物理AI的闭环，终于有人跑通了：日冕+远图万台级部署计划官宣

田晏林 发自 凹非寺
量子位 | 公众号 QbitAI

WAIC 2026落幕了，但一个信号藏不住。

如果你逛完了全场，会发现今年具身智能的展位比去年多了将近一倍。

人形机器人跳舞、机械臂叠衣服、双足机器人走斜坡——Demo一个比一个炫。

但和现场的投资人、产业方多聊几句，会听到同一种疲惫：看了太多Demo，听了太多参数，真正签单进厂的，太少。

Demo和量产之间，好像隔着一整个物理世界。

但别丧，还是有实打实拿到订单的企业。

在WAIC开幕前，一家专注做物理世界基础模型和解决方案的公司日冕开物，与全球服务器制造龙头&AI基础设施全栈解决方案提供商广东远图未来科技有限公司（以下简称“远图”）宣布启动超级工站战略合作。

目标非常具体且生猛：万台级部署。

WAIC现场，日冕展示了该超级工站的实际作业能力。

服务器制造，是当前工业领域最具代表性的复杂装配和测试场景之一。

一块服务器主板上，有密集排列的芯片、接口和大量精密元件。

机器人完成上下料时，不仅要识别不同型号零件，还要保证抓取位置、力度和装配精度。

现场工作人员介绍，为了在WAIC开幕当天完成展示，日冕团队提前进场调试。

但由于展馆供电时间限制，真正开始调试的时间非常有限。

设备换了环境，光照、温度、空间布局全部变化，本质上就是机器人进入了一个新场景。

结果？

当天下午4点半通电后，只训练了半小时，到5点钟设备就完成全部适配。

半小时适配一个新环境。

这背后不是简单的程序调参，而是机器人系统对于物理世界的理解能力。

更让人意外的是，这样的训练速度和完成效果，竟然来自一家成立仅4个月的公司！（你敢信？）

尽管日冕可能是今年WAIC展会上最年轻的企业，但却不是一支刚刚从实验室走出来的团队。

我们查了下，其创始团队成员均是清华博士，并曾任职于蔚来、华为、智元机器人等企业，覆盖自动驾驶、AI基础模型和机器人产业化等多个方向。

2026年，当很多人还在讲基模Scaling Law时，日冕这家刚刚成立的公司，已经在讨论产品和商业化如何Scaling了。

机器人进厂拧螺丝，先从服务器开始

很长一段时间，行业竞争焦点集中在世界模型、VLA、多模态大模型和参数规模。

大家都在努力让机器人拥有更强的大脑。

但今年WAIC上，我们发现企业关心的问题正在发生变化。

• 机器人能不能适配真实工厂？
• 换一个工位需要训练多久？
• 面对不同型号产品，能不能快速迁移？
• 部署成本能不能降下来？

这些问题，比模型排行榜上的几个百分点更加现实。

因为数字AI和物理AI最大的区别在于：ChatGPT完成一次训练后，可以服务数亿用户。

但机器人不行。

机器人必须进入具体环境，面对具体物体，完成具体动作。

它需要理解空间变化，需要处理视觉误差，需要感知力反馈，还需要面对现实世界里的各种意外。

物理世界不是互联网。

没有一套数据中心，可以提前把所有情况模拟完。

所以，具身智能下一阶段竞争的核心，不只是模型能力，而是谁能够更早进入真实场景，建立数据反馈闭环。

服务器制造，正在成为具身智能商业化的重要试验场。

原因很简单，这里既有足够复杂的任务，也有足够明确的工业价值。

服务器生产涉及大量零件取放、精密装配、线缆连接、功能测试、质量检测任务。

传统自动化设备可以解决高度固定的流程，但面对多型号、小批量、高变化生产环境，柔性能力不足。

而AI服务器产业正在快速发展，对于制造环节提出了更高要求。

远图所在的产业链，本身就是AI基础设施的重要组成部分。

根据日冕介绍，远图是全球领先的服务器制造龙头，覆盖AI基础设施相关领域。

此次合作，并不是简单部署几台机器人替代人工。

双方真正想探索的是一套工业具身智能标准产品。

远图的优势在于，不仅是全球服务器制造龙头，也是面向AI时代的全栈算力解决方案服务商。

该公司不仅拥有AI服务器、通用服务器、交换机、超节点、液冷机柜等产品，还打造了业内领先的「算-网-存-管」全栈产品体系，且具备研发-供应链-制造-服务的全链条能力。

