具身智能迈入通用化下半场：它石 AWE3.7 多场景落地验证
长期以来，机器人系统多依赖专有模型，一旦环境或任务变更，便需重新采集数据与训练部署。当前，具身智能已进入以规模化落地为核心的新阶段，竞争焦点从单点任务完成度，转向同一套智能系统能否跨越环境、本体与任务边界，实现能力的迁移与复用。
近日，它石智航发布通用具身大模型 AWE3.7（AI World Engine）。该模型在十天内密集展示了一系列真实任务，凭借同一套“具身大脑”，成功贯通工业产线、物流作业、生活服务及移动操作等多重场景，有力回应了行业关于“通用泛化”的核心命题。
工业产线：精度、力度与稳定性的三重考验
工业现场是检验具身智能的硬尺度，对毫米级对位、实时力控及长时稳定性有着严苛要求。它石 AWE3.7 在同一基座模型下，将精细操作提升至产线级水准。
零件分拣：面对随机散落的螺丝与螺母，机器人能分辨微小差异，精准抓取并投放至对应铁盒；即便受到干扰，系统亦能自主纠错，连续完成任务。
缠胶带作业：针对线束柔软易变形的特性，机器人通过双手协作，左手固定线束，右手持胶带沿既定轨迹缠绕。当张力或位置出现偏差时，系统实时修正轨迹，确保缠绕贴合且不断带。
网线插接：这是一项毫厘之间的较量。机器人利用腕部多自由度灵活翻转，理解接触状态并实时调整抓握角度，确保水晶头在抗扰动环境下准确插入网孔。
手机装盒：作为典型的长程操作任务，机器人先将手机入盒，再以毫米级精度完成盒盖嵌入与调整，即便在光照变化等干扰下，仍能一次性完成整套包装。
拧螺丝：该任务极度依赖“手感”。机器人需先定位空间关系，精准对准后下放，随后依据扭矩反馈实时调整动作，在达到拧紧状态时及时停止，实现“对得准、拧得稳、收得住”。
动态作业：场景流转中的感知与操作协同
真实作业场景往往处于流动状态：传送带物件不停经过、收纳框位置随时变动、机器人自身需在空间中移动。要在连续变化中完成识别、抓取、搬运与放置，核心在于机器人动态感知与操作的连贯配合。
传送带跟随：面对传送带上移动的软性玩偶，机器人持续观察并判断装袋时机，双手同步跟随节拍，将玩偶准确放入袋中，实现对动态作业窗口的实时适配。
积木分拣：此任务考验对“颜色—目标框”规则的理解。当积木被放错或收纳框被移动时，机器人能发现异常、取出归位，并实时跟踪目标动态调整轨迹，确保任务准确完成。
移动操作一体化：在更大空间范围内，基于 AWE3.7 的机器人实现了下肢移动与上肢操作的深度耦合。其能在办公环境中自主穿行至目标点，拿起物品并运送至投放点，全程端到端执行，无需人工干预。
家庭与生活服务：非结构化场景下的能力迁移
相比高度结构化的工业环境，家庭场景物体形态多变、流程冗长且约束较少，是检验通用能力迁移的天然试金石。
整理衣物：机器人需识别低处衣物形态，弯腰拾起并放入收纳筐。在俯身与起身切换导致重心变化的过程中，动作依然稳定，展现了罕见的移动操作协同（loco-manipulation）全身控制能力。
擦白板：机器人可左右手交替持板擦，轻柔擦除任意字迹。任务中实时感知状态，遇干扰仍能持续完整执行，力度控制恰到好处，在清洁的同时保持白板稳定。
整理书包：面对桌上形态各异的文具，机器人先识别归类，再规划合理装入顺序，逐件抓取整理后放入书包，整个过程有条不紊。
准备早餐：从橱柜自主拿取餐具开始，机器人将食品与餐具依次摆放至餐盘。全程贯穿多物体、多类别的理解与空间记忆，具备优异的抗扰动与任务恢复能力。
制作冰沙：针对柔性物体操作的高阶需求，机器人抓取软质塑料杯对准出冰口，单手启动设备，同时监测容量并在满杯时及时停止，最终完成递送，全流程自主执行。
技术闭环与产业实效
上述能力的背后，是它石通用具身大模型 AWE“原生架构—双先验预训练—世界模型驱动后训练—规模化验证—数据反哺”的方法论闭环。依托超百万小时以人为中心的真实数据与丰富视触觉信息，AWE3.7 让机器人在真实环境中具备“看得懂、摸得准、干得稳”的能力，为构建可信赖的物理 AI 筑牢底层保障。
目前，该模型的复利效应已显著显现：
- 2026 年 3 月，由 AWE 赋能的它石 A1 机器人斩获“一小时内装配亚毫米级线束最多次数”吉尼斯世界纪录。
- 在同年的世界人工智能大会（WAIC）上，AWE 通用具身大模型荣获 SAIL 之星，成为唯一获此殊荣的具身基座模型。
- 在产业端，该模型已进入真实产线持续运行，在汽车线束精密装配、协同检测等场景实现规模化落地，为制造业智能化升级提供可复制、可扩展的解决方案。
△ 它石机器人集群落地产线登上新闻联播
具身智能的竞争正从单点任务比拼走向基础能力复用。AWE3.7 的实践证明，通用落地不再是远期愿景，而是一条已被数据、成果与产业场景充分验证的工程化路径。