具身智能工业落地，先解决一把椅子的喷涂

在今年 WAIC 的机器人展区，一个很直观的变化是：机器人还在变多，但“像人”不再是唯一目标。

有人形机器人换上了轮式底盘，有企业不再强调跑跳翻滚，而是把重点放到搬运、喷涂、分拣等具体任务上。热闹依旧，只是行业的重心正在悄悄移动，机器人能做什么表演，是C端的热闹，机器人到底能不能进工厂干活，是B端付费的关键。

启智带来的智能机器人通用技术底座，想解决的正是这件事。它没有把重心放在制造一台更像人的机器人，试图提供一套从数据采集、模型训练、任务编排到机器人端运行的工具链。简单说，就是给不同形态的机器人补上一套更通用的大脑和开发环境。

现场最容易理解的案例，是一把椅子的喷涂。

一把椅子，为什么难倒了工业机器人

在传统工业机器人应用里，喷涂并不新鲜。汽车厂和家电厂中，机器人喷涂早已相当成熟，这类应用通常建立在几个前提：产品标准化，工位固定，动作路径可以提前写好。

难题出现在非标准化生产中，以定制家具为例，一批椅子可能只有几十把，靠背角度、扶手形状和整体尺寸各不相同。按照传统方式，每换一种产品，工程师都要重新示教、调整轨迹、编写程序和上机验证。一套流程跑下来，常常需要数天。

当一款产品只做几十件，数字化改造的账就很难算，机器人具备喷涂能力，前期调试成本却很高，难以匹配柔性生产节奏。

启智展示的方案，是把老师傅怎么喷漆的经验，转化为可学习的数据。工人穿上技能服完成喷涂动作，系统采集人的动作、视觉轨迹和作业过程中的相关信息。经过训练，机器人面对不同工件时，可以先识别它是椅子还是桌子、尺寸多大、表面结构等，再生成相应的喷涂路径。

喷枪在拐角处是否减速，哪一段需要保持匀速，喷涂距离如何控制，涂层厚度怎样保持一致，如何避免漆面流挂，每一个环节都带着工艺要求。路径规划只是其中一部分，经验同样重要。

过去，这些经验存在于工艺师傅脑中，也沉淀在工程师反复调试的程序里。启智希望将经验拆解，做好数据化和模型化，再把技能迁移到不同产品上。

过去常见的机械臂将箱子从 A 点搬到 B 点的展示，主要解决位置和轨迹问题，面对一把从未见过的椅子，同时保证喷涂质量，则涉及识别、规划、控制以及工艺规则，后者显然更接近生产现场。

具身智能不一定要长成人形

过去一年，人形机器人几乎成了具身智能的默认代名词，从工业应用角度看，二者并不能简单画等号。

工业现场有追求高精度的小型机械臂，也有能搬运数吨重物的大型机器人，它们在各自场景中已经比人表现更好，行业接下来需要补上的，是适应变化的能力。

传统机械臂面对固定任务时效率很高，产品换型、环境变化，或任务超出预先编程范围时，它就容易停下来等人。以往，工程师承担了机器人的大脑角色，看图纸、确定路径、编写程序和完成调试。如今，行业希望把一部分理解与决策能力交给模型。

因此，今年展馆里出现了越来越多的轮式双臂机器人，双足人形机器人占地面积小，能进入为人设计的工位，仍有自己的应用价值。轮式底盘在不少场景中更稳定、成本更低、部署更快。对产业客户来说，形态服务于任务，效率和成本决定落地速度。

启智提出的“通用技术底座”，也基于这一判断，平台希望适配人形机器人、轮式双臂机器人、移动复合机器人和工业机械臂，为不同本体提供相对一致的开发流程。

在一整套架构中，HumanGPT负责理解人类技能和任务意图，可被视为“上层大脑”；RobotGPT负责将任务转化为具体机器人可执行的动作，下方还有用于任务编排的墨斗 IDE、用于数据采集与训练的大衍数据平台，以及部署在机器人端的 OpenMind OS。

整套组合接近智能手机生态的逻辑，模型提供能力，应用能否批量出现，还取决于开发工具、运行环境、数据接口和行业标准。

机器人行业长期面临生态割裂的问题，不同厂商的机器人接口、数据格式等都不同，一个技能在一台机器人上跑通，换一个本体，常常又要重新开发。数据难以流动，模型持续进化和开发成本下降都会受到限制。

启智目前正尝试打通这些环节。据介绍，启智去年牵头承担的工信部重大专项，已经联合高校、机器人厂商等单位推进接口、数据与标准建设，部分集成商和终端用户已经开始基于平台开展应用开发。

具身智能距离标准答案仍有距离。

全模态数据依然稀缺，真实工业数据尤其难得，世界模型、VLA和端到端控制等技术路线还在竞争。和前两年相比，行业更多讨论具体问题，换型能不能更快，成功率够不够高，一项技能能不能复制到更多机器人和更多工厂？

具身智能走向产业，或许就从这些问题开始，绝大多数机器人不需要长得像人，却需要越来越像一个能理解现场、把活干好的“机器工人”。