◎ 大模型要“击穿”具身智能？

△ 撰文：董志洋

“如果AI终将击穿具身智能怎么办？那就让我们成为AI那一侧。”10月29日，智元联合创始人、联席总裁姚卯青在2026智元创新日回应了一个行业内正在讨论的问题。

通用大模型越强，机器人理解指令、生成动作的能力就可能越强，而当智能能力变得更容易获得，机器人公司还要拿什么参与竞争？这个问题涉及机器人的身体，也涉及它能否走进工厂、商场和其他真实场景。

这场发布会上，智元给出的回答覆盖了关节、灵巧手、运动控制、数据采集和模型训练，也包括机器人进入现场后的交互、部署与运营。联合创始人、总裁兼CTO彭志辉还提出了一个新指标：Worken，用来衡量机器人的有效智能工时。

当机器人开始承担工作，模型表现和硬件性能需要一起接受检验。智元试图计算的，是这些能力最终带来了多少实际产出。

造了多少，还要看干了多少

在介绍技术前，彭志辉先给出了一组数字：2026年上半年，智元收入接近20亿元，机器人出货9700台；今年9月，第2万台机器人下线。

他随后提出：“我们生产了多少台机器，并不等于真实世界就多了多少生产力。”一台机器人离开产线后，还要接入任务、适应现场，才能在工厂或其他场所持续工作。

Worken由Work和Token组合而来，计算公式是：活跃机器人数量×自主工作时长×产出效能比。这三个变量分别涉及有多少机器人真正参与工作、能够自主工作多长时间，以及完成任务的效率。

发布会现场，彭志辉展示了龙旗产线、酒店和长隆等场景的工时看板。他还提出，未来不同机器人、不同任务可以有不同的Worken服务费率。

把工作时长和产出放到一起看，机器人在现场遇到的问题就更具体了：能否适应岗位的工作节拍，出现异常后需要多少人工支持，以及一项技能能否用到相似工位，都会影响它的实际使用。

彭志辉也讨论了通用基础模型越来越强之后的两种可能：

如果模型能力越来越开放，企业要解决的是怎样以较低成本、较高可靠性把智能接入真实世界；如果模型仍高度依赖本体和场景数据，持续部署和获取高质量数据就会成为重要能力。

在他的判断中，成本、性能、供应链和规模部署能力会影响本体企业能否抓住机会。智元的选择是以量产本体为基础，继续建设模型，并通过真实部署积累经验。

他还提出具身智能发展的五次跃迁：拥有可用的身体、进入垂直场景部署、形成具备泛化能力的基座模型、让机器人群体共同进化，最终让智能系统具备自我举升的能力。

机器人要工作，硬件先过关

机器人在产线上反复抓放物料，或在公共场所长时间移动，内部的关节、电驱和控制系统都要持续运行。硬件能否承受负载、散掉热量，也会影响机器人能够承担哪些工作。

智元发布的第三代硬件架构AHA3，采用EtherCAT与万兆以太网高速总线，配合高功率GaN电驱、多模融合厘米级定位，以及WiFi、5G连接。运动、作业和交互相关的控制能力被进一步集成，控制器体积降低50%。

这些变化影响机器内部的数据通信、控制与空间安排。对需要同时运动、操作和交互的机器人来说，控制系统既要处理不同类型的信息，也要适应本体内部有限的安装空间。

关节散热是这次硬件发布的另一项重点。

智元推出皮下式关节液冷系统，把微型管路和仿形散热模块布置在机身内部，让冷却结构靠近关节热源。

相较传统风冷方案，该系统的散热能力达到7倍，关节持续扭矩达到常规风冷方案的3倍。持续扭矩关系到关节在较长时间工作时能够保持的输出，机器人频繁搬运或反复执行动作，都需要考虑这一能力。

面向特殊环境，智元还推出IP67防护等级的特种关节，可应对淋雨、泼溅和浸水工况，并在零下40℃至55℃温度区间工作。针对有防爆要求的场所，智元也在研发相应关节。

在执行端，智元带来了新一代灵巧手与触觉夹爪。OmniHand 3 Lite拥有4个主动自由度，采用紧凑手型；OmniHand 3面向工业作业，已经进入产线连续工作。

面向更复杂的手部操作，OmniHand 3 Ultra采用全直驱设计，配置21个主动自由度和21个电机，尺寸接近人手，重量不到800克，并加入触觉感知。夹爪产品OmniPicker 3则在每个夹指配置70个触觉点，力重比达到184牛每公斤。

