比赛检验性能，部署检验产品。
文丨江思远
1894 年 7 月，21 辆形态各异的 “无马车辆” 从巴黎出发，驶向 126 公里外的鲁昂。
最先抵达终点的是朱尔-阿尔贝·德·迪翁驾驶的蒸汽车，但他没有拿到最高奖。除了驾驶员，还需要一名司炉工不断填煤、照料锅炉。速度稍慢的标致与 Panhard & Levassor 汽油车，则可以由一人独立操纵。
组委会最终把最高奖项授予了后者。按照当时的规则，一辆车不仅要跑得快，还需要安全、容易操纵，并将使用成本控制在合理范围内。
当时，卡尔·本茨为三轮机动车申请专利已经过去八年，但汽车仍远非今天人们熟悉的模样。蒸汽、汽油、电力等动力路线相互竞争，产品形态尚未定型，人们甚至还没有形成一套稳定的标准，去判断什么才是一辆 “更好的汽车”。
这场比赛试图回答的，也不只是哪个机器跑得最快，而是哪一种机器更接近可以被真正使用的产品。
一百多年后，人形机器人正在经历类似的阶段。
在刚刚结束的世界人形机器人运动会上，赛项大致分为两类：100 米障碍、武术和足球等传统竞技项目，主要测试机器人的速度、平衡与运动控制；工业搬运、园林巡检、酒店服务和物料整理等场景项目，则对应现实中的具体作业任务。
今年，超过四成的赛项属于场景赛。组委会在设计比赛前调研了商业服务、园林巡检、应急救援等领域的实际需求，再把一项工作拆解成机器人需要完成的任务；部分比赛还直接设置在酒店、图书馆等真实场所。这意味着，比赛开始看机器人能不能完成一整件事，而不只是跑得快。
速度、灵巧度仍然重要。但行业正在面对的另一个问题是：这些能力能不能离开赛场，进入工厂、酒店和商店，被稳定地重复使用。
量产机的赛场取舍
世界人形机器人运动会结束后，智元带走了 18 枚金牌、16 枚银牌和 12 枚铜牌。
奖牌数量之外，不同团队在竞技表现与产品目标之间也作出了不同选择。智元此次以已有的量产产品平台为基础，针对具体赛项进行局部适配。这种方案保留了较多产品端的约束，也构成了其参赛策略的一部分。这并不是机器人比赛里理所当然的选择。
竞技和产品追求的不是同一件事。参加竞技的团队会直接提高关节功率、增加传感器和算力，把速度、力量和动作幅度推到最高；一台准备进入工厂的机器人，则需要在性能之外，同时考虑长期运行的可靠性、安全性、成本和维护效率。
在智元联合创始人、联席总裁、具身智能体系总裁姚卯青看来，那些为了竞技而高度优化的机器人更接近一种 “耗材”。为了把几分钟里的性能推向极致，它们往往选择承受更高的电气风险，面向量产的产品，则需要同时考虑安全性、可靠性和维护成本。
他在现场观察到，一些参赛方案采用了 144V 工作电压。而目前人形机器人的主流电压是 48V。提高电压可以让机器人获得更大的功率输出，但也会对 BMS（电池管理系统）、线束、绝缘、连接器、散热以及整机安全设计提出更高的要求。甚至在工业标准里，144V 已经跨入强电范畴——“触电是可能有生命危险的”。
类似的取舍也出现在计算和通信架构上。一些参赛机器人增加了路由器、计算设备和传感器，以获得更充分的算力和感知能力。对于竞技场景，这是一种直接有效的工程方案；而当机器人进入工业现场后，团队还需要进一步考虑设备成本、功耗、接口稳定性、实时通信以及整机集成度。
姚卯青告诉我们，智元内部也曾评估过是否要针对某些比赛项目单独定制机器人。最后的答案是，不做。按智元的内部测算，若要从零重新设计一台针对竞技大幅优化的机器，重新拉通机械、电气与控制系统，大约需要二三十人的团队投入半年。
“同样二三十个人，半年时间，我们可能已经打通好几个客户场景了。” 姚卯青说。
当然，量产机并不意味着机器人到了任何场景都一颗螺丝不改。这次消防项目中，为了搬运 4.5 至 5 公斤的灭火器，智元对 G2 腕部结构进行了适配，并增加了约 20 度倾角的承载结构。
这种 “本体不变、局部适配” 的逻辑，也出现在真实工业场景中。在龙旗的生产线上，G2 抓取平板电脑和抓取手机时，末端接触产品的两根 “手指” 并不相同。夹爪的电机和主体保持不变，但末端结构会按照产品尺寸和工艺要求调整。
今天工业机器人也通常这么做：本体不变，只根据工序更换末端执行器、结构件或软件。这种选择在比赛中有时意味着放弃进一步提高成绩。
园林场景中，智元的 G2 最终获得银牌。姚卯青赛后复盘认为，如果围绕比赛进一步优化，他们还可以调整底盘参数、提高巡逻速度，或者增加 360 度传感器和更大的计算设备。
智元最终没有继续做这些调整。姚卯青解释，智元希望尽量保留量产产品原有的硬件和系统配置。因此，比较比赛成绩时，还需要考虑各团队设定的工程约束。
