GPT-6没拆掉的护城河，具身智能务实派率先在服务场景找到答案

来源 | Tech星球

文 | 华卫

具身智能行业，正在经历一场微妙而又深刻的变化。

过去，机器人公司热衷于展示自己的技术上限：能跳多高、跑多快，又能完成多少复杂动作。但到了下半年，行业开始出现另一种声音。比起证明机器人有多聪明，越来越多人开始关心它们走进真实场景后的表现。

最近30天里，行业接连发生了几件具有风向标意义的事情：OpenAI和DeepSeek被报道正在向物理世界探索；部分投资机构开始收紧具身投资；智元提出用”有效智能工时”给机器人记账，并在11月初让6台G2机器人在真实便利店完成了24小时连续作业直播。

这些看似不同的动向，指向了同一个变化：具身智能的竞争，正在从展示技术上限转向验证实际作业能力，真实场景的商业化落地是真正考验。

今年WRC（世界机器人大会）上，机器人与智能烹饪设备协同做菜的场景让餐饮业直呼太卷。而在某拥有上万家门店的国民炸食品牌线下实验店里，由果实进化训练的机器人已在真机运行炸鸡排任务：夹钳伸进面粉盘，夹起裹好面粉的鸡排，抖掉浮粉，平稳送进炸锅；炸至成熟后再逐一夹起，放上沥油架。拿取鸡排、裹粉、沥油放置等18个子项动作全自主完成，多块鸡排并行炸制有条不紊尤其惊艳。

这也是果实进化选择从服务业切入具身智能赛道的独特切入点。

当行业都在争分夺秒地教机器人如何干活时，果实进化没有一开始就追求通用能力，而是先把机器人放进餐饮门店、食品工厂等真实场景，寻找能够规模化落地的任务。它最先推向市场的是1.0 AI视觉巡检产品，通过真实场景积累模型能力，再进一步训练出基于领域自有数据的2.0具身模型。

从视觉巡检到具身进场，果实进化试图尝试走一条从AI辅助人工作业到具身真正接管实际作业的路径。

当行业还在争论”通用大脑”何时到来，果实进化已经率先让机器人在一个个具体场景中学会干活，并在后厨领到了第一笔”工资”。

大模型厂商下场，正在改写具身竞争规则

具身智能赛道的”技术路线之争”，从未停歇。

在从实验室走向真实世界的过程中，机器人首先要知道自己面对的是什么、要完成什么任务，才能决定怎么做，以及做了之后会发生什么。目前，以GPT-6 Astra和Fable 5.2为代表的通用大模型某种程度正在改写具身智能公司的竞争规则，也推动行业直面更大的机会窗口：大模型或许是更适配具身智能的基础模型。

具身模型可以分为三个层级：S2是推理层，负责环境感知与高层决策，类似大脑；S1是执行层，把大脑指令转化为具体动作输出；S0是机器人本体层，负责动作的平稳执行。当前大模型公司在训练全模态模型时，已开始将机器人数据、合成数据乃至第一人称视角数据作为一个数据类别加入训练，实质是把S2这一层的能力边界大幅拉宽。这条技术路径的趟通，将把具身领域带上人类通用智能迭代的”快车道”。

就在上周日（11月9日），Anthropic发布Claude Fable 5.2，据公开测评，在双臂仿真基准上取得64.9%的成功率，是此前GPT-6 Astra的两倍以上，并完成了拧瓶盖、解魔方等真机演示。但值得注意的是，官方审慎地使用了”优于大多数专为机器人设计的AI系统”的表述——“大多数”之外的那部分，恰恰是迄今所有通用模型都未跨过的精细操作鸿沟。

