具身智能落地：工业场景率先突围
过去一年，具身智能行业融资活跃。截至 2026 年 6 月 12 日，国内该赛道融资总额约 438 亿元，已达 2025 年全年的近八成。尽管应用场景涵盖家用、商业及工业等多个领域，但从 Demo 验证到批量部署仍存在巨大鸿沟。综合来看，工业场景因任务边界固定、动作重复度高，成为具身智能最接近批量落地的领域。
国家税务总局数据显示，2026 年 1-5 月，全国工业企业购进具身智能机器人金额同比增长 2.3 倍，标志着企业需求正从“买 Demo"转向“上产线”。如果说上一轮 AI 浪潮的主角是“会聊天的模型”，那么这一轮的核心则是“会干活的机器”。
具身智能的竞争关键，不在于模型参数大小或论文指标高低，而在于谁能率先让机器人在真实产线上连续稳定运行。传统工业机器人虽在焊接、搬运等固定动作上表现成熟，但受限于硬件结构固定和软件依赖预编程，难以应对柔性化生产需求。新一代具身智能机器人需具备场景认知判断、精准动作执行及长期无人稳定运行三大核心能力。
六款模型构建全栈闭环，直指工业落地
针对工业落地的复杂流程，安努智能近期发布了六款模型，覆盖数据生成、认知理解、训练进化、动作执行及端到端部署全环节，构建了完整的工业具身智能体系。
Helios：实时长视频生成赋能世界模型
数据采集是工业具身智能落地的首要难题。安努推出的实时长视频生成模型 Helios，通过底层架构创新，解决了传统视频生成慢、时长短、易崩坏的问题。该模型可在单张 H100 GPU 上实现 19.5 FPS 的推理速度，实时生成长达分钟级的视频。其具备的长时序建模、持续生成及高效推理能力，已成为多家头部团队研发世界模型的关键技术底座。
SimLab：攻克软物体操作仿真难题
针对物流分拣中软体物体（如包裹）难以精确建模的痛点，安努推出软物体仿真平台 SimLab。该平台结合自研软体和热学物理求解器、基于 Isaac Sim 的合成数据工厂，以及经真机验证的 Sim2Real 迁移方法，实现了从仿真到真机的无缝衔接。在实际项目中，SimLab 已配合百元级机械臂，在无真实标注数据的情况下跑通全流程，显著降低了数据采集成本。
ActiWorld：让世界模型对动作后果负责
现有世界模型往往侧重画面逼真度而忽视动作逻辑。ActiWorld 的核心突破在于“动作后果的可验证性”。它通过逆动力学头、双向预测及运动加权三条训练约束，确保模型能准确分辨动作细节、承上启下描述状态变化，并将注意力聚焦于动态区域。
ActiWorld 能在机器人执行前预判动作方案的成败，测试显示其判断偏差低于 3.25%。在包裹分拣任务中，引入 ActiWorld 引导预演后，相对失败率降低约 13.6%。这种“先想一步”的判断力，且不增加推理成本、不绑定特定本体，正是工厂落地所急需的。
RoHIL 与 EvoHIL：强化学习确保持续可靠
为应对光照变化、工位调整等现实干扰，安努推出了 RoHIL 和 EvoHIL 两代真机强化学习技术。RoHIL 通过重构世界模型的光照适应性，使机器人在跨光照场景下部署成功率达到 100%，人工介入比例降至 1.32%。EvoHIL 则赋予奖励模型、动作生成器及视觉感知自适应能力，使机器人无需停线重训即可自我进化，适应新任务。
实测表明，该技术组合可将训练、迁移及奖励设计的整体成本降低约 80%。
AnuVerse-0.5：端到端无人作业执行
作为世界动作模型，AnuVerse-0.5 采用 MoT 架构，基于 14B 参数的 Helios 开发。其推理速度达百毫秒级，仅需一张桌面级显卡即可运行，满足了产线边缘侧对速度和成本的严苛要求，实现了真正的端到端无人作业。
Nexus：软件定义部署层
