NE时代

迈向 "工业 5.0"—— 2026年9月，摩根士丹利发布蓝皮书《中国下一轮工业革命》提出，继工业4.0的数字化与设备互联之后，中国制造业正站在下一场变革的起点上，即“工业5.0”正在走来。这一阶段由工业智能化、工业韧性、工业领导力三大支柱构成，其核心特征是让未来工厂具备感知、决策、执行能力 —— 感知与决策由 AI 智能体完成，执行层由具身智能实现。

这一判断指向一个明确的产业趋势：工业具身智能不再是实验室命题，而是正在进入规模化落地阶段。而落地的第一站，就是存量产线，这正是当前行业最难解的一道题。

今天，均普智能给出了自己的回答 —— 工业具身智能全栈平台 Primus Stack。

10月12日，均普智能（688306.SH）正式发布工业具身智能全栈平台Primus Stack，围绕工业现场的数据采集、模型训练、技能开发与作业交付，形成Primus Device、Primus Loop、Primus DevKit和Primus Autonomy四个相互衔接的产品模块。

机器人进入产线，需要同时满足具体物料、设备条件、质量标准和生产节拍的要求。Primus Stack 以这些要求为起点，将工艺经验整理为可训练的任务、数据和评测标准，再把经过验证的模型与技能部署到目标工位，为工业机器人持续积累作业能力提供支撑。

均普智能希望通过这一产品体系，联合模型、机器人本体、传感器、仿真和控制系统等生态合作伙伴，共推进具身智能在真实生产任务中的应用。

目前，公司已在多家世界 500 强客户产线完成具身智能场景的落地与交付；依托这一全栈工程化能力，持续推动工业具身智能从技术验证走向规模落地，并加速向全球工业具身智能领先梯队迈进。

01.

工业场景有望成为具身智能规模化落地的确定性入口

具身智能从实验室走向产业规模化，工业场景是当前确定性较高的落地方向，也是验证具身技术成果的主阵地之一。核心原因在于工业产线的结构化与模块化特征：每道工序的作业内容、合格判定均有明确的工艺参数、公差标准与质量边界。这种可量化、可验证、可闭环的工艺条件，恰好构成具身智能落地所需的确定性基础 。与开放环境下的通用场景不同，工业场景允许从确定性任务切入，跑通完整的作业闭环，并在真机部署中积累数据与工程经验。

但工业落地的真正门槛，不在算法，而在场景 Know-how。项目经验能否沉淀为可复用的标准模块，直接决定了业务的复制效率，这正是实验室路线最难补齐的一课。而这正是均普的差异化优势所在：依托均胜集团全球工厂的丰富工业场景，公司长期深耕制造一线，对工序完成标准、关键质量参数、异常发生节点拥有深厚的工艺认知积累。这类沉淀于真实生产现场的工艺Know-how，较难从公开数据集获取，也无法在实验室快速复刻。

基于此，Primus Stack应运而生——让项目经验不再停留在单一工厂，而是沉淀为可跨场景复用的标准模块，实现从工艺知识到智能决策的闭环落地。

02.

Primus Stack：

从端侧确定性到云端进化的工业具身智能全栈平台

Primus Stack 是一套数据与模型驱动、大小脑协同的工业具身智能全栈产品体系，共同承载 "端侧确定性执行 + 云端泛化进化" 的双重能力。

工业具身智能的落地，面临一个核心挑战：产线对作业精度、节拍和稳定性有严格要求，生产现场又不断出现新的工况与变化。单一技术路线往往难以兼顾稳定执行与灵活适应。Primus Stack通过大模型、专用模型与控制系统的分层协同，将大模型的任务理解与泛化能力、专用模型的场景适配能力，以及控制系统的实时执行能力结合起来，在工艺约束下应对现场变化。

多模态大模型・大脑：可私有化部署于工厂内部的边缘算力节点，融合视觉、力觉、触觉、位姿、工艺流程等，承担任务理解、工序拆解与决策规划。通过大模型学习环境动态与物理交互规律，辅助预测动作结果、评估执行方案，并结合仿真扩充训练数据。针对作业中的新工况、失败案例与人工接管数据，在厂内完成模型训练、评测与更新，持续提升任务适应能力。生产数据与核心工艺信息在本地闭环处理，保障敏感数据不出厂。 大脑负责理解任务、规划步骤、应对变化，为机器人提供灵活作业的能力。