但在最新的测试中，这些模型在仿真环境里表现已相当好，进入真实世界后，效率与成功率仍会大幅下降，且Token消耗成本高昂。换句话说，让机器人”听懂”任务和”做到”之间，还隔着一条鸿沟：传给机器人大脑的诸多规划，最终或许还是得靠特定场景下的训练来转化为可靠的物理动作。更关键的是，基模每拉宽一层推理能力，就需要更多真实场景数据来做对齐——认知越普及，真实闭环就越稀缺。

“这条鸿沟，正在揭开具身领域下一轮竞争的焦点——真实场景。”果实进化CEO张媛认为，未来的竞争，很重要的一层是比谁能基于通用模型的认知能力，结合真实场景，把执行能力更好地训练出来。

这正是果实进化所选择的路径。门店等服务业的落地网络，为果实进化提供了持续进入真实场景的入口：1.0阶段的AI巡检产品积累第一手场景理解，2.0真实作业成为模型的训练场与验证场。每一次真实作业，都是模型深度训练的下一课。

不搞炫技扎进服务业，下沉还是机会？

具身智能要商业化，首先得进入真实的业务场景。在寻找突破口的路上，大部分机器人公司更多选择进入工业场景或者家庭。但果实进化选择了另一条路：从服务业切入。

不同于高度自动化的工业场景，服务业面对的是高度动态、非标准化的环境，顾客、员工、商品、设备和空间都在不断变化。工业场景中偶发的corner case，在服务业是每时每刻都在发生的日常。

果实进化认为，服务业场景的劳动类型丰富度是工业场景的十倍以上，同一家门店每天产生的有效行为交互数据，远超一条工业生产线。而越复杂的场景，越容易建立以”泛化”为第一性的竞争壁垒。因此，果实进化的长远判断是：服务业可能是具身机器人走向通用能力的最短路径，先把这些场景里的具体工作做稳，再逐步扩展任务范围。

这家公司从诞生之初，就明确要做服务业具身智能的模型公司——从真实门店和工作场景里长出来，让机器人学会在具体岗位上”干活”，以此持续积累模型能力。

沿着这条路线，果实进化推出了两代产品：1.0视觉巡检把总部标准变成可复制的现场管理智能，2.0具身智能开始让机器人进入场景承担具体工作。

“现场管理是服务业客户的刚需”，果实进化COO王柯君向Tech星球透露，头部餐饮品牌对AI的态度积极，他们最清楚自己哪个环节最难管理，愿意主动尝试。对客户来说，1.0买的是现场安全风险控制与管理智能化，未来2.0买的是稳定的现场生产力。

据了解，果实进化1.0的Almond智能巡检系统，面向门店督导和工厂现场管理人员，用视觉行为模型替代人眼巡检。更关键的是，Almond给出的不是一条告警，而是一套管理闭环：接入现场摄像头发现问题与证据，核对负责人和期限、分派问题并通知到人，责任人提交整改后视频、对照原问题复核，人工确认后关闭，自动生成本次检查与整改简报。部署上，Almond尽可能降低客户使用门槛：复用门店原有摄像头即可，不需要大规模改造现场硬件。值得一提的是，视频数据不出客户域，保证了客户数据安全。目前，这套方案已经进入餐饮和食品工厂等多个真实场景。

在食品工厂领域，“一米八”的酸菜和泡菜生产投入使用这套方案，上线云南昆明和江西宜春工厂，更多工厂将在近期陆续上线。在连锁餐饮领域，AI巡检系统加快覆盖喜家德门店的门迎、前厅服务、食品安全等具体场景。“原来是人找问题，现在是问题找人”，最明显的变化是从原来一个月一次人工抽检巡店，变成7×24小时实时管理，推动门店持续提升食品安全和服务水平。

对果实进化来说，在创造行业价值的同时，场景模型能力也在持续提升，这是后续具身模型训练的物理基础。

炸鸡排、摇咖啡，真实门店成了具身模型训练场

10月28日，果实进化展示了一次炸多块鸡排的后厨实测：18步骤、4块鸡排并行、多轮炸制，机器人全自主执行，完整任务完成率达到75%。从首次采集训练数据到真机落地，整个过程用了不到3周。

