从 Token 到扭矩，AI 落地东盟的四道「硬」关｜SEA Frontline

AIMX Singapore 2026 现场

“客户用 AI 的时候，会发现花出去的 Token 让他们好心痛”。

润建股份副总裁赵华在 AI GRAVITY 新加坡站「Talk To The World」直播间里说，润建股份在东盟已经有一批按 Token 付费、真会为账单“肉痛”的客户。对这家公司来说，Token 不是修辞，而是写进财报的商业模式——这家起家于南宁的深交所上市公司，已把旗下的五象云谷智算中心升级成了Token工厂，按 Token、卡时计费。2025 年润建股份全年 103.49 亿元营收中，算力业务收入 8.1 亿元，同比增长 53%。

本次直播间设在 AIMX Singapore 2026 的现场——WAIC 以海外品牌 AI GRAVITY 之名、联合 MP Singapore 在新加坡金沙会展中心办起的这场大会。之所以设在这里，是因为东盟正在成为中国 AI 出海最先“算账”的市场。算力侧，据中国信通院数据，2026 年东南亚重点区域算力中心服务市场规模预计突破 100 亿美元。物理侧，新加坡这个每万名工人对应 770 台机器人、密度全球第二的城市，正由政府亲自下场给具身智能递场景——内政科技局（HTX）宣布投入 1 亿新元，建设全球首个专注公共安全的人形机器人中心，首批人形机器人预计 2027 年中调派至火患、危险品泄漏与搜救现场。正如中科第五纪 COO 曹恩华在直播间中提到，新加坡政府在引进具身智能落地场景上的力度很大，吸引了大批中国具身产业链公司南下。

也是循着这条从算力到落地的传导链，我们把直播间的四把椅子，摆在了 AI 落地的四个环节上，推进 Token 出海的润建股份、具身数据基建的 Ropedia、做具身大脑的中科第五纪、造减速器的永轴智造——这正是AI从比特世界的 Token 到物理世界的扭矩的关键节点。

四场对话听下来，会发现当 AI 落地沿着产业链往下游走，账会越算越重，每一环都有必须算的账、要过的关——而这些关口，没有一道是仅靠发布会解决的。

Token出海，全栈交付的门槛

第一道关看起来最不像关——把 Token 卖出去，不就是收款吗？

赵华的说法戳破了这个错觉：“以前拼的是基础设施，有多少算力、多少服务器；现在拼的是怎么把这一系列基础设施，变成可交付的 Token。”从卖数字化基建到卖 Token 服务，中间隔着一段没有先例的路。

难，首先难在市场本身。蛋糕虽然在胀大，但东盟在赵华眼里是“割裂的市场”，每个国家各不相同；客户采购时看三样东西——安全、时效、性价比，开篇那句"好心痛"正是性价比进前三的原因。但低价买不来订单，安全不过关，“无论怎么便宜，客户也不会接受你的服务”。

润建股份的解法是把电力、算力、调度、模型、Agent，从基础层到应用层的全栈环节打通。“不是单点能力强，而是每一环都综合强，才能打动东盟客户”，赵华说，润建股份进入东盟市场已经七年，据其介绍，润建股份在东盟已交付 500 多个本地化项目，并以南宁作为算力服务节点向东盟输出。今年 7 月底，其设在马来西亚的东盟 AI 创新中心刚刚开业。与马来西亚 PEKAT 集团合资运营的 Rundo 新能源智能运维平台，已接入该集团旗下 超1600 座分布式光伏电站、共计 182MWp 光伏容量，整体运维效率提升 20% 以上。

比全栈更难复制的，是时间熬出来的信任。扎根的办法只有本地化，产品出海、标准出海、人才培养体系出海，一个都不能少，“信任的文化是东盟地区非常重要的文化，当他信任你的时候，才会引你进入他的朋友圈。”赵华还介绍，如今润建股份向东盟输出的一线队伍里，AI FDE 模式占了很大比重，由行业专家与技术专家两组人配合作战——前者走到客户一线，后者负责整合模型与网络。赵华称这批工程师正在东盟提供贴身服务。

对那些正涌向东南亚的中国 AI 公司，她的建议只有一句：“出海不能只是卖产品，更要扎根于本地。长期主义、打持久战。”

