编辑丨 coisini
今年，具身智能领域在舆论场中备受瞩目。机器人赛跑、后空翻、舞蹈及足球表演等短视频内容频繁刷屏，然而真正投入实际应用的案例却寥寥无几。
在美国佐治亚州 Spanx 的仓库内，由 Agility Robotics 公司研发的人形机器人 Digit 正在执行塑身衣箱体的搬运任务。这款身高 5 英尺 9 英寸的机器人，是目前少数具备真实作业能力的人形机器人代表，主要应用于仓库与工厂场景中的重物搬运及堆叠工作。Agility Robotics 计划于今年年底前部署数百台机器人，为各类运输公司及制造商承担高强度劳作。
造出「能工作」的机器人
Agility Robotics 成立于 2015 年，拥有超过十年的机器人研发制造经验，其技术积淀跨越了 AI 浪潮前后的不同发展阶段。
传统模式下，工程师需编写规范性协议，明确指定机器人的每一个动作。此类机器人在环境恒定、动作重复的场景中表现优异，但一旦工业环境中的照明、地面状况或障碍物发生细微变化，便需人工干预并重新编程。
为实现类人灵活性的任务自动化，Agility Robotics 引入先进 AI 训练方法，赋予机器人动态适应真实工业环境的能力。高质量数据是训练 AI 模型的关键，该公司主要采取以下两种路径：
示教学习（LfD）构建通用理解
Agility 采用示教学习策略，通过远程操作让 Digit 多次执行相同任务，并将采集的观察数据作为训练素材。工程师佩戴 VR 头显与机器人同步，借助其「视觉」视角，利用控制器精确演示操作流程。在此过程中，Digit 的传感器全方位捕捉摄像头画面、关节位置、力读数及末端执行器位置等数据。通过在多样化条件下进行海量重复演示，系统得以构建出具备任务通用理解的模型，而非依赖僵化的执行脚本。
仿真训练加速物理智能进化
另一方面，Agility 整合 NVIDIA 开放框架、库资源以及 Google DeepMind 的 MuJoCo 库，构建高精度的虚拟物理环境，以支持大规模并行仿真训练。该方法可将数月的工作量压缩至数小时完成，具有极高的效率与计算密度。通过强化学习，Digit 能够以最具成本效益的方式探索多种行动策略。
综上，示教学习擅长处理难以用规则描述但通过演示易于掌握的技能（如抓握角度的微调），而仿真训练则助力 Agility 研发出 Digit 的全身控制基础模型，奠定了其物理智能的底层基石。
戳破泡沫：回归商业本质
尽管 Digit 当前的技能组合或许无法制作出吸睛的社交媒体视频，但其从事的是能切实提升生产力的有价值工作，且客户愿意为此买单。
公开资料显示，亚马逊、GXO 物流、丰田汽车等巨头均为 Agility 的客户，英伟达则是其重要投资方。美国《时代》周刊曾评价 Agility 为「首家实现人形机器人盈利」的公司。
Agility 预计将于今年年底向客户交付 Digit v5 版本，目前该版本订单金额已超 3 亿美元。值得注意的是，Digit v5 专为安全人机协作设计，具备感知周围人类同事的能力，显著提升了实用性与安全性。此外，公司正筹备通过 SPAC 交易上市，估值约 25 亿美元。
在具身智能赛道竞相争夺资本红利的背景下，Agility 脱颖而出的核心在于其产品定位的务实与清晰——致力于将人形机器人打造为可落地、可复用的生产力工具。
Agility 指出，Digit 已具备经济可行性。在其五年使用寿命周期内，运营成本较雇佣人工从事同等工作低 20%。
正如 Agility 联合创始人 Jonathan Hurst 所言：「当前具身智能领域存在过多脱离现实的炒作与叙事，我亟需戳破这个泡沫。只有当人形机器人无需被关在笼子里也能安全运行时，其价值才能真正释放。」