真正的壁垒，藏在没法开源的部署 Know-how 里。
今年初，具身智能行业尚处于拼刷榜阶段，模型能力迭代迅速。进入下半年，风向骤变：企业不再执着于榜单排名，转而聚焦机器人落地实战能力，行业关注点加速向商业交付靠拢。
这一转变印证了一个核心判断：真正的技术壁垒，藏在那些无法开源的部署 Know-how 中。
具身智能落地的“最后一公里”需跨越三道关卡：模型走出实验室，需适应光照、堆叠等现场干扰；动作生成后，系统需解决时延、衔接与安全问题以确保稳定执行；单点跑通后，更需将经验沉淀为可复用工具，推动项目从单点验证走向规模复制。
安努智能的独特之处在于，自成立之初便将商业化落地作为核心目标，专攻“部署 Know-how+ 垂类模型”这一关键环节，并将真实工厂订单视为检验商业化的最高标准。通过解决实际场景问题，团队同步补齐了数据、模型与部署全链路能力。
近期，安努密集发布了六项重大成果，构建起从数据生成到规模部署的全栈闭环：
- Helios：实时长视频生成技术体系，攻克长时序建模与高效状态维护难题，已作为基础模型应用于高德 ABot-World 等世界模型中。
- ANU SimLab：面向软物体操作的仿真平台，集成自研求解器与合成数据工厂，打通“物理方程 - 合成数据 - 真机部署”全链路，相关能力已完成工业验收。
- ActiWorld：动作导向动力学模型，通过逆动力学头与运动门控精准预判动作成败，提供工业场景急需的“想象结果检验”能力。
- RoHIL 与 EvoHIL：两代真机强化学习技术。EvoHIL 引入自演化奖励模型与动作流稳定模块，实现上线后自主进化，跨光照零重踩，部署成本降低 80%。
- AnuVerse-0.5：基于世界模型蒸馏的垂类小模型，具备百毫秒推理速度，支持单卡桌面部署，是产线边缘端的快速响应“大脑”。
- Nexus：端到端模型部署系统，统一接口调度模型与资源，实现快速部署与自主调度。
以下将重点拆解 ActiWorld、AnuVerse-0.5 和 Nexus 三项核心成果，解析安努如何攻克机器人落地的关键难题。
01. 干活之前，机器人得先在脑子里进行准确预判
在机器人分拣包裹等任务中，传统视频世界模型常出现“画面流畅但动作错位”的现象。究其原因，是训练目标中静态背景占比过大，导致模型弱化了对关键动作与物体交互的关注，仅学习了“画面通常如何变化”，而非“给定动作后世界应如何变化”。
1. 从动作、时间和空间入手，让预测跟着动作走
安努发布的动作锚定世界模型 ActiWorld，将“动作条件生成”升级为“动作锚定的世界动力学”，在三个层面实现突破：
▲ActiWorld 的核心出发点，把“动作条件生成”升级为“动作锚定的世界动力学”
- 动作层面：引入轻量级逆动力学头，从预测潜变量中恢复对应动作，直接约束状态变化与动作的因果关系。
- 时间层面：围绕当前观测同时学习过去与未来，改善部分可观测条件下的长程预测准确性。
- 空间层面：强化对夹爪、接触物体等关键区域的关注，抑制背景漂移，确保关键物体按动作正确变化。
▲ActiWorld 在动作条件扩散骨干上加入三项训练约束，这些辅助模块只在训练阶段使用。
2. 预演之后，怎样选动作、做规划？
在安努的真机实验架构中，ACoT 负责提出候选动作，ActiWorld 分别预演后果，CA3C 负责比较并决策。CA3C 通过对比多组预测的一致性区间选择最优动作，并在高风险阶段缩短执行长度以减少误差累积。整个过程 ACoT 参数冻结，无需重训。
3. 完成 AgiBot G2 真机验证，成功率提升 6 个百分点
在包裹二维码朝上放置的真机分拣任务中，原始 ACoT 成功率为 56.0%；加入 ActiWorld 引导的分块规划后提升至 62.0%，相对失败率下降约 13.6%。这意味着每 1000 次作业可多完成约 60 次成功分拣。