（赵华「Talk to The World」@Singapore）

数据燃料：从「能采」到「能用」

Token 的下一环，是燃料。燃料不只是数据，而是把真实世界经验转化为可用数据的基础设施。

大语言模型的成功给这个行业留下了一个惯性错觉——数据越多越好。但文本语料是几十亿网民几十年自然沉淀的，几乎免费；具身数据没有这种午餐，只能专门搭一个小环线去采，一条一条攒。更要命的是，行业甚至还没就“什么是好数据”达成共识。

Ropedia 联合创始人兼 CTO 洪方舟在直播间算了一笔“数据账”：今年，不少团队给流水线工人头上绑运动相机采数据，但如果场景和动作高度重复，即使数据规模不断扩大，边际价值也会快速下降。对机器人而言，重要的不只是“拍到了多少”，而是这些数据是否包含足够丰富的空间、动作、交互与物理信息，是否真正贴近模型训练目标。

洪方舟的公司正是冲着这道关来的。去年12月成立于新加坡的Ropedia，定位是“物理智能的数据基建”，它的探索可以概括成一句话：用模型的视角反过来定义采集——不是采完再想怎么用，而是从模型需要什么倒推采什么、怎么采。

第一个动作是选路线。洪方舟把具身数据采集摆成一道光谱：最左端是遥操作，最接近机器人本体，数据最少；最右端是第一人称（egocentric）数据，离本体最远，可获取性最强。“大语言模型用两三年证明了 Scaling Law，所以在所有数据种类里，我们相信 scalability 最强的那一种。”Ropedia 押注第一人称人类数据，如今这条路上“越来越多的玩家进来了”。

第二个动作是造工具链。采集员戴上自研头环设备 HOMIE 进入真实场景，以一段 30 秒的录像为例，原始数据包含多路视频与 IMU 等传感器信号，上传平台后经多轮审核，再由自研算法做结构化处理——提取空间运动轨迹、手部与物体交互动作、打上语义标签，最终在 3D/4D 空间下完成空间与时间的双重对齐，经人工质检后交付。“客户拿到手的是一个 training-ready 的资产，可以直接喂进模型。”

第三个动作是全链路闭环：硬件、平台、算法、运营，从 0 到 1 全部自建。逻辑仍然是那个倒推：“如果只单做其中一环——比如只做数据运营——你对下游需要什么数据、什么数据更容易标注、什么数据可用率更高，是没有感知的。”

第四个动作带点行业野心。今年3月，Ropedia开源了Xperience-10M 数据集，总量 1PB、覆盖千万片段，HuggingFace 累计下载量超过270万次，已进入 Qwen-VLA、MolmoMotion、ACE-Ego-0 等全球多个主流具身模型、世界模型的研究与训练体系。洪方舟打了个比喻，这个开源数据集像是他们商业化数据集产品的试用装，是一个获客引流的方式，但更重要的是，希望通过这个数据集在大部分玩家还在采 raw video 的时候，先给这个行业立起标注的标准。

至于为什么把公司放在新加坡而不是 AI 公司扎堆的美国或中国，他的三个理由都很实际：硬件上靠近中国供应链；数采运营上，亚洲有更好的基础设施和更丰富的人力；客户上，身处新加坡可以同时触达亚洲与北美。

被问到数据这门生意被高估与被低估的各是什么，他的回答绕回了自己的核心主张：“整个环节的难度都被低估了，运营、硬件、平台、算法，所有要素加在一起，才能得到一个好的数据生产流。”至于价值，他不认为被高估：“从上一个时代看，大语言模型的架构、训练都不是什么秘密，是秘密的反而是数据。”

（洪方舟「Talk to The World」@Singapore）

具身大脑：不堆数据的范式之争

燃料再往上一环，是具身大脑。这一环的难，直接由上一环传导而来：真机数据一小时的采集成本在几百元量级，想靠堆数据验证 Scaling Law，“要几亿甚至十几亿元”——中科第五纪 COO 曹恩华试图通过这笔账，说明通用大模型依靠海量数据拓展能力的路径，很难直接照搬到具身智能。

中科第五纪是一家具身大脑公司，有两条产品线：具身大脑模型，以及搭载自研大脑的轮式双臂本体。这家公司最出名的标签“超少样本”——用 3 到 5 条演示数据让机器人学会一个新任务——很容易被读成对 Scaling Law 的背离，曹恩华主动做了校准：“我们不是反 Scaling Law，我们只是反对一味地堆砌数据。”与其在数据量上硬堆，不如从模型范式上改进，“让模型提升数据利用效率，从更少的数据中学到更多能力”。

