IT时报记者 沈毅斌

首日完整任务成功率28.6%，第五天稳定至85.7%。没有工程师驻场改代码，没有人工补录示范数据，一台在社区便利店值守的精灵G2机器人，靠自主定位失败原因、调整动作时序、沉淀作业经验，在熟食打包、货品补货这类细碎的日常工作里完成了自我迭代。

这段没有炫酷特技、全程贴着“真实营业”标签的案例，出现在10月29日智元创新日具身作业生产力分论坛上。

过去几年，叠衣服、泡咖啡、搭积木的演示视频让具身智能一次次破圈，也始终背负着“好看不实用”的质疑。当行业热度褪去泡沫，所有玩家都面临一道更硬核的考题。机器人能否7×24小时扛下真实工位的工作量？能否算清投入产出账？能否从一条示范线复制到千百条产线？

这场以“从惊艳演示到持续作业”为主题的分论坛，集中呈现从具身基座模型、机器人本体到部署运营的完整技术闭环，试图为具身智能的“生产力落地”给出一套可验证的路径。当天发布的GO-3 Preview具身模型、精灵G2 Max重载工业机器人，以及支撑部署后持续进化的Agent框架，共同勾勒出头部玩家的新共识。具身智能的下一程，核心比拼是谁先跨过“部署态”的门槛。

全链路Scaling，解锁自主升级

作为本次论坛的核心技术成果，智元新一代具身基座模型GO-3 Preview的亮相，也是其对具身智能规模化规律的核心判断。

长期以来，行业始终存在一个共同疑问，大语言模型的Scaling法则能否复制到物理世界。智元方面认为，具身智能的规模化不能只停留在预训练阶段，需要覆盖预训练、后训练、部署后全链路。

GO-3 Preview采用具身原生WRAM世界推理行动模型架构，将任务理解、未来预测与动作生成串联起来，通过CoAE面向控制的视觉编码、SVP单步视觉规划、KASO动作一致性筛选三项核心设计，让机器人既能看懂指令，也能预判环境变化，最终输出可执行的精准动作。

官方公布的实验数据显示，随着训练数据规模扩张，模型在20类技能100个任务上的零样本平均成功率从13.4%提升至56.4%。随着模型规模扩大，这一指标进一步从56.2%提升至73.2%。这一结果被视作物理AI存在Scaling效应的初步验证。目前，该模型已登顶RoboDojo、RoboTwin、RoboColiseum三大行业评测榜单。

在预训练构建通用能力之外，智元将后训练视作提升任务可靠性的关键环节。其搭建的Genie Evolver混合后训练系统，联动百台真机、物理仿真与世界模型，形成经验汇聚、策略更新、真机验证、反馈回流的完整循环。百台真机组成的群体经验学习系统，在手机包装任务中实现98.3%的成功率，手机充电任务的成功率则从60%提升至97.5%。

更受行业关注的是部署后的持续进化能力。针对传统监督微调容易遇到瓶颈、现场调整依赖人工的痛点，智元推出具身Agent框架Genie Master，通过EEP具身执行协议统一接口，让机器人在作业中自主沉淀成败经验、优化动作策略。智元方面称，这是行业首次在真实业务场景中验证具身递归自进化。

“通用大模型在高层规划、长程推理上有价值，但在底层操作层面存在天然短板。”针对行业普遍关心的通用大模型是否会降维打击具身模型的问题，智元联合创始人、联席总裁姚卯青在媒体群访中回应，这类模型不仅动作执行速度慢、消耗大量Token，在涉及力控、高动态的精细操作环节，测试成功率基本为零。

在他看来，具身智能系统本身具备分层结构。大模型承担System 2的规划职能，VLA模型、底层控制模型则是被调用的工具，每一层都有独立的技术壁垒，通用大模型无法一键覆盖。

部署落地才是本体和工程能力的试金石

如果说模型决定了机器人能力的上限，本体与工程化能力则决定了能力落地的下限。论坛上，“可靠性”“一致性”“可复制”被反复提及，也折射出具身智能落地的核心痛点。

姚卯青在开场致辞中提出作业生产力的三条标准。第一条是可衡量，成功率、节拍、平均故障间隔时间全部可量化。第二条是可复制，能力落地不能局限于一条示范线，要能推广到成千上百条产线。第三条是可持续，项目交付不是终点，机器人能力要在使用中持续提升。

要满足这三条标准，首先要过本体这一关。智元Genie业务部副总裁彭思崴提出，机器人需要在可靠性、能效、灵巧性、安全性、规模制造上实现均衡，尤其要保证多台机器之间的高一致性。否则每台设备都要单独标定调试，规模化无从谈起。

