当钢铁开始劳动
Fast Reading
■
彭志辉提出Worken（有效智能工时）的新概念，它由活跃机器人数量、自主工作时长和产出效能比组成，试图衡量机器人在真实环境中究竟创造了多少有效劳动。
■
一台机器人开机八小时，不代表它有效工作八小时；在发布会上完成一次操作，也不意味着它能在产线上连续稳定工作一个月。机器人从被制造出来，到成为真正的劳动力，中间还有一段很长的路。
■
从“能上台”到“能上岗”，改变的是整个行业的竞争逻辑。技术能力最终要经过成本和效率的检验，才能变成客户愿意持续购买的服务。
作者 | 陈序宁
编辑 | 黄运涛
在皮克斯动画《机器人总动员》中，WALL·E独自在荒芜星球工作了700年，其核心能力并非情感，而是漫长岁月中的持续工作。现实中的机器人产业虽在人形运动能力上取得突破，但在适应复杂环境、处理意外及连续作业方面仍面临巨大挑战。
10月最后一周，智元机器人在上海举办2026智元创新日。联合创始人彭志辉提出新概念“Worken（有效智能工时）”，旨在通过活跃机器人数量、自主工作时长和产出效能比，量化机器人在真实环境中的有效劳动价值。这标志着行业评价标准从展示参数指标转向衡量实际效用。
此次创新日发布了第三代硬件架构AHA3、具身基座模型GO-3 Preview、端到端全模态交互模型WITA-OMNI、灵渠OS 1.0操作系统以及重载机器人精灵G2 Max等新品。截至2026年9月，智元通用AI机器人累计下线2万台，广泛应用于工厂、地铁、主题乐园和酒店等场景。
以下是雪豹财经社与智元多位高管的深度对话实录：
机器人价值开始用“工时表”衡量
Q1：如何概括智元今年的核心进展？物理AI现在走到哪个阶段？
彭志辉（智元联合创始人、总裁兼CTO）：今年进入“Y时刻”，即从开发态正式转入部署态。单一技术无法解决所有场景问题，必须实现本体与智能的深度融合。目前，智元研发团队中30%从事本体硬件，70%从事智能研发。随着垂域智能在如龙旗工厂质检工位等场景落地，物理AI正从第二阶段迈向第三阶段，迎来类似“ChatGPT时刻”的爆发。
Q2：为什么对智元来说，全栈和“三智一体”是必选项？
彭志辉：部署阶段的痛点涉及本体、算法和数据的多重耦合，必须整体解决。本体决定下限，模型决定上限。万台下线仅是制造业的胜利，万台上岗才是物理AI的真正胜利。
姚卯青（智元联合创始人、联席总裁、具身业务体系总裁）：稳定本体、多机一致性、数据采集、模型训练和场景集成存在“木桶效应”，任何环节的缺失都会阻碍闭环推进。
熊彦（智元合伙人、联席总裁、中央研发部总裁、交互业务体系总裁）：中央研发部兼顾共享技术与业务需求。未来专业模型可能融合为综合模型，当前分开发展有助于积累技术深度。
Q3：Worken如何成为机器人生产力的度量衡？
彭志辉：Worken意为“智元”，由Work和Token组成。它摒弃单纯的参数展示，转而关注机器人在真实环境中持续、有效的智能劳动贡献。
王闯（智元合伙人、高级副总裁、通用业务部总裁）：主要考核实际部署台数、工作时长和劳动价值密度。不同场景价值密度差异较大，需根据具体情况进行精细化评估，扬长避短。
Q4：未来按本体、服务还是Worken收费？
彭志辉：模式并非非此即彼。需技术支持的客户采购设备，追求结果的客户选择服务交付，也有共同运营的合作模式。核心在于技术的可复用性和长期交付能力。
王闯：当前以全栈能力销售为主，未来可能推出“生产力套餐”，按消耗的Worken计费。智元定位为持续创造生产力的公司，而非单纯的硬件制造商。
Q5：如何选择场景？工业、商业和家庭谁先谁后？
王闯：选型标准包括技术可行性、规模化潜力及技术主线沉淀。工业场景多采用轮式，注重稳定性与性价比；服务场景多用双足，若能带来流量与营收，起量速度可能更快。
