文｜邱晓芬 黄楠 

编辑｜袁斯来 

8月20日，世界机器人大会（下称WRC）在北京亦庄国创会展中心举办。开展恰逢宇树上市，其市值最高点超过4000亿，给本就燥热的行业新添了一把火。

今年的WRC吸引了300多家展商参加，数量直接比去年暴涨了4成，参展的机器人产品更是高达3000台。

新面孔中，除了新一批的具身初创公司之外，还有实在的客户——据官方数据披露，今年有49家央企组团进场，带着12个真实工程场景（电网、航天、矿冶等）来找机器人。

WRC设置为ABCD四个馆，比去年新增了一个。整个动线从C馆的人形整机、到A、D馆塞入了完整的落地场景，再到以产业链上游厂商为主的B馆，拼成了具身完整的产业链。

值得注意的是，在B馆里也出现了一众国际芯片巨头新面孔，比如AMD、英飞凌、realtek等等，试图抢夺一众机器人新贵客户。

作为每年机器人领域最重要的一场大会，WRC可以作为行业风向标的重要观察窗口。

硬氪暴走完了5.2万m²的场馆，我们发现，人们已经不想再为愿景、故事买单，这一次WRC上，公司必须回答尖锐的问题：它们的模型是否闭环、机器人能不能完成真实工作。

随着宇树上市以及多家百亿估值公司诞生，具身智能已经进入深水区。2026年WRC是个前哨窗口，它代表了一种商业价值的回归：无论终局多么诱人，企业首先要在当下拿到收入。

图源/硬氪拍摄

  模型真的用上了，但不拼智商拼闭环

硬氪参加过多次WRC，此前各家比的都是“模型有多聪明”、或者“我的参数有多大”，但今年更务实了，所有人都在聊同一个问题：如何把模型、数据和实际任务串成一个闭环，让模型服务于真实的场景落地。

不过，技术上的一个新变化是，去年全场打着VLA标签，今年大家不谈VLA，但基本在其上叠加世界模型。

单一的VLA模型能看场景、懂指令、出动作，短程封闭场景够用，但不知道环境长什么样，也不知道因果关系，因此任务一长，误差越滚越大，换个陌生环境就失败。而世界模型补上的就是这个短板——让机器人动手之前在脑子里推演几种可能，先想再做，而不是边做边错。

只是，VLA和世界模型怎么整合，各家又出现了分化。

硬氪在WRC观察发现，目前比较有代表性的路径是，把世界模型直接“捏”进模型本身，让动作生成不再是单纯的端到端映射，而是在对世界动态变化的预判基础上完成。

鹿明机器人创始人喻超向硬氪解释，他们做具身大脑Prime R0的思路，是把世界模型的预判能力直接融入VLA的决策框架，让语义理解、行为执行和态势预判形成一个闭环。

“我们没有把世界模型简单当外挂，而是让它在学动作的同时，也学动作之后世界的变化。”喻超表示。

鹿明同期发布的机器人技能进化引擎NexCore，也是在搭这样一个闭环：从真实产业任务出发，采集真实世界数据，通过模型训练形成机器人技能，再部署到机器人上完成任务。机器人运行过程中会产生新的反馈和数据，再回到模型和技能体系中持续迭代。

星尘智能走的是另一条路，在模型内部引入可解释、可检查、可干预的reasoning，从Lumo-1的显式文本推理，逐步演化到Lumo-2对世界动态变化的隐式建模。

两者本质区别在于：一个把推理过程暴露出来、可检查，一个把推理过程压缩进隐空间、求效率。

简单来说，Lumo-1的推理过程是可读的，AI会先用语言组织思路，再执行动作，相当于把思考过程“写出来”。它把任务拆成规划、预测、控制三个独立模块，世界模型作为中间的预测层单独。这一架构的好处是长程任务稳，坏处是模块之间来回传数据，速度慢，很难切入高频交互的真实场景。

今年，星尘智能在Lumo-2上做了调整，借助世界动作模型框架，它在“隐空间”完成对世界变化的预判，并直接生成动作，速度更快，但推理过程不再像文本那样可以直接查看。这种改动相当于把独立模块做轻了、做快了，推理速度比标准自回归方案快2.71倍。

星尘智能T1在WRC上整理书包（图源/企业）

不过，不管技术路线如何分歧，最终都得回答一个实际问题：模型如何在真实场景里发挥价值？

对此，硬氪直观的感受是：今年机器人动得比以前快，且是肉眼可见的快。多名展会人员称，这背后绕不开大量模型的工程化调优工作。

一名工作人员告诉硬氪，以前机器人落地痛点之一是接口——模型方买回不同本体，或者本体方采购模型，都需要挨个写接口程序，硬件和模型之间的gap巨大。

为此，傅利叶机器人今年WRC上重点推了一套框架，把大语言模型、具身模型、导航规划、底层运控等功能模块串起来。对于模型方来说，只要把模型放进去就能论证，不用从零开始磨适配，就像造了一套“神经系统”。

