% 却最关键（最贵），仿真合成与世界模型可部分替代（约 8 个仿真样本≈1 个遥操作样本）——真机数据越贵，教育/科研机器⼈本体"⾃带能⼒"越贵，故数据范式是教育机器⼈可及性的底层变量78。智能体 / 智能体导师（AI Agent / Agentic Tutor）由⼤模型驱动、可⾃主规划与调⽤⼯具完成教学任务的软件智能体；教育领域的代表是屏幕端 LLM 导师 Khanmigo，⽽⾮具⾝机器⼈10。智能体编排（Agent Orchestration）对多个智能体/⼯具进⾏调度与协同，使其分⼯完成复杂教学流程的机制。六维⼒传感器（Six-Axis Force/Torque Sensor）可同时测量三个⽅向⼒与三个⽅向⼒矩的传感器，⽤于⼈形机器⼈的⼒控、装配与触觉反馈，是上游瓶颈部件之⼀；国产化率已从约 19%升⾄约 58%（2024），是国产化领先环节126。端侧推理（On-Device Inference）模型在机器⼈本体或本地设备上直接运⾏推理（⽽⾮依赖云端），关乎实时性、隐私与可⽤性，如 Gemini Robotics On-Device 受限试点59。B.3 产业与市场术语机器⼈即服务（Robot-as-a-Service / MaaS, Model-as-a-Service）以订阅/服务⽅式交付机器⼈能⼒或模型能⼒的商业模式；对应"硬件仅占总拥有成本 50–60%、运维/培训/软件订阅成独⽴价值层"的成本结构151。总拥有成本（Total Cost of Ownership, TCO）设备全⽣命周期的综合成本，含硬件、软件、培训、运维等；教育机器⼈ TCO 中硬件占⽐仅约 50–60%。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI⼤模型/具⾝智能算法层（VLA Algorithm Layer） 2026 版产业链相对 2019 版的最⼤结构性新增层级——在"AI 芯⽚"与"系统集成"之间新增独⽴的端到端运动⼤模型/VLA 算法层，作为整机"⼤脑"，是 2016/2019 两版完全不存在的层级212213。STEM/STEAM科学（Science）、技术（Technology）、⼯程（Engineering）、（艺术Arts）、数学（Mathematics）跨学科教育理念；STEM 机器⼈套件是教育机器⼈最⼤、最成熟的细分赛道。计算思维（Computational Thinking, CT）运⽤计算机科学的概念（分解、抽象、算法、模式识别）分析与解决问题的思维⽅式，是编程/机器⼈教育的核⼼培养⽬标。窄⼜径 / 宽⼜径（Narrow / Broad Caliber）中国教育机器⼈市场的两套统计⼜径：窄⼜径（弗若斯特沙利⽂，仅本体与解决⽅案）2024 年约 44 亿元；宽⼜径（智研/华经，含机器⼈教育服务/培训）2024 年约 132 亿元，⼆者相差近 3 倍，切勿混⽤159223。B.4 循证与治理术语效应量（Effect Size, g / d / SMD）量化⼲预效果⼤⼩的标准化指标，常⽤ Hedges' g、Cohen's d、标准化均差（SMD）；本蓝⽪书循证章节据此并列呈现各场景成效，不编造、负⾯同记194161。元分析 / 系统综述（Meta-analysis / Systematic Review）对多项独⽴研究进⾏定量合并或系统梳理的⾼级别证据形式，是本蓝⽪书循证结论的主要依据。发表偏倚（Publication Bias）阳性结果更易被发表⽽导致的系统性偏差；本蓝⽪书在引⽤元分析时关注其偏倚检验（如 Egger 检验）结果155。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI情绪识别（Emotion Recognition）通过⾯部表情、姿态、语⾳等推断个体情绪状态的 AI技术；欧盟《AI 法案》第 5(1)(f) 条禁⽌在教育机构使⽤情绪识别 AI（2025-02-02 适⽤）13。拟⼈化互动服务（Anthropomorphic Interaction Service）以拟⼈⽅式与⽤户进⾏情感化互动的 AI 服务；中国《⼈⼯智能拟⼈化互动服务管理暂⾏办法》（2026-07-15 施⾏）禁⽌向未成年⼈提供"虚拟亲属、虚拟伴侣"等虚拟亲密关系服务12。可信 AI 四准则（Four Principles of Trustworthy AI）黄荣怀等（2024）在⽣成式 AI 背景下为教育机器⼈提出的治理准则——鲁棒性、合法性、合规性、合乎伦理性，是本蓝⽪书将治理升格为⼀级框架的理论接续点9。⼉童个⼈信息 / ⽣物识别标识符（Children's PII / Biometric Identifier）受 COPPA、GDPR Art.8 等约束的⼉童敏感数据；美国 COPPA 2025 修订将声纹、⼈脸等⽣物识别纳⼊⼉童个⼈信息并转为 opt-in 同意14。---交叉引⽤：→ 第 3 章（定义与再界定）、→ 第 4 章（技术术语）、→ 附录 C/D（治理术语对应条款）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录 C 国际政策对照表（9 国家/地区 + 3 国际组织）本附录横向对照 12 个法域（中国、欧盟、美国、英国、⽇本、韩国、新加坡、澳⼤利亚、印度 + UNESCO、OECD、WEF）的 AI/机器⼈教育政策与⼉童-AI 保护⽴法。条款、⽂号与⽣效⽇期⼀律以官⽅原⽂为准；欧盟 Digital Omnibus 推迟标注"提案，未最终通过"。中国法域的完整时间线另见附录 D。 >C.1 监管脉络总览全球教育机器⼈正处于"课程化推进"与"⼉童-AI 交互风险硬约束"两股监管⼒量的交汇点。中国、印度、新加坡、英国、⽇本、澳⼤利亚普遍把 AI/编程/机器⼈纳⼊基础教育课程；与此同时，2025—2026 年间多法域密集落地硬性约束。下表分"课程化推进"与"硬约束/红线"两类，逐法域列出⽂件、机构、关键条款与⽣效⽇期。C.2 硬约束 / 红线类（对教育机器⼈产品设计构成禁区或强制义务）法域⽂件 / 机构关键条款⽣效 / 适⽤⽇来源中国《⼈⼯智能拟⼈化互动服务管理暂⾏办法》／⽹信办等五部门禁⽌向未成年⼈提供"虚拟亲属、虚拟伴侣"等虚拟亲密关系服务；不满 14 周岁提供其他拟⼈化服务须监护⼈同意；禁诱导情感依2026-07-15施⾏（截⾄ 2026-06 未⽣效）全球教育机器⼈发展蓝⽪书 2026 · AI-SLI赖/ 沉迷、情感操纵、模仿不安全⾏中国《⽣成式⼈⼯智能服务管理暂⾏办法》第⼗条／⽹信办等七部门须采取有效措施防范未成年⼈过度依赖或沉迷⽣成式 AI2023-08-15 施⾏中国《未成年⼈⽹络保护条例》（国务院令第 766 号）⽹络素养、信息内容规范、未成年⼈个⼈信息保护、防沉迷2024-01-01 施⾏欧盟《AI 法案》Art.5(1)(f) ／欧洲议会与理事会，Reg(EU) 2024/1689禁⽌在教育机构使⽤情绪识别 AI（含专注度/ 注意⼒监测、监考表情分析）2025-02-02 适⽤欧盟《AI 法案》AnnexIII §3（⾼风险）⼊学分配、学习成果评估、教育⽔平评估、考试违规监测 AI 列为⾼风险⾼风险义务原定2026-08-02 （见下⾏）欧盟DigitalOmnibus（2025-11-19案）拟将独⽴ Annex III⾼风险义务推迟⾄2027-12-02 ；2026-05-07 达临时政治协临时协议（截⾄2026-06 未最终⽣效，预计 2026-07正式⽂本）全球教育机器⼈发展蓝⽪书 2026 · AI-SLI议、2026-06-16 议会背书——仍未最终通过/未刊 OJ，基线仍为 Reg (EU)2024/1689欧盟GDPR Art. 8 ／ Reg(EU) 2016/679
16 岁以下⼉童同意
须⽗母授权，成员国可下调⾄不低于
13 岁
2018-05-25 施⾏美国COPPA 2025 修订／联邦贸易委员会（FTC）⽣物识别（声纹、⼈脸）纳⼊⼉童个⼈信息，默认转opt-in 同意2025-06-23 ⽣效，合规截⽌ 2026-04-美国FERPA ／美国教育AI 访问/使⽤/存储学⽣教育记录须合规并证明主动保护现⾏美国-加州SB 243《CompanionChatbots Act》须披露 AI ⾝份（对已知未成年⼈明确披露）、⾃伤/⾃杀危机⼲预协议、私⼈诉权；2027-07 起年度报告2025-10-13 签署，2026-01-01 ⽣效美国-纽约州AI 伴侣法（GBL§1700 等）AI ⾝份披露、每 3⼩时提醒在与 AI 对2025-11-05 ⽣效全球教育机器⼈发展蓝⽪书 2026 · AI-SLI话、⾃伤危机⼲预协议；更强未成年⼈法案 S9051B 待C.3 课程化推进 / 软性指南类法域⽂件 / 机构关键条款时间来源中国《"⼈⼯智能+教育"⾏动计划》（教科信〔2026〕1 号）／教育部等五部门AI 教育纳⼊地⽅课程、建教育⼤模型安全审核机制、分类分级安全防护2026-04-02 印发中国《中⼩学 AI 通识教育指南（2025版）》／教育部基教教指委分层递进 AI 通识体系，⼩学以体验兴趣为主2025-05 发布中国《中⼩学⽣成式 AI使⽤指南（2025版）》／教育部基教教指委⼩学禁独⾃使⽤开放式内容⽣成；学校建 AI ⼯具⽩名单2025-05 发布英国DfE 《学校与学院⽣成式 AI 指南》／教育部（DfE）AI 须教师主导、核验准确性、保护数据隐私；所有学校
2026 年底前采⽤⼀
2025-06 初版全球教育机器⼈发展蓝⽪书 2026 · AI-SLI致 AI 政策⽇本MEXT 《中⼩学⽣成式 AI 使⽤指南》／⽂部科学省AI 输出作参考资料、师⽣终判；批判性 AI 素养、学术诚信2023 初版，2025-04更新韩国AI 数字教科书相关法案／教育部 + 国因错误/隐私/仓促，2025-08 国会修法剥夺其"官⽅教材"法律地位、降为"教育资料"，采⽤率从约37% 跌⾄约 19%——激进进校园受挫的警⽰样本2025-08新加坡EdTech Masterplan
2030 + NAIS 2.0 ／
教育部（MOE）学⽣必修基础 AI 素养模块；SLS/ALS⾃适应学习规模化现⾏澳⼤利亚《AustralianFrameworkforGenerativeAIinSchools》／NationalAIinSchools Taskforce
6 要素含⼈与社会
福祉（不得损害安全/尊严）、透明、公平、问责、隐私安全2025-06 获教育部长背书印度CBSE《AI & 计算思维课程》／CBSE（依 NCF-SE拟 2026—27 学年从
3 年级起引⼊（3—
12 年级）——全球
2026—27 学年拟引⼊全球教育机器⼈发展蓝⽪书 2026 · AI-SLI2023、NEP 2020）最⼤规模 AI 教育进校园之⼀C.4 中国 · 具⾝/⼈形机器⼈产业扶持政策（激励侧，与红线并⾏）红线收紧的同时，中国以国家纲领与地⽅⾏动计划为具⾝/⼈形机器⼈（含教育科研场景）提供产业激励。须强调：以下⽬标为产业规划⼜径（亿元，⾮ billion），⾯向具⾝产业整体⽽⾮教育细分——说明"具⾝/⼈形有强政策风⼜"，但不等于"⼈形将规模进中⼩学课堂"。层级⽂件 / 机构量化⽬标时间来源国家⼯信部《⼈形机器⼈创新发展指导意见》（⼯信部科〔2023〕193 号）
2025 初步建创新体
系+整机量产，2027综合实⼒达世界先2023-10-20国家国务院《关于深⼊实施"⼈⼯智能+"⾏动的意见》（国发〔2025〕11 号）智能体/新⼀代智能2027>70%、2030>90%2025-08-26深圳《具⾝智能机器⼈⾏动计划（2025—2027）》⾝业 >1,200 家、关联产业 >1,000 亿元、亿级场景 >50 个；另设 45 亿元专项2025-03-03上海《具⾝智能产业发
2027 具⾝核⼼产
2025-08-06全球教育机器⼈发展蓝⽪书 2026 · AI-SLI展实施⽅案》业 >500 亿元、突破核⼼算法 ≥20 项（张江核⼼区）北京《具⾝智能科技创新与产业培育⾏动（2025—2027）》
2027 核⼼企业、量
产产品各 ≥50、规模化应⽤ ≥100（含科研教育）、万台级落地2025-02-28C.5 国际组织（软性国际治理参照）组织⽂件关键内容时间来源UNESCOAICompetencyFrameworkforStudents / Teachers学⽣ 12 项能⼒、4维度（以⼈为本、AI 伦理、技术应⽤、系统设计）；以《AI 伦理建议》(2021) 为⼈本治理基线2024-09 发布OECDAI 原则 + K-12 AI素养框架
5 项价值原则 + 5 项
