在营业中的超市内，轮式机器人需穿梭于顾客与购物车之间，核对电子价签与商品价格，并调整视角识别被遮挡的库存。补货时，机械臂需深入低矮货架，精准抓取软包装商品并整齐陈列。每一个动作的精度、安全性及成本，直接决定零售商的运营成效，而投资回报率（ROI）则是具身智能落地真实门店的关键门槛。
目前，零售数字化领军企业汉朔科技与专注具身智能世界动作模型的 X-Era Lab（拓元智慧）正携手推进这一进程。汉朔科技服务全球超 550 家零售客户，产品覆盖 80 多个国家、近 7 万家门店，其遍布货架的电子价签构成了实时连接的物理坐标系。X-Era Lab 则基于 4D 时空表征的原生世界动作模型 VWA，赋予机器人理解遮挡、光照变化及预测环境的能力。
一方提供全球场景网络，一方提供智能大脑，双方共同探索的核心命题是：当顶尖 AI 模型接入真实门店网络，具身智能能否从一次性演示 Demo，转化为可持续稳定运行的生产级系统？
具身智能如何在全球零售门店货架跑通商业闭环？
汉朔科技近年来持续押注 Physical AI（物理人工智能），即让 AI 感知并改变物理世界的基础设施，其中机器人是最具挑战性的一环。依托服务全球近四成零售百强客户的业务底盘，汉朔将零售门店的具身智能需求收敛为巡检、盘点与补货三大核心场景。目前，其巡检机器人已在国内及海外商场启动 POC 测试。
当前具身智能落地呈现两极分化：一端是高度结构化的工厂，另一端是完全非结构化的家庭。介于二者之间的零售门店，实为被低估的“试金石”。零售业核心痛点在于盘点频次受限，大型门店全店盘点通常只能在闭店后进行，导致多数零售商年均仅能完成一至两次全店盘点，账实不符成为普遍难题。
若巡检机器人能在营业时段稳定作业，将盘点频次提升至周度甚至每日级别，将显著改善库存实时性与货损管控，推动供应链管理实现质的飞跃。
用电子价签构建“物理世界坐标系”
作为全球第二大电子价签供应商，汉朔已在近 7 万家门店搭建起深入货架、打通 SKU 与物理货位的数字化底座，并进一步构建门店数字孪生系统。这意味着 AI 与机器人无需单纯依赖视觉从零感知，即可调用持续更新的商品与空间先验信息。这套由“真实门店网络 + 数字孪生 + 智能终端”组成的基础设施，构成了汉朔在 Physical AI 领域的场景壁垒。
电子价签作为附着于货架的结构化元数据载体，可实时同步 ERP 系统中的陈列标准与售价。基于此，机器人获得三大差异化优势：
端侧算力压力显著下降
价签预先告知货位预期商品，模型仅需进行闭集确认，端侧小模型即可胜任，大幅减少云端算力开销与延迟。
原生货架语义坐标
无需机器人利用 SLAM 重建地图并人工标注，海量价签节点可直接提供门店空间与商品分布信息。
本地计算满足合规要求
在欧洲等监管严格区域，依托价签先验信息与端侧小模型实现本地数据处理，将合规约束转化为技术优势。
为真实货架而生的原生世界动作模型
为给物理门店网络搭载智能“大脑”，汉朔选择与 X-Era Lab（拓元智慧）合作。该团队由中山大学人机物智能融合实验室与鹏城国家实验室联合孵化，核心成员兼具牛津大学、UCLA 及华为等机构的科研与产业经验。
团队原创的原生世界动作模型 VWA，在基于 4D 时空表征的架构内统一完成环境理解与动作生成。仅用 10 亿参数，VWA 便在十余项权威评测中领先，性能超越多款数十亿参数主流模型，获 Google DeepMind、NVIDIA 等认可。科研层面，团队累计发表顶会顶刊论文 500 余篇，总引用超 10 万次；产业化层面，已搭建日均服务 500 万次调用的 MaaS 平台及毫米级 4D 训练数据管线。
通过将百亿参数模型能力压缩至 10 亿–30 亿区间，该方案可在 32 TOPS 算力硬件上完成端侧部署，推理时延达毫秒级。此外，团队开源了全球首个具身智能操作系统 PhyAgentOS，推动规模化落地。
X-Era Lab CTO 陈添水博士指出，零售场景细节细碎，技术能力极易被实际业务证伪。汉朔机器人产品线总经理童亮认为，零售卖场作为典型的半结构化场景，其真实数据能有效规避仿真数据泛化弱的短板，降低落地试错成本。
场景底座 + 世界模型，驱动零售具身智能持续迭代
具身智能的产业落地，胜负手不仅在于模型本身，更在于来自物理世界的现场知识。汉朔十四年深耕积累的真实门店场景、商品货架数据及数字孪生能力，是无法凭空生成的稀缺资产。
依托电子价签与 IoT 网络，门店运营状态持续映射至数字空间，为 AI 提供可读取、可动态更新的场景底座。汉朔提供的可解析物理坐标系，让模型能识别点位现状与预期标准。在此基础上，X-Era Lab 的 VWA 模型借助 4D 时空表征，打通环境理解、行为预测与控制，使价签、货架及人员动态成为模型可理解的世界状态。
该方案并非简单部署通用大模型，而是让模型在真实业务中持续校准。每一次巡检、盘点中的失误均可转化为迭代反馈信号。依托汉朔的全球门店网络与数据底座，双方能够沉淀可验证、可复用的模型能力，在真实环境中持续优化。
只有将高性能 AI 模型接入承载海量真实场景与商业数据的网络，具身智能才能脱离 Demo 阶段，演进为具备商业可行性的生产系统。