端侧垂类模型・小脑：可部署于产线设备与机器人本体侧，面向特定工艺与工序训练，承担局部感知、动作生成与执行反馈。根据任务目标，结合实时传感信息与工艺约束，协同运动控制与力控系统完成精细操作，满足产线对精度、节拍和稳定性的要求。模型在本地低延迟运行，执行过程不依赖外部网络；运行数据、异常记录与人工纠正数据在厂内回流，经训练与验证后用于模型更新，持续提升工艺适应性与执行可靠性。 小脑负责精准动作、实时响应、稳定执行，将任务规划转化为可靠的现场作业。

协同关系：大脑负责 "想清楚做什么"，小脑负责 "精准执行到位"。大脑输出任务指令与工艺路径，小脑在端侧以确定性方式完成动作闭环；现场数据回流至大脑，驱动大模型迭代后再下发新策略 —— 这正是 Primus Stack的核心逻辑。

以下逐层展开。

Primus Device × Primus Loop：

让机器人在产线上持续积累作业经验

真实产线提出问题，也检验答案。机器人能否用于工业生产，取决于它能否在具体物料、设备条件、质量要求、生产节拍等综合约束下稳定作业。均普的解法是以工业场景为起点，通过Primus Device与Primus Loop分别解决 "数据从哪来" 和 "模型怎么训"—— 将工艺经验转化为可训练的任务、数据与评测标准，联合开发模型，再回产线验证，形成持续闭环。

Primus Device 多源具身数据采集与标准化入口：围绕不同任务接入第一视角、末端示教、手部触觉交互及机器人真机采集。各类终端按配置提供视觉、位姿、动作、力觉和触觉等信息，并结合任务语义记录标准作业、失败过程与人工纠正。

Primus Ego是其中的第一视角采集终端，配备5路全局快门摄像头，覆盖 270° 总视场，以30FPS记录工人完整操作画面，避免高速运动工件的拖影并还原精密装配的细微动作；单路1600×1300分辨率确保零件特征与工具位置清晰可辨。400Hz六轴 IMU 同步输出惯性信息，为分析环境、目标状态与操作过程提供输入。现场采集围绕模型需要识别的状态、学习的动作和应对的变化展开。设备佩戴、视场、照明与防护条件结合具体工位确认，采集数据经必要的标定、映射和筛选后，进入相应的训练流程。更重要的是，工人正常佩戴Primus Ego即可作业，无需改变操作习惯、不干预生产节拍。

Primus Loop 具身智能数据与模型闭环平台：Primus Loop由原数据平台 Primus Forge升级而来，贯通Primus Device采集的现场数据与模型训练、评测、部署及运行反馈，推动大模型在真实工业场景中落地。现场数据经过格式转换、质量检查、VLM辅助标注、人工审核等，形成与目标任务对应的训练数据。根据现场失败案例与工艺要求构建样本并调整训练目标，优化大模型，再通过仿真和真机评测，比较成功率、质量、节拍及人工干预情况。通过评测的模型版本受控发布到现场，新的运行记录与人工纠正继续进入数据平台。Primus Device与Primus Loop共同支撑这一持续改进过程，使每轮训练都有具体问题，每次更新都有现场验证。

Primus Device×Primus Loop 共同支撑工业具身自进化系统RSI：该系统构建在大小脑协同架构之上。大脑负责任务理解与认知规划，小脑负责动作生成与运动控制，技能编排模块贯通多道工序并校验执行状态，异常恢复与人工接管机制为未知工况兜底。机器人每完成一次作业，任务经验与动作反馈即被记录，经多模态数据治理后回流至模型，再经仿真与真机评测受控发布——从"完成一次任务"走向"持续提升作业能力"。

Primus DevKit：

把模型能力封装成机器人

可复用的技能资产

训练完成的模型不等于可以上线的工艺。实验室里跑通的是指标，产线上要的是稳定、节拍可控、结果可复用——中间隔着一道必须有人去填的工程化鸿沟。这正是 Primus DevKit 的职责。

