智元的 18 枚金牌，和工厂里的另一场考试

1894 年 7 月，21 辆形态各异的“无马车辆”从巴黎驶向鲁昂。尽管蒸汽车最先抵达，但因需专人照料锅炉、操控复杂且成本高，最终最高奖授予了更易操纵、成本更优的汽油车。这场百年前的赛事确立了一个核心标准：优秀的交通工具不仅要看速度，更要看安全性、易用性及商业可行性。

一百多年后，人形机器人行业正经历相似阶段。在刚结束的世界人形机器人运动会上，赛项分为传统竞技（测试速度、平衡）与场景应用（测试实际作业能力）。今年超四成赛项聚焦场景，直接对标商业服务、巡检及救援等真实需求。这标志着行业关注点已从单纯的“跑得快”，转向能否在工厂、酒店等场景中稳定重复使用。

本届运动会中，智元机器人斩获 18 金、16 银、12 铜。与其他团队为竞技极限而定制“耗材级”机器人不同，智元坚持基于现有量产平台进行局部适配。这种策略保留了产品端的约束，旨在验证量产机在真实场景中的潜力。

智元联合创始人姚卯青指出，竞技机器人常通过提高电压（如 144V）、堆叠算力来换取极致性能，但这会带来电气风险、高成本及维护难题，不符合工业安全标准（主流为 48V）。若专为比赛定制机器，需投入大量人力时间，而这部分资源本可用于打通更多客户场景。

因此，智元采取“本体不变、局部适配”策略。例如在消防项目中，仅对 G2 腕部结构进行微调以承载灭火器；在龙旗产线中，根据产品尺寸调整末端夹爪而非更换整机。这种模式虽可能在单项成绩上有所妥协，但更符合工业界“本体通用、末端专用”的部署逻辑。对智元而言，赛场是现有产品的压力测试场，用于识别能力边界并反哺下一代产品研发。

使用量产机参赛的核心挑战在于能力的跨场景复用。在工业搬运项目中，机器人需自主完成料箱提取、零散件分拣及精密插拔。其中，窄空间插拔高度依赖末端力控感知，难以通过远程遥操完成，必须依靠机器人自主决策。

比赛中，智元临时将原定的遥操方案切换为全自主模式，并在数天内完成任务。这得益于其“全栈”软硬件体系：感知、导航、运动等模块通用化，通过 Genie Studio Agent 将单点技能编排成完整工作流。这种架构允许团队快速重组已有能力以应对新任务，而非针对每个场景重新开发系统。

尽管具备能力复用基础，机器人面对模糊指令（如“收拾屋子”）时仍显吃力。这需要机器人具备指令遵循（Instruction Following）及推理（Reasoning）能力，即理解目标、拆解任务并动态规划。

目前行业趋向分层架构：上层 Agent 负责任务规划与拆解，下层模型负责具体动作执行。Google DeepMind、Figure 及 NVIDIA 等均在此方向探索。此外，针对物理世界的不确定性，世界模型（World Model）成为新热点，旨在让机器人预测动作后果而非仅依靠“像素到动作”的肌肉记忆。

智元正在探索 WRAM（世界推理行动模型），试图统一规划、预测与执行。姚卯青表示，特斯拉的端到端路线、1X 的世界模型投入以及 NVIDIA 的探索表明，技术路线尚未收敛，行业趋同的是问题而非答案。

具身智能发展的瓶颈在于真实世界数据的匮乏。虽然“边干活边回收数据”是可行路径，但仅靠部署数据难以覆盖 AGI 所需的多样性。为此，智元成立觅蜂科技，大规模采集第一视角（Egocentric）数据。

目前，数万人穿戴设备参与采集，日回流数据超 1 万小时，用于训练机器人识别物体及规划动作。这是一条重资产路径：数万台采集设备、人员费用及数据中心投入高达数亿元，且回报周期尚不明朗。这意味着智元需在规模部署前，同时承担本体、大模型、数据采集及商业部署的多重成本。

赛场看奖牌，工厂看实效。客户关注的核心指标是成本、成功率、稳定性及节拍（MTBF/MTTR）。2026 年被智元定义为“部署态元年”，技术关键词需转化为真实生产力。

目前，工业搬运等标准化场景已率先落地，但商超、家庭等非结构化环境仍面临巨大挑战。姚卯青认为，若增加一个比赛项目，应是“可靠性测试”——统计连续作业下的故障率与维修时间。正如百年前汽车赛事确立标准一样，人形机器人行业正处于评价体系形成期：速度与灵巧度固然重要，但长期运行的可靠性才是商业化的关键。