据 IPO 早知道消息，跨维智能在 2026 世界机器人大会（WRC）展示了从自研仿真基础设施到多场景机器人落地方案的闭环技术能力，覆盖工业制造、商业服务等多元行业，呈现了丰富的具身智能技术与落地方案。
在同期由跨维智能主办的“物理 AI 引领者论坛”上，跨维智能创始人兼 CEO 贾奎发表《Physical Token 经济学》主题演讲，提出以“获取新能力的边际成本”衡量物理 AI 的规模化进程：随着数据、模型和部署经验不断积累，机器人学习下一项能力所需的数据、算力、试错和工程投入能否持续下降。让下一份智能比上一份更便宜，正是 Physical Token 经济学所关注的核心问题。
与论坛对物理 AI 规模化路径的讨论相呼应，跨维也在 WRC 2026 展台集中展示了相关技术在真实任务中的应用。
WRC 2026 期间，跨维智能围绕工业制造、零售和商业服务展示了三类具身智能任务：手机装机流水线质检、商超自主扫码分拣，以及冰淇淋与爆米花连续出餐。不同任务对操作精度、环境感知和连续执行能力提出了不同要求，也集中呈现了同一套具身智能技术在多类场景中的高精度、高稳定性与跨任务泛化能力。
智能终端质检产线由两台 Dexforce W1 PRO 人形机器人协同完成动态追踪、装拆盒及检测上下料。值得注意的是，该质检任务源自跨维智能与蓝思科技合作的真实工业场景。任务要求机器人持续感知传送带和工件状态，在动态环境中准确定位、精细操作，并与另一台机器人及检测设备保持协同，集中考验系统的操作精度、运行稳定性和连续作业能力，直观展现跨维智能人形机器人完成连续工业生产的成熟落地能力。
跨维智能与蓝思科技已建立深度战略合作，涵盖机器人应用和生产制造，并结合真实工厂需求，持续推进产品迭代和规模化部署，共同推动具身智能在工业场景落地。
商超自主扫码分拣面向种类各异的商品，现场观众频频来“考验”，这也是现场唯一能够自主完成全流程零售扫码作业的机器人演示。机器人面向随机摆放、形状各异的瓶装、袋装商品并完成抓取，在不预知条形码位置和朝向的情况下，一边观察、一边调整抓取姿态并重新规划动作，主动寻找条码，完成扫码后再将商品放至指定位置，展现出感知、决策与操作相互闭环的能力。该任务难点就在机器人“如何找到小小的条形码”，无论面对何种商品形态，当商品发生倾倒或姿态变化时，当面对各种形态颜色不一的商品，机器人仍能准确理解商品状态，自主调整最优抓取策略，选择成功率最高的方式完成扫码分拣。
商业服务场景则由另一台 W1 PRO 人形机器人“打两份工”，连续完成冰淇淋与爆米花出餐任务。机器人 W1 PRO 融合多源传感器信息，通过具身模型持续理解环境状态和任务目标：当爆米花桶、铲子等工具位置发生变化时，机器人能够动态调整抓取和铲取策略；当纸杯缺失、物料不足或出料异常时，系统可以及时暂停作业并发出提醒，从而提升连续出餐过程中的环境适应与异常处理能力。
该方案可标准化应用于商场展馆、文旅场所的无人零售场景，帮助门店减少人工值守，提供柔性化、智能化、优化人力投入的自动化升级路径。在整个执行过程中，机器人并非简单重复预设动作，而是通过状态反馈持续优化动作决策，实现连续任务执行。这使机器人从传统依赖固定流程的自动化设备，进一步提升为具备环境理解、任务推理和自主决策能力的智能机器人系统。
支撑这些能力的，不只有机器人本体和模型。现场，跨维还展示了自主研发的实时多物理场仿真引擎 DexVerse®与生成式仿真技术。DexVerse®能够在同一环境中统一求解刚体、软体、布料、流体和铰接体等复杂物理形态，并通过图像与自然语言快速生成仿真场景和训练数据，服务于 VLA、世界模型及机器人策略训练。
观众可以通过 VR 手柄实时操控仿真环境中的 W1 PRO 机器人，完成多米诺骨牌摆放、形状配对和爆米花铲取等任务。系统将操作者双手的空间位姿实时映射为机械臂的运动目标，并结合逆运动学、动力学仿真与实时渲染，还原机器人在抓取、碰撞和移动过程中产生的物理交互，以及物体滑落等细节。
借助 VR 交互，现场观众可以直观体验机器人遥操作，观察操作指令如何转化为机械臂动作及物理反馈。在研发和部署环节，这套系统可用于方案验证、操作训练与数据采集。无需占用真机，也能提前检验机器人的可达性、操作流程和物理交互效果，减少设备与工件损耗，以及进入真实现场后的反复试错。
基于 DexVerse®与生成式仿真能力，跨维解决具身智能训练中“新数据如何低成本、规模化生产”的问题，为模型持续提供标准化、高质量、可组合的训练数据。据跨维介绍，相关仿真数据训练已应用于超过 1500 个工业智能化项目，累计沉淀超过 200TB 高质量机器人数据，并用于柔性操作、精密装配、线缆插拔和复杂接触等产业任务。
从手机装机质检产线、商超自主扫码分拣，到冰淇淋与爆米花连续出餐，WRC 2026 现场的三项演示看似各不相同，背后却遵循着同一套能力生产逻辑：机器人进入工厂和商业场景之前，先在统一的数据体系和高保真虚拟世界中进行大规模学习与试错，再将经过训练和验证的能力部署到真实任务中。
跨维构建的不只是机器人产品，更是一套能够持续训练机器人、降低新能力获取成本的基础设施。其目标是让每一次数据积累和部署反馈都成为下一项能力的基础，不断进化机器人智能，并将其转化为真实的劳动力价值。
小马智行｜地平线｜文远知行 蜜雪冰城｜古茗｜沪上阿姨 极智嘉｜云迹科技｜特斯联