论坛后的展区展示了灵巧手操作气球、线缆接插等任务。DUET双层架构中，上层组织动作，下层处理接触与施力，机器人需要根据手指与物体接触后的变化调整动作。

面向搬运任务的精灵G2 Max，则把能力扩展到更高负载。它的双臂各有7个自由度，单臂额定负载20公斤、双臂合计40公斤，峰值负载达到50公斤，腰部俯仰结构支持机器人适配多列料箱，作业高度覆盖约0.1米至2.5米。

G2 Max还配备360度环境感知、底盘安全触边和双电池热插拔设计，已经进入食品、日化快消和电商企业场景，执行工业搬运任务。

在一家食品企业，G2 Max承担混线码垛，单箱作业节拍小于35秒；在日化快消场景，它参与拆垛、开箱、上料和空箱回收等流程。电商仓储场景中，机器人需要与立库系统配合，完成物料搬运。

在运动控制方面，智元介绍了AGILE通用运动智能框架，覆盖运动基础模型、生成式运动、感控一体和自进化智能体，并配套数据与仿真平台。机器人既可以依据语言、音乐或视频生成动作，也需要结合环境反馈调整运动。

在自进化演示中，团队改变了机器人的关节配置，再由系统组织训练和测试，让机器人适应新的本体条件。仿真平台则通过重建现实场景，为运动训练和验证提供环境。

在运动数据方面，智元介绍了超过180亿帧的数据和超过10万小时的动作捕捉数据。训练和验证还需要仿真环境配合：团队利用3DGS重建展厅，将真实空间转为数字场景，再结合动力学与视觉渲染开展训练。

对双足机器人来说，训练中看到的环境与真实地形之间存在差异，机器人需要通过感知调整身体动作。AGILE将动作生成与环境反馈放在同一套运动体系中处理，正是为了让运动能力适应更复杂的空间。

机器人上岗后，还要继续学

硬件提供执行动作的条件，机器人还需要学习不同任务怎么完成。手指放在哪里、物体受到多大力、环境发生变化后如何调整，都需要数据和训练方法支持。

智元的数据体系包括AGIBOT WORLD、MEgo采集设备、觅蜂派和MEgo Engine，分别覆盖数据供给、采集、任务组织以及处理、标注和质检等环节。

新发布的MEgo Glove触觉数采手套提供Air和Ultra两个版本。

Air掌面织物厚度为0.3毫米，支持采集21个自由度的手指位姿；Ultra增加指尖与手掌的触觉数据，灵敏度达到0.01牛，最高采样率为1000赫兹。

手套支持免工具快拆，电子部分可以拆卸，便于清洗；设备还能在端侧完成实时数据质控与手部骨骼位姿逆解算。配合头戴式MEgo View等设备，采集者的手部动作与环境画面可以共同用于后续训练。

对灵巧操作而言，手部轨迹记录了人怎样移动手指，触觉数据则让接触过程获得更多信息。数据进入模型训练前，还需要经过切分、处理和质检，才能用于不同任务。

在模型侧，智元发布GO-3 Preview，采用WRAM世界推理动作模型架构。它围绕任务理解、未来预测和动作生成组织学习，让机器人在观察当前状态后预测后续变化，再生成操作动作。

其中，CoAE对视觉信息进行面向控制的编码，SVP预测未来画面，IDM将预测结果转化为动作。训练时，KASO从多个候选未来中选择与真实动作相容的结果，让预测过程与动作学习相配合。

GO-3 Preview在RoboDojo、RoboTwin和RoboColiseum三项具身智能评测中位列第一。现场还展示了新任务和长程操作：部分任务测试零样本能力，乐高、煎饼等任务则使用少量示范进行适配。

在搭建乐高的演示中，用户可以选择目标形状，机器人从散放的积木中挑出需要的块，再将它们堆叠摆放。面对这样由多个步骤组成的任务，模型需要把最终目标与每一步操作联系起来。

姚卯青把具身模型的学习分为预训练、后训练和部署后学习。机器人完成预训练后，智元通过Genie Evolver组织真机、物理仿真和世界模型环境，让模型继续练习具体任务。

在群体经验学习中，系统将失败状态作为线索，寻找其他机器人在相似状态下完成任务的经验，再用于后续训练。异步训练机制允许单台设备出现离线或重启时，其他节点继续工作。

在相同训练时间下，团队比较了4台和100台机器人参与群体学习的效果，任务成功率由约50%提高到98%。异步机制让集群中的其他机器人可以在个别设备中断时继续积累数据。

智元还用手机出厂包装任务测试了群体学习的效果：在120次测试中，未经该训练的策略失败25次，训练后的失败次数降至2次。包装流程包含多个连续步骤，机器人需要依次完成取放和整理。

世界模型也被用于探索动作结果：从同一个状态尝试不同选择，再利用反馈调整策略。现场展示了桌面冰壶、抽取积木等任务，机器人需要在连续操作中处理物体状态的变化。

部署后的学习由Genie Master连接判断、执行和反馈。在一次货架挂袋任务中，机器人操作时遇到视线遮挡，随后尝试借用另一只手的摄像头调整观察角度，继续完成任务。

