具身智能开始进入「下半场」：从会干活到干完活

拉格朗日用 Agentic OS 和工序重构，让机器人在工厂把任务闭环跑完。

作者丨邓哲敏

编辑丨齐铖湧

近日，两台轮式双臂机器人、一只机器狗和一台 AGV，第一次被推进汽车物流产线，开始它们为期至少一个月的连续调试。

阵容谈不上惊艳，机器人的任务也很朴素。引起我们雷峰网注意的，是整个工序架构：三种设备同时进场，围绕同一条任务链路运转，一台机器人做零件分拣上料，另一台机器人做满箱搬运和空箱回收，机器狗和 AGV 负责中间的运输和调度。

和过去两年大多数机器人进工厂不一样，这套系统似乎不是为了把机器人塞进去干活而找一个工位，而是从工厂真实任务出发，把工序重新拆解，把技能重新排序，把不同设备的调度逻辑重新设计，然后让整套系统围绕一个目标运转——任务结果，有没有被验证？

这种务实的评判方法，戳中了具身行业被长期忽视的工程问题。

01

一场 935 亿的交付焦虑

具身智能正处在它最热的时点。

今年上半年，国内具身智能赛道融资额冲到 935 亿元，是去年同期的 5 倍，超过去年全年总量；融资事件 322 笔，同比增长 137%。Demo 视频的刷屏频率，不亚于任何一轮 AI 浪潮。

但钱与落地之间，隔着一道明显的落差：头部企业人形机器人出货量刚过万台，全年预计难超 10 万台，商业化投入占比仅约三成。

这道落差的来源，行业通常归结为模型不够强、数据不够多。但如果在真实工厂里待过一段时间，会发现问题远不止于此。

模型做出正确判断，指令下发，机器人执行，任务完成。这套链路在仿真环境里基本成立，进了工厂就开始漏洞百出。设备回执不等于现场结果，单机动作跑通不等于跨设备链路闭环。更麻烦的是，来料摆放偏了、上游堵线了、传感器瞬间丢帧，这些异常情况发生时，大多数系统的处理方式，是停下来等人。

谁来持续观察现场状态、判断执行有没有偏差、在出错后诊断和恢复、从中断处继续？

去年在杭州成立的拉格朗日具身技术，把这层工程当作创业的核心命题。

他们自研的 Agentic OS，为 Agent 提供统一的环境状态感知、机器人技能调度、安全边界约束、运行记录和人工接管机制。Agent 围绕目标，在一条循环里推进：理解场景、组织技能、观察结果、判断偏差、恢复或继续，直到业务目标被验证，而不是命令被下发。每一次成功、失败和恢复，都被记录为可复盘的任务日志，驱动后续系统优化。

02

大模型全权负责，为什么行不通

为什么不干脆让更强的大模型来处理这一切？

行业里也有人在尝试这条路，但工厂场景里，让通用大模型直接成为工业执行器，面临两个朴素的障碍。

第一个是推理速度。工业现场的很多操作有实时性要求，每一个执行决策都要调用云端大模型推理一次，延迟本身就会拖垮整个系统，在工厂里会直接体现为跟不上节拍。

第二个是幻觉风险。大模型存在幻觉是已知事实，在文本任务里写错一行字可以修改，在工厂里控制错一个动作可能损毁工件、伤到人。工厂里机器人需要和人共处同一个空间，安全约束不是可以靠模型能力绕过去的。

拉格朗日联创兼 CTO 赵立晨的判断是：Agent 可以做上层规划和任务调度，但不能让一个开放式大模型直接成为工业执行器。

围绕这个判断，拉格朗日采用分层智能架构：高层 Agent Harness 组织通用模型、Coding Agent 与评测工具，基于真实执行反馈持续演进模型与系统能力；现场 Agentic Runtime 负责任务编排、状态监控与异常恢复；设备侧的专用模型、技能和控制系统负责实时执行，守住精度、节拍与安全边界。

这套分层设计，本质上是把泛化能力和执行稳定性的矛盾，拆开放在不同层次解决，而不是强迫一个模型同时承担两件事。代价是工程复杂度，但真正的壁垒，正是把这种复杂度收进一套可控、可验证的系统。

有一个细节值得单独说：赵立晨在采访中提到，他认为最有价值的数据不是训练数据，而是真实场景跑出来的测试数据。训练模型、调参、人工调试，本质都是在过训练集；而真正落地是在过测试集，训练集和真实世界之间的 gap，才是系统失效的真实位置。

这个判断，让拉格朗日在数据策略上和大多数堆数据量的路线产生了明显分叉。

03

工厂的工序，原本不是为机器人设计的

系统层之外，还有一层更少被提及的障碍，藏在工厂的设计逻辑里。

现有工位、工具、操作流程，几乎全都围绕人的身体结构和作业习惯设计。机器人即便有了移动、感知、操作能力，被塞进这套为人设计的框架里，能发挥的余地仍然有限。

传统工业自动化的困境提供了一个有力的旁证。一套自动化设备部署到产线，调试刚完成，客户说新车型上了；等新车型调完，第三个车型又发生了大设计变更；就这样始终在调试，陷入死循环。不是设备不行，是产线的工艺设计给出了“人工可以随时调试”这一假设，让一切自动化方案都被钉在了调试阶段。

解法不是让机器人更像人，而是重新设计工艺，让机器人以自己的方式完成同一个生产目标。

举个拧螺丝的例子。人工操作一气呵成，机器人的方案是先预紧到四五十牛，再由专门枪阵对所有螺栓整体拧紧。看上去多了一步，但对机械臂的负载要求大幅降低。

历史上有过更大的类比。1880 年代电气化之后，美国制造业生产率几乎没有任何变化，工厂只是把蒸汽机换成了电机，一切照旧。直到 20 世纪初，工厂布局和工艺流程围绕电力重新组织，现代工厂才真正诞生，生产效率才出现质的飞跃。