对智元来说，这场比赛更接近一次对现有产品的压力测试。把已经准备进入客户现场的机器人放到赛场，在更高强度的任务中观察能力边界，再判断其中哪些能力值得继续投入，并纳入下一代产品。
从比赛到部署
选择量产机上场，也意味着智元需要用相对固定的产品平台应对不同任务。随之而来的问题是：这些能力如何跨场景复用？
姚卯青判断，在所有赛项中，工业搬运最接近工厂现场：机器人要自己找到货箱、搬运、分拣、插拔，同时还要扛负载、保精度、足够快。
在这个项目里，机器人必须先自主识别并抽取货架深处的料箱，将其平稳转运至目标工位；随后在动态变化的来料中识别零散零部件，完成分拣与摆放；最终，还要完成一道精密插拔工序。
最后一步的难度在于，即便是经验丰富的人类操作员，也未必能做得比机器更好。在狭窄的空间内进行插拔时，机器人必须完全依赖末端力控感知的实时反馈。这一动作甚至很难通过远端遥操完成——操控者隔着屏幕能够看清大致方位，却无法感知细微的物理阻力。
也就是说，这个项目很难靠某一项特别突出的能力拿下。机器人既要有满足任务要求的硬件，也要有能够调动感知、移动、操作和力控的大脑，把一连串动作变成一项完整的工作。当任务发生变化，团队可以重新组合量产和部署过程中积累的能力。
智元最初准备采用遥操方案，由人在场外观察环境、判断下一步动作，再控制机器人执行。但比赛开始后，团队临时决定改成全自主。原本由人承担的环境判断、任务选择和动作衔接，需要重新交给机器人。最终，智元用了几天时间，在原有系统上完成了全自主功能。
几天时间显然不足以重新开发一套机器人系统。真正发挥作用的，是已有能力能否被快速重新组合。
这种组合能力来自一套可复用的软硬件体系。智元把感知、导航、运动、操作等软件模块做成所有机器人共用；关节、结构、运动控制和大脑不再按项目重新开发，而在同一套系统里迭代。智元内部叫它 “全栈”。
到了具体任务，已有能力再被重新组织。在真实部署中，智元也不会把长程任务全部交给一个端到端模型，而是将其拆成多个技能分别优化，再通过 Genie Studio Agent 将导航、抓取、放置等单点技能编排成完整的工作流。
尚未收敛的模型路线
能够快速复用已有能力，不代表机器人能自己听懂模糊指令。很多时候，技能怎么组合，仍然靠人提前设计。
姚卯青举例，“把某个东西拿到某个地方” 是一条相对明确的指令；但如果对机器人说，“把这个屋子收拾一下”，问题就完全不同了。
人听到这句话，会迅速调用生活常识，将 “收拾” 拆解成一套有优先级的作业流程。机器人则需要先理解一个模糊目标，再把它拆成一系列可以执行的任务，并在过程中不断判断：这一步完成了吗？失败了吗？接下来继续执行，还是重新规划？
这也是机器人指令遵循（instruction following）能力需要继续解决的问题。在姚卯青看来，机器人最终需要面对那些没有被预先定义、甚至没有完整训练过的任务，理解目标、拆解任务并完成执行，进一步则是零样本（zero-shot）完成新的任务。推理（Reasoning）因此开始进入机器人的 “大脑”。
但听懂 “收拾屋子” 和动手抓取，是两件事：前者需要理解语义、调用常识并规划一连串任务，后者则要在更短的时间尺度内完成感知和运动控制。如何把这些不同层级的能力组织起来，正在成为机器人大脑需要解决的问题之一。
智元目前的思路之一，是保留一定分层：上层 Agent 负责理解人的目标、规划和拆解任务；下层模型负责执行具体动作；动作完成以后，结果重新反馈给 Agent，由它判断任务完成到什么程度。如果执行失败，再重新规划。
类似的分层也正在成为一种行业思路。Google DeepMind 的 Gemini Robotics ER 2 将高层具身推理与底层 VLA 分开，Figure 今年发布的 Helix 02 则进一步按照不同时间尺度，将场景理解与高层规划、动作生成和身体控制分成三个层级。NVIDIA 最新的机器人模型，也开始把推理能力引入视觉—语言—动作模型（VLA）。
但即使机器人已经知道下一步应该做什么，也不等于它知道这一步做下去，真实世界会发生什么。
现实中的物体会滑动、变形、遮挡，接触力也会变化，同一个动作在不同环境中可能产生完全不同的结果。对于机器人来说，完成长程任务不仅需要规划，还需要持续判断自己的动作如何改变环境，以及接下来应该怎样调整。
姚卯青将目前一些 VLA 的工作方式形容为 “像素到动作的肌肉记忆”——模型可以学习观察与动作之间的映射，但这并不天然意味着它建立了对动作后果的物理预测。
这也是今年世界模型（World Model）受到关注的原因：模型不仅要决定 “下一步做什么”，还要预测动作发生之后，世界可能变成什么样。