第五纪的技术回答分为两层：一层提升数据利用效率，一层提升执行安全性与可靠性。其一是架构，曹恩华表示，传统 VLA 模型把三维信息压缩成一维 token 输入，天然损失空间信息，第五纪采用 3D 到 3D 的处理方式，尽可能保留三维场景与动作之间的空间关系，提高单条数据的利用效率，计算量则用三维热力图只关注操作相关的关键信息来压降。其二，第五纪率先将世界模型引入具身操作的安全评估环节，自研的 BridgeV2W 会在机器人执行动作前先做预演，把不可控轨迹、数据幻觉提前过滤掉。“我们是业内第一个把世界模型引入具身操作安全评估的团队。操作模型决定怎么做，世界模型在执行前判断这样做是否安全。”

第五纪引入世界模型，瞄准的正是安全与可靠性。“安全、可靠的优先级，一定是高于泛化性的。”曹恩华说，这在客户那里得到反复验证，欧洲头部客户把数据安全放在第一位，国内客户更关注可靠性与稳定性，“这两条都是大前提，做不到，客户不会让你上设备”。第五纪在欧洲某世界 500 强工业制造巨头的交付已在真实场景落地，双方仅围绕数据安全就进行了五轮以上沟通、相关安全文档长达几十页。

第三重难更隐蔽，实验室与真实场景之间的鸿沟。第五纪在一个电力变电站项目中发现，实验室里光照恒定条件下训练出的模型，到了光照时刻变化的室外现场表现打折；在完成安全验证并进入现场试运行后，团队持续采集不同光照条件下的数据并迭代模型，模型稳定性获得了明显提升。现场数据还提升了模型的迁移效率：一个任务在真实场景中得到充分验证后，再迁移至其他相近场景，多需的适配时间和成本明显降低。这也决定了第五纪的路线：以真实场景验证赋能模型迭代，先让具身机器人在持续运行中积累有效数据。

落到场景选择上，第五纪的原则是对人不友好的环境优先，例如玻璃厂涂底工序——工人需要戴防毒面具作业，部分原料和作业环境可能带来职业健康风险；冷库分拣——部分岗位需要定时离开低温环境进行恢复。

场景的另一端，供给方也在主动递场景，导语里那句“政府亲自下场”有具体的去处：新加坡内政科技局（HTX）已宣布投入 1 亿新元，建设全球首个专注公共安全的人形机器人中心，首批人形机器人预计 2027 年中调派至火患、危险品泄漏与搜救现场。“新加坡政府在引进具身智能落地场景上的力度很大”，曹恩华说，这也成为中国具身智能企业布局新加波的重要吸引力之一。

机器人落地场景的另一本账在投入产出比的 ROI 核算上。曹恩华提到，不少国内客户会把2-3 年收回投入作为评估机器人项目的重要参考。这套账在海外会稍有不同——在欧洲部分人力成本较高的项目中，投资回收周期可能压缩到一年左右；东南亚则提供了另一个角度：这里要解决的不是人力贵，而是人效低，中国工厂有大量工程师和技工，而东南亚部分国家“关键技术工人不是多加钱就能招到的”，具身机器人有望补充关键岗位能力，并推动生产流程标准化。第五纪目前两条腿走路：一方面服务在越南等地设厂的国内头部家电企业出海，另一方面直接拓展新加坡及东南亚本地客户，推进机器人项目验证与交付。

什么时候具身行业能达到“商业化临界点”？曹恩华给出两个可验证的指标：百台以上的具身机器人稳定可靠地运行；同类能力能够低成本迁移至十个以上不同场景。“两个都达到，才是真正的大规模商业化阶段。”第五纪的自我关键验证节点是2027年，“我们希望到明年这个时候，成为业内在真实场景中实际部署并持续运行具身机器人数量最多的公司。”曹恩华有意强调了好几遍“真实场景”。

（曹恩华「Talk to The World」@Singapore）

减速器，三十年熬出的一致性

AI 落地链条的最后一环，回到物理世界本身。这一环的难最为直观——它决定机器人能不能用得住。

“减速器就是机器人最核心的零部件之一，跟汽车的发动机和变速箱一样。”永轴智造运营总监陈恩伟说，正常情况下减速器占整机成本 30% 左右，算上关节模组则超过 55%。而它之所以关键，不只因为贵：“一般零部件的损坏概率非常低，出问题的其实都在减速器——减速器决定了机器人的寿命。”换句话说，这一环的门槛叫产品质量的一致性：不是做得出，而是每一件都做得出同样水准。