▲AgiBot G2 真机预测示例。绿色为初始真实帧，橙色为 ActiWorld 预测帧，蓝色为实际执行后的未来真实帧。
该成果是在小规模真机数据且原有策略冻结条件下取得的，证明 ActiWorld 是推理阶段“即插即用”的决策增强模块。作为不绑定本体的轻量中间件，它与基座世界模型形成嵌套协作：基座提供通用物理一致性，ActiWorld 专注工业精度的动作后果校验，二者互补形成完整闭环。
02. 百毫秒级推理，把机器人脑中预判变成丝滑的真实动作
机器人具备预判能力后，还需解决“不可能三角”难题：模型规模、推理速度与部署成本的平衡。工业场景要求持续低时延响应，否则会导致动作卡顿甚至失败。
1. 从数据、训练到工程优化，压缩机器人等待的时间
AnuVerse-0.5 在三个层面同步发力以压缩时延：
- 数据端：自研平台清洗标注工业数据，解决质量参差不齐问题。
- 训练策略：采用混合 MoT 架构，实现“训练生成视频、推理单帧图像”；结合人在环路强化学习，使模型适应光照背景变化。
- 工程部署：通过 CUDA 图编译、算子合并及重构 3D VAE 为 2D VAE 等优化，实现在消费级显卡上部署且时延小于 100ms。
低时延减少了动作过期等待，确保了长任务执行的连贯性。
2. 已落地工业搬运场景，丝滑执行长程复杂任务
AnuVerse-0.5 已成功落地真实工业搬运场景，机器人可一气呵成完成下蹲、抓箱、转身等一系列复杂动作，自如应对遮挡与反光。百毫秒级推理与单卡部署大幅降低了硬件投入与应用门槛，使模型速度转化为客户可感知的部署效率。
03. 模型离开实验室后，如何在工厂稳定部署并快速复制？
模型训练仅占整体工作的三成，剩余七成取决于现场适配与工程化。面对光照干扰、物料堆叠等长尾问题，安努打造了 Nexus 端到端部署系统，卡位稀缺的“软件定义部署层”，统一调度各类模型与技能。
1. Nexus 填平模型输出与真机执行之间的工程断层
- 统一动作语言：将不同模型输出转换为 24D 绝对动作，更换模型仅需服务端适配，减少底层重写。
- 解耦推理与控制：VLA 负责低频规划，机器人端高频插值执行，结合 RTC 连续重规划处理动作衔接，避免失效轨迹执行。
- 独立安全盾：设置基于真实关节反馈的 FK 动作级安全防护，识别并修正危险动作，该机制可跨模型复用。
2. 不仅降低跨本体、跨场景部署成本，还把经验沉淀为下一次可复用的产品能力
Nexus 将共性问题沉淀为标准参数，使端到端算法部署时间缩短 30%—50%。系统已适配智元全系列及其他品牌本体，支持“一脑多能、一机多用”，显著提升设备利用率。
此外，安努构建了“数据回流—模型训练—真机执行—再次部署”的持续迭代飞轮。实证数据显示，富临精工同类工位部署周期从 4 个月压缩至 3 天，设备平均故障间隔时间（MTBF）超过 300 小时，真正推动具身智能走向可计算 ROI 的产业现场。
04. 结语：交付只是起点，真正的商业化在于规模复制
安努依托真实工厂数据与仿真平台，构建了从 ActiWorld 校验、RoHIL/EvoHIL 进化、AnuVerse-0.5 蒸馏到 Nexus 规模化部署的内生数据飞轮。这套全栈链路针对性攻克了部署慢、光照干扰、安全性不足及难以复制等工程痛点。
安努的核心壁垒并非重做世界模型，而是在通用基座与真实产线之间建起一座“检验 - 学习 - 执行 - 落地”的技术桥梁。集齐六项商业化成果后，安努致力于将非标项目经验沉淀为可跨本体、跨场景复用的标准化产品能力。唯有将同一套能力低成本复制到成百上千个场景，才算真正跑通了具身智能的商业模式。