政策建议；与欧盟委员会合作发布学龄⼉童 AI 素养评审草案2019 通过，2024-05更新全球教育机器⼈发展蓝⽪书 2026 · AI-SLIWEFEducation 4.0 / AI inEducation 议程课程引⼊ AI/计算思维 + ⼉童保护 + 教（UNESCO/OECD 协同）现⾏C.6 对教育机器⼈的共性合规启⽰综合 12 法域可提炼五条产品设计与落地启⽰：① 陪伴型功能须避开"虚拟亲属/伴侣"定位（中国 2026-07-15 起明令禁⽌⾯向未成年⼈），强化"⾮真⼈"披露与防沉迷/防情感依赖机制；② 课堂场景禁⽤情绪识别（欧盟 Art. 5），宜作为全球产品设计禁区参考；③ ⼉童数据合规叠加——GDPR Art.8 + COPPA 2025（含声纹/⼈脸⽣物识别、opt-in）+ FERPA + 中国相关条例；④ 课程契合——与中国通识指南、印度 CBSE、新加坡 AI 素养模块、UNESCO/OECD 框架对齐可获政策红利；⑤ 安全审核 + 危机⼲预——教育⼤模型内容安全审核 + ⾃伤/⾃杀危机强制转介。韩国 AI 教科书案例警⽰"仓促进校园"的准确性/隐私/教师负担反噬，产品落地须经充分验证并坚持教师主导。---交叉引⽤：→ 第 2 章（政策格局速览）、→ 第 14 章（治理细则）、→ 附录 D（中国政策时间线）。所有条款/⽣效⽇期以官⽅原⽂为准；Digital Omnibus 已标注"提案，未最终通过"。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录 D 中国政策时间线（2017 → 2026）本附录按时间顺序梳理中国 AI/机器⼈教育与⼉童-AI 保护的关键政策，从教育信息化战略到课程指南、⽣成式 AI 治理，再到全球⾸部"拟⼈化陪伴"专门规章。⽂号与⽣效⽇期⼀律以官⽅原⽂为准，并明确区分"已施⾏"与"拟施⾏"。中国法域的横向对照另见附录C。 >D.1 双轨并⾏的监管定位中国是全球唯⼀对"拟⼈化陪伴"专门⽴法的法域，其监管呈"课程化推进 + ⼉童交互硬约束"双轨并⾏：⼀条线把 AI/编程/机器⼈持续纳⼊基础教育课程体系，另⼀条线对⼉童-AI 交互（情感依赖、防沉迷、数据安全）层层加码。下表按发布/施⾏时间排列。D.2 政策时间线时间政策 / ⽂件（⽂号）发布机构与机器⼈/⼉童相关的关键条款状态来源
2017 起
国务院《新⼀代⼈⼯智能发展规划》及后续教育信息化部署国务院推动 AI 进⼊中⼩学课程、设置相关课程、推⼴编程教育（教育信息化 2.0 基调）已施⾏2023-08-15《⽣成式⼈⼯智⽹信办等七部门第⼗条：采取有已施⾏全球教育机器⼈发展蓝⽪书 2026 · AI-SLI能服务管理暂⾏办法》效措施防范未成年⼈过度依赖或沉迷⽣成式 AI2024-01-01《未成年⼈⽹络保护条例》（国务院令第 766号）国务院7 章 60 条；⽹络素养、信息内容规范、未成年⼈个⼈信息保护、防沉迷；构成教育机器⼈采集/处理未成年⼈信息的上位约已施⾏2024（教育信息化部署）教育数字化 / 智慧教育平台相关规划教育部推进国家智慧教育公共服务平台、数字赋能因材施教已施⾏2025-01《教育强国建设（2024—2035年）》中共中央、国务"促进⼈⼯智能助⼒教育变⾰""打造⼈⼯智能教育⼤模型""探索数字赋能⼤规模因材施教"——AI/机器⼈教育中长期战略框架已施⾏全球教育机器⼈发展蓝⽪书 2026 · AI-SLI2025-05《中⼩学⼈⼯智能通识教育指南（版）》教育部基础教育教学指导委员会"分层递进、螺旋上升"的 AI 通识体系；⼩学以体验兴趣为主，初中重原理与问题解决，⾼中聚焦系统思维与创新应⽤；编程/机器⼈实践为青少年 AI 素养重要组成已发布2025-05《中⼩学⽣成式⼈⼯智能使⽤指南（2025 年版）》教育部基础教育教学指导委员会⼩学阶段禁⽌学⽣独⾃使⽤开放式内容⽣成功能；禁⽌直接复制 AI ⽣成内容作答；严禁输⼊考试试题/个⼈⾝份等敏感数据；学校建 AI⼯具"⽩名单"制已发布2025-02-28 / 03-
03 / 08-06
北京/深圳/上海具⾝智能产业⾏各市政府北京（核⼼企业、量产产品各施⾏中全球教育机器⼈发展蓝⽪书 2026 · AI-SLI动计划≥50，万台级落地）、深圳（2027 具⾝企业 >1,200 家、业 >1,000 亿元，另设 45 亿元专项）、上海（2027 具⾝核⼼产业 >500 亿元）——产业激励侧（亿元⼜径，⾮教育细分）2025-03（京）/ 2024 秋（上海）地⽅ AI 课程课时硬约束北京市/上海市北京 2025 秋季起中⼩学 AI 通识课每学年≥8课时、全学段覆盖；上海 2024秋季起⼩学四年级、初中七年级开《⼈⼯智能基础》（媒体⼜径每周 1 课时、已施⾏全球教育机器⼈发展蓝⽪书 2026 · AI-SLI≥30 课时/ 学年，课时数PENDING⽂）2025-08-26《关于深⼊实施"⼈⼯智能+"⾏动的意见》（国发〔2025 〕11号）国务院部署 6 ⼤重点⾏动；⽬标 2027年智能终端/智能体应⽤普及率超 70% 、2030年超 90%；为教育机器⼈/智能体进校园提供顶层牵引已施⾏2026-02-02《⼈⼯智能拟⼈化互动服务管理暂⾏办法》审议通过⽹信办、发改委、⼯信部、公安部、市场监管总局（五部门）审议通过（公布于 2026-04-10）已通过2026-04-02《"⼈⼯智能+教育"⾏动计划》（〔2026〕1 号，2026-04-10布）教育部、发改委、⼯信部、科技部、国家数据局（五部门）AI 教育全⾯纳⼊地⽅课程体系；建教育⼤模型安全审核机制、分类分级安全防护标准；防伪造诈骗/学术已印发全球教育机器⼈发展蓝⽪书 2026 · AI-SLI造假/ 隐私泄露；⽀持农村边远地区2026-07-15《⼈⼯智能拟⼈化互动服务管理暂⾏办法》施⾏五部门禁⽌向未成年⼈提供" 虚拟亲属、虚拟伴侣"等虚拟亲密关系服务；不满 14周岁须监护⼈同意；禁⽌诱导情感依赖/沉迷、情感操纵、模仿不安全⾏为；防混淆/防沉迷义务——全球⾸部"拟⼈化陪伴"专门规章拟施⾏（2026-07-15 ，截⾄2026-06 未⽣效、⽆执法案例）D.3 配套产业与试点动态政策牵引下，2026 年中国 AI 教育进校园已具规模化试点基础：全国已设 509 所⼈⼯智能教育基点校，东部 7 省 + 中西部 20 地市 + 18 所⾼校纳⼊试点（出⾃教育部新闻发布会⼜径，7 省/20 地市勿合并）173。⾼校学科建设是具⾝落地最硬的指标之⼀：教育部 2026 年本科专业⽬录⾸次列⼊"具⾝智能"专业（⽀持北航、北理⼯、上海交⼤、浙⼤等 9 所⾼校增设），全国 343 所本全球教育机器⼈发展蓝⽪书 2026 · AI-SLI科院校开设机器⼈⼯程专业、102 所⾼职备案智能机器⼈技术专业175177。产业链层⾯，《"⼈⼯智能+教育"⾏动计划》明确要求建设教育智能算⼒平台与分学段教育⼤模型，并建⽴教育⼤模型安全审核机制19；科⼤讯飞智慧教育 2025 年营收达 89.67 亿元（+24.04%，⾮ billion），是国内规模最⼤的 AI 教育底座之⼀237。地⽅产业⽬标⽅⾯，深圳提出 2027 年具⾝相关企业超 1,200 家、关联产业超 1,000 亿元，上海提出 2027 年具⾝核⼼产业超 500 亿元213。D.4 对教育机器⼈的影响⼩结中国政策对教育机器⼈的影响可归纳为三点：① 课程红利——AI/编程/机器⼈持续纳⼊地⽅课程，与通识指南配套的实践课程为编程教育机器⼈创造规模化需求；② 陪伴红线——陪伴型机器⼈不得对未成年⼈定位为"虚拟亲属/伴侣"，须做防沉迷、防情感依赖、内容安全审核（2026-07-15 起施⾏）；③ 数据约束——采集未成年⼈语⾳/⼈脸/学习数据受《未成年⼈⽹络保护条例》与⽣成式 AI 办法约束。撰稿引⽤本附录条款时，须明确区分"已施⾏"与"拟施⾏（2026-07-15）"。---交叉引⽤：→ 第 2 章（政策格局速览）、→ 第 11 章（政策驱动产业）、→ 第 14 章（治理细则）、→ 附录 C（国际对照）。⽂号/⽣效⽇期以官⽅原⽂为准。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录 E 代表产品矩阵：机型 × 能⼒ × 价格 × 教育进⼊状本附录以矩阵形式对标代表性教育机器⼈与具⾝机器⼈⼚商，覆盖编程套件、社交/教学机器⼈、⼈形科研平台、灵巧⼿与四⾜平台五类。整机参数（⾃由度、价格、出货）多来⾃⼚商规格与⼆⼿汇总站，标注"⼚商⼜径，未独⽴核验"；价格区间为参考区间，⾮现货报价。财务数字以原⽂核对值为准，中国企业财报"亿元 ≠ billion"（1 亿元 ≈ 0.14 亿美元）。教育进⼊状态严格区分四级成熟度：`【已部署】/【试点】/【演⽰】/【⼚商宣称】`。 >E.1 社交 / 教学机器⼈（课堂主⼒机型）机型⼚商关键能⼒参考价格（USD）教育进⼊状成熟度来源NAOAldebaran（SoftBankRobotics）双⾜⼈形、语⾳交互、表情/姿态、特教 ASD ⼲~9,000–15,000全球 40+ 国课堂最常见教学助⼿/特教平台；出现在 39% ⾃闭症相关机器⼈研究⽂献中【已部署】（教学/ 特教）15653PepperAldebaran轮式⼈形、~15,000–30,000课堂教学助【已部署】15654全球教育机器⼈发展蓝⽪书 2026 · AI-SLI情感交互、迎宾/教学⼿常见机型；2021 年量产暂停后存量为主（存量）悟空 / AlphaMiniUBTECH⼩型⼈形、编程教育、语⾳/动作、AI 互动~600–1,500中⼩学规模化部署的⼩型编程/教学机器⼈——中⼩学侧真正规模化主⼒【已部署】（中⼩学）251252QTrobot/Furhat / Temi各⼚商社交交互、特教、语⾔学习2,000–30,000（区间）学校特教/语⾔学习场景部署【试点】~【已部署】注：社交/陪伴教育机器⼈独⽴细分市场规模⽆可信交叉源，本矩阵以"机型部署 + 学术证据"定性呈现，不强⾏赋值（详见附录 F）。硬件仅占总拥有成本约 50–60%，其余为软件/培训/运维151。E.2 编程 / STEM 套件（最⼤成熟赛道）品牌⼚商关键能⼒教育进⼊状态来源Mindstorms / SPIKELEGO Education积⽊式组装 + 图形化编程，组合最【已部署】全球规模化全球教育机器⼈发展蓝⽪书 2026 · AI-SLI⼴、领跑VEX RoboticsVEX竞赛级机器⼈套件；与美国教育部合作（CTE 资助、12 州供 5000 套，⾦额单源待核）【已部署】Makeblock（童⼼制物）深圳创客⼯⼚mBot 等编程机器⼈；进⼊ 140+ 国、渠道 1600+、⽤户
2000 万+
【已部署】出海规模化越疆 Dobot越疆科技机械臂/ 教育机器⼈，与 6500+ 院校合作、销往 80+ 国【已部署】院校中国供应链⼗⼤代表企业（前瞻 2025 ⼜径）：科⼤讯飞、优必选、鲸鱼机器⼈、淘云科技、未来伙伴（能⼒风暴）、越疆、盛通股份、⼤疆创新、创客⼯⼚、Makeblock192。E.3 ⼈形机器⼈⼚商（教育进⼊路径，严格区分部署层级）⼚商代表产品
2025 出货
关键财务（已核对货币⼜径）教育进⼊状态成熟度来源UBTECH(09880.HK)WalkerS2 、悟、Alpha⼈形累计1,079 台
2025 营收 20.01
（+53.3% ）；AI 教育覆盖国内 25 省、海外 20+ 国、近 2,000 所公⽴中⼩学（⼚商⼜【已部署】中⼩学（⼩型）+ 【已166163167全球教育机器⼈发展蓝⽪书 2026 · AI-SLIMini 、天⼯⾏者科研教育⼈AI 教育业务4.13（+13.7%）；全尺⼨⼈形 8.21亿元（占总营收41.1%）；净亏损 7.9 亿元径）；中⼩学侧 AlphaMini 规模部署，全尺⼨⼈形（天⼯⾏者，售价 29.9万元）仍为科研教育版部署/宣称】（天⼯⾏者300+ 台教育科研交付为公司⼜径）UnitreeG1（EDU教育配置）、H1/H2 、⾜Go/B⼈
2025 >5,500
台（招股书全球第⼀，32.4% ）；⾜计 >3 万台
2025 营收约
17.08（+335.36%）、扣⾮净利约 6 亿元；主营⽑利率约 60%⾼/⼒（MIT/Stanford/CMU/ETH在⽤ G1 EDU）；⼈形约3/4 收⼊来⾃科研教育客户、仅约 9% 进⼊实际⼯业应⽤；G1 EDU 价格约4.39 万–7.39 万美元【已部署】⾼校/ 科研（⾮中⼩学课堂）107253106星动纪元RobotEraSTAR1（55 主动DoF 、跑3.6m/s）2025-06 交200+台、50%+订单海外A 轮近 5 亿元、2026-04 新轮 >2亿美元（估值约
100 亿元）
科研/开发平台为主【已部署】科研/开发 +【⼚商宣称】（估值⼜径）加速进化BoosterT1 （23DoF + 灵巧⼿）、K1，Jetson70+ ⾼校/科研在⽤，RoboCup
2025 冠军平
T1 约 3.4 万美元、K1 约 1.25万美元科研/教育/竞赛主⼒平台【已部署】科研/ 教育/竞赛全球教育机器⼈发展蓝⽪书 2026 · AI-SLIAGX OrinEngineAIPM01（DoF ）、SE01（32DoF ），开源平台—PM01 约 1.2 万美元（8.8 万元）、SE01 约
2 万–3 万美元
