工业具身智能走进工厂，为什么还需要一层通用技术底座？

作者：Vincent

编辑：吕鑫燚

出品：具身研习社

具身智能这股热潮已经延续了两三年，机器人的技能边界一再被刷新，融资和新品不断涌现，但相比展台和实验室里的热闹，真正传导到工厂生产一线的速度仍然有限。

这并不完全是因为机器人还不够聪明。

产品换型、工件位置或规格变化、多机协同调度等情况下，机器人必须保证继续工作、精度与可靠性更不能随之下降，好像对工厂产线来说才是更“简单”但也更迫切的需要。然而，“简单需求”的内核，实际上非常朴素，好部署、少调试，环境和任务发生变化时不用大规模重新开发。

眼下不少工业具身项目离这种“简单”却还有距离。一个场景、一个任务对应一套方案，仍然是常见的落地方式，围绕特定机器人和产线采数据、做后训练、调算法、做系统集成。而这样一来，项目可以跑起来，但任务一变、机器人一换，很多工作又要重新开始。

这意味着，工业具身智能从单一化走向规模化，应用开发和产线部署能否更加通用、易迁移、低成本，已经成为绕不过去的一道门槛。

埃夫特与启智给出的一个答案，是在机器人和具体应用之间搭一层“通用技术底座”。这套底座可以被类比为机器人领域的“安卓”：通过统一接口和开发环境降低应用开发成本，让沉淀下来的能力能够在更多机器人和场景中迁移复用。

毕竟，对于工业具身而言，规模化真正困难的地方，或许从来不是把第一个case做出来，而是每一次落地，都不必从零开始。

要实现这样的目标，第一道难题就是数据。

互联网提供了近乎取之不尽的文本和图像，但工业机器人的数据完全是另一回事。装配时手指用了多大力、零件接触后怎样调整姿态，这些细节既很少存在于公开数据中，又很难完全依靠规则预先写出来。真实产线也高度分散，不同企业、工件、设备乃至工人的操作方式都有差别，大规模获得统一、高质量的数据并不容易。

行业已有的主要解决路径各有优势，也都有明显边界。仿真路线可以快速生成大量数据，但机器人最终仍要面对真实世界的摩擦、接触、形变和各种无法穷举的扰动；遥操作路线则直接让人控制机器人采集数据，却天然受到机器人硬件和操控系统限制，不同本体采出来的数据也很难直接互换，斯坦福等机构此前在机器人学习研究中就指出，灵巧操作往往需要通过穿戴设备或遥操作采集大量示范数据，但这种方式本身难以大规模扩展。

启智选择的是一条更贴近全行业可用的解决方案做法，直接从人类操作者身上采集原生技能数据。此次WRC上首发的新版HALO人类技能采集服，通过真人直采，同步记录全景和第一视角视觉、深度、全身动作、手部触觉、表面肌电等多模态信息。其惯性动捕包含27个节点，覆盖身体和手指关节。目的不是简单复现人的运动轨迹，而是把操作过程中“看到了什么、身体怎么动、在哪里接触、怎样发力”等信息尽量同时保存下来。

而真正让这套路线具有专用性的，是接在HALO人类技能采集服之后的HumanGPT。

它并不是把一个通用语言或视觉大模型直接搬到机器人上。HumanGPT从底层围绕“人类技能”构建，训练对象就是人在真实物理世界中完成任务的过程：HALO人类技能采集服采集人的多模态操作数据，HumanGPT从中学习和沉淀技能，再由RobotGPTs解决人类动作与不同机器人身体之间的技能迁移。

这条路线瞄准的是一个很具体的问题，机器人身体可以千差万别，但它们最终要完成的工作，绝大部分最初都来自于人的经验。近期一些跨本体研究也在尝试类似的人本数据路线，把人类交互轨迹视作不同机器人共享经验的一种可能载体。

不过，数据和模型的突破仍然解决不了全部问题。工业具身落地的另一成本来自链路碎片化，数据采集和治理是一套工具，模型训练是一套系统，机器人编程、仿真验证和现场部署又由不同软件和工程团队完成。如果这些环节彼此割裂，每换一台机器人或者一个场景，都可能在接口和工具链上重新投入，有形无形之中，工业落地成本再次被抬高。

