去年 WRC 现场，机器人背后总少不了手持遥控器的工作人员，或是循规蹈矩的“公式动作”。归根结底，动的是机器，干的还是人。
今年的 WRC 风向已变。自主作业成为展台标配，遥操作大幅减少，即便存在也多用于数据采集。尽管部分动作尚显生涩，但机器人独立完成任务已是显著进步。
然而，从“能自主”到“进工厂、入仓库、落商超”，具身智能仍面临更现实的考题：泛化能力、操作精度与运行效率。
本届 WRC 最大展台——星海图，用 500 平方米空间与 10 组并发 Demo，将前置仓分拣、工业装配、礼盒折叠及双足/轮式新品等场景集中呈现，直指机器人落地生产现场的核心痛点。
生产力觉醒：从自主执行到全链路闭环
星海图本次主题为“生产力觉醒”。在与京东合作的前置仓场景中，观众可通过 iPad 下单，机器人独立完成排队、寻货、抓取、移动至柜台及打包交付的全流程。
实测中，面对不同摆放姿态的商品，机器人虽偶有调整，但最终能成功抓取并流畅完成打包。该流程未对货架做特殊适配，真实复刻了生产环境。依托背后的 G0.5 模型，系统已具备上万种 SKU的泛化能力，突破了传统专机需重新训练的局限。
在工业装配环节，星海图展示了“机器人组装机器人”的高精度作业。通过引入强化学习，其操作精度控制在1mm 以内，成功率达99.9%，工作效率提升400%，证明了自主机器人进入产线的可行性。
针对柔性物体处理难点，如折礼盒与叠衣物，G0.5 模型展现了极强的适应性。面对纸板回弹等状态变化，机器人能实时调整策略，而非依赖预设脚本，确保了高成功率。
此外，通用小脑成果双足机器人 Kengo亮相。它无需重新训练即可适应未知地形，边感知边调整步态，解决了人形机器人落地中的运动泛化难题。
综上，星海图通过多场景验证表明：机器人“能自主干活”仅是起点，快、准、泛化地解决实际问题，才是生产力觉醒的核心。
具身大脑：统一架构与世界模型双轨并行
支撑上述复杂任务的，是星海图最新的 VLA（视觉 - 语言 - 动作）模型G0.5。该模型在 LIBERO、BEHAVIOR-1K 等 8 个权威基准测试中位居榜首。
G0.5 采用统一自回归架构，将视觉理解、具身推理与动作生成整合于同一 Transformer Decoder 中。这种“想”与“做”的一体化设计，不仅继承了大模型的推理拆解能力，更实现了思考与行动的连续执行，使其能从容应对长程任务及动态环境变化。
除 VLA 路线外，星海图同步布局世界模型 Fast-WAM。针对以往推理延迟高的问题，Fast-WAM 将延迟压缩至约 190ms，推理速度提升约 4 倍，目前论文引用量居领域第一，为机器人提供了快速的环境预判能力。
星海图的技术路线务实灵活：不以技术信仰设限，唯以“能否更好干活”为标准，双轨并行，互为补充。
数据飞轮：本体、数据与模型的闭环进化
具身智能的壁垒不仅在于算法，更在于数据闭环。星海图创始人高继扬指出，缺乏本体载体，数据链路便无法打通，飞轮效应无从谈起。
因此，星海图坚持押注真实场景数据。其开源的 GOD 数据集下载量全球第一，并计划于 2026 年将真实数据规模扩充至100 万小时。
数据来源的基石是自研本体体系。从 R1 系列到最新的双足 Kengo、轮式 Nexo，星海图掌握了整机研发能力。这使得模型、控制算法与硬件设计能够协同迭代：模型发现新边界推动本体升级，本体采集高质量数据反哺模型训练。
由此构建起“数据推动模型，模型定义本体，本体生产新数据”的完整飞轮，让每一代机器人的实战经验都成为下一代进化的燃料。
结语：具身智能迎来生产力大考
星海图打造 WRC 最大展台的深意，在于宣告行业竞争维度的升级：当“自主干活”成为标配，具身智能的下半场比拼的是泛化性、精度与效率。
从仓储拣选到工业装配，从柔性操作到复杂运动，星海图通过将真实生产考题搬上展台，证明了机器人正从“展示品”向“生产力工具”跨越。未来的竞争，不再是谁的 Demo 更炫酷，而是谁能真正让机器人在真实世界中快、准、稳地创造价值。