QUOTE
有些公司生来是为了建一座温室,有些公司建好温室,是为了亲手拆掉它。
—— 具身智能Nova
2026 年 11 月 3 日凌晨,上海徐汇一家正常营业的便利店里,负责清洁的智元精灵 G2 机器人停在垃圾桶前。
桶已经满了。按照实验室写死的规矩,这属于异常。可现场没有工程师冲上来按急停,也没有遥操作员在后台接管手柄。机器人在原地顿了顿,绕开满载的垃圾桶,推门走入店外的夜色里。
24 小时考核,六台精灵 G2,排班表和人类店员一模一样:迎宾、取货、做咖啡、烤热食、巡检补货、擦洗桌面。规则只有一条:考核期间,严禁人类在环。
终场哨响,六台机器人累计完成 1730 项任务。最终 4 台顺利转正,2 台留用观察。除开半夜走出店外的清洁机器人,负责巡检的机器也因为没跟上客流周转节奏被亮了红灯。
这场把翻车现场直接摊在 200 万人直播镜头前的考核,几乎是对智元过去功勋的一次背叛。
就在十几公里外的张江,智元曾建起中国最具标志性的真机数采工厂。几千平米的场地里,近 200 台机器人每天站在房间里,由操作员戴着外骨骼与头显一对一远程操控。靠着这种重工业式的手把手喂养,智元在 2026 年 9 月把累计下线量推过两万台,坐上全球出货第一的牌桌。
可就在两万台下线仅仅一个月后,这家最擅长用人类双手喂养机器人的公司,却把六台机器人赤手空拳扔进了便利店。
从数采厂里寸步不离的提线,到便利店里彻底松开的双手。
这是一场在两万台规模顶峰被迫发起的自我革命。
本文看点
01
二十倍的真空
02
动手前先推演
03
单店不等于百店
01
THE DATA WALL
被五十万小时锁死的起跑线
工业史上每一次残酷的转向,起初都不是因为看见了新大陆,而是旧大陆的路走绝了。
2016 年 AlphaGo 击败李世石,底座里塞满了三千万局人类棋谱。所有人都在欢呼模仿学习的胜利,只有团队内部清楚,人类千年的棋谱已经见底了。一年半后 AlphaGo Zero 问世,彻底扔掉人类棋谱,靠左右互搏三天走完人类几千年的定式。
五年后特斯拉重演了同一个剧本。为了应付路口千奇百怪的障碍,系统曾攒下三十多万行规则代码,修好一个左转漏洞就会撞上新的右转边界。直到 FSD 砍光规则代码转向端到端神经网络,才从修补规则的泥潭里拔出腿来。
2026 年的具身智能,撞上了同一堵墙。
今天市面上的机器人,一生中最聪明的一天就是出厂那天。在实验室背熟了动作参数,只要光照和包装盒与训练集一致就能稳定发挥;一旦标签挪了两厘米,或者换了软塌塌的外卖袋,就会当场卡壳。它们不会吃一堑长一智,因为主流的行为克隆路线里压根没有留存教训的机制。
要靠模仿人类学会通用技能,行业公认的门槛是至少 1000 万小时的真实交互数据。但截至 2026 年初,全球合规可用的物理交互数据加在一起,只有约 50 万小时。
1000 万
数据门槛(小时)
50 万
现有存量(小时)
「五十万对一千万,
中间横着整整二十倍的真空。」
更让人窒息的是填补真空的价格。传统真机遥操作采集,每小时成本高达 500 到 1000 元;一名熟练工人连续作业,每天有效产出只有两三个小时。照这个速度算下来,全行业买齐一千万小时,光买数据就要烧掉 50 到 100 亿元。
可账本不答应。
智元 2025 年营收 10.5 亿元;按照实控人邓泰华立下的军令状,2027 年要冲过 100 亿元、完成万台级部署。一边是两万台硬件下线的制造洪流,一边是靠人类手腕一帧帧摇出来的昂贵数据。如果每进一家新门店、每换一个新工位都要工程师驻场重采数据,再丰厚的融资也会在规模化之前被驻场成本吃光。
加州大学伯克利分校教授 Sergey Levine 把焦虑压成了一句话:关键不是 Scaling,而是找对该 Scaling 的东西。
大语言模型撞上语料枯竭时,靠强化学习和测试时计算活了过来。具身智能要想不断腕,唯一的出路,就是把学习从出厂前的实验室,强行拽进出厂后的每一秒真实作业里。