此次和日冕合作是双方将具身智能技术与AI基础设施制造融合的全新探索。

这样的规模制造体量，意味着双方合作一旦跑通，复制空间巨大。

日冕的优势则是提供物理世界基础模型、机器人系统、工业级具身智能解决方案。

一端，是远图提供真实制造场景和产业经验；

另一端，是日冕提供物理世界基础模型、机器人系统和工业级解决方案。

最终目标，不只是替代单个工序，而是让机器人完成从工艺理解、任务规划，到执行反馈、持续优化的完整闭环。

不过，要让机器人真正成为生产力，实现AI自己造AI，背后的「大脑」仍是关键。

从LaMPA到超级工站，日冕打造具身智能时代的操作系统

日冕的「大脑」，押注的具身原生世界模型基础架构，取名LaMPA（Latent Masked Predictive Architecture）。

之所以「超级工站」能在半小时内适应一个新环境，其背后强化学习所需的奖励函数、专家策略全部都是由这套自研基础模型直接生成。

该模型定位很明确：通过统一跨模态隐空间学习物理世界规律。

它不是背诵电机角度，而是理解「拿起来」这件事本身。

当前，具身智能模型演进路线大致经历了四代：

LLM理解文字，VLM理解视觉，VLA连接语言和动作，WAM进一步预测物理世界变化。

但日冕认为，这四代演进本质上还是在学习表象映射，而不是理解物理规律。

比如传统WAM侧重视觉预测、输入模态有限，容易学习表象而非物理规律。

就像让一个人通过看窗外风景来判断室内温度，不是完全不行，但效率极低且容易出错。

这也是日冕选择自研LaMPA世界模型的原因。

为了最大程度上解决机器人「理解」世界的问题，LaMPA在三个维度上与市面上其他模型形成差异化：

增加更丰富的物理表征

传统WAM仅依托图像构建单薄视觉表征，缺少力觉、触觉、物体物理属性等关键信息，无法完整理解现实物理交互。

LaMPA设计了Environment环境、Ego自我、Experience先验三大表征。

• Environment环境表征：让模型熟悉任意场景，负责环境重建与感知，也就是「理解」所处空间；
• Ego自我表征：统一抽象导航移动、机械操作、本体控制三大能力，让模型掌控任意本体；
• Experience先验表征：让模型具备规律认知，积累物体属性、可供性和专家知识。