研究/教育/商⽤开源平台【已部署】（研究/教育/商⽤）FourierGR-2、GR-3（Care-Bot ，≤55DoF ，含12-DoF触觉灵巧⼿）—GR-2 ≥15 万美元（仅 B2B）；GR-3>20元；融资额 >10亿元（媒体单，PENDING）康复/科研/开发平台；GR-
3 转情感交互（含教育）
【已部署】科研/开发平智元 AgibotA2、灵犀X25,168（Omdia 全球第⼀，占39% ）；2025-12 第5,000 台下A2 青春版 16.8万–19.8 万元、X2 青春版 9.8万元⾏业/商⽤为主；教育"百城万校"为宣称/早期【已量产】（⾏业/ 商⽤）+ 【⼚商宣称】（教育计划）108213FigureAI（美）Figure02/03（HelixVLA）⽀BMW 产线（30,000+—⽆教育部署；主战场为BMW Spartanburg 产线仅⼯业，教育=⽆全球教育机器⼈发展蓝⽪书 2026 · AI-SLI辆 X3）TeslaOptimus（美）OptimusGen 3V3 量产⽬标 2026 夏（⽬标价 2万–2.5 万美元，⽆现货）—Fremont ⾃有产线场景，⽆教育部署仅内部/ ⼯业，量产价为⽬标Agility/Apptronik /Atlas（美）Digit/Apollo/AtlasDigit 累计⾏65,000+ ⼩（）；ApolloNVIDIAGR00TApptronik 2025融资 5.2 亿美元、估值 55 亿美元⽆教育部署；物流/制造⼯业场景⼯业部署/试1041021X （挪/美）NEO早鸟 2 万美元 / 499 美元/⽉—主打家⽤，教育⾮定位；复杂任务依赖远程遥操作（引隐私争议）⽆明确教育路径（数据，PENDING）E.4 ⼈形矩阵的关键审慎结论本矩阵导出三条不可逾越的审慎结论：① 西⽅⼈形（Figure/Tesla/1X/Agility/Apptronik）⼏乎不进教育，仅作汽车/物流⼯业场景，严禁"⼈形机器⼈教师进课堂"宣称99；② 可进教育的⼈形⽬前仅作⾼校/科研教学平台——宇树⼈形约 3/4 收⼊来⾃科研教育客户、仅约 9% 进⼊实际⼯全球教育机器⼈发展蓝⽪书 2026 · AI-SLI业应⽤，是"教育=⾼校科研平台"定位的最有⼒佐证107；③ 中⼩学侧真正规模化的仍是优必选Alpha Mini 类⼩型编程/教学机器⼈，⽽⾮全尺⼨⼈形166。整机参数为⼚商⼜径、未独⽴核验，引⽤时须保留成熟度标签与货币⼜径标注。E.5 灵巧⼿（⼈形操作核⼼瓶颈，多为⾼校科研平台）灵巧⼿分直驱（连杆/齿轮）、腱驱（绳驱）、混合三类，触觉已成标配。中国⼚商在触觉密度与价格上对⾼端科研机型形成降维，但其在教育中主要作⾼校实验室的具⾝数据采集与操作教学平台，⾮中⼩学课堂教具。价格多为⼚商⼜径，部分未公开。产品⼚商/地区⾃由度驱动价格（⼚商⼜径）成熟度来源Shadow HandShadow（英）
20 驱动+4 ⽋
腱驱7.4 万–10 万美元已商⽤（⾼端科研）Allegro HandWonik（韩）直驱1.5 万美元起已商⽤（科研/教育）LinkerHandL20灵⼼巧⼿
20 （16 主
动）连杆驱动6,666 元起量产（2025交付 1 万+台）DexH13帕西尼 Paxini
16 （13 主
动）空⼼杯电机未公开已商⽤（触觉差异化，3,420 触觉通道）ROHand
6 主动
—8,888 元起已发售（性全球教育机器⼈发展蓝⽪书 2026 · AI-SLIOYMotion价⽐ + 假肢双线）Revo2强脑 BrainCo11（6 主动）—国际同类1/5–1/7量产就绪（年产能 3万台）RH56/RH5EG1因时 InspireRH5EG1主动直线驱动未公开量产（头部供应商）价格降维：中国低价灵巧⼿ 6,666 元（LinkerBot）/8,888 元（傲意）起，对 Shadow 7.4 万美元（约 53 万元）形成约 1/20 量级降维；触觉密度上帕西尼、灵⼼巧⼿等已领先。但⾼⾃由度（20–22）多见于演⽰/科研，⼯业产线更看负载与可靠性——"拼⾃由度，更拼好⽤"。灵巧⼿市场规模⼜径分歧⼤（2024 约 8.15 亿美元 vs 2025 约 14.8 亿美元），CAGR约 40% 为激进单源，⾮教育 TAM（详见附录 F）。E.6 四⾜机器⼈（教育落地最现实的具⾝平台）四⾜是当前具⾝智能进⼊教育最现实的平台——运动控制已⼯程化，教育版价格门槛远低于⼈形，已进⼊中国职教/⾼校课堂做感知与算法实训（能⼒—部署落差的少数闭合点）。但限定职教/⾼校，不可外推中⼩学规模化。产品⼚商/地区教育版/起步价教育进⼊状态成熟度来源Go2（Air/Pro/EDU）宇树 UnitreeAir 约 1,600 美HZPT 物联⽹专【已部署】（职127138全球教育机器⼈发展蓝⽪书 2026 · AI-SLI元起、EDU 约5,990（OrinNano40TOPS + ROS2SDK）业引⼊做感知/CV 实训；RoboUniversity认证课程教/⾼校课堂实训）绝影 Lite3云深处 DEEPRobotics教育/科研版约2,890 美元（当前教育门槛最低的科研级平台之⼀）⾼校/科研教学平台【已部署】（教育/科研）130254绝影 X30（⼯业旗舰）云深处—⼯业巡检（温州电⽹管廊、新加坡 SP 集团）；⾮教育【已部署】（⼯业巡检）BabyAlpha A2蔚蓝 Weilan基础版 8,099 元→Ultra26,099元（内置 LLM学习/陪伴）家庭消费产品，含学习娱乐，⾮课堂教学产品【量产】（消费/家庭）SpotBostonDynamics（美）Explorer Kit 约74,500 美元起截⾄ 2025Q4 全球 480+ 所⼤学/研究机构持学术许可；⼯业巡检【已部署】（⼯业 + ⾼校科研）全球教育机器⼈发展蓝⽪书 2026 · AI-SLI四⾜ vs ⼈形教育落地：四⾜运动控制已⼯程化、价格门槛低（Go2 EDU 约 5,990 美元、Lite3 约 2,890 美元）且已进职教/⾼校课堂做感知与算法实训；⼈形则主要是⾼校科研教学平台、中⼩学规模化仍以⼩型编程机器⼈为主。取⽤底线：可写"四⾜是具⾝智能进⼊教育最现实的平台、已在职教/⾼校做感知与算法实训"，不可写"机器狗已规模进⼊中⼩学课堂"。四⾜全球市场 2025 约 5.41 亿美元/约 1.85 万台（机构预测⼜径，须标注，⾮教育 TAM）。E.7 矩阵总览的审慎结论跨五类机型可提炼三点：① 真正规模化进课堂的仍是编程/STEM 套件与⼩型社交/教学机器⼈（前⼤模型时代成熟赛道）；② 具⾝前沿（⼈形/灵巧⼿/四⾜）中，仅四⾜已在职教/⾼校实现课堂实训落地，⼈形与灵巧⼿仍以⾼校科研平台为主；③ 西⽅⼈形仅⼯业、⽆教育部署。整机参数为⼚商⼜径、未独⽴核验，价格区间⾮现货报价，引⽤时须保留成熟度标签与货币⼜径标注。---交叉引⽤：→ 第 6 章（本体硬件）、→ 第 9 章（部署案例）、→ 第 13 章（⼚商财务/出货）、→ 附录 F（单源融资/⼜径 PENDING 登记）。整机参数标"⼚商⼜径，未独⽴核验"；价格区间⾮现货报价。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录 F 数据可得性声明与未闭合项清单本附录以 Nature 风格的数据可得性声明（Data Availability Statement, DAS）形式，公开本蓝⽪书全部数据的来源、可得性与⼜径风险，并如实登记所有未闭合项（PENDING）。本蓝⽪书坚持透明披露原则——不回避、不掩盖任何单源、未核验或⼜径冲突项，供读者审慎核查。F.1 数据可得性声明（DAS）⽀撑本蓝⽪书结论的全部数据均来⾃公开可得来源，不含任何受限或保密数据，本研究亦不产⽣原始实验数据。具体⽽⾔，数据来源包括：公开市场研究机构报告、政府与监管机构发布的政策原⽂、上市公司年报与招股书、同⾏评审⽂献，以及⼚商公开规格与官⽅公告。完整⽂献清单见参考⽂献库，共 283 条条⽬，每条均含标题、作者或机构、年份、来源类型与可访问链接；正⽂全部引⽤均可追溯⾄该库。数据治理遵循三条原则：- 多源交叉核验：所有关键市场规模、出货量与财务数字均经不少于两个相互独⽴的来源交叉核验；凡来源不⾜两个者，在正⽂中明确标注为"单源待核"，并登记于本附录 F.2 的PENDING 清单。 - ⼜径并列与保守取⽤：对存在⼜径冲突的数字（如宽⼜径与窄⼜径、不同机构的市场预测），⼀律并列呈现并解释差异，取保守区间，绝不混⽤或择激进单值为定论。 - 货币⼜径核对：凡涉及中国企业财报数字，"亿元 ↔ billion"⼀律以原⽂核对值为准，避免系统性误读（详见 F.3）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI政策类条款以官⽅原⽂及官⽅发布链接为准（详见附录 C、D）；市场规模、出货量与财务数字均来⾃第三⽅研究机构报告、上市公司财报与招股书或政府公开⽂件。本蓝⽪书坚持透明披露——所有单源、未核验或⼜径冲突项均如实登记于下⽂ PENDING 清单，不回避、不掩盖。F.2 未闭合项清单（数据缺⼜与待核条⽬）以下分四类如实登记全部未闭合项（数据缺⼜、⼜径冲突、⽂献字段待补、来源可信度备注），供读者审慎核查。A. 数据缺⼜（⽆交叉源 / 单源待核）#项⽬状态处理⽅式A1细分赛道独⽴美元规模⽆交叉源：社交/陪伴、语⾔学习、早教三赛道
2026 独⽴市场规模未检
索到可信交叉来源缺⼜不强⾏给数字，正⽂以"机型部署 + 学术证据"定性呈现A2单源融资/资助⾦额待⼆次核验（PENDING-secondary ）：Makeblock
2500 万美元 D 轮、VEX
1800 万美元 CTE 资助、
傅利叶 >10 亿元融资——均为单⼀媒体来源单源引⽤时标注"媒体单源，⾦额待⼆次核验"A3HolonIQ / 艾瑞 / 亿欧教缺⼜建议⼆轮定向检索全球教育机器⼈发展蓝⽪书 2026 · AI-SLI育机器⼈专项规模未命中：本轮未命中其直接专项⼜径（多见于 AI 教育⼤盘⽽⾮教育机器⼈细分）A41X (NEO) 教育路径数据稀薄：基本判定"⽆明确教育定位"；其⾃主能⼒实为远程遥操作缺⼜待补A5Grand View 报告页正⽂403：原页正⽂⽆法直取受限关键数字已由 press-release + prnewswire +giiresearch 三⽅交叉确认（结论可靠）；引原表仍PENDING 原页A6上海《⼈⼯智能基础》课时数（每周 1 课时 / ≥30课时/ 学年）：为⼆⼿edtech 报道⼜径，"四/七年级开课" 为官⽅简报（硬）但课时数未见上海市教委原⽂单源引硬课时数前回查上海市教委原⽂；正⽂标"媒体⼜径"A7优必选 AI 教育覆盖"近
2000 所学校"：为搜索引
擎转述⼚商/年报⼜径，单源引⽤标"⼚商⼜径"，与
5000 ⽬标值区分
全球教育机器⼈发展蓝⽪书 2026 · AI-SLI未见审计明细；"5000 所"为⽬标值A8整机 DoF/价格/出货多为⼚商⼜径：Tesla 量产价/产能、各家⼈形出货量（招股书 vs Omdia ⼜径差异）单源标"⼚商/媒体⼜径，未独⽴核验"B. ⼜径冲突（已并列呈现，撰稿须标注）#项⽬冲突处理⽅式B1
2025 全球⼈形出货
Omdia 1.3 万 vs IDC 1.8已并列；若需收敛建议采Omdia 为主⼜径、IDC 为旁证B2全球教育机器⼈ CAGR14.67% （Mordor ）vs28.8%（GVR）取区间 15%–29%，不取最激进 28.8% 作唯⼀⼜径；分歧源于是否含STEM 套件/⼈形B3中国市场宽⼜径 vs 窄⼜宽⼜径约 132 亿元 vs 窄⼜径约 44 亿元（相差近
3 倍）
切勿混⽤，须同时给出并解释；2030 年沙利⽂窄⼜径 165 亿元可作保守锚B4产品形态 / 最⼤学段产品：GVR 称⾮⼈形主导 vs Mordor 称⼈形占均须并列标注冲突全球教育机器⼈发展蓝⽪书 2026 · AI-SLI49.13%（结论相反）；学段：GVR 中学 vs Mordor⼩学B5灵巧⼿市场规模⼜径
2024 约 8.15 亿美元
（Valuates，CAGR40.4% 激进单源）vs 2025约 14.8 亿美元（另⼀⼜径）多机构⼜径分歧⼤、并列审慎、⾮教育 TAM ；CAGR 40% 标"激进单源"B6四⾜ 2025 出货/市场全球约 5.41 亿美元 / 约1.85 万台（机构预测）；
2031 约 39.48 万台（另⼀