因此，HumanGPT之外，启智又把大衍数据平台、墨斗IDE和Openmind OS放进了同一套通用技术底座里。大衍数据平台承担异构数据采集、治理和模型训练；墨斗IDE将编程、工程仿真和部署放进统一开发环境；Openmind OS再向下连接工业机器人、复合机器人、人形机器人等不同构型，实现从系统底层、控制、感知到应用开发的一体化。

所以，“机器人安卓”真正试图统一的，是技能数据以低成本、通用化的姿态进入无数本体的过程。

从真人采数据、模型学习技能，到技能迁移、应用开发，再到机器人执行，过去相对分散的一长串环节，被尽可能放进同一套开发体系里。

“通用”已经成为具身智能行业最常出现的词之一，但到了工业场景，仅靠模型参数或者一段Demo，很难证明通用性已经成立。

一个更现实的判断方式，是看离开最初的机器人和场景之后，已经形成的能力还能不能继续工作。对于一套通用技术底座来说，这至少包含三层检验，能不能换机器人本体，能不能换具体工艺任务，最终能不能真正换到不同生产现场。

第一层是跨本体。

目前启智的通用技术底座已经在尝试连接传统工业机器人、复合机器人和人形机器人等不同构型，此次WRC发布的新一代复合机器人更是其中的重要载体，在它身上，移动底盘负责移动，3D视觉获取环境和目标信息，机械臂再完成抓取、装配等操作，三者链路打通，同时处理移动、识别和操作任务，实现“手眼脚”协同。埃夫特披露，这款产品已进入某主机厂真实产线，正在进行开发测试和验证，重复定位精度达到±0.5毫米。

人形机器人也被纳入同一体系。此次展台上的第二代人形机器人使用20余种强化学习算法，可以进行全身动态运动，同时承担教育科研和算法验证平台的角色。 今年7月WAIC期间，启智也同时展示了工业机器人、复合机器人和人形机器人在通用技术底座上的应用。据有关报道，搭载相关系统的工业机器人设备已在客户产线持续运行超过5000小时。

第二层，是离开展台进入真实产线。

在SPS线边仓场景中，复合机器人需要在狭窄通道中移动，用3D视觉识别并抓取上百种不同汽车零部件，同时与工厂系统完成任务下发和数据追溯。这套SPS智能分拣工作站同样已进入某主机厂，目前正在进行开发测试和验证。据埃夫特披露，单台设备分拣节拍可达10秒/件，抓取成功率超过99%。

四合一智能柔性装配工作站则把单台机器人进一步扩展到多机协同：复合机器人完成上料，双臂机器人负责装配和螺丝锁附，协作机器人进行视觉质检。不同构型机器人需要在视觉引导、力控抓取、精密装配等工序中完成完整流程，通用技术底座承担的任务也从“让一个机器人学会技能”，变成让多种机器人在统一体系下成功进入同一条生产流程。

第三层检验，则来自工艺本身。

拿焊接来说，不同工件的焊缝位置、角度和偏差都可能不同，多品种、小批量生产往往意味着频繁重新示教。此次展示的智能焊接方案加入3D视觉、智能学习算法和数字孪生，机器人可以识别焊缝位置和偏差，再在线生成路径、匹配焊接工艺；智能喷涂则通过3D相机扫描工件、获取空间信息并生成喷涂轨迹，当工件型号或摆放位置改变时重新识别和规划。

这里的关键并不是焊接、喷涂分别增加了多少AI功能，而是通用技术底座能不能从分拣、装配继续进入对路径、工艺参数和稳定性要求完全不同的任务。如果每增加一种工艺就要重新搭一套完整技术体系，“通用”仍然只是有限范围内的通用。

从工业臂、复合机器人到人形机器人，从真实汽车生产线里的分拣、装配，再到焊接、喷涂这些差异明显的工艺任务，这些看起来并不相同的场景，其实在共同回答同一个问题，已经沉淀下来的能力，究竟能离开最初那个case走多远。

对工业具身而言，这或许才是“通用”二字更实际的尺度。

即使数据、模型和开发工具的问题都解决了，工业具身仍然不能只靠AI。

今年工信部的实景实训专项行动在要求提升模型泛化和容错能力的同时，还专门提出加强结构耐久、热管理、功耗优化，提高机器人长时间、高负荷连续作业能力，并完善碰撞检测、力控限制、紧急制动等安全机制；进入真实场景后的验证指标，也不仅包括任务成功率，还包括效率、安全可靠性和经济可行性。这实际上把工业具身落地的另一半问题摆得很清楚：机器人学会任务、理解场景之后，还要变成一台真正能长期工作的工业设备。

