（来源：机器之心）

　　编辑｜冷猫

　　一台复合机器人与一个 SPS 智能分拣工作站，已经在某主机厂产线上连续跑了很长时间。能够识别上百种不同规格的汽车零部件，10 秒完成一次分拣，抓取成功率超过 99%。

　　熟悉工业机器人领域的读者们很能理解这一场景有多么难能可贵。

　　具身智能的强大能力边界，和走进真正的工业生产，两者之间有着巨大的鸿沟。原因在于工业场景对智能的定义，从底层上就不一样。

　　工厂不需要某一项单项能力惊艳的机器人，它们的要求朴素到近乎苛刻：要足够「简单」。

　　这个「简单」是一套完整的工业标尺：建立在稳定完成作业任务的基础上，还要在产品换型、工件规格变化、多机协同调度的全流程里，持续守住精度、节拍与可靠性的底线。这份长链路的确定性，才是「简单」的真正内核。

　　通用化、易迁移、低成本部署，这恰恰具身智能工业化落地最大的的突破口。

　　具身智能领域的老朋友，埃夫特机器人（688165.SH）与旗下启智 Openmind 共同研发的智能机器人通用技术底座，正在试图给出一个全新的解决方案。

　　「安卓方案」：打通链路的强大底座

　　工业具身智能为什么迟迟落不了地？总的来说，有三道鸿沟需要跨越。

　　第一层：数据鸿沟。目前业界的数据来源主要有四类：真机遥操作、仿真数据、第一视角视频、互联网数据。成本高、模态缺失。

　　第二层：场景鸿沟。中国拥有数百个工业门类，每个门类下工艺排列组合，产生的垂类场景数以万计。试图训练一个全能型智能体，通过单一大模型直接覆盖所有工业场景，不现实。

　　第三层：开发鸿沟。面对海量垂类场景，若要覆盖海量场景，就需要雇佣庞大的工程师团队，供给侧和需求侧之间形成了一堵墙。

　　数据为先

　　工业具身智能的落地困境，首先是数据问题。

　　工业场景的精细操作、力控分寸、产线节拍，既无法通过公开数据集获得，也难以用规则穷举；而真实产线数据分散、非标程度高、采集门槛高，直接导致工业机器人的技能始终停留在「一案一议」，无法形成可迁移的通用能力。

　　为解决工业数据难题，行业目前主要走两条路径。一条是仿真生成路线，成本低、速度快，但工业场景对精度、触觉、物理交互的要求极高，仿真与真实产线的「现实鸿沟」始终难以弥合。另一条是机器人遥操作路线，由人远程操控机器人采数，但存在操作延迟、触觉维度缺失、效率低下，且数据与特定本体深度绑定、跨机型复用性差的问题。

　　启智打造「具身智能全行业解决方案」的过程中，在数据侧选择了一条更贴近本质的路径：直接从人类操作者身上采集原生技能数据。

　　新版人类技能全模态数据采集系统 （HALO 技能服）通过真人直采，同步记录视觉、深度、全身动作、手部触觉、肌电等多模态信息，把工人操作中难以用语言描述的手感、节奏、应变经验，直接转化为可训练的结构化技能数据。

　　具体来看，新款 HALO 技能服在硬件上实现了 8 类完整数据模态的同步采集：全景图像、第一人称可见光图像、第一人称深度图像、手部触觉、骨骼点及物体空间位姿 3D 信息、环境音频、操作人语音，以及 sEMG 肌电信号。27 节点 IMU 惯性动捕系统采用全有线连接板载采集架构，工作延迟控制在 10ms 以内。

　　HALO 技能服将数据维度从「动作层」扩展到了「意图层」，让模型训练不只学会「怎么动」，还能学到「为什么这样动」。

　　启智机器人副总工程师王鑫在光明网报道中说：「工厂无需高薪配备专职机器人程序员，一线喷漆老师傅操作数次，系统即可将工艺沉淀下来，适配同类工件。这本质上是将工业机器人部署门槛大幅降低，使企业可将人力聚焦于工艺优化而非程序调试。」

　　从「人类技能」出发的专用基础大模型

　　有了高质量的原生数据，下一个问题是如何把它沉淀为可复用的通用技能。

　　通用技术底座的「大脑」HumanGPT，核心任务是把人类老师傅在真实工况中积累的操作经验，蒸馏为机器人能够训练和调用的数据。

　　HumanGPT 并非从通用语言或视觉大模型衍生而来，而是一套从底层围绕「人类技能」构建的专用基础大模型。

　　它从第一天起就围绕物理操作技能搭建：输入端是多模态的人体运动数据，输出端是可以迁移到机器人关节空间的控制策略。

　　它的训练逻辑是：先由人在真实场景中完成任务，HALO 技能服完整记录人类操作全流程，HumanGPT 从中学习、沉淀通用技能，最终通过 RobotGPTs 实现向不同机器人本体的迁移落地。

　　基础模型只能达到七八成的准确率，无法满足工厂落地所需的高精度要求。在垂类场景实际落地时，还需基于基础模型进行后训练和强化学习，让机器人从此成为「领域专家」。

　　启智的服务场景并不局限于工业。HumanGPT 的大模型能力已在工业制造、家庭服务、极端环境作业等多个领域沉淀数据并训练垂类技能模型，实现跨机型的技能迁移与部署。