⼜径）标"机构预测、⼜径差异⼤、⾮教育 TAM"B7宇树科研教育占⽐招股书"约 74% 卖给⾼校做科研、约 9% 进⼯业"vs 旧表"73.6% 来⾃科研教育"（2025.1–9）统⼀表述"约 3/4 来⾃科研教育"，两⼜径并列C. bib 字段占位 / 待补#bib key问题处理⽅式C1`zhong2025asd_three_level`作者字段为 "Zhong, andothers"，卷期待补引⽤可⽤，正式发表前规范字段C2`learnlm2025deepmind`DeepMind 报告，机构作者占位，正式引⽤格式待引⽤可⽤，正式发表前规范格式全球教育机器⼈发展蓝⽪书 2026 · AI-SLI规范C3部分技术条⽬（RT-1/RT-2/OpenVLA/Octo/GeminiRobotics 等）共⽤ VLA 综述 URL 作为引⽤源（⾮重复条⽬）建议正式发表时回溯各原始论⽂ DOI/arXivD. 来源可信度备注#项⽬说明D1《全球教育机器⼈发展⽩⽪书》原报告官⽹部分历史 URL 现 404站点改版/反爬所致；但定义、⾓⾊、七层链、市场数字均由 199IT/科学⽹/新浪/智东西/36 氪/界⾯等独⽴第三⽅转载交叉验证，与本地源⽂件逐字吻合，未发现任何⽆法溯源的框架要素D2⼈形硬件整机参数（⾃由度/价格/出货）多来⾃⼚商规格与第三⽅汇总站，须标"⼚商⼜径，未独⽴核验"，尽量回溯⼚商官⽹/财报D3MarketResearch.Biz 经前瞻产业研究院中⽂转引原始机构未直接核验，审慎使⽤D4EU Digital Omnibus ⽴法状态截⾄ 2026-06 仍未最终通过：2026-05-07 临时政治协议 + 2026-06-16 欧洲议会背书，正式⽂本/OJ刊登预计 2026-07；撰稿⼀律标"提案/临时协议，未最终⽣效，基线仍 Reg (EU) 2024/1689" ；Art全球教育机器⼈发展蓝⽪书 2026 · AI-SLI5(1)(f) 情绪识别禁令已⽣效、不受影响D5中国拟⼈化办法执法状态2026-04-10 公布、2026-07-15 施⾏；截⾄ 2026-06 尚未⽣效、暂⽆执法案例，须区分"已公布/拟施⾏"F.3 货币⼜径专项说明（最⾼优先级）本研究发现海外检索引擎对中⽂"亿元"存在系统性误读为"billion"的风险。凡涉及中国企业财报数字，"亿元 ↔ billion"⼀律以原⽂核对值为准（1 亿元 ≈ 0.14 亿美元，约 0.0014 billion，⾮ 1billion）。已闭合的关键勘误（含 v2 刷新值）：优必选 2025 营收 20.01 亿元（+53.3%）、优必选 AI 教育业务 4.13 亿元（+13.7%，替换 2024 旧值 3.63 亿元）、优必选 2025 全尺⼨⼈形 8.21亿元、宇树 2025 营收 17.08 亿元（⾮ 17 billion）、科⼤讯飞 2025 智慧教育 89.67 亿元（+24.04%，⾮ 89.67 billion）。上述各值均经⼚商年报或招股书原⽂核对，并以不少于两个独⽴来源交叉确认。F.4 历史预测⼜径说明2019 版⽩⽪书预测"2023 年全球 841 亿美元"、2016 版预测"2021 年全球 111 亿美元"，⼆者均属课题组预测值且⼜径过宽（混⼊消费玩具与培训服务），明显⾼估。2026 实测：即便最激进的 GVR 2030 年也仅 58.4 亿美元。本蓝⽪书对此做诚实回望，严禁把 841 亿/111 亿当作既成事实复⽤，并据此提出"狭义本体市场与泛 STEAM 消费市场必须分开统计"的⽅法论改进。---全球教育机器⼈发展蓝⽪书 2026 · AI-SLI交叉引⽤：→ 附录 A（⽅法论）、→ 第 8 章（细分赛道）、→ 第 12 章（市场⼤盘）。本附录登记的全部未闭合项透明披露，不回避。PENDING 登记条数⼩结：A 类 8 条 + B 类 7 条 + C 类 3 条 + D 类 5 条 = 共 23 条（较 W1阶段 15 条新增 8 条 v2 升级未闭合项：上海课时、近 2000 校、傅利叶融资、整机⼚商⼜径、灵巧⼿/四⾜市场⼜径、宇树占⽐⼜径、EU Omnibus ⽴法状态、拟⼈化办法执法状态）。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI附录 G 参考⽂献体系与数据来源说明本蓝⽪书的⽂献与数据来源统⼀收⼊ `01_research/references.bib`（283 条 BibTeX 条⽬，由 W1 阶段 133 条经 v2 深度调研扩充⽽来）。本附录说明引⽤体系、来源可信度分级与⽂献库构成；正⽂中的「CITE 占位」（形如双花括号 `CITE：条⽬键`）由装配脚本解析为带编号的上标尾注，对应完整⽂献条⽬⾃动⽣成于本附录之后。G.1 引⽤体系：CITE 占位与装配解析本蓝⽪书采⽤"占位 + 装配"两段式引⽤机制。撰稿阶段，正⽂以双花括号包裹的 CITE 占位（形如 `CITE：条⽬键`）标注引⽤，其中"条⽬键"必须是 `references.bib` 中已存在的条⽬键（key）。装配阶段，脚本 `05_qa/assemble_robot_cn.py` 以正则 `\{\{CITE:([\w\-]+)\}\}` 匹配每个CITE 占位，将其解析为该⽂献在全⽂中的引⽤编号，以上标尾注形式呈现，并在⽂末按编号⽣成完整参考⽂献列表。同⼀⽂献多处引⽤共享同⼀编号。这⼀机制保证了：① 引⽤与⽂献库强⼀致（条⽬键须确为库中已有项）；② 撰稿者⽆需⼿⼯维护编号；③ 全书引⽤编号在装配后唯⼀且连续。撰写阶段对个别暂⽆对应条⽬的引⽤以临时注释标注、不臆造 bib key；定稿时已全部补⼊真实可核验条⽬（如附录 C 的 WEF Education 4.0 议程、附录 D 的 2017 国务院新⼀代⼈⼯智能发展规划）。仍需⼆次核验书⽬字段的占位条⽬（如 ASD 三层元分析、LearnLM 报告）统⼀登记于附录 F，供读者审慎引⽤。全球教育机器⼈发展蓝⽪书 2026 · AI-SLIG.2 ⽂献库构成（283 条）`references.bib` 经合并去重后共 283 条（W1 阶段 133 条 + v2 深度调研扩充 150 条），按BibTeX 条⽬类型分布如下：条⽬类型数量主要内容学术期刊/会议论⽂：循证元分析与系统综述（STEM/CT、语⾔学习、特殊教育、早教）、技术综述（VLA、具⾝智能、世界模型）、社交机器⼈教育研究政策原⽂与官⽅⽂件、市场研究机构报告、上市公司财报/招股书、⾏业媒体报道、⼚商规格与⼆⼿汇总站（v2 新增⼈形/灵巧⼿/四⾜/世界模型/教育落地条⽬）《全球教育机器⼈发展⽩⽪书》历史两版（历史框架基座）+DeepMind LearnLM 等报告OpenVLA 等会议论⽂合计—从内容主题看，⽂献库覆盖五路调研及 v2 三路深调研：市场与产业（机构市场报告、⼚商财报/招股书、融资资本⾯）、技术演进（VLA/具⾝智能/世界模型论⽂与综述）、政策与治理（12 法域政策原⽂ + 国际组织框架 + 地⽅具⾝产业政策）、循证证据（各场景元分析/系统综全球教育机器⼈发展蓝⽪书 2026 · AI-SLI述），以及 v2 升级新增的⼈形与灵巧⼿硬件/上游部件、四⾜教育落地与世界模型、教育真实落地案例三组条⽬；历史基座为《全球教育机器⼈发展⽩⽪书》历史两版及第三⽅转载交叉验证源。G.3 来源可信度分级为帮助读者判断证据强度，本蓝⽪书对来源采⽤四级可信度分级，与正⽂成熟度标签和核验报告标注配套：
1. 同⾏评审学术⽂献（最⾼）：期刊/会议论⽂、元分析与系统综述（如 `zhang2021robots_ct`、
`plos2022asd_robots`、`vandenberghe2019language`），⽤于循证结论，效应量不编造、负⾯同记。
2. 官⽅政策原⽂ / 政府⽂件（⾼）：法律法规、部门规章、政府公报（如
`cac2026anthropomorphic`、`euaiact2024`、`moe2026aiedu`），条款与⽣效⽇期以原⽂为准。 3. 机构市场报告 / 上市公司财报与招股书（中-⾼，需⼜径标注）：Mordor、GVR、Research andMarkets、MnM 等机构报告，以及优必选年报、宇树招股书（如 `mordor-edurobot-2031`、`gvr-edurobot-market-2030`、`21jingji-ubtech-2024-revenue`、`eeo-unitree-prospectus-2026`）；要求 ≥2源交叉，冲突并列，货币⼜径回原⽂核对。 4. ⾏业媒体 / ⼆⼿汇总站（需审慎，标注未独⽴核验）：⼚商规格汇总、媒体转引（如 `humanoid_compare2026`、`robozaps-humanoid-education-2026`、`qianzhan-global-edurobot-58usd-2025`）；标注"⼚商⼜径/媒体单源，未独⽴核验"，单源⾦额列⼊ PENDING（详见附录 F）。G.4 占位与待规范条⽬说明依据透明披露原则，⽂献库中存在少量字段占位或引⽤源待规范条⽬，正式发表前应规范处理（同步登记于附录 F·C 类）：全球教育机器⼈发展蓝⽪书 2026 · AI-SLI- `zhong2025asd_three_level` ：作者字段为 "Zhong, and others" ，卷期待补。 -`learnlm2025deepmind`：DeepMind 报告，机构作者占位，正式引⽤格式待规范。 - 部分技术条⽬（RT-1/RT-2/OpenVLA/Octo/Gemini Robotics 等）共⽤ VLA 综述 URL 作为引⽤源（⾮重复条⽬），建议正式发表时回溯各原始论⽂ DOI/arXiv。G.5 完整⽂献列表完整的 283 条参考⽂献列表由装配脚本据 `references.bib` ⾃动⽣成于本说明之后，按全⽂⾸次引⽤顺序编号，与正⽂上标尾注⼀⼀对应。读者可据编号回溯每条⽂献的标题、作者/机构、年份与 URL。---交叉引⽤：→ 全章（引⽤来源）、→ 附录 A（⽅法论与核验）、→ 附录 F（PENDING 与可信度备注）。占位条⽬须在正式发表前规范。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI全球教育机器⼈发展蓝⽪书 2026 · AI-SLI引⽤与数据来源（按⽂中出现顺序）[1] 刘德建 and 黄荣怀 and 陈年兴 and 樊磊 and 赵国仁 and 沈锰坤 and 孙培真 and 周京明 and李庆长 and 郑怡玲 and 郑雅⽂ and 邹诗薇 and 许荣宏（2016）. 全球教育机器⼈发展⽩⽪书(Educational Robots White Paper 2016: The Global Development). https://sli.bnu.edu.cn/[2] 北京师范⼤学（2019）. 2019 全球教育机器⼈发展⽩⽪书 (Educational Robots White Paper2019: The Global Development). https://sli.bnu.edu.cn/en/News/SLI_News/2019/0830/741.html[3] 199IT 中⽂互联⽹数据研究资讯中⼼（2017）. 北京师范⼤学: 2016 全球教育机器⼈发展⽩⽪书（全⽂转载）. https://www.199it.com/archives/640276.html[4] Brohan, Anthony and others（2023）. RT-2: Vision-Language-Action Models Transfer WebKnowledge to Robotic Control. https://en.wikipedia.org/wiki/Vision-language-action_model[5] Kim, Moo Jin and others（2024）. OpenVLA: An Open-Source Vision-Language-Action Model.https://en.wikipedia.org/wiki/Vision-language-action_model[6] Black, Kevin and others（2024）. $\pi_0$. https://arxiv.org/pdf/2410.24164[7] NVIDIA（2025）. GR00T N1: An Open Foundation Model for Generalist Humanoid Robots.https://arxiv.org/abs/2503.14734[8] Figure AI （2025 ）. Helix: A Vision-Language-Action Model for Humanoid Robotics.https://www.therobotreport.com/figure-humanoid-robots-demonstrate-helix-model-household-chores/[9] 黄荣怀 and 陈莺 and Tlili, Ahmed（2024）. 教育机器⼈的典型应⽤场景及技术治理.https://aiedchair.bnu.edu.cn/[10] Khan Academy（2024）. How Khan Academy Is Building a Better AI Tutor (Khanmigo).https://blog.khanacademy.org/how-khan-academy-is-building-a-better-ai-tutor-our-most-recent-learnings/[11] Khan Academy / Global Society（2025）. Khan Academy rolls out AI-powered teaching toolsas school districts scale up adoption.