彭志辉：家庭是终点而非起点。通用机器人更适合具有一定泛化性、重复枯燥且能与人类协作的工作场景。
通用模型之外，为什么还要具身大脑
Q6：通用大模型会“吃掉”具身模型吗？
姚卯青：通用模型擅长高层推理，但实时性差、成本高。未来VLA、世界模型和控制层仍需与本体深度耦合，具身公司需在每一层保持投入。
彭志辉：通用与具身模型相互渗透。若通用模型覆盖具身能力，竞争焦点将转向本体落地能力；否则，垂域数据仍依赖本体。全栈团队在这两种路径下均具备优势。
Q7：跨场景泛化还要跨过哪些门槛？
彭志辉：主要门槛包括：实时性要求、动作执行的可靠性、物理常识的理解以及任务闭环的物理影响验证。
Q8：GO-3 Preview采用什么架构和训练数据？
姚卯青：采用WRAM架构，支持全链路规模化学习。数据来源涵盖既有采集、采购及补充渠道，包含高端双目及低成本单目数据，训练集已超百万小时。
Q9：百万小时数据背后的投入有多大？
姚卯青：高质量Ego数据成本高昂，百万小时数据约需2亿元，加上算力开销，总投入巨大。
彭志辉：智元今年将建立近万卡训练集群。通过端云协同和模型蒸馏，可降低部署成本，使Token消耗成为用户愿意支付的价值点。
Q10：数据价格下跌是否意味着数据不再稀缺？
姚卯青：同质化低质数据价格下行，但高价值的双目、触觉及腕部相机数据依然稀缺。头部供应商能提供更高比例的有效数据，市场需求正向高质量多模态数据转变。
Q11：WITA-OMNI为什么要统一语音、视觉、表情和动作？
熊彦：统一预训练避免智力损失和对齐困难。全双工交互允许机器人通过视觉判断交互对象，并通过肢体语言拉近交互距离，这是传统模型无法实现的。
Q12：正式版WITA-OMNI最重要的提升是什么？
熊彦：提升了鲁棒性，能有效处理混响等干扰；增强了情绪理解与回应能力，使交互更具情商。
Q13：真实数据如何形成飞轮？工业数据不出厂怎么办？
熊彦：利用长隆等场景的大量交互数据进行回流训练，优化模型表现。全模态原生训练和真实部署数据构成核心护城河。
姚卯青：严格遵守工业数据保密规定，通过在厂内部署边缘侧训练服务器实现模型升级，确保数据安全。
运维、复购与生态决定商业闭环
Q14：从几百台到上万台，真正制约规模化的是什么？
王闯：规模化受限于统一接入、故障管理及内容更新的复杂性。目标是将机器人与工程师配比从3:1提升至20:1，并建立专用的机器人实时网络，以降低客户的人力预算压力。
彭志辉：客户关注点从“能否制造”转向“能否负担”。全生命周期成本管理，包括远程诊断、备件维护等，是实现大规模部署的关键。
Q15：工业规模化最关键的量化标准是什么？
姚卯青：核心在于部署效率，即通过工具链实现快速复制。行业拐点标志为中国工厂内稳定作业的机器人数量突破一万台，同时保障产业链各环节的合理利润。
Q16：龙旗和长隆如何实现复制与复购？
姚卯青：龙旗项目已从单一工序拓展至多品类及搬运环节，研发团队撤场后由客户基础运维承接。多家3C企业已完成合作并线。
熊彦：长隆因机器人成功完成任务而增加点位，实现复购。
王闯：持续的软件、算法及结构迭代，让客户看到机器人的成长，从而增强满意度。
Q17：新品快速推出会不会牺牲测试和生命周期？
姚卯青：坚持严格的产品开发流程（IPD），不因发布节奏牺牲质量。精灵G2系列经过长期打磨，针对不同负载需求进行细分，确保市场生命周期。
Q18：为什么规模化必须依靠生态？普及的信号是什么？
王闯：开放灵渠OS及开发工具，借助合作伙伴掌握行业Know-how。普及的标志是客户能够自主规模化下单及分发，无需厂商提供重度服务支持。
END