这也是很多新的具身智能玩家进入工厂时必须重新面对的老问题。

不少AI背景团队，模型过硬指标亮眼，但到了整条产线，还要继续解决工业通信、现场系统接入、多设备协同和具体工艺等大量工程问题。模型可以识别焊缝，但最终控制机械臂沿轨迹稳定运行的仍是控制系统；AI可以根据新工件重新生成喷涂路径，但电机、减速机、关节和机器人本体仍要在长期作业中保证运动精度。对工业本体理解不深、交付能力不成熟、核心零部件缺失……任何一个环节都可能把新玩家挡在工业生产力的门外。

埃夫特与启智的组合，恰恰走出了一条“工业基底+ AI智能”的融合路径，其核心竞争力构建在自主化、工程化等多层能力的层层叠加之上。

首先是自主化。埃夫特拥有近20年的工业机器人经验积累，已经形成覆盖E-BOX控制器、驱控一体电柜、关节模组、少齿差减速机以及机器人本体的核心技术体系，其相关核心零部件已经实现100%自主自研，已经形成较完整的自主供应链。

对具身智能而言，这个数字的价值可不只在国产化本身，当控制、驱动、关节等决定机器人实际运动的底层环节掌握在自己的技术体系里，跨本体部署的通用技术底座实际上就拥有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。

其次是工程化能力。埃夫特的工业机器人及相关解决方案已经进入汽车、金属、家具等大量工业场景。上海松江区政府今年7月披露，埃夫特过去形成的工业覆盖涉及4000余家工厂。这也是启智通用技术底座能够获得真实工艺和工业场景验证条件的重要来源。 智能焊接、智能喷涂、SPS分拣和具身智能四合一装配站背后，不只有模型能力，也包括机器人控制、工艺开发、系统接入和现场长期运行，这些才决定一个方案最后能不能从实验环境交给工厂。

国家级科研项目也构成了这套路线另一层值得注意的背景。《科技日报》7月报道，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同类项目。在工业工艺方向，埃夫特还牵头国家重点研发计划“智能机器人”重点专项中的“自主智能弧焊机器人技术与系统”项目，联合高校、机器人企业和船舶制造企业，针对船舶、钢结构等多品种、小批量场景，攻关焊缝识别、质量检测、多机协同和弧焊垂类模型等问题。另外，埃夫特披露，迄今为止，其累计主持和承担机器人领域国家级科技攻关项目已有30余项。

通用技术底座要进一步走向规模化，还有另一层条件。它不能只在自己的机器人体系中成立，而是要形成一套更成熟、更开放的生态格局。启智正在通过开放接口、开发工具和技能体系，把其他机器人厂商、开发者和行业伙伴纳入进来。其已联合哈工大、清华等8所985高校及6家头部工业机器人企业共同攻关，目前已有4家工业机器人企业和3家人形机器人企业接入相关体系。

这也是“机器人安卓”这个定位的另一面，通用技术底座的价值不仅在于自己能做多少应用，更在于能否让更多厂商和开发者不用重复搭建底层能力，而是在同一套基础设施上继续开发新的机器人技能和场景。

也因此，如果只把埃夫特与启智这次WRC的展示理解为一次AI技术升级，反而容易漏掉这套路线真正的特点。启智向上补的是数据、模型、开发工具和操作系统，让技能更容易学习和迁移；埃夫特提供的则是自主核心零部件、工业机器人本体、工艺能力和长期工程经验，同时二者通过更开放的生态把通用技术底座进一步向外延伸，让这些新的技术能力有条件继续往下进入生产现场。

结语

工业具身的评价尺度已经开始发生变化。

机器人能不能完成一个任务，当然很重要。但当第一个任务已经做成，行业更需要知道的是，换一台机器人之后要重新做多少开发？换一道工序之后原有的数据和技能还能留下多少？同样的方案从一条生产线搬到下一条线，又需要多少时间和工程成本？

埃夫特与启智把答案押在了一套通用技术底座上，工业具身从项目制走向规模化的方向也已经越来越清楚。

当一项能力不再只属于某一台机器人、某一道工序和某一条产线，它才真正从一个做成的case，变成可以复制的产业能力。