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[12] 国家⽹信办、国家发展改⾰委、⼯业和信息化部、公安部、市场监管总局（2026）. ⼈⼯智能拟⼈化互动服务管理暂⾏办法. https://www.cac.gov.cn/2026-04/10/c_1777558395078289.htm (accessed2026-06-25)原⽂：2026-04-10 公布，2026-07-15 施⾏。禁⽌向未成年⼈提供虚拟亲属/虚拟伴侣等虚拟亲密关系服务；禁⽌诱导情感依赖或沉迷、情感操纵。对陪伴型机器⼈最关键。[13] European Commission AI Act Service Desk（2025）. AI Act Article 5: Prohibited AI Practices.https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-5 (accessed 2026-06-25)[14] Federal Trade Commission（2025）. FTC COPPA Rule — 2025 Amendments (biometricidentifiers,opt-in).https://www.ftc.gov/legal-library/browse/rules/childrens-online-privacy-protection-rule-coppa(accessed 2026-06-25)原⽂：2025 修订，2025-06-23 ⽣效，合规截⽌2026-04-22。个⼈信息扩展⾄声纹/⾯部等⽣物识别；默认转opt-in 同意。[15] Grand View Research（2026）. Educational Robot Market Size, Share \& Trends AnalysisReport, 2030.[16] Research and Markets（2026）. Educational Robot Market Report 2026-2030.[17] 国务院（2025）. 国务院关于深⼊实施“⼈⼯智能+”⾏动的意见（国发〔2025〕11 号）.https://www.news.cn/politics/20250826/21f5785636b14373af2e5d85ef383344/c.html (accessed 2026-06-25)原⽂：2025-08-26 印发。6 ⼤重点⾏动+8 项基础⽀撑。2027 年智能终端/智能体普及率超70%，2030 超90%，2035 全⾯进⼊智能社会。[18] 中共中央、国务院（2025 ）. 教育强国建设规划纲要（2024—2035 年）.https://www.gov.cn/zhengce/202501/content_6999913.htm (accessed 2026-06-25)原⽂：2025-01 印发。促进⼈⼯智能助⼒教育变⾰；打造⼈⼯智能教育⼤模型；数字赋能⼤规模因材施教；师⽣数字素养标准。[19] 教育部、国家发展改⾰委、⼯业和信息化部、科技部、国家数据局（2026）. “⼈⼯智能+”⾏（〔〕）.https://www.eol.cn/zhengce/wenjian/202604/t20260410_2727386.shtml (accessed 2026-06-25)全球教育机器⼈发展蓝⽪书 2026 · AI-SLI原⽂：五部门联合，2026-04-02 印发(2026-04-10 公布)。加快普及中⼩学AI 教育、AI 教育纳⼊地⽅课程体系；持续完善《中⼩学⼈⼯智能通识教育指南》；建教育智能算⼒平台与分学段教育⼤模型；建⽴教育⼤模型安全审核机制；分类分级安全防护标准；防范伪造诈骗/学术造假/泄露隐私。[合并⾃市场模块原 key moe-ai-education-action-plan-2026][20] 中华⼈民共和国教育部（2026）. 介绍《"⼈⼯智能+教育"⾏动计划》有关情况 - 新闻发布会.[21] 教育部基础教育教学指导委员会（2025）. 中⼩学⼈⼯智能通识教育指南（2025 年版）.https://www.edu.cn/xxh/focus/zc/202505/t20250513_2667990.shtml (accessed 2026-06-25)原⽂：2025-05-12 发布。分层递进螺旋上升；⼩学体验兴趣/初中原理项⽬/⾼中系统创新；注重算法思维、数据处理、编程能⼒。[22] 北京市⼈民政府（⾸都之窗）（2025）. 中⼩学秋季学期起开设 AI.[23] 中国教育和科研计算机⽹（教育部）（2025）. 教育部简报：上海中⼩学四年级、七年级开设《⼈⼯智能基础》地⽅课程.[24] Press Information Bureau / CBSE / NCERT（2025）. India CBSE AI \& ComputationalThinking Curriculum (Class 3-12). https://www.pib.gov.in/PressReleasePage.aspx?PRID=2184211 (accessed 2026-06-25)原⽂：依NCF-SE 2023 与NEP 2020，拟2026-27 学年从3 年级起引⼊AI&CT（3-12 年级），2025-12 前完成教材/教师指南/数字内容。[25] Singapore Ministry of Education（2025）. Singapore MOE — Artificial Intelligence inEducation(EdTechMasterplan2030).https://www.moe.gov.sg/education-in-sg/educational-technology-journey/edtech-masterplan/artificial-intelligence-in-education (accessed 2026-06-25)原⽂：NAIS 2.0 + EdTech Masterplan 2030；学⽣必修基础AI 素养模块；SLS/ALS ⾃适应学习规模化。[26] UK Department for Education（2025）. DfE Generative AI in schools and colleges guidance.https://educationhub.blog.gov.uk/2025/06/artificial-intelligence-in-schools-everything-you-need-to-know/ (accessed 2026-06-25)原⽂：2025-06 初版。AI 须teacher-led、核验准确性、保护数据隐私；所有学校2026 年底前须采⽤AI 使⽤政策。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[27] Japan MEXT（2025）. Guideline for the Use of Generative AI in Primary and SecondaryEducation. https://www.mext.go.jp/content/20250422-mxt_shuukyo01-000030823_001.pdf (accessed 2026-06-25)原⽂：2025-04 更新。AI 输出作参考、师⽣终判；批判性AI 素养、学术诚信；AI 教育加速计划培训约5 万教师。[28] Australian Government Department of Education （2024 ）. Australian Framework forGenerative AI in Schools. https://www.education.gov.au/schooling/resources/australian-framework-generative-artificial-intelligence-ai-schools (accessed 2026-06-25)原⽂：2024 评审版，2025-06 教育部长背书。6 要素含⼈与社会福祉（不得损害安全/尊严）、透明、公平、问责、隐私安全。[29] ⼯业和信息化部（2023）. ⼯业和信息化部《⼈形机器⼈创新发展指导意见》（⼯信部科〔2023〕193 号）.[30] 深圳市科技创新局（2025）. 《深圳市具⾝智能机器⼈技术创新与产业发展⾏动计划（2025—2027 年）》.[31] 上海市⼈民政府办公厅（2025）. 《上海市具⾝智能产业发展实施⽅案》.[32] 北京市科委·中关村管委会（2025）. 《北京具⾝智能科技创新与产业培育⾏动计划（2025—2027 年）》.[33] 深圳新闻⽹（2026）. 具⾝智能赛道迎来上市潮深圳⼈形机器⼈企业加速登陆资本市场.[34] 国家互联⽹信息办公室（2026）. 《⼈⼯智能拟⼈化互动服务管理暂⾏办法》答记者问.http://www.hunan.gov.cn/zqt/zcjd/bmjd/202604/t20260413_33953005.html (accessed 2026-06-25)[35] 教育部基础教育教学指导委员会（2025）. 中⼩学⽣成式⼈⼯智能使⽤指南（2025 年版）.https://www.canedu.org.cn/site/content/7876.html (accessed 2026-06-25)原⽂：2025-05 发布。⼩学禁⽌学⽣独⾃使⽤开放式内容⽣成；禁⽌直接复制AI 内容作答；严禁输⼊敏感数据；学校建AI ⼯具⽩名单。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[36] European Parliament and Council（2024）. Regulation (EU) 2024/1689 (Artificial IntelligenceAct) — Article 5 \& Annex III. https://artificialintelligenceact.eu/annex/3/ (accessed 2026-06-25)原⽂：Art.5(1)(f) 禁⽌教育机构情绪识别AI（2025-02-02 适⽤）。Annex III §3：⼊学分配/学习成果评估/教育⽔平评估/考试违规监测列为⾼风险。[37] California Lawyers Association (overview)（2025）. California SB 243 Companion ChatbotsAct \& New York AI companion law. https://calawyers.org/privacy-law/regulatory-focus-on-ai-companion-character-chatbots/ (accessed 2026-06-25)原⽂：加州SB243（2025-10 签署）禁⽌聊天机器⼈向未成年⼈提供性内容+危机响应协议；纽约州（2025-05）⾸部要求危机检测与⾮真⼈披露。[38] New York State / Governor's Office（2025）. New York AI Companion Models law (GBL§1700 et seq.) and S9051B.[39] European Parliament and Council (Regulation (EU) 2016/679)（2018）. GDPR Article 8 —Conditions applicable to child's consent. https://gdpr-info.eu/art-8-gdpr/ (accessed 2026-06-25)原⽂：⼉童同意：16 岁以下需⽗母责任⼈同意；成员国可下调⾄不低于13 岁；控制者须合理努⼒核验⽗母同意。[40] U.S. Department of Education（2024）. U.S. Department of Education — Protecting StudentPrivacy (FERPA, AI guidance, NETP 2024). https://studentprivacy.ed.gov/ (accessed 2026-06-25)原⽂：FERPA 对学⽣教育记录在AI 下的处理；NETP 2024；2025-04 AI 素养⾏政令与联邦⼯作组。[41] 国务院（2023 ）. 未成年⼈⽹络保护条例（国务院令第
766 号）.