作为一套面向精密装配等高难度工业作业场景的具身智能开发套件，Primus DevKit由工艺原子技能包(Skills)、低代码工艺编排(Primus DevKit Studio)、仿真验证(Simulation)、数据治理(Data)与运行可视化(Visualization)五大模块构成，覆盖从技能生产到运行监控的完整流程。

Primus DevKit定义了模型调用协议：训练完成的模型可以通过该接口接入，被上层任务流直接调用。工艺编排层因此不必关心底层模型的技术路线，只需按工艺逻辑组合技能单元——模型路线怎么变，都不牵动产线重构。

工艺原子技能包（Skills）将模型能力封装为10 余类工业高频作业的标准化动作单元，包括抓取、对位、拧紧、压装、插接等。每个原子自带策略模型与参数接口，可被上层任务流直接调用、组合与替换。由此，模型能力从"论文里的指标"，变成产线上可调用、可组合、可替换的工艺模块——这是从模型到工艺的最后一公里，也是具身智能能否真正进入量产的分界线。

Primus Autonomy：

面向长程任务的自主作业整体交付

Primus Autonomy 作为混合部署解决方案，深度融合公司工业自动化技术积淀，整合具身智能本体以及Device现场数据能力、Loop模型生产能力与DevKit开发部署能力，面向工业场景交付整体具身智能自主作业任务。

技术底座上：自研IAS系统与LineGPT 工业AI执行者协同联动，打通设备层、控制层与制造管理层，使产线设备从被动执行预设指令，升级为理解任务语义、感知工艺异常、自主调整作业策略。

落地形态上：Primus Autonomy面向的是已在运行的产线。 它与产线现有的自动化设备、PLC调度与MES系统对接，把前三层产出的能力嵌入既有工艺流程，无需重建产线。目前，该交付形态已在均普向全球汽车电子Tier1交付的汽车 BMS 多机协同精密装配示范线中验证：多台机器人覆盖上料、精密装配、检测、贴标、入库等工序，由产线PLC统一全局调度，7×24 小时连续运行，并线作业稳定率 99.9%，单工序节拍控制在 70 秒以内。

均普向全球汽车电子 Tier1 交付的汽车 BMS 多机协同精密装配示范线，

G2 具身智能机器人正在作业

03.

工业具身智能的落点，

也是下一轮工厂升级的入口

制造业真正的升级，发生在存量产线上。今天，工厂中的许多设备已具备成熟的自动化能力，能够精准执行既定流程，但面对新的工况与任务变化，仍需要人工判断和调整。摩根士丹利提出的“工业5.0”框架，强调人工智能与机器人在制造体系中的深入应用，为理解这一轮升级提供了新的视角：只有具备感知—决策—执行闭环的机器，才能进入原本为人类工位设计的产线，而不必把产线推倒重来。这也间接说明了存量产线既是具身智能的重要落地场景，也是对技术与工程能力的严格考验；机器人既要应对现场变化，又要满足产线对精度、节拍与稳定性的要求。

而中国的独特之处恰恰在于场景密度：齐全的工业门类、全球最大的制造规模，以及海量正在运转的真实产线，构成了物理 AI 最稀缺的训练场与验证场。但从"场景多"到"领跑"之间还差一步——场景不会自动变成能力，产业命题需要有人把它落成可复制、可量产的工程标准：同一套能力能在不同工厂、不同工序、不同批次上稳定复现，才算真正成立。

均普智能致力于成为最贴近工业场景的模型训练与验证方，并面向产业链发起开放协作：

围绕具体客户与工艺任务，公司负责组织数据与模型训练、建立现场评测和集成路径，联合机器人本体、末端执行器、视觉与触觉传感器、基础模型、仿真及控制系统等生态合作伙伴，共同解决现场问题。合作从有价值的任务开始，以持续现场验证为基础。各方围绕成功率、质量、节拍、人工干预和换型成本评估技术效果，把经过验证的工艺方法、数据规范和技能接口积累下来，降低下一次部署的适配与维护成本。Primus Stack 将持续围绕这一过程建设，让真实生产中的问题进入研发，也让研发成果回到产线接受检验。

从 "能跑通" 到 "能复制、能上量"，具身智能就不再只是一台更灵活的机器，而是一层新的工业基础设施 —— 谁先把产业命题落成可复制、可量产的工程标准，谁就握住了下一轮工厂升级的入口。