格局上，这道关还叠着垄断。谐波与行星两大路线已经把市场分完了，工业级大型减速器则是纳博特斯克等日系巨头的主场——“日本的技术很成熟，产品非常优秀”。而需求端的爆发又来得猝不及防，永轴1994 年以轴承起家，2008 年开始做减速器，给纳博特斯克、ABB 都供过货，2023、2024 年人形机器人需求起来后客户找上门做微型减速器，一年内完成了几个款型的开发。

永轴的探索是三个动作。第一，路线卡位：选择摆线，一条介于谐波与行星之间的第三条路。“谐波精度高，用在医疗、电子这类高精度场景；行星结构简单、成本低、效率高；摆线精度能到 6 角分左右、效率 80%-85%，它的优势是刚性特别好、抗冲击能力特别强、精度保持能力特别强。”陈恩伟的定位说得直白：“我们卡在中间，可以提供谐波和行星之外的第三种选择。”

这条路同时避开了与日系巨头的正面竞争——对方在工业级大型减速器上技术成熟，“还没有回过头来做这些外经的产品”。本届展会带来的 15 毫米外径微型摆线减速器，面向灵巧手场景，同等尺寸下握力、抓取空间数量会更高一些。

第二，工艺变现。永轴的底气来自轴承时代的沉淀——热处理、供应链、尺寸链把控，这些能力直接决定了做摆线时的良率与试错成本。陈恩伟没有回避与垄断头部的距离，但三十年工艺就是三十年工艺，这条路没有捷径，“没有稳定性和质量一致性的保证，客户跟你谈价格没有意义。”而这条稳定生产链的准入门槛本身就高：“一年五六万台的产能，至少要两三个亿的投入，都不一定能出东西”，这还不含设计与研发。齿轮行业的人才本就稀缺，大家都在抢。

第三，客户分层。在目前减速器基本供不应求、产能还在爬坡的情况下，优先服务有落地场景的——工业机械臂、消防特种、替代“蜘蛛人”高空擦玻璃的设备、排雷机器人这类刚需，人形机器人被排在更后面。但陈恩伟马上补充，虽然落地有先后顺序，但是具身的规模化商用比我们想象中要快得多。陈恩伟列了一组数字，2024 年永轴的出货还在打样验证阶段，“一年也就几百台”；2025 年翻了十多倍；2026 年仅第一季度，就接近 2025 年全年的五倍。

（陈恩伟「Talk to The World」@Singapore）

结语：从「想做」到「能做」

四笔账算完，四道关的形状也就出来了：

算力环节的门槛是全栈交付——单一环节的强不足以让客户买单，安全、时效、性价比要同时成立，还要加上用七年时间换来的本地信任；具身数据环节的门槛是工程密度——从采集硬件、算法管线到运营体系缺一不可，开源 1PB 可以定标准，但真正的壁垒在于让每一条数据的有效率最大化；模型环节的门槛是训练范式——在堆数据与提效率之间，第三条路是用世界模型给安全兜底，先让机器人在真实场景稳定跑起来；硬件环节的门槛是一致性——占整机成本 30%、决定机器人寿命的部件，需要的是几十年工艺积累和真金白银的产能投入。

四道关口，分别属于四家规模、路线、阶段都不同的公司，但把它们串起来看，这是同一场考试的四张考卷——考官是同一批人：既会为 Token 账单“心痛”、又绝不肯为便宜妥协安全的东盟客户。四家公司对同一件事的判断也高度一致：AI 落地没有捷径，安全与可靠先于炫技，真实场景先于实验室，时间与产品先于发布会。

Token 的热潮，终归要经过这样一节一节的传导，才能变成物理世界里看得见的扭矩。用陈恩伟的话说，AI 告诉机器人“我想做什么”，减速器告诉机器人“我能做什么”。从想做到能做之间的每一环，此刻都有人在自己的位置上使劲。

传导到哪一环、传导得多快？曹恩华给出了一个可以验证的时间点：“我们希望到明年第一季度，成为业内真实场景中出货量最多的公司。”明年3月，这道题的答案就会揭晓。

（作者｜杨秀娟 ，编辑｜罗文琴 ，本文首发钛媒体APP）