为解决多品牌机器人调度难、对接效率低的问题，安努推出了端到端部署系统 Nexus。该系统具备快速部署、自主调度及资源汇聚三大优势，并内置动作层面的安全盾以防范风险。此外，Nexus 已打通 SAP EWM 和 Joule 系统，使机器人能无缝接入工厂原有的生产管理流程。产线运行数据还将回流至底层数据基座，形成“数据生成 - 训练 - 部署 - 回流”的闭环进化体系。
核心壁垒：模型可开源，部署经验不可复制
与行业内“先打磨模型再找场景”的路径不同，安努智能选择让工程师深入富临精工等真实产线，优先积累部署经验。安努智能董事长兼 CEO 文宏杰指出，模型能力随行业进步会逐渐外溢，唯有在真实产线上积累的部署经验和专有数据，才是企业长期的护城河。
高盛研究报告也印证了这一观点：柔性物体操作、精细抓取等任务本质上无法完全依靠仿真，稀缺的始终是来自真实场景的部署数据。安努通过 FDE（前沿部署工程）模式，将工程师在驻场解决的具体问题沉淀为可复用的技能包。例如，富临精工首个工位部署耗时 4 个月，而同类工位如今仅需 3 天即可完成，且设备平均故障间隔时间超过 300 小时。
这种“先部署、后补模”的策略，使安努在模型开源的大背景下，依然掌握了同行难以企及的工业 Know-how。正如文宏杰所言，当新增机器人带来的软件收入增长快于交付人力增长时，公司才真正进入规模化阶段，而这一临界点的跨越，正是依赖于产线上踩出来的经验。
Q&A：对话安努智能团队
Q1：安努敢说“全栈闭环”的底气是什么？
答：我们的底气源于构建了“检验 - 学习 - 执行 - 落地”的技术闭环。我们基于通用基座模型，融合富临精工、英特尔等产线回流的真机数据，利用 SimLab 和 Helios 生成联合训练数据；经 ActiWorld 校验筛选后，送入拥有抗光照、高鲁棒特性的 RoHIL/EvoHIL 系统迭代；最终蒸馏至端侧小模型 AnuVerse-0.5，并由 Nexus 系统实现一键规模化部署。安努聚焦中间层，确保机器人在工厂比人工更稳、成本更低。
Q2：如果本体厂商下场做工业场景，安努会被取代吗？
答：不会。参考智能手机和新能源汽车产业，主机厂往往通过扶持生态伙伴做大市场规模。本体商需要证明其基座在工厂的可用性，而安努提供的垂直场景工程化 Know-how 能反哺优化基座模型，实现双向增益。如同英伟达不开发游戏却不可或缺，安努作为垂直场景公司，其价值将随通用基座能力的增强而提升。
Q3：安努的工业数据壁垒有多深？
答：壁垒在于数据的“质”与“闭环速度”。首先，数据源自富临精工、英特尔等伙伴超一年的真实产线深耕；其次，依托 SimLab 和 Helios 构建了低成本的“合成 - 真机校验 - 再合成”正向飞轮；最后，Nexus 系统作为数据飞轮核心入口，部署越多，回流数据越丰富，模型精度越高，形成滚雪球式的先发优势。
Q4：团队规模较小，如何保证多模块研发的执行力？
答：我们采取“精准卡位 + 生态借力 + 端侧轻研发”策略。世界模型基座采用开源版本，3D 视频生成、ActiWorld 及强化学习框架分别与北大、港科大、重庆大学等高校联合研发。安努将核心资源聚焦于 AnuVerse-0.5 端侧垂直小模型与 Nexus 部署系统，前者是执行核心，后者是客户付费价值所在，从而避免臃肿配置，提升执行效率。
Q5：目前是否有实际订单？客户付费意愿如何？
答：已有批量订单运行，非概念验证阶段。以富临精工绵阳工厂料箱搬运场景为例，客户看重 ROI。我们的机器人支持一机多岗调度，换线无需重新示教，单班回本周期压缩至 12-18 个月，成本较传统工业机器人降低 40% 以上。
Q6：通用世界模型的发展对安努是冲击还是机会？
答：是机会。通用基座越强，越能成为基础设施，而“扣扳机的人”和“靶场”即真实场景的部署能力将变得更为稀缺。安努的壁垒不在于再造世界模型，而在于工业现场的真机数据飞轮、工艺约束建模及 365 天不停转的部署能力。未来竞争将从“模型聪明度”转向“产线运行时长与 ROI"，这正是安努已被验证的核心优势。