这类调整关系到机器人在现场能否处理重复出现的问题。任务完成后积累的数据和经验，也为下一轮训练提供了材料。

进入现场，考验才刚开始

智元已经把机器人部署到工厂、零售和公共服务场景。龙旗工厂的平板量产质检工段，精灵G2承担上下料等工作，相关应用从今年3月规模投产，至本次活动已运行超过7个月。

在一轮持续6天的直播中，机器人累计作业64小时，完成17625台平板相关作业，成功率达到99.99%。芯片封测和CNC场景中，G2还需要与料盘、机床及现场物流设备配合。

工厂关心的是工位能否按既定节拍运转，而公共空间的难题又不一样。人流、背景声音和交谈对象不断变化，机器人需要判断什么时候该接话、该怎样回应。

智元合伙人、联席总裁熊彦在现场发布了全模态交互模型WITA-OMNI。它将语音、视觉、文本输入与语音、表情、动作输出放在同一个模型中处理，通过快慢双模系统支持快速回应与复杂问题处理。

WITA-OMNI最快响应时间为400毫秒，平均约600毫秒，支持100多种语言和29种方言。Intelligent FaceUI面屏可以展示图像、地图或二维码，让一些不便仅靠语音解释的信息直接呈现在用户面前。

现场演示中，熊彦带着机器人进行多语言对话，还用面屏展示讲解内容。熊彦提出，景区中有人直接向机器人提问，也有人只是在它旁边交谈，机器人需要判断对话对象和接话时机。

论坛后的探访还展示了本体端侧交互：机器人在法拉第笼中继续完成对话。WITA-OMNI已向首批友好客户开放，计划12月完成国内全面部署，并于2027年陆续进入海外市场。

在长隆，近500台智元机器人已常态化部署，承担不同服务任务，年底计划扩展至1000台、覆盖100多个岗位。人群密集时，网络连接、设备管理和内容更新都需要与现场运营配合。

长隆开园初期部署了300余台机器人，国庆假期园区日均接待约1万人次。密集人流中，机器人既要面对游客交流、广播和音乐，也需要稳定的网络连接；智元与合作方使用5G-A网络，并区分人群和机器人的网络使用需求。

机器人在现场遇到的难例也会进入后续更新。长隆项目在假期初期进行升级，并积累了超过1万条真实场景数据，团队按照小版本和大版本的不同节奏迭代服务能力。

成都宽窄巷子的双足机器人零售作业涉及20多种商品，任务成功率达到98%，作业节拍从约60秒优化到约30秒；广州地铁则部署了120台精灵G2，承担安检引导、咨询和巡逻任务。

智元合伙人、高级副总裁王闯将规模部署拆成产品、量产、部署和运营四方面。机器人交付后，还需要现场勘测、安全调试、在线管理和异常处理，才能在不同站点持续运行。

这其中，一个容易被忽略的数字是人员支持量：早期一名人员需要支持一台机器人，逐步提高到每人支持10台，未来目标是20至30台。每增加一个站点，部署和运维如何复用，都会影响项目扩展速度。

在量产方面，智元介绍了本土化供应链、半小时供应链圈和92项车规级量产测试，希望支撑不同批次的生产与交付。

从一台机器人到开放生态

机器人进入不同场景后，客户和开发者还需要接入设备、设计应用、编排动作。智元的AIMA体系围绕这些需求提供操作系统与开发平台。

其中，灵心面向具身智能体开发，灵创用于动作和内容创作，精灵平台支持作业开发与部署，灵动负责多机协同。元苼计划已联动255所高校、511家企业和8万余名开发者。

主论坛发布的灵渠OS 1.0支持15类、100多种外设接入，在1000赫兹任务负载下，端到端时延抖动小于4微秒。智元计划于2026年底全面开源，并向开放原子开源基金会捐赠项目，共建人形机器人开源社区。

同场启动的合作还包括与中国移动研究院开展5G-A/6G网联具身智能研究，以及面向人形和四足机器人的基础研究联合基金。人才培养方面，相关计划涵盖教材、课程与师资建设。

国家自然科学基金委交叉科学部主任、中国科学院院士汤超在现场谈到，具身智能的发展需要长期基础研究，也需要不同学科共同参与。技术应用不断提出新问题，研究工作则需要进一步解释和解决这些问题。

通用模型能力增强，为机器人提供了更好的智能基础。对智元来说，接下来的竞争还在龙旗的工位、长隆的服务岗位和更多新场景中：机器人能否长期完成任务，现场经验能否用到下一处部署，最终都会影响它能交付多少有效工作。

-END-