机器人当下状态=它看到的环境+对自己机身的认知+积累的物理常识。

这是LaMPA最核心的逻辑，也是日冕认为物理世界里应该有的智能。

大幅缩短收敛周期

但真实世界的信息太复杂。

为了实现上述能力，LaMPA必须大幅提升训练效率。

传统WAM采用像素级预测，监督链路长，画面墙壁、地面等无关像素全部参与损失计算。

冗余信息多、训练速度慢，精细操作任务适配成本极高。

LaMPA换了思路：

直接聚焦隐空间，仅保留任务相关信息，使用隐空间损失剔除无关环境像素，移除冗余环节缩短链路，不学习无效信息，收敛速度更快。

简单理解，别人复习要通读整本书，它直接划考点背，省去大量无用功夫，上手速度快很多。

LaMPA希望模型只学习有效信息，这也决定了它后续的泛化能力。

应对多变工况容错能力更强

传统世界动作模型WAM采用单一路径预测逻辑，每次只预判唯一一套后续操作方案。

一旦现场出现一点点变量：光线变了、工件尺寸轻微偏差、摆放角度不一样、场地背景改动，这套唯一方案就不匹配，机器人直接操作失败、卡住无法继续干活。

LaMPA底层用掩码扩散架构做分布预测，核心区别是：一次推理能输出多种合理、可行的交互方案，而不是只给一条路。

换一个工厂、换一种零件、换一个机器人本体，模型仍然能够迁移。

这正是具身智能摆脱「数据拐杖」的关键。

但基础模型只是第一步，把它变成生产力才有价值。

日冕不单独售卖模型，而是推出软硬一体完整落地方案。

这次和远图合作的「超级工站」，就是典型案例。

超级工站并不是一台机器人，而是一套软硬一体的工业智能系统。

它由LaMPA物理世界模型、模块化机器人硬件、Workflow Agent三部分组成。

先说Workflow Agent。

它负责理解工艺流程，把生产SOP拆解成机器人任务，并完成方案设计、仿真验证、生产执行和反馈优化。

第二层，是模块化机器人硬件。

根据不同工业场景，可以组合双臂机器人、移动机器人、多机械臂和不同末端执行器。

第三层，是LaMPA物理世界操作系统。

它提供感知、理解、决策和控制能力。

在强化学习阶段，日冕通过WRM世界奖励模型判断任务成功、失败或进行状态，同时通过WPM世界策略模型输出机器人动作，并将真实执行反馈持续回流，推动基础模型迭代。

最终，一个「规划、测试、执行、反馈、进化」的闭环形成了。

这和传统自动化最大的区别在于：

传统自动化依靠固定代码，换产要重新编程，工况一变就停机调试，只能单点替代工位，无法自主迭代；

超级工站依托LaMPA世界模型自适应调整，支持跨工序全局协同，能持续自主学习优化，可标准化嵌入智能产线，越运行越适配。

具身智能进入商业Scaling阶段

「超级工站」正在打造从生产现场到模型进化的闭环，因为具身智能真正的壁垒，不只是模型，更在于反馈闭环。

对于数字AI来说，模型上线后可以快速复制服务用户。

但对于物理AI来说，真正的训练，可能发生在机器人上线之后。

每一次进入真实环境，机器人都会遇到新的问题。

这些真实反馈，才是物理智能成长的养料。

而具身智能真正的壁垒，也不只是模型能力，而是看谁能更早建立「反馈闭环」。

从这个角度看，未来具身智能公司的竞争可能取决于三个指标：

• 谁能更早进入真实场景
• 谁能让反馈闭环速度更快
• 谁能积累更大规模的真实交互数据

这三个指标环环相扣，早进场景才能早拿数据，数据越多闭环越快，闭环越快模型进化越猛。

没有真实场景的数据闭环，再好的基模也只是空中楼阁。

但真实工业数据和互联网数据完全是两码事。

互联网数据更多记录信息，而工业具身智能需要理解物理世界。

它不仅需要视觉信息，还需要机器人操作轨迹、力觉反馈、触觉信号、工艺经验，以及最终质量结果等多维数据。

这些数据分散在产线各个环节，采集难、标注难、治理更难。

需要建立一套持续获取反馈、处理反馈、利用反馈的工业智能基础设施。

为解决这一问题，日冕与远图正在建设一套覆盖采集、治理、训练和复用的工业级具身智能数据体系。

其中，日冕自研触觉数据手套、头戴式采集设备等硬件，实现生产过程中的无感伴随式数据采集。

但采集数据只是第一步。

如何让这些来自真实生产现场的反馈，能够回流到模型训练体系，才是关键。

双方建设的数据处理链路，覆盖原始数据清洗、同步对齐、多模态融合、资产化处理和模型训练，最终沉淀为操作数据集、技能库、仿真场景和模型检查点。

这样，机器人每完成一次任务，都会产生新的经验；每一次经验，又会反过来提升下一次任务能力。

按照规划，日冕和远图将首先在服务器制造场景验证超级工站能力，随后向更多生产环节扩展。

2027年完成百台级部署，未来实现万台级具身智能产品部署。

当下，越来越多的机器人告别实验室Demo，寻找产业落地机会。

如果说PC时代，微软的成功模式是Windows作为底层操作系统，支撑Word、Excel等上层应用，从而驱动数字交互。

Windows提供的是数字世界的感知、理解、决策、控制能力，上层应用负责具体场景的标准化执行。

那么具身智能时代的「Windows」是什么样？

日冕提出的方向，是WMoS（World Model as OS），世界模型即操作系统。

底层负责理解物理世界，上层通过「超级工站」这样的行业应用完成具体任务。

一个负责思考，一个负责行动。最终驱动机器人进入更多真实场景。

这也是为什么服务器产线可能成为具身智能的重要转折点。

因为这里不是展示机器人会不会走，而是在验证机器人能不能工作。

One more thing

模型Scaling解决的是机器人有没有大脑。

产品Scaling解决的是机器人能不能进入真实世界。

日冕与远图探索的超级工站，本质是在寻找一条从基础模型到工业生产的最短路径。

未来，当机器人进入服务器工厂、半导体产线、物流中心，真正改变制造业的，可能不只是某一台机器人。

而是一套能够持续学习、持续复制、持续进化的物理智能基础设施。