傅利叶机器人（图源/官方）

希夕智能技术总监徐世超告诉硬氪，动得快的背后，也隐藏了一套模型的取舍逻辑——在工业化落地过程中，大家普遍对大模型“祛魅”，如果每一步都交给大模型想清楚了再动，根本快不起来、算力消耗也巨大。

因此，今年行业里的工程共识是大小脑协同的“快慢脑”架构：大脑做深度推理，小脑做快速执行，以解决模型在算力、成本、散热和响应时间上的综合难题。具体而言，是先把高频、重复的动作切出来，交给算力更低的小模型去接管，不用每次都调大模型。

徐世超表示，行业里普遍还会辅助增加一些物理世界仿真、提前推理等工作，让模型不必一边算一边动，整体提效。使得机器人在食品加工时满足工厂产能要求，提高工厂实际效益。

酷哇科技执行副总裁张霄鸣在与硬氪交流时，也点出了具身模型的独特性：大语言模型通常是"先在实验室训好，再大规模部署"，而机器人模型不必等到训练至完美才投入使用——它可以先进入真实场景跑起来，在作业过程中积累数据，再让数据反哺模型。

以酷哇科技为例，其机器人已在全球50多个城市及地区的多种城市场景实现万台级常态化运营，累计沉淀超过50PB真实场景数据，这些数据将持续用于打磨模型的决策与泛化能力。"模型提升和场景落地是并行关系，不是先后关系。"张霄鸣表示。

今年的机器人之所以跑得快，并非某一项模型技术出现了革命性突破，而是行业更加看重闭环——在"大脑想得慢、手脚动得快"的矛盾中，找到了一套工程化的取舍方案。

无可否认的是，虽然具身模型已经有了少数成功案例，它离工业化落地还有很远距离。优必选副总裁、具身智能与人形机器人研究院院长焦继超告诉硬氪，在前沿技术探索层面，行业真实交互数据体量不足、高质量数据稀缺。而且，行业对于具身模型所需的数据类型、训练标准都未形成统一认知。

在这种情况下，一些团队选择了更实际的做法。他们不去纠缠模型能不能完成真实任务，而去验证它能完成到什么程度、在什么难度层级上会失效。

而他们测试的方式也相当有趣，如Muka Robotics用冰壶、猜魔术和迷宫三款互动游戏Demo，搭建了一套能力边界测试台。

这三种游戏各有侧重。冰壶验证世界模型在动态环境下的适应速度。猜魔术检验的是的是世界模型的“多路径推演”能力。观众随机将小球藏于三个杯子之一并交换杯位，机器人虽不知球在何处，却能逐一推演每一种可能的未来状态，再选择最优路径执行。迷宫是一个经典的压力测试。随着弯道数量增加，模型需要在纯视觉条件下持续推理，在长序列决策中保持一致性、不累积误差，逼出模型处理复杂规划问题的上限。

Muka Robotics现场展出的世界模型训练场（图源/企业）

当然，这类实验其实也反证了具身模型还相当早期，甚至连测试也很难使用随机场景。

“模型能力提升的直接结果是，过去基于规则和规划无法落地的场景，现在变得可以交付了。但‘可以交付’与‘大规模交付’之间，仍有距离。”银河通用合伙人、产品负责人傅强告诉硬氪。

对于普通观众而言，如何观察机器人是提前用算法预设好，还是真的有使用大模型，一家具身智能模型厂商给了硬氪三个tips：

1、看场景背后是否有工作人员拿着遥控器或者电脑调用动作；

2、看机器人是否只会从A点到B点往返、或简单重复干同一任务；

3、可以尝试对任务里的物品突然移位，看机器人是否会继续往原位置放，而有模型支撑的机器人一般会立马停下并重新规划。

  家庭机器人大爆发，其他场景正步入真实世界

逛完ABCD四个馆，硬氪另一个明显的感受是——家庭场景大爆发。

据不完全统计，展示家庭场景的包括千寻、星动纪元、星尘智能、墨奇智能、海尔机器人、云迹、傅利叶机器人、未来不远、自变量、银河通用、极佳视界等等。

不过，各家机器人公司都没有停留在过去家庭陪伴的故事里，而是在现场造了客厅和洗衣房，机器人直接干活。

比如，千寻展示了“一句话整理客厅”的功能。当你对机器人甩下一句粗糙的指令“帮我整理客厅”，机器人就会将其拆分为多个子任务——把碗放进洗碗机、把桌上的可乐归位、把玩偶收进框里、把垃圾放进垃圾桶里，然后自己识别地图、排序任务、逐一完成。

千寻展示一句话整理客厅

今年WRC上家庭场景大爆发，主要推动力是世界模型的运用、以及数据逐步到位。

墨奇智能一位现场工作人员告诉硬氪，一方面，世界模型也解决了机器人“预测未来变化”的难题，另一方面，随着第一人称数据采集方式铺开后，家庭日常数据变得廉价且巨量。其称，当前行业的普遍共识是，数万小时做预训练，再做后续微调就能有比较好的效果，“现在你没有几万小时数据你都不好意思对外发布。”