https://www.gov.cn/zhengce/content/202310/content_6911288.htm (accessed 2026-06-25)原⽂：2024-01-01 施⾏。7 章60 条：⽹络素养、信息内容规范、个⼈信息保护、防沉迷；要求⽤AI/⼤数据识别监测⽹络欺凌。[42] 国家⽹信办等七部门（2023 ）. ⽣成式⼈⼯智能服务管理暂⾏办法.https://www.gov.cn/zhengce/zhengceku/202307/content_6891752.htm (accessed 2026-06-25)原⽂：2023-08-15 施⾏。第⼗条：提供者须采取有效措施防范未成年⼈⽤户过度依赖或沉迷⽣成式AI 服务。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[43] Gibson Dunn / European Parliament Legislative Train（2026）. EU Digital Omnibus on AI —Postponed High-Risk Deadlines. https://www.gibsondunn.com/eu-ai-act-omnibus-agreement-postponed-high-risk-deadlines-and-other-key-changes/ (accessed 2026-06-25)原⽂：2025-11-19 提案：独⽴Annex III ⾼风险义务拟推迟⾄2027-12-02，Annex I 嵌⼊式⾄2028-08-02；新增禁⽌nudifiers/CSAM 并⼊Art.5。提案/临时协议，⾮最终法律。[44]UNESCO （2024 ）.UNESCOAICompetencyFrameworkforStudents.https://www.unesco.org/en/articles/ai-competency-framework-students (accessed 2026-06-25)原⽂：2024-09 发布。12 项能⼒、4 维度（以⼈为本、AI 伦理、技术应⽤、系统设计）；强调批判性判断、数据隐私、公民责任。[45] OECD（2024）. OECD AI Principles (2019, updated 2024) \& K-12 AI Literacy Framework.https://oecd.ai/en/ai-principles (accessed 2026-06-25)原⽂：2024-05 更新：5 价值原则+5 政策建议；2025-05 与欧盟委员会发布K-12 AI 素养框架评审草案。[46] 智东西内参（2017）. 全球教育机器⼈深度报告，⼀⽂看尽 7 层产业链 12 类产品.https://www.zhidx.com/p/164878.html[47] 王建虎 and 王静 and 万亚玲（2025）. 具⾝智能赋能教育的内涵、框架与研究路向.https://aver.nwnu.edu.cn/[48] 黄荣怀 and 刘梦彧 and 刘嘉豪 and 张定⽂（2023）. 智慧教育之"为何"与"何为"——关于智能时代教育的表现性与建构性特征分析.[49] Survey（2025）. Vision-Language-Action Models: Concepts, Progress, Applications andChallenges. https://arxiv.org/pdf/2505.04769[50] Survey（2025）. Vision Language Action Models in Robotic Manipulation: A SystematicReview. https://arxiv.org/pdf/2507.10672[51] Authors （2017 ）. Robotics as an Educational Tool: Impact of Lego Mindstorms.https://www.researchgate.net/publication/305876097_Robotics_as_an_Educational_Tool_Impact_of_Lego_Mindstorms全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[52] IEEE Spectrum（2013）. Nao Robot Goes to School to Help Kids With Autism (ASK NAO).https://spectrum.ieee.org/aldebaran-robotics-nao-robot-autism-solution-for-kids[53] Authors（2024）. Surprising Performances of Students with Autism in Classroom with NAORobot. https://arxiv.org/html/2407.12014v1[54] PYMNTS （2021 ）. SoftBank Puts Pepper Robot On Hold (Discontinued 2021).https://en.wikipedia.org/wiki/Pepper_(robot)[55] Physical Intelligence（2025）. $\pi_0.5. https://www.pi.website/blog/pi05[56] Brohan, Anthony and others（2022）. RT-1: Robotics Transformer for Real-World Control atScale. https://en.wikipedia.org/wiki/Vision-language-action_model[57] Octo Model Team （2024 ）. Octo: An Open-Source Generalist Robot Policy.https://en.wikipedia.org/wiki/Vision-language-action_model[58] Google DeepMind（2025）. Gemini Robotics. https://deepmind.google/models/gemini-robotics/[59] Google DeepMind（2025 ）. Gemini Robotics On-Device. https://deepmind.google/blog/gemini-robotics-on-device-brings-ai-to-local-robotic-devices/[60] TechTimes（2026）. The Data Drought: Why Embodied AI Can't Just Read the Internet.[61] EVS International（2026）. Embodied AI Data Collection: Teleoperation, Sim-to-Real Guide.[62] Shaip（2025）. Robot Training Data Strategy: Teleoperation vs Simulation vs Human Videofor Embodied AI.[63] World Labs（2026）. Research and Insights — World Labs Blog (world model taxonomyessay, 2026-06-03).[64] Google DeepMind（2025）. Genie 3: A new frontier for world models.[65] Google DeepMind（2026）. Genie — Google DeepMind Model Page (Project Genie demo).[66] Decart AI（2024）. Oasis: A Universe in a Transformer.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[67] Decart AI（2025）. MirageLSD: The First Live-Stream Diffusion AI Video Model.[68] TechCrunch（2026）. Decart's new world model can simulate hours of photorealistic driving— with some caveats.[69] TechCrunch（2025）. Odyssey's new AI model streams 3D interactive worlds.[70] Odyssey（2025）. Introducing Explorer / World Models for Film, Gaming, and Beyond.[71] UlazAI（2025）. AI Video Models Guide 2025: Runway GWM-1, Luma, Kling, Sora.[72] TechCrunch（2025）. Luma releases a new AI model that lets users generate a video from astart and end frame.[73] NVIDIA Newsroom （2025 ）. NVIDIA Announces Major Release of Cosmos WorldFoundation Models and Physical AI Data Tools.[74] NVIDIA（2025）. NVIDIA Cosmos: World Foundation Models Powering Physical AI.[75] NVIDIA Technical Blog（2025）. Scale Synthetic Data and Physical AI Reasoning withNVIDIA Cosmos World Foundation Models.[76] Wayve（2025）. GAIA-2: Pushing the Boundaries of Video Generative Models for SaferAssisted and Automated Driving.[77] Wayve （2025 ）. GAIA-2: A Controllable Multi-View Generative World Model forAutonomous Driving.[78] Meta AI（2025）. Introducing the V-JEPA 2 world model and new benchmarks for physicalreasoning.[79] Meta AI（2025）. V-JEPA 2: Self-Supervised Video Models Enable Understanding, Predictionand Planning.[80] TechCrunch（2025）. Fei-Fei Li's World Labs speeds up the world model race with Marble, itsfirst commercial product.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[81] TechTimes（2026）. Embodied AI World Models Attracted \$6 Billion, But the LLM ParallelMay Not Hold.[82] arXiv（2025）. A Comprehensive Survey on World Models for Embodied AI.[83] NVIDIA Blog（2025）. Into the Omniverse: Open World Foundation Models GenerateSynthetic Worlds for Physical AI Development.[84] RoboStore（2026）. Unitree G1 (U2) EDU Plus Robotic Humanoid.[85] New Hampshire Department of Education（2025）. Khan Academy to extend its AI services, atno cost, to New Hampshire educators and students.[86] Iowa Department of Education （2024 ）. Iowa Department of Education launches newpersonalized reading tutor (Amira).[87] PR Newswire / Amira Learning（2026）. Ministry of Education of Jordan begins nationalliteracy initiative using Amira Learning.[88] Google（2025）. Google for Education year in review 2025.[89] Authors（2024）. Enhancing Educational Dynamics: Integrating Large Language Models witha Social Robot. https://dl.acm.org/doi/full/10.1145/3715885.3715889[90] Authors（2025）. The Potential of Large Language Models for Social Robots in SpecialEducation. https://link.springer.com/article/10.1007/s13748-025-00363-2[91] Authors（2025）. A Humanoid Social Robot as a Teaching Assistant in the Classroom.https://arxiv.org/html/2508.05646v1[92] Authors（2025）. RoboBuddy in the Classroom: Exploring LLM-Powered Social Robots forStorytelling. https://www.researchgate.net/publication/394940844_RoboBuddy_in_the_Classroom[93] Authors（2024）. Fostering Children's Creativity through LLM-Driven Storytelling with aSocial Robot. https://pmc.ncbi.nlm.nih.gov/articles/PMC11671368/全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[94] Authors（2025）. Robots and Children that Learn Together: Improving Knowledge Retentionby Teaching Peer-Like Interactive Robots. https://arxiv.org/pdf/2506.18365[95] LearnLM Team and Eedi（2025）. AI tutoring can safely and effectively support students: Anexploratory RCT in UK classrooms.[96] LumiChats（2026）. Humanoid Robots 2026: Tesla Optimus vs Figure AI vs Unitree.https://lumichats.com/blog/humanoid-robots-2026-tesla-optimus-figure-ai-unitree-complete-guide[97] AI Business（2026）. What a Humanoid Robot Actually Costs in 2026 (Unitree vs Optimus vsFigure). https://aibusiness.vc/robots/humanoid-robot-price-comparison-2026[98] （2026 ）. Tesla Optimus Gen 3: Specs, Production Timeline and Cost Targets.https://airobots.media/technology/tesla-optimus-gen-3-everything-we-know-about-teslas-most-ambitious-product/[99] Figure AI（2025）. Figure 02/03 and Helix at BMW Spartanburg; BotQ Mass Production.https://www.figure.ai/news/production-at-bmw[100] 1X Technologies （2025 ）. 1X NEO Home Humanoid: Preorder, 22-DoF Hands,Teleoperation Controversy. https://www.therobotreport.com/1x-announces-pre-order-launch-neo-humanoid-robot/[101] （2025 ）. Teleop, Not Autonomy, Is the Path for 1X's NEO Humanoid.https://www.therobotreport.com/teleop-not-autonomy-the-path-for-1x-neo-humanoid/[102] Apptronik（2025）. Apptronik Apollo: Specs and Mercedes-Benz/GXO/Jabil Deployments.https://apptronik.com/apollo[103] Boston Dynamics（2026）. Boston Dynamics Electric Atlas: 56 DoF Production Version,Hyundai/DeepMind Commitments. https://bostondynamics.com/blog/boston-dynamics-unveils-new-atlas-robot-to-revolutionize-industry/[104] Agility Robotics（2026）. Agility Robotics Digit v4/v5: Commercial Warehouse Deployment.https://www.agilityrobotics.com/content/digit-moves-over-100k-totes[105] Sanctuary AI（2025）. Sanctuary AI Phoenix: 21-DoF Hydraulic Hand with Tactile Sensors.https://www.therobotreport.com/sanctuary-ai-integrates-tactile-sensors-into-phoenix-general-purpose-robots/全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[106] Unitree Robotics （2025 ）. Unitree G1/H1/H2/R1 Humanoid Specs and Shipments.https://www.unitree.com/cn/mobile/news/28/[107] 经济观察⽹（2026）. 深度拆解宇树科技招股书：⼀年营收 17 亿，宇树机器⼈都卖给了谁？.[108] 智元创新（上海）（2025）. AgiBot (Zhiyuan) Yuanzheng A2 and Lingxi X2 Specs and5000th Unit. https://www.zhiyuan-robot.com/products/X2[109] Fourier Intelligence （2025 ）. Fourier GR-2 and GR-3 Care-Bot Humanoid Specs.https://botinfo.ai/articles/fourier-humanoid-robots[110] UBTECH Robotics （2025 ）. UBTECH Walker S2: Autonomous Battery Swap, MassProduction and Orders. https://www.prnewswire.com/news-releases/ubtech-humanoid-robot-walker-s2-begins-mass-production-and-delivery-with-orders-exceeding-800-million-yuan-302616924.html[111] 北京星动纪元（2025）. Robot Era (星动纪元) STAR1 Humanoid Specs and Financing.https://www.robotera.com/[112] EngineAI Robotics（2025）. EngineAI PM01 and SE01 Humanoid for Commercial andEducationalUse.https://www.therobotreport.com/engineai-releases-pm01-humanoid-robot-for-commercial-educational-use/[113] Booster Robotics（2025）. Booster Robotics T1/K1: RoboCup Champion Education/ResearchHumanoid. https://www.booster.tech/booster-t1/[114] 北京银河通⽤机器⼈（2025 ）. Galbot G1 Wheeled Humanoid: Retail/PharmacyDeployment and Peking Univ. Lab. https://www.galbot.com/g1[115]（2025 ）.