不剪断手里的提线,
机器人就永远只是一件昂贵的电动玩具。
02
THINK BEFORE ACT
在动手之前,先在脑子里活过一遍
要让机器人在没有人类搀扶的现场活下来,得先重塑它看世界的方式。
从 GO-1 提出 ViLLA 架构把视觉对齐到动作,到 GO-2 引入动作思维链拆解步骤,再到 10 月 29 日发布的 GO-3 Preview,智元推翻了传统 VLA“看懂了就直接伸手”的反射弧,立起了一套世界推理动作模型 WRAM。
两套架构的分水岭,在于动手前的那一次停顿。
传统 VLA 看到水杯就直接输出关节动作;WRAM 则是先在内部预测“如果我这样伸手,世界会变成什么样”,再去计算怎么走到那个预测出来的未来。
前端的视觉编码器 CoAE 先做减法。普通视觉模型要看清杯子的每一道花纹,CoAE 只提取位置、几何轮廓和空间遮挡。扔掉冗余背景后,视觉输入词元数量压到 DINOv3 的十六分之一,动作恢复误差反而下降 35%。
中间的单步视觉规划器 SVP 做了极其克制的取舍。视频长程推演最怕误差累积,推到第十步画面往往糊成一团。SVP 只预测紧接着的下一个关键状态,再算当前这一步的关节动作。海量人类视频在这里化作物理常识:水倒了会流,盒子推了会滑;百万级真机数据集则把物理变化与出力死死焊在一起。
末端的 KASO 解决多解悖论。抓马克杯伸左手和伸右手都是合理未来;训练时不甄别,模型会把左右手轨迹平均成抓向空气的废动作。KASO 筛掉不相容的预测分支,让脑子里的想象和手上动作咬合起来。
但这只解决了怎么想。物理世界最残酷的地方在于,看十万遍别人插线,不如自己亲手插歪一次。
真机试错容易撞坏硬件,传统仿真又算不出塑料袋的真实摩擦力。智元的后训练系统 Genie Evolver 把百台真机、物理仿真和世界模型绑成了一座三合一的苦修场。仿真管力学底线,世界模型管脑内分叉复盘,百台真机用实操数据动态修正世界模型,防止机器人在虚拟推演里越想越偏。
算法层最核心的设计是失败引导的经验检索微调(FERT)。
当机器人插充电线或组装凳子卡壳时,系统绝不拿失败轨迹硬训模型,而是把失败前一秒的画面当成检索词,去百台机器人的共享成功库里捞出最相似的成功片段,成倍调高权重。
「失败不提供答案,
失败只负责划定今晚复习的题库。」
在插花、叠衣服、手机充电、凳子组装、手机包装五项真机测试里,这套机制没有多要一条人类示范,把平均成功率从 81.0% 拉升到 97.3%,平均故障率下降 86.0%。在需要精密手感的桌面冰壶上,机器人在线迭代 4 小时后,胜率首次越过了被测人类的平均线。
而在智元放出后训练系统的第五天,同属邓泰华麾下的兄弟公司启元机器人,从侧翼补上了更激进的一刀:世界模型仿真器 PrimeSim。
它直接把视频生成模型改造成了仿真器本身。研究团队喂进 30,110 小时机器人数据,横跨 22 种异构本体,用统一动作表征和视角交错注意力锁死几何一致性;去噪步数从 50 步压到 4 步,生成速度提到每秒 10.04 帧,单次连续推演撑过两分钟以上。
8 个策略在 300 个共享初始状态下,PrimeSim 与 LIBERO 原生物理仿真器的策略成功率相关系数高达 0.99,平均绝对误差只有 2.8;直接在生成模型里做强化学习,训完迁回原生物理仿真器,成功率实打实涨了 11.5%。
两家兄弟公司在同一个星期里亮出了同一张底牌:为机器人伪造一个可以无限试错、低成本重来的平行宇宙。
03
FIELD NOTES
把错题本留在现场,把考卷交给同行
然而,平行宇宙修得再逼真,终究要撞上便利店里那根白色的塑料袋提带。
过去机器人进店上岗,底层抓取失败往往只给上层大模型回传一个失败的布尔值。相机被挡了还是夹爪打滑了大模型一无所知,只能原地重试直到把货架扫翻。
10 月 27 日智元发布的具身 Agent 框架 Genie Master,用一套具身执行协议 EEP 把能力清单、引导、反馈和断点续接统一定义,在大脑和小脑之间修通了记账管道。