除了技术之外，更重要的逻辑是，具身智能行业最终能不能成，取决于机器人能不能真正落地家庭。“只有进家庭，这个行业的泡沫才不会破裂，‘人手一台机器人’，才是这个行业最终极、性感的叙事。”一名现场展台人士直言。

墨奇机器人在家庭里洗衣服

不过，家庭机器人落地也存在诸多挑战。

硬氪发现，几乎所有厂商的家庭场景都是demo，没有一家投入寻常人家。在运行时，这些机器人也存在各种问题，比如任务执行速度太慢，基本要10-15分钟左右，或者是因续航/算力问题无法持续展示等等。比如，在8月20日下午的C馆现场，就出现了因各家家庭场景集中展示，导致现场网络带宽受限、无法展示的情况。

傅利叶一名现场行业人员向硬氪表示，进家庭还存在诸多考验。

首先，家庭场景小、且不同家庭差异化巨大，对于模型泛化能力、硬件本体稳定性是极大的挑战；其次，家庭环境突发状况多，对于机器人的判断力要求极高，考验着整体的工程化能力；最后，机器人进家庭后的安全合规、伦理问题也是一重考验。

“机器人进家庭，是需要全方位突破的领域。”现场多位行业人士表示，尽管家庭场景是最有价值、最性感的叙事，行业里至少还需要2-5年的“黑暗期”，来弥合公众期待与真实技术进展之间的差距。

不过，好消息是，在家庭场景之外，其他场景基本从过去几年的demo阶段迈向了实验室外。

在今年的WRC上，除了过往常见的汽车场景、电网巡检场景之外，大部分场景落地基本在往更细分场景行进，涌现出了食品工业打包、机器人交警、药房/超市前置仓拣货等新场景应用。

比如，星海图在WRC现场展示了全球首个机器人前置仓，未来将在京东进行自主完成挑选、导航、打包。

最令人惊喜的是，这次的展示里，星海图的机器人演示了开袋、装袋动作——袋子这类柔性物体的精细操作，过往基本是机器人最难的一环。

据硬氪现场观察，机器人能撑开袋子，并且持续调整装袋的姿态。不过，美中不足的是，机器人装一个袋子花了两分半钟，且偶尔需要工作人员协助调整姿态。

据现场工作人员介绍，这一前置仓里，机器人履约产能大概为8小时100单，且能支持上万个SKU的泛化。

星海图机器人装袋（图源/硬氪拍摄）

奇瑞汽车旗下的机器人公司“墨甲智能”则展示了机器人交警的场景。

墨甲智能机器人交警 硬氪拍摄

一名现场工作人员告诉硬氪，他们的机器人主要是三大用途：普法宣传（政务中心和车管所引流）、红绿灯指挥、监测非机动车异常情况（比如违法载人、不戴头盔、逆行、闯红灯等），并对这种情况做拍牌识别、劝导等等。

不过，由于机器人警察没有执法权，还要搭配人类警察一起工作，好处是解决了天眼覆盖不到的区域的巡监察。该名工作人员称，警察机器人已经在芜湖、常州、苏州等十个城市落地交付了百台。

另外，大量传统专用机器人赛道的玩家，今年也在发挥原有的场景优势，持续扩充落地应用。

比如，新希望投资的希夕机器人就选择持续深耕食品加工领域。一名现场工作人员告诉硬氪，食品加工行业是机器人落地较难、但最有机会的方向。

具体而言，食品加工行业对于柔性要求极高，“比如肉厂可能上一小时做五花肉，下一小时就做肋排、前腿肉，产线任务随时切换”，此外，食品行业标准要求极高，以及要求能够不断的提高产能，因此，食品加工厂一直都是劳动力密集型产业，对机器人的诉求极高。

目前，他们的机器人不仅在航空食品加工厂中实现真实航空餐生产，日产近万份航食。此外，还在北京为知名零售品牌落地肉类配重项目，实现五花肉等品类的快速装盒，减少肉类耗损。

希夕机器人制作沙拉（图源/硬氪拍摄）

在酒旅场景里，擎朗也在用类似逻辑扩充边界。

一名现场工作人员表示，他们把洗衣房流程切成几段：配送机器人取脏衣送到人形手里，人形负责投衣、启停设备、折叠装篓，最后配送机器人送回房间。这一场景底层跑的是KOM 3.0（融合世界模型的VLA），场景侧用KEENON ProS垂域模型微调。

擎朗在酒店洗衣房里洗衣服叠衣服

这名工作人员将这套分工叫做“通用+专用”互补逻辑——配送这种高频、路线固定的活儿，专用机器人效率更高、成本更低；而投衣、折叠这类需要灵活适配的操作，交给通用人形。其表示，专用机器人和通用机器人，不是替代关系，而是互补关系。

目前，这一洗衣房场景正在某大型连锁酒店推进POC。

今年WRC多少打消了一些对机器人整体叙事的忧虑。公司们放弃华而不实的炫技，大量轮式、臂式机器人正在解决现实问题。今年WRC或许没那么有趣，但这才是制造业得以持久发展的真实底色。

end