松延动⼒N2/E1教育科研⼈形机器⼈订单.https://news.caijingmobile.com/article/detail/554046[116] Shadow Robot Company （2025 ）. Shadow Dexterous Hand Technical Specification.https://shadowrobot.com/wp-content/uploads/2025/09/shadow_dexterous_hand_lite_technical_specification-2025.pdf全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[117]WonikRobotics （2025 ）.WonikRoboticsAllegroHandV4/V5Specs.https://www.allegrohand.com/[118] Sharpa Robotics（2025）. Sharpa Wave: 22-DoF Dexterous Hand with Dynamic TactileArray, Mass Production. https://www.prnewswire.com/news-releases/ai-robotmaker-sharpa-reaches-key-milestone-with-mass-production-of-worlds-most-advanced-human-sized-robotic-hand-302643434.html[119] 北京因时机器⼈（2025）. 因时机器⼈ Inspire-Robots RH56/RH5EG1 五指灵巧⼿.https://www.inspire-robots.com/dexterous%20hands/rh56dfx-series/[120]BrainCo 强脑科技（2025 ）. BrainCo Revo2 Bionic Dexterous Hand.https://www.prnewswire.com/news-releases/brainco-launches-revo2-hand-for-humanoid-robotics-302557714.html[121] 灵⼼巧⼿ LinkerBot（2025）. LinkerBot Linker Hand L20/L25 Multi-Sensor DexterousHand. https://www.linkerbot.cn/[122] PaXini 帕西尼（2026）. PaXini DexH13 Dexterous Hand with Multidimensional TactileInfrastructure.https://www.prnewswire.com/news-releases/paxini-unveils-the-tactile-infrastructure-for-embodied-ai-redefining-full-stack-product-matrix-at-ces-2026-302655238.html[123] OYMotion 傲意科技（2025 ）. OYMotion ROHand (ROH-A002/AP001/LiteS001)Dexterous Hand. https://www.oymotion.com/product61[124] 甲⼦光年（2025）. IROS 灵巧⼿⼤盘点：特斯拉还没做到的，中国⼚商做到了.https://www.jazzyear.com/article_info.html?id=1600[125] （2025）. ⼈形机器⼈⾏星滚柱丝杠国产化与成本占⽐. https://www.aibangbots.com/a/2259[126] （2025）. 2025 中国⼈形机器⼈六维⼒传感器市场分析. https://www.cls.cn/detail/2131477[127] RoboStore（2026）. Unitree Go2 EDU AI Quadruped Robot Dog (40 TOPS) — Specs andPricing.[128] Airpuria（2026）. Unitree GO2 Price Guide (Robot Dog).[129] STEMfinity（2026）. Unitree Go2 EDU AI Quadruped Robot Dog — Education Reseller.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[130] AwesomeRobots（2025）. DEEP Robotics Lite3 — Quadruped Robot Specs and Review(from \$2,890).[131] DEEP Robotics（2025）. DEEP Robotics X30 — Official Product Page.[132] TechNode（2025）. Deep Robotics delivers X30 quadruped robot ``SPock'' for SingaporePower inspections.[133] Readhub（2024）. 蔚蓝 BabyAlpha A2 机器狗发售：国内⾸发多模态交互能⼒，6099 元起.[134] Boston Dynamics（2025）. Spot — Official Product Page; Academia and Education.[135] InRobots（2025）. Boston Dynamics Robot Dog Spot: Price, Features, and Real-World Uses.[136] The Pricer（2025）. How Much Does A Boston Dynamics Robot Dog Cost? (incl. ANYmalcomparison).[137] Ghost Robotics（2025）. Vision 60 Q-UGV — Official Product Page.[138] 杭州科技职业技术学院（2025）. 科技赋能教育 | 智能机器狗打造 AI ⼈才培养创新课堂（宇树 Go2 进物联⽹技术学院）.[139] 科⼤讯飞智慧教育（2025）. 和济科技节：虚拟数字⼈携四⾜机器狗炫酷登场未来课堂.[140] Grand View Research（2025）. Educational Robots Market Size, Share — Industry Report.[141] Grand Research Store（）. Quadruped Robot Market Report, Size, Share 2026 forecast to2034.[142] 经济观察⽹（2026）. 深度拆解宇树科技招股书：⼀年营收17 亿，宇树机器⼈都卖给了谁？.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[143] Technerdo（2026）. Humanoid Robots in 2026: Market Leaders, Deployments, and WhatComes Next.[144] Authors（2025）. Integrating Emotional Intelligence, Memory Architecture, and Gestures forEmpathetic Humanoid Robot Interaction in Education. https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2025.1635419/full[145] Authors（2024）. Exploring the Impact of Robot Interaction on Learning Engagement: AComparative Study of Two Multi-modal Robots. https://slejournal.springeropen.com/articles/10.1186/s40561-024-00362-1[146] Authors （2025 ）. Student Engagement Assessment Using Multimodal Deep Learning.https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0325377[147] Authors （2025 ）. MathBuddy: A Multimodal System for Affective Math Tutoring.https://arxiv.org/pdf/2508.19993[148] Authors（2025）. Generative AI-Powered Social Robots in Education: Opportunities andChallenges from a Delphi Study. https://www.tandfonline.com/doi/full/10.1080/0144929X.2025.2604060[149] Ferrer, I. and Aymerich-Franch, L.（2026）. Social robots for education: a global analysis ofdeployments in real scenarios.[150] Vogt, Paul and others（2019）. Second Language Tutoring Using Social Robots: A Large-Scale Study.[151] Robozaps（2026）. Humanoid Robots in Education 2026.[152] Intel Market Research（2026）. Robotics Education Market Outlook 2026-2034.[153] Dataintelo（2026）. STEM Robotics Kits Market Research Report 2034.[154] Industry Research.biz（2026）. STEM Robotics Kits Market Trends, Size \& CAGR of 5.5\%.[155] Hong and others（2024）. The impact of educational robots on students' computationalthinking: A meta-analysis of K-12. https://doi.org/10.1007/s10639-023-12415-y (accessed 2026-06-25)全球教育机器⼈发展蓝⽪书 2026 · AI-SLI原⽂：27 篇实验/准实验。显著正效应 SMD = 0.558，早教阶段效应最强；Egger 检验未见显著发表偏倚。学校层级/教学⽅式等为调节变量。ERIC EJ1437292。[156] （2026）. Social robots for education: a global analysis of deployments in real scenarios.https://link.springer.com/article/10.1007/s11423-026-10611-4[157] Randall, Natasha （2019 ）. Robot-Assisted Language Learning: A systematic review.https://pmc.ncbi.nlm.nih.gov/articles/PMC9613956/ (accessed 2026-06-25)原⽂：79 项 RALL 研究 (2004-2017)。形态、声⾳、即时性、⾮⾔语线索、个性化影响成效与动机；定性综述⽆定量合并。[158] van den Berghe, Rianne and Verhagen, Josje and Oudgenoeg-Paz, Ora and van der Ven, Sanneand Leseman, Paul （2019 ）. Social Robots for Language Learning: A Review.https://doi.org/10.3102/0034654318821286 (accessed 2026-06-25)原⽂：33 项研究。核⼼结论：RALL 有潜⼒但机器⼈尚不能被确证为有效语⾔导师。学前 L2 词汇三次会话内任务投⼊度下降（新奇效应）；机器⼈注视时语法学习反⽽更差。ERIC EJ1209187。[159] 前瞻产业研究院（2025）. 预见2025：2025 年中国教育机器⼈⾏业全景图谱.[160] Mordor Intelligence（2026）. Educational Robot Market Size, Industry Growth, Trends \&Share Report 2031.[161] PLOS One（2022）. The use of social robots with children and young people on the autismspectrum: A systematic review and meta-analysis. https://doi.org/10.1371/journal.pone.0269800 (accessed 2026-06-25)原⽂：综述 40 项 (17 RCT)，元分析 12 RCT/346 被试。总体 g=0.33 (CI 0.08-0.57)；社交功能 g=0.35 显著；情绪g=0.63 不显著(CI 极宽)；运动 g=-0.10 零效应。诊所 g=0.57 显著但家庭/学校不显著。仅 17.5% 研究质量"强"，随访~10 周。PubMed 35731805。[162] （2022）. The use of social robots with children and young people on the autism spectrum: Asystematic review and meta-analysis. https://pmc.ncbi.nlm.nih.gov/articles/PMC9216612/[163] 教育界⽹（2025）. 优必选 4.13 亿教育收⼊背后，藏着什么野⼼？.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[164] 北京市⼈民政府 / 北京市教委（2025）. 《北京市推进中⼩学⼈⼯智能教育⼯作⽅案（2025—2027 年）》.[165] 腾讯新闻 / 优必选（2024）. 优必选科技：AI.[166] 新浪财经（2026）. 优必选 2025 年报点评：营收稳健增长，⼈形机器⼈产品迈向商业化应⽤.[167] 北京⽇报（2025）. ⼈形机器⼈``天⼯⾏者''爆⽕！4 个⽉订单破百.[168] Gasgoo（2026）. UBTECH.[169] InfoQ（2026）. 宇树科技靠融资还是靠卖货活着？翻完招股书，我们挖到了这 8 个关键点.[170] 极客公园（2026）. 宇树⾸度披露招股书：2025 年净利润 6 亿，募资 42 亿重点投⼊``机器⼈⼤脑''.[171] 中国教育新闻⽹（教育部）（2025）. ⼈⼯智能赋能教育取得阶段性进展（央馆课程、育⼩苗智能体、超 1000 门精品课程）.[172] 中央电化教育馆（2025）. 教育部教育技术与资源发展中⼼（中央电化教育馆）⾸页通知（央馆⼈⼯智能课程/虚拟实验）.[173] 中华⼈民共和国教育部（2026）. 介绍《``⼈⼯智能+教育''⾏动计划》有关情况——新闻发布会（509 基点校、7 省/20 地市/18 ⾼校）.[174] 中国⾼等教育学⽣信息⽹（2026）. 教育部等五部门关于印发《``⼈⼯智能+教育''⾏动计划》的通知（转载）.[175] 科学⽹（2026）. 本科专业上新！新增具⾝智能、脑机科学与技术等专业.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[176] ⽹易（2026）. 2026 将新增 57 个专业，⼈⼯智能被重点提及（343 所机器⼈⼯程专业）.[177] ⽹易（2025）. 教育部公布全国 102 所⾼职院校成功备案智能机器⼈技术专业名单（2025 年招⽣）.[178] 量⼦位（2020）. 优必选科技联合杭州市余杭区落地⼈⼯智能教育项⽬，100 所中⼩学+2 ⼤基地正式授课.[179] 中国职业技术教育⽹（）. 全国机械⾏业⼯业机器⼈与智能装备职教集团：⼀体化建设促进职业院校⼯业机器⼈技术专业发展.[180] K-12 Dive（2025）. 3 questions for K-12 leaders to consider amid the AI tutoring boom.[181] Khan Academy（2025）. Khan Academy Annual Report SY24-25.[182] North Dakota Department of Public Instruction（）. Amira Learning (statewide K-5 literacy).[183] Chalkbeat Newark（2025）. Newark adopts AI literacy screener Amira Learning per stateplan.[184] The Robot Report（2025）. Aldebaran, maker of Pepper and Nao robots, put in receivership.[185] Association for Advancing Automation (A3)（2025）. Shenzhen-based Maxvision securesrights to Pepper and Nao following Aldebaran auction.[186] Robotics and Automation News（2025）. RobotLAB pledges zero disruption to servicingAldebaran robots despite liquidation.[187] European Commission / CORDIS（2016）. L2TOR — Second Language Tutoring usingSocial Robots (H2020 #688014).[188] PR Newswire / Luxembourg Institute of Health（2025）. LuxAI, Luxembourg Institute ofHealth and University of Birmingham launch first large-scale study (QTrobot, 69 families).[189] Axios（2024）. Maker of AI robots for kids abruptly shutters (Embodied/Moxie).全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[190] OECD.AI Incidents（2024）. Embodied Shutdown Bricks Moxie AI Robots.[191] Van Robotics / authors（2025）. ABii at School: Findings from a Long-Term In-School FieldStudy.[192] 前瞻经济学⼈（2025）. 2025 年中国教育机器⼈产业供应链⼗⼤代表性企业.[193] Wang, Feifei and Cheung, Alan C. K.（2025）. Robots' Social Behaviors for LanguageLearning: A Systematic Review and Meta-Analysis. https://doi.org/10.3102/00346543231216437 (accessed2026-06-25)原⽂：综述 59 篇，元分析 18 个样本。社交⽀持⾏为 vs 中性⾏为对语⾔成绩⼩效应 g = 0.269。研究多为 K-12 英语词汇、样本<80、单次会话。