智元把自己正在探索的方向称为 WRAM（World Reasoning Action Model，世界推理行动模型），试图让一个模型同时完成规划、预测和执行。
这仍然只是众多答案中的一种。Tesla 继续强调从像素到执行器（pixels-to-actuation）的端到端路线，1X 加大了对世界模型的投入，NVIDIA 也开始探索世界—动作模型（World-Action Model）。“目前技术路线，还没有收敛。” 姚卯青说。
行业正在趋同的是问题，而不是答案。
数据采集的重资产路径
无论模型最终选择哪条路线，具身智能都绕不开同一个瓶颈：真实世界的数据不够。有公司已经开始让机器人先进入工厂、商店，边干活边回收数据，用这些数据训练模型，再把更强的模型部署到更多场景。
智元认为，这条路在商业上可以成立：机器人在工厂里工作并积累数据，可以用于训练特定场景的专用模型；这也是当前机器人进入产业的一条较快路径。但如果目标是 AGI，情况则完全不同。姚卯青认为，仅靠这些部署数据远远不够。
问题在于数据的广度。一个已经部署的机器人，看到的是有限的客户、有限的环境和有限的任务。但预训练需要的恰恰是尽可能高的数据多样性：同一个人、同一种环境、同一项任务采集几个小时之后，继续增加相似数据的价值就会下降，需要不断换人、换环境、换任务。最终希望覆盖的，是 “全社会各个行业的各种工种”。
智元因此选择大规模采集第一视角数据，并为此专门成立觅蜂科技。
姚卯青透露，智元旗下觅蜂刚刚在全国交付 2 万台第一视角（Egocentric）数据采集设备；目前已有数万人穿戴设备参与采集，每天稳定回流的数据超过 1 万小时。这些第一视角记录用来让机器人学会识别物体、理解物理动作，并规划移动路线。在机器人尚未进入更多职业场景之前，智元先通过人类作业收集数据。
这条数据采集路线成本很高。智元测算，仅几万套采集设备本身，资产价值就达到数亿元；除此之外，还要持续支付数据采集人员的费用。数据回流之后，又需要数据中心完成后处理、加工和存储，服务器投入同样达到数亿元级别。
但这套模式的回报周期仍不清晰：数据能够多快转化为模型能力，模型能力又能多快转化为规模部署和收入，都还需要更长时间验证。
对智元而言，这意味着在机器人规模部署之前，就要同时承担本体、大模型、数据采集和商业部署几条成本线。
从奖牌到部署
如果说比赛的计分牌是奖牌，到了工厂，评价机器人的标准会迅速变化。“客户其实不关心机器人背后究竟采用什么技术，他只关心几个维度：成本、成功率、稳定性、节拍。” 姚卯青说。
这些指标也是机器人从技术演示走向规模部署时，更现实的一场考试。端到端、VLA、World Model、Reasoning，每隔一段时间，机器人行业都会出现新的技术关键词；但技术进步最终需要进入真实场景，才能变成生产力和收入。
把此前的投入放在一起看，智元打算用数据训练模型，用模型把机器人带进更多场景，再用场景里产生的数据和收入训练下一代模型。
智元把 2026 年定义为具身智能的 “部署态元年”。而比赛之外更严苛的考题是：赛场上的能力，有多少已经用到客户车间里？
工业搬运是目前离真实应用更近的一类。比赛里涉及的移动、搬运、分拣、精密插拔，以及背后的视觉感知、力控等能力，已经在包括龙旗、上汽在内的工业客户项目中部署了。
但还有一些比赛离真正的商业化依然相去甚远。以商超场景为例，真实的零售、酒店与家庭场景面临着上万种 SKU、无序摆放的物料以及时刻变化的非结构化环境，对泛化能力的要求远非标准化产线可比。包括智元在内，整个行业在这些场景都还没有进入规模部署阶段。
如果要给这场运动会增加一个项目，姚卯青会选择 “可靠性测试”。
在一个工业场景中，让机器人连续十天反复完成同一项任务，再统计故障率、人工干预频率、每次维修恢复时间、续航表现和任务成功率。在工业领域，其中与故障和维修相关的两项指标分别是 MTBF（平均故障间隔时间）和 MTTR（平均修复时间）。这些指标很难像 100 米比赛一样，在几分钟内分出高下，却更接近客户最终要计算的账。
1894 年的巴黎—鲁昂的第二年，全程近 1200 公里的巴黎—波尔多—巴黎汽车赛上，Émile Levassor 驾驶 Panhard & Levassor 率先完成往返，却同样没有获得官方第一——按照规则，获奖车辆必须是四座车，而他驾驶的是两座车。
汽车还在寻找产品形态的时候，连 “什么才是一辆更好的汽车” 都没有确定答案。一百多年后，人形机器人也处在一个评价标准仍在形成的阶段。速度、灵巧度重要，MTBF、MTTR 也重要。
大家要争夺的是金牌，也不只是金牌。
题图来源：智元
热门跟贴