便利店里的精灵 G2 学会了用两条腿走路。
一条腿叫 Harness RSI,专门记错题本。刚进店时机器人往货架挂钩挂糖的成功率很低,系统翻看回放发现头部相机离得远被标牌挡住,当场改写策略:左手先凑近用腕部相机拍清挂钩,右手再挂。打烊后排障经验沉淀进长期记忆,变成第二天的守则。
另一条腿叫 Policy RSI,专门练肌肉记忆。打包熟食时塑料袋提带缠住夹爪,系统接管引导夹爪退回微调再入袋。真实挫败中攒下的轨迹回流到底层策略微调,把纠错固化进模型权重。
靠着这两条腿,精灵 G2 在便利店的完整流程成功率从首日的 28.6% 爬升到 5 天后的 85.7%,单任务成功率比传统监督微调高出 17.7 个百分点。
但越是完美的技术叙事,越需要拿产业现实的冷尺子量一量。
第一道重力是刷榜与开源的时差。今年 7 月小米机器人刚拿下 RoboDojo 榜首,三个半月后智元又宣布三榜登顶。换庄速度堪比大模型,但榜单分数不等于产线良率。GO-3 计划年底全面开源,在同行真机复现之前,所有的第一都还是单方战报。
第二道重力是0.99 相关系数的温室边界。PrimeSim 与原生仿真器的高相关性,建立在测试题目本就属于 LIBERO 任务族的前提下。离开标准桌面进入强对抗力控或流体场景,视频模型会不会崩塌,11 月 6 日代码开源后才会迎来真正的压力测试。
第三道重力是单店收敛与硬件肉身的极限。5 天内成功率拉升三倍证明了单店威力,但单店不等于百店。就在四个月前,红旗连锁刚刚公告终止了研发一年多的便利店机器人项目,理由是暂未达到大规模商业化标准。24 小时大考里依然有 2 台没能转正;决定机器人抓不抓得稳黄金糕的,终究是末端夹爪与传感器的寿命极限。
算法能帮它记住挂钩位置,却没法替电机扛住十万次摩擦后的物理衰减。
∞
THE END
剪断提线之后,旷野才真正开始
把这一整套体系推演到底,智元真正触碰的,是人与机器之间权力的重新划分。
过去三年,具身智能默认的真理是:机器人的上限,取决于人类喂给它多少经验。人类戴上头显做一遍,机器人模仿一遍。在这个逻辑里,人类是无所不能的造物主,机器人是被困在模仿里的牵线木偶。人类经验既是它的起点,也是死死扣在它头顶的天花板。
可物理世界的辽阔与复杂,从来不以人类的习惯为准则。
如果每一个动作都需要人类先做一次示范,如果每一次失败都需要工程师手动改写规则,那么机器人就永远只能活在人类经验的倒影里。它无法应对没有剧本的意外,也无法生出属于自己的解法。
智元在便利店里做的事情,本质上是一场把机器“放归野外”的实验。
在张江的数采工厂里,机器人是被精心圈养的物种。光照恒定,地面一尘不染,每一个动作都有人类保姆寸步不离地纠偏;而在徐汇的便利店里,货架被遮挡、塑料袋缠住手指、深夜垃圾桶爆满,物理世界的粗糙、恶意与偶然性扑面而来。
但恰恰是这些不完美的现场,逼着它在脑子里推演分叉,逼着它自己伸出左手补足视角,逼着它把碰壁的痛感写进权重的肌肉记忆。
「智能从来不是在无菌室里被驯化出来的,而是在泥泞的现实里撞出来的。」
回看计算产业每一次权力交接:PC 时代,软件挣脱了大型机房的禁锢;移动时代,算法走出桌面融入日常起居;自动驾驶时代,端到端网络把人类工程师写死的规则逐一替换。
今天,物理 AI 终于开始推开实验室的玻璃门。
两万台出货量,只是上一轮工业制造能力的阶段性注脚。当智元在便利店里彻底松开双手,让机器人在真实人流中自己跌撞、自己找路的那一刻,它才算真正踏出了迈向物理世界的第一步。
门外没有提前铺好的导轨,只有充满摩擦、遮挡与意外的真正旷野。但唯有在旷野里跌倒过并且自己站起来的物种,才配得上成为未来的主宰。
END
我是具身智能Nova,专注拆解具身智能的路线、账本与真实进度。
如果你觉得今天这篇有收获,欢迎点赞、在看、转发三连,我们下篇见。