拉格朗日认为，具身机器人正在推动同一量级的重构，只是这次的关键变化进一步发生在软件层：工业系统将从“以设备为中心”走向“以任务为中心”，工序按机器人可稳定执行的能力重新切分，物料路径从固化在厂房布局里的硬约束，变成可由软件配置的调度变量。

这个转变，目前还只是开始。

04

技能矩阵，和一条排定的时间线

把工艺设计的逻辑推到极致，会得到一张技能表。

所有制造操作，最终都是十几种通用技能的排列组合。安装轮胎看起来是一件事，拆开来是取轮胎、取螺丝、对准、预紧、拧紧，覆盖了清单里好几个技能。

清单上的技能，有的难、有的易、有的频次高、有的场景窄。拉格朗日把它们做成一张矩阵，横轴是“机器人实现难度”，纵轴是“在汽车装配中的使用占比”，开发顺序从右下角往左上角推：先做频次最高、难度最低的，再往更难的走。

逻辑很直白：先摘低垂的果子，让团队先活下来，再拿下一步更难的东西的钱。

按照这个排序，最基础的拿取、简单放置、搬运。拧紧（打螺丝）排在之后的最高优先级，仅这一项操作，就占到汽车装配工序的 70% 以上，而且动作逻辑高度一致，泛化性极强。再往后是卡接（精度在 5 毫米之内，靠导向结构辅助）、接插（线束两端都是活的，难度更高）、密封条按压（纯手感操作，力觉触觉缺一不可，是现阶段技术天花板）。

这张矩阵最有价值的地方，在于它把一个模糊的行业方向变成了一张可以排期的工程计划。这次进工厂，只做三件事：抓取、放置、搬运；年底将进一步验证精度放置；明年上半年将逐步引入拧紧操作。

这是可以对照检验的时间线，不是路线图上的愿景。

工艺解决精度的说法，有一个最硬核的实证案例支撑：全景天窗安装的产品设计精度要求 0.15 毫米，机器人累积精度只有 0.25 毫米，纯靠堆精度是死路。但靠工艺方案，拉格朗日核心团队此前曾打造出全球首套在不停线状态下安装全景天窗的方案，已在极氪工厂稳定运行超两年。

内部测试的数据也已经有了，搬运场景的人效，从约 40% 提升到 70%—80%，整体系统效率接近翻倍。

不过，当前的节奏是，完成长稳调试后，才逐步进入长期部署阶段。这种谨慎，本身就是一种判断。

05

懂工厂的和懂模型的，在同一张桌前坐下

成立不到一年的拉格朗日，为什么能在落地路径上提出如此反直觉的判断？

我们看了下初创团队的核心成员，几乎把具身智能落地最难凑齐的几块拼图占全了：

CEO 李撼碑有半导体与汽车产业链背景，长期浸在整车制造和供应链体系里。

联创兼 CTO 赵立晨的履历横跨商汤、华为，做过 3D 视觉、多模态和千亿参数大模型训练。

另一位联创张明明，是国内最早一批做仿生四足机器狗与人形机器人研究的人，在阿里云带过具身团队，把千问多模态模型落地到商品分拣、小蛮驴物流配送等项目。

工业落地负责人徐俊是整车厂总装线出身，参与过优必选、帕西尼、宇树等公司的进厂 POC，几乎是过去两年里，国内汽车工厂机器人 POC 现场最熟悉的人之一。

四人的分工，恰好对应具身智能落地最难同时凑齐的四种能力：产业资源与产品理解、模型与架构、具身本体、工厂交付与工艺。多数创业公司能占其一，四者兼备的很少。

往深一层看，真正稀缺的，是“技术 × 产业”的交叉。

技术侧，核心成员在华为、字节、阿里、商汤做过千亿参数大模型训练和端云协同 Agent 架构，累计落地超 1000 台机器人；产业侧，有整车、三电、半导体背景，曾把业务从零做到数百亿规模、参与十余家汽车工厂设计建设、管理数百家供应商体系。

这组背景，直接决定了一件事：拉格朗日没有单纯站在本体公司的视角去定义问题，而是从工厂落地的角度去解决问题。所以它从一开始就以系统为核心，而不是围绕单一本体定义产品，这或许是一个被团队经验“逼”出来的选择。

公司的名字，也是一处耐人寻味的伏笔。拉格朗日点，是日地、地月引力系统中的稳定点，小型飞船可以在那里以极低的能耗长时间保持位置。取名的逻辑，指向的是一种长时间、不折腾的系统能力。

无论是工业落地还是太空场景，安全稳定才是第一位。

06

行业需要一个稳定点

当 Figure 在宝马斯帕坦堡装填了 9 万件钣金、Physical Intelligence 把 π 模型迭代到 π0.7 仍坚持不造本体、英伟达把 GR00T 系列推向 GR00T N2 世界动作模型，整个行业的叙事依然高度集中在模型更强、本体更灵巧。

而拉格朗日赌的，是一条被低估的路径：让机器人真正把活干完。

这个夏天，Agent 炙手可热，行业内一些工作把分层架构、解锁逻辑重新包装成 Agent，拉格朗日选择用真实工厂中的任务闭环，检验 Agent 究竟是一个新名词，还是一种新的生产系统。

拉格朗日留下的悬念是：当技能真的泛化、模型真的能端到端控制一切时，系统层和工序重构的价值边界在哪？

具身智能最缺的，或许正是一个稳定点——不是一台更聪明的机器人，而是一套能让人放心把活交给它的系统。

拉格朗日是否就是那个点？未来真实场景的连续运行数据会逐步给出答案。

（雷峰网AI科技评论）

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