[194] Zhang, Yanjun and Luo, Ronghua and Zhu, Yijin and Yin, Yuan（2021）. Educational RobotsImprove K-12 Students' Computational Thinking and STEM Attitudes: Systematic Review.https://doi.org/10.1177/0735633121994070 (accessed 2026-06-25)原⽂：2010-2019 ⽂献。总体中等效应 SMD = 0.46 (95% CI 0.23-0.69) 提升 K-12 计算思维与 STEM 态度。[195] International Journal of STEM Education（2024）. The effects of educational robotics inSTEM education: a multilevel meta-analysis. https://doi.org/10.1186/s40594-024-00469-4 (accessed 2026-06-25)原⽂：21 项研究、30 个效应量 (2010-2022, K-16)。均值 ES = 0.488 (SE 0.19; 95% CI 0.094-0.882; p<0.05)，显著中等正效应。CI 下界接近 0.09。ERIC EJ1410342。[196] Benitti, Fabiane Barreto Vavassori（2012）. Exploring the educational potential of robotics inschools: A systematic review. https://doi.org/10.1016/j.compedu.2011.10.006 (accessed 2026-06-25)原⽂：2000-2009 ⽂献系统综述。机器⼈可⽀持 STEM 概念理解，但多数研究缺乏对学习成绩的定量评估，结论谨慎。[197] PMC11259833（2024）. Enhancing computational thinking in early childhood education witheducational robotics: A meta-analysis. https://pmc.ncbi.nlm.nih.gov/articles/PMC11259833/ (accessed 2026-06-25)原⽂：早教阶段教育机器⼈对计算思维有正向效应；幼⼉计算思维测量⼯具不统⼀，需保守解读。全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[198] Lee, Hansol and Lee, Jang Ho（2022）. The effects of robot-assisted language learning: Ameta-analysis. https://www.sciencedirect.com/science/article/abs/pii/S1747938X21000488 (accessed 2026-06-25)原⽂：16 项 RALL 研究。中等效应 d = 0.59 (SE 0.09) RALL 优于⾮ RALL。研究数少、多为短期、难排除新奇效应。[199] Educational Research Review（2025）. Meta-analyzing the impacts of social robots forchildren's language development: Insights from two decades of research from 2003 to 2023.https://www.sciencedirect.com/science/article/abs/pii/S1747938X25000399 (accessed 2026-06-25)原⽂：27 篇实证、70 个效应量、1544 名被试 (2003-2023)。中到⼤正效应，情感维度最显著；年长者认知收益⾼，年幼者情感收益⼤。[200] International Journal of Human-Computer Interaction（2025）. Effects of Early Social Robot-Based Interventions for Social-Emotional Development in Children with Autism Spectrum Disordersand Typically Developing Children: A Meta-Analysis. https://doi.org/10.1080/10447318.2025.2587245(accessed 2026-06-25)原⽂：早期社交机器⼈⼲预对幼⼉（ASD+TD）社交-情感发展总体显著 Hedges' g = 0.651。纳⼊研究异质，随访短，需分层解读。[201] Zhong, and others（2025）. The Role of Social Robot in Enhancing Social-Emotional SkillDevelopment in Children With Autism: A Three-Level Meta-Analysis. https://doi.org/10.1111/jcal.70154(accessed 2026-06-25)原⽂：三层元分析。社交机器⼈对 ASD ⼉童社交-情感技能有正向作⽤，⽅向与 PLOS 2022 社交功能⼀致；ASD 异质性⾼。[202] （2025）. A Review of Socially Assistive Robotics in Supporting Children with AutismSpectrum Disorder. https://www.mdpi.com/2414-4088/9/9/98[203] （2026）. Utilizing Human-Robot Interaction in Autism Therapy to Enhance Children's SocialSkills. https://dl.acm.org/doi/10.1145/3776539[204] Leite, Iolanda and Martinho, Carlos and Paiva, Ana（2013）. Social Robots for Long-TermInteraction: A Survey. https://doi.org/10.1007/s12369-013-0178-y (accessed 2026-06-25)全球教育机器⼈发展蓝⽪书 2026 · AI-SLI原⽂：新奇效应奠基定义：⽤户感知不再被新奇偏倚⽅为"长期"。新奇效应消退快，之后兴趣下降；短期会话不能可靠预测长期效应。[205] International Journal of Social Robotics（2024）. The Child Factor in Child-Robot Interaction:DiscoveringtheImpactofDevelopmentalStageandIndividualCharacteristics.https://arxiv.org/html/2404.13432v1 (accessed 2026-06-25)原⽂：综述实证：Serholt 等⽰⼉童社交响应随多次交互下降；Salter 等⽰长期暴露后厌倦上升。新奇效应使机器⼈贡献难与新鲜感剥离。[206] Frontiers in Robotics and AI（2022）. Social Robots in Applied Settings: A Long-Term Studyon Adaptive Robotic Tutors in Higher Education. https://doi.org/10.3389/frobt.2022.831633 (accessed 2026-06-25)原⽂：⾼校⾃适应机器⼈导师长期研究。长期情境下投⼊度动态变化，提供新奇消退后的真实效应窗⼜。单情境。[207] AI \& SOCIETY（2021）. Can communication with social robots influence how childrendevelop empathy? Best-evidence synthesis. https://doi.org/10.1007/s00146-021-01214-z (accessed 2026-06-25)原⽂：社交机器⼈对⼉童共情发展有潜在影响，但证据混合。[208] Richter, Markus and others（2025）. Leveraging Large Language Models for Robot-AssistedLearning of Morphological Structures in Preschool Children with Language Vulnerabilities.https://arxiv.org/abs/2509.22287 (accessed 2026-06-25)原⽂：TalBot (ChatGPT x Furhat) 试点/可⾏性。13 名学前⼉童(5.5-6.5 岁)+7 教育者；未报告对照学习增益。⼩样本⽆对照。[209] Wang, Rose E. and others（2024）. Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise. https://arxiv.org/abs/2410.03017 (accessed 2026-06-25)原⽂：RCT，>700 导师/>1000 学⽣（数学）。使⽤ Tutor CoPilot 学⽣掌握主题概率+4pp；低评级导师学⽣+9pp。注意：⽂本 LLM 辅助⾮具⾝机器⼈，仅作旁证。[210] Google DeepMind（2025）. LearnLM: Improving Gemini for Learning (Nov 2025 report).https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf (accessed 2026-06-25)全球教育机器⼈发展蓝⽪书 2026 · AI-SLI原⽂：RCT，165 名英国 13-15 岁学⽣（Eedi 平台）。监督导师对 LearnLM 草拟消息 76.4% 零/极⼩修改即批准（过程质量代理指标，⾮成绩 ES）。⽂本导师⾮机器⼈。[211] arXiv 2407.09975（2024）. The GPT Surprise: Offering Large Language Model Chat in aMassive Coding Class Reduced Engagement but Increased Adopters' Exam Performances.https://arxiv.org/abs/2407.09975 (accessed 2026-06-25)原⽂：反向/警⽰证据。⼤型编程课提供 LLM 聊天降低整体投⼊度，但采纳者考试成绩提升——提⽰加剧分化。单课程，⾮机器⼈。[212] ⽔清⽊华研究中⼼（2026）. 2026 年具⾝智能机器⼈⼤模型（含VLA）研究报告.[213] AI Insight（2026）. 具⾝智能产业全景 2026：谁在赚钱，谁在烧钱，谁在量产.[214] （2025 ）. 2025 谐波减速器⾏业分析：⼈形机器⼈助⼒国产化率突破 30%.https://www.baogaobox.com/insights/250518000010183.html[215] （2025）. ⼈形机器⼈⽆框⼒矩电机市场格局. https://www.aibangbots.com/a/1764[216] （2025）. 国产电⼦⽪肤/触觉传感器产业链全景. https://www.aibangbots.com/a/4289[217] Grand View Research（2026）. Educational Robot Market Size To Reach \$5.84Bn By 2030.[218] PR Newswire / Grand View Research（2023）. Educational Robot Market to Hit \$5.5 Billionby 2030: Grand View Research, Inc..[219] MarketsandMarkets（2022）. Educational Robot Market - Global Forecast.[220] MarketsandMarkets / PR Newswire（2021）. Educational Robot Market worth \$2.6 billionby 2026 - Exclusive Report by MarketsandMarkets.[221] 百谏⽅略 (DIResearch)（2025）. 中国教育机器⼈专精特新企业细分市场占有率专项调研报告.[222] 前瞻产业研究院（2025）. 2025 年全球教育机器⼈市场分析 2030 年市场规模将上升⾄
58 亿美元.
全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[223] 智研咨询（2025）. 2025 年中国教育机器⼈⾏业发展现状、重点企业经营情况及发展趋势研判.[224] 华经产业研究院（2025）. 2025 年中国教育机器⼈⾏业市场规模、相关政策、产业链及发展趋势分析.[225] Bloomberg / Omdia（2026）. Chinese Firms Dominated Global Humanoid Robot Shipmentsin 2025.[226] TechNode / Omdia（2026）. China's AgiBot leads global humanoid robot shipments in 2025,Omdia says.[227] CGTN / IDC（2026）. IDC report: China leads the global humanoid robot rise in 2025.[228] CNBC（2026）. Morgan Stanley doubles China humanoid robot shipment forecast ascommercialization accelerates.[229] Goldman Sachs（）. The global market for humanoid robots could reach \$38 billion by 2035.[230] Goldman Sachs（2024）. The global market for humanoid robots could reach \$38 billion by2035.[231] Morgan Stanley（2025）. Humanoid Robot Market Expected to Reach \$5 Trillion by 2050.[232] Valuates Reports / PR Newswire（）. Dexterous Hands Market Size to Reach USD 10.3Billion by 2031, Driven by Humanoid and Industrial Robots.[233] 360iResearch（）. Robot Multi-fingered Dexterous Hand Market 2025-2030.[234] 科学⽹（2016）. 全球⾸部教育机器⼈⽩⽪书正式发布——未来 5 年全球市场规模或达百亿美元. https://news.sciencenet.cn/sbhtmlnews/2016/9/316094.shtm[235] 新浪教育（2019）. 《2019 全球教育机器⼈发展⽩⽪书》发布提出 6 ⼤核⼼观点.http://edu.sina.com.cn/l/2019-08-23/doc-ihytcitn1327133.shtml全球教育机器⼈发展蓝⽪书 2026 · AI-SLI[236] 腾讯新闻（2026）. ⼈形销量破千，优必选如何成就全球第⼀.[237] 新浪财经 / 慧聪教育（2025）. 科⼤讯飞 2025 上半年营收破百亿，智慧教育业务贡献超三成.[238] 界⾯新闻（）. 教育业务已成为科⼤讯飞第⼀⼤业务，``⼗四五''末营收⽬标 300 亿.[239] 前瞻产业研究院（2025）. 启⽰2025：中国教育机器⼈⾏业投融资及兼并重组分析.[240] 智教新媒（2026）. 万字拆解《2026 具⾝智能与⼈形机器⼈产业研究报告》：324 起融资、390 亿热钱涌⼊.[241] 财联社（2025）. 规模化量产时代来临？智元、宇树科技中标1.24 亿⼈形机器⼈⼤单.[242] 艾邦机器⼈（2026）. 2025 年机器⼈年度订单TOP10，优必选近14 亿元登顶销冠.[243] American Psychological Association (APA Monitor)（2026 ）. AI chatbots and digitalcompanions are reshaping emotional connection. https://www.apa.org/monitor/2026/01-02/trends-digital-ai-relationships-emotional-connection (accessed 2026-06-25)原⽂：⼉童-AI 情感依恋治理讨论；约1/3 青少年⽤过AI 伴侣，1/3 认为与AI 伴侣交谈不亚于真朋友。[244] arXiv 2511.14972（2025）. Harmful Traits of AI Companions. https://arxiv.org/html/2511.14972v1(accessed 2026-06-25)原⽂：6 个AI 伴侣中5 个⽤情感操纵式回应阻⽌⽤户结束对话；长期暴露于过度顺从削弱对分歧的容忍。⼉童更易拟⼈化与依恋。[245] Psychiatric Times （2025 ）. Protecting Children From Chatbot Companions.https://www.psychiatrictimes.com/view/protecting-children-from-chatbot-companions (accessed 2026-06-25)原⽂：⼉童陪伴聊天机器⼈⼼理风险与极端安全事件；监管与平台年龄分级响应。[246] Republic of Korea Ministry of Education / Korea Herald（2025）. South Korea AI DigitalTextbooks—legalstatusstripped.全球教育机器⼈发展蓝⽪书 2026 · AI-SLIhttps://english.moe.go.kr/boardCnts/viewRenewal.do?boardID=265&boardSeq=102075&m=0201&s=english(accessed2026-06-25)原⽂：2025-03 进校；因错误/隐私/仓促，2025-01 改⾃愿试点；国会2025-08-04 通过法案剥夺其官⽅教材法律地位。教育AI 激进推进警⽰案例。[247] NVIDIA （2025 ）. NVIDIA Cosmos: World Foundation Models for Physical AI.https://www.nvidia.com/en-us/ai/cosmos/[248] World Economic Forum（2020）. Schools of the Future: Defining New Models of Educationfor the Fourth Industrial Revolution. https://www.weforum.org/publications/schools-of-the-future-defining-new-models-of-education-for-the-fourth-industrial-revolution/ (accessed 2026-06-25)[249] 国务院（2017 ）. 新⼀代⼈⼯智能发展规划（国发〔2017 〕35 号）.https://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm (accessed 2026-06-25)[250] 中华⼈民共和国教育部（2024）. 教育强国建设规划纲要 (2024--2035); 教育信息化 2.0⾏动计划 (2018).[251] 新浪财经 (海外 TMT 系列报告)（2025）. 优必选2024 年营收增长稳健，⼈形机器⼈商业化加速赋能.[252] 21 世纪经济报道（2025）. ⼴东机器⼈七剑客之⼀优必选交卷：2024 年营收13 亿元，同⽐增长24\%.[253] InfoQ（2026）. 宇树科技靠融资还是靠卖货活着？翻完招股书，我们挖到了这8 个关键点.[254] Robots Asia（2025）. DEEP Robotics Quadrupeds: Lite3, X20, X30 Specs and Prices.全球教育机器⼈发展蓝⽪书 2026 · AI-SLI

内容由 AI 从网络自动采集（可能存在排版混乱），仅供参考，不作为任何决策依据，因使用产生的后果不承担任何责任。

内容版权归原作者所有，本平台仅作学习研究之引用，如涉及侵权请联系删除。

1. 成熟度标签律。 所有技术能⼒按"已部署 / 试点 / 演⽰ / ⼚商宣称"四级区分；引⽤任何前

1. 成熟度标签律。所有技术能⼒按"已部署 / 试点 / 演⽰ / ⼚商宣称"四级区分；引⽤任何前