　　技能可复用的全链路体系

　　数据与模型的单点突破，仍难以弥合场景与开发的鸿沟。

　　在工业化的场景下，行业普遍痛点是链路碎片化：数据采集、模型训练、应用开发、仿真验证、现场部署分属不同工具与团队，每一次场景切换、本体更换，都要在多个环节重复投入，这也是「定制化成本居高不下」的深层原因。

　　启智围绕「技能可复用」，做了一套全链路闭环体系，把过去相对分散的几个环节接起来，减少机器人换本体、换任务之后大量重复的数据、算法和开发工作。

　　大衍数据平台是后训练的全流程工具链：从数据清洗、标注到模型训练，封装为流程化的点选操作，让非 AI 背景的工程师也能自主完成。平台兼容英伟达与华为昇腾等主流算力芯片，实现「一次开发，多芯适配」，不被算力供应链锁定。

　　墨斗 IDE 是面向工业场景的一体化开发环境，提供图形化仿真界面，支持低代码、无代码及自然语言交互。焊接工艺工程师不需要懂机器人编程，通过墨斗 IDE 即可完成任务编排、离线仿真与部署，能够实现对主流品牌机型的兼容性，具备强大的编排实力。

　　Openmind OS 则向下连接工业机器人、复合机器人、人形机器人等不同构型，是通用技术底座的地基。向下适配多样化的硬件，向上为 AI 应用提供统一接口。由于神经网络在实时控制层面无法保证毫秒级确定性响应，运动控制必须由操作系统以传统控制理论实现。Openmind OS 集成了丰富的机器人专用中间件和通信协议栈，支持毫秒级实时控制，从根本上消除对外依赖，也让整套底座具备了「自主方案」的技术起点。

　　现在，行业内的每家企业都在各自搭建底层系统，每个场景都要从零开始，无法复用、无法共享、无法规模化。这才是工业具身智能「雷声大、雨点小」的根源所在。 

　　这也是为什么我们无比期待具身智能的「安卓时刻」的到来。以统一的接口与开发环境拉低应用开发门槛，让已经沉淀的能力可以跨机器人、跨场景快速迁移复用。

　　启智将「真人采数据→模型学技能→技能向机器人迁移→应用开发→本体执行」这几个过去相对分散的环节，在这套通用技术底座体系中被完整串联，形成可复用的技术闭环。

　　他们真正打造了一个具身智能走进工业生产的「安卓方案」，让每一次落地都不必从零开始。

　　「通用」：本体、产线、工艺的验证

　　「通用」这个词其实是一种很高的要求，但大多数时候它指向的是一种愿景，缺少清晰的验证标准。

　　在埃夫特与启智的逻辑里，一套底座是否真的具备通用性，必须跨过三重行业公认的验证：跨机器人形态的适配能力，跨真实产线的落地能力，以及跨工业工艺的复用能力。

　　跨构型：覆盖多种硬件形态

　　通用技术底座，首先要经受「跨构型」考验。

　　Openmind OS 已落地应用于工业机器人、复合机器人及人形机器人等多构型机器人产品。

　　启智在 WRC 2026 上，展出了「四合一具身智能工作站」：复合机器人、双臂机器人、协作机器人三种完全不同构型的机器人，在同一条产线上协同运转，在视觉引导、柔性力控、精密装配等多重工艺约束下保持精度和稳定性。

四合一具身智能工作站

　　通用技术底座在这里扮演了关键角色。依托统一的接口规范和标准化开发环境，将不同品类的机器人硬件与各类工艺包解耦，工厂可以像「拼乐高」一样，快速搭建适配自身产线需求的智能工作站。整套方案最大难点，是实现三种构型的多机协同，而这正是「一套底座统一接入」所解决的核心问题。

　　本次 WRC 同时首发了新一代复合机器人。这台机器人依托 SLAM 导航与视觉定位技术，将机械臂、3D 视觉和移动底盘从底层打通，实现「手眼脚」三位一体的协同控制。

复合机器人

　　基于 Openmind OS 实现多构型统一控制，通过大衍数据平台完成视觉识别模型训练，由墨斗 IDE 完成路径规划和仿真验证，一台设备背后跑通了通用技术底座的完整技术栈。

　　跨产线：已投产的真实验证

　　一套底座有没有通用性，在工厂里直接投入生产自然是最有说服力的验证。

　　新一代复合机器人，经过实际生产环境严苛验证。它在狭窄的线边仓通道里穿行，识别上百种不同规格的汽车零部件，10 秒完成一次分拣，抓取成功率超过 99%，具备 ±0.5mm 超高重复定位精度，在车间光照波动、产线振动等动态干扰下仍可长时间稳定作业。

WRC 现场的线边仓智能分拣工作站

　　本次 WRC 展出的线边仓智能分拣工作站（SPS），实现从来料分拣到成品上线的无人闭环。打通自动上料、智能分拣、成品上线、自动回框全流程，并实现任务自动下发与实时数据追溯。