本次论坛亮相的精灵G2 Max重载具身工业机器人是面向工业场景的新品类。官方参数显示，其双臂额定负载40kg、峰值负载50kg，手臂重复定位精度≤±0.5mm，可适配码垛、拆垛、架间搬运等场景，填补此前G2系列负载能力的空白。

但在业内看来，本体升级只是第一步，真正的挑战在部署环节。智元部署态解决方案负责人王宽将落地分为“0到1”与“1到N”两个阶段。前者围绕真实工位完成技能验证、全流程联调、产线并线与指标验收。后者在已有工程框架基础上，快速适配不同工位的差异，实现批量复制。

以龙旗工厂平板测试上下料工位为起点，智元从单工位突破扩展至完整产线，随后进一步适配其他客户的手机测试上下料场景。姚卯青透露，目前除龙旗外，3C电子领域已有超过3家企业进入合作落地阶段，运维团队也已从早期研发驻场转为客户自主运维，设备软硬件稳定性经过了半年以上的量产打磨。

不过，规模化复制的瓶颈依然存在。当被问及部署落地的核心瓶颈时，姚卯青直言是部署效率，并将多少人天能够部署一个同类场景作为核心量化指标。在他看来，这考验的不只是模型泛化能力，还有微调工具链、测试体系、工程流程、产线协同等综合能力。“就像自动驾驶的交付效率一样，人效的高低直接决定了规模化的速度。”

对于工业规模化的拐点，他给出了一个可参考的标尺。全行业有一万台以上机器人在工厂里稳定、长时间作业，并且产业链上下游都能获得合理利润、健康发展，才算真正跨过了规模化节点。

数据质量与生态合作

随着具身智能进入落地深水区，数据作为基础生产资料的价值与问题同时显现，行业生态也在经历新一轮分化。

过去一年，具身数据规模的增长速度远超行业预期。姚卯青回忆，2024年时万小时级数据已是行业顶级水平，AGIBOT World发布的3000小时真机数据集就曾引发关注。到2025年下半年，已有玩家做到20万小时级别，2026年多家企业纷纷宣布进入百万小时量级，增长曲线与此前预判高度吻合。

但规模扩张的背后，数据质量参差不齐的问题也随之暴露。姚卯青坦言，低质量数据体现在多个层面，包括场景脱离真实需求、画面掉帧过曝、多摄像头时间同步差、轨迹重建精度不足，很多盲目进场的数采团队产出的数据有效率很低。

与之对应的是数据市场的价格分化。同质化的单目家居场景数据因供给过剩，价格持续下行。双目、触觉手套、腕部相机的细分真实场景数据，因供应商少、交付门槛高，需求强劲且价格坚挺。在他看来，数据行业正在经历从拼数量到拼质量的转变，技术与交付能力不足的玩家会逐步被淘汰。

伴随数据与技术的迭代，行业也迎来了周期调整。针对近期热议的具身公司“过冬论”，姚卯青认为这是科技赛道的普遍规律。热潮期资本人才大量涌入，出现大量同质化发展，到落地阶段自然会经历收敛洗牌。能否留在牌桌上，核心在于能不能把技术转化为可衡量的生产力，为客户创造真实价值。

从智元的动作来看，其选择用开源与生态合作来穿越周期。据透露，GO-3 Preview模型与Genie Master框架将于2026年底全面开源，通过开放基础能力吸引开发者与产业伙伴。在落地模式上，智元也在从全栈交付转向“平台+伙伴”的分工模式，智元提供机器人本体、开发工具链与技术支持，合作伙伴负责场景适配、流程编排与现场交付。

智元此次交出的全链路答卷，既是其自身技术与落地积累的集中呈现，也代表头部玩家对行业下一阶段的判断。只有当模型、本体、部署、生态形成完整闭环，当每一次真实作业都能转化为迭代的动力，具身智能才能真正从概念走向生产力。

OCR:IMG:which can steadily hold our proof. This is also a very he 断

OCR:IMG:GO-3PreviewZero-Shot广泛泛化 GO-3 Preview:Broad Zero-Shot Generalization 厨房 双机协作 Kitchen Dual-robot collaboration

OCR:IMG:5-8mm 1-2mm 智元 定位偏差收敛，减少换机后的录点与修正 HDF验 落点与姿态 动态一致性：同负载、同轨迹、同控制参数 优化前 优化后·阻抗模式位置跟踪 优化后 优化 0.3mm 力响应示意 轨迹跟踪偏差较大 2-3mm 同参数下，响应分散 nm 轨迹眼踪平均误差 位约 重复定位小于 福值与响应 力学标定、负就匹配与OTG轨迹优化共同作用 MDH为腰臂末端定位误差；阻抗指标为优化后位置误差，非机间差值或力 与力响应图为示意

OCR:IMG:万智和 新 r