　　两套场景方案均已在某主机厂投入生产，目前正在紧锣密鼓的开发测试和验证中。基于通用技术底座，已形成具备可升级、可扩展特点的标准化黑灯智能工厂模板，可以极低边际成本复制到更多工厂和产线上。

　　跨工艺：技能的可迁移性

　　通用技术底座的第三重考验，是能否在完全不同的工业工艺领域之间迁移复用。

　　工业智能喷涂方面，家具喷涂产线已完成闭环验证：工人穿着 HALO 技能服完成人工喷涂，量产阶段机器人无需重新示教，数秒内即可根据新工件形态生成合规喷涂轨迹，新品投产编程时长降低 70% 以上。面向某家具工厂的无标记智能喷涂方案，也已完成批量商用交付。

WRC 现场 HALO 技能服演示

WRC 现场的喷涂机器人

　　智能焊接工作站直击船舶、钢结构等行业「多品种、小批量、高度差异化」工件的焊接难题。借助墨斗 IDE 的图形化界面配合大模型自动识别焊缝、生成轨迹规划，传统需要 72 小时的调试工作可压缩到 4 小时完成。ARC 本体具备 ±0.05mm 重复定位精度与 12 万小时 MTBF，为国产大负载机器人树立了可靠性标杆。

WRC 现场的焊接机器人

　　从分拣、装配到焊接、喷涂，这些分散在不同工艺领域的案例，共同指向同一个验证目标：通用技术底座，能否脱离单一场景的定制开发，让已沉淀的技能与开发能力在不同工业工序中快速复用。

　　这也是「通用」二字在工业场景重要组成部分。

　　不止于 AI：工业具身的落地，拼的是完整产业能力

　　埃夫特与启智的组合，走出了一条「工业基底 + AI 智能」的融合路径，其核心竞争力构建在三层能力的层层叠加之上：自主化、工程化、智能化。

　　埃夫特是科创板工业机器人第一股（688165.SH），国家机器人产业链链主企业，也是首批国家级专精特新「小巨人」。

　　埃夫特背后有着近 20 年的工业机器人积累，已经形成从控制器、驱控一体电柜、关节模组、减速机到机器人本体，以及智能焊接、喷涂、防爆等工艺应用的完整能力。

　　核心零部件自主自研比例达到 100%，构建了全栈国产化供应链。对于强调跨本体部署的通用技术底座来说，自主化实际上提供了向下打通机器人本体的基础，也让新技术进入真实工业设备时拥有更大的工程调整空间。

　　埃夫特董事长兼总经理游玮在接受采访时表示，「作为国内工业机器人头部企业，累计已交付超过 10 万台机器人，且软硬件全栈自研。只有掌握底层系统，才能避免受制于『黑盒』，从而实现对底层开放系统的按需重构与逐层开放。」

　　启智智能机器人通用技术底座，是全球首个入选国家科技重大专项的智能机器人通用技术底座；埃夫特同时牵头承担相关国家科技重大专项攻关任务，并获得该轮项目中较大力度的支持；本次展出的 EXR 防爆机器人是国家科技重大专项成果，已在军工、民爆、化工等高危场景批量落地。

　　国家级科研体系，是对启智机器人的通用技术底座最好的背书。

　　它展开的了一张更完整的画卷：近 20 年工业积淀锻造的本体与核心部件能力在底层，启智的数据、模型、开发工具和操作系统在上层。

　　二者咬合之后，埃夫特与启智就已呈现出一条建立在自主核心技术、工业工程能力和国家级科研任务基础上的具身智能落地路径。

　　启智清晰地规划了「两阶段」的发展路线：

• 　　1.0 阶段面向制造业与 ToB 服务业，聚焦结构化和半结构化场景，追求高可靠、高精度；

• 　　2.0 阶段向半结构化 / 非结构化场景延伸，切入 ToC 家庭服务与个人助理领域，追求高柔性和快速开发。

• 　　终极目标是「为机器人开启心智，赋能千行百业，走进千家万户」。

　　生态的基本面已经初步成型。启智联合哈工大、清华等 8 所 985 高校，以及 6 家合计市占率超 70% 的头部工业机器人企业共同攻关。启智还与哈工大共建了国内高校首个产业级机器人底层技术全栈实训实验室，推进产教融合。

　　启智同时规划了两层生态：

• 　　开发者生态面向集成商、院校和机器人企业，借助通用技术底座低门槛的开发能力培养具身智能开发者，培育机器人应用程序的交易市场；

• 　　企业生态则以 RaaS（Robot as a Service）模式落地，用「以租代售、零投资门槛」的方式降低终端用户的使用门槛，同时积累真实生产数据反哺模型训练，形成数据飞轮。赣州家具共享工厂的智能喷涂项目，就是 RaaS 模式的落地验证之一。

　　当越来越多品牌的机器人接入同一套基础底座，「安卓」生态的虹吸效应就会启动。中国机器人产业的碎片化力量就能够汇聚，让每家企业都能够把精力集中在工艺创新和场景深耕上。

　　我们的最终目标不在实验室里，而在产线上。