与单块鸡排按固定顺序炸制不同，多块并行意味着机器人需要同时跟踪多个任务，自主判断此刻应该放入哪块鸡排、取出哪块鸡排，以及如何安排不同任务的先后顺序。任务之间的相互影响增加，随机决策的比重也明显上升。对机器人来说，单任务执行是基础，能够同时处理多个任务，才有机会真正接手一个完整岗位。

真实现场任务对机器人的环境感知和实时决策，提出了更高要求。在餐饮门店、食品工厂这类场景中，现场往往存在人员走动、物品移动和设备状态变化。对此，果实进化采用双视角感知技术，持续加深具身模型对现场的全局理解；同时，在Agent架构中设置常驻观察线程，实时判断当前动作是否符合现场情况，一旦发现偏差就中断原有动作序列，确保动作被限定在安全范围内。

这套机制背后有一个重要基础：果实进化的模型使用真实门店进行训练，训练环境与最终部署环境高度一致，因此能够更好地适应现场的”复杂、干扰、多变”。

多线程任务的另一道考验，是长时间执行的稳定性。门店实践中，人工容易因为高温环境、工作疲劳出现烫伤；多块鸡排并行炸制时，也可能跟丢进度、记错下锅顺序。机器人则可以在这些场景中持续、稳定完成工作，目前已可完成连续2个小时的持续作业。

在安全机制上，机器人遵循常规任务自主执行、异常情况人工介入的原则。当模型置信度不足、出现异常或涉及人机安全时，机器人会暂停动作并请求人工介入。人工监督则被集中到远程运维体系中：远程运维平台本身也是一个Agent，运维人员主要负责评估Agent的表现、提供反馈，间接参与模型能力优化。随着Agent效能的持续迭代，一名运维人员可以同时支持多台机器人。

餐饮场景中，果实进化2.0机器人正在探索门店高频岗位的工作，包括机械操作、原材料分拣、成品炸制等。其具体能力并不是先设计一台通用机器人再寻找用途，而是根据合作品牌门店的实际岗位工作流来确定。“用真场景的真需求去激发技术上的真突破，以终为始的研发方式是Physical AI的最优选择”，张媛向Tech星球表示。

值得一提的是，果实进化坚持不对原有场景和设备环境进行改造，让机器人主动适应环境，最大限度降低客户的试错成本。

从单任务到多线程，从执行预设动作到根据现场变化自主调整，机器人真正要跨过的，是独立承担一个完整岗位工作的门槛。

具身模型拼的是真实场景的闭环转速

具身智能的竞争已经分化为两条路线：一条在实验室里攒论文和参数，一条在真实场景里攒数据和迭代。两条路线的分岔口，就是行业的分水岭。

“基模比的是论文与天才密度，场景模型比的是懂场景、快进化”，果实进化CTO冉清向Tech星球解释道。

据介绍，在模型架构上，果实进化采用了分层Agent Policy路线：一个规划能力强的main agent（主智能体）负责整体任务规划与控制，VLA作为执行模块完成具体动作，常驻观察线程则负责实时监测和纠偏。

之所以不把所有能力都交给单一VLA，是因为服务业任务往往具有较长的动作链条。行业实践表明，单一VLA在连续执行较长动作序列后，准确性会明显下降。因此，其VLA结构由前置VLM（视觉语言模型）和后置Action预测模块组成，后者基于Diffusion Policy（扩散策略），通过逐步生成的方式预测连续动作序列。在训练方面，果实进化复用了1.0阶段已经积累的视觉理解能力，将已训练好的VLM直接接入Diffusion Policy模块，重点训练后半部分的动作预测能力。

但模型架构只是基础，具身智能真正稀缺的仍然是高质量真实数据。果实进化的解法是通过多视角的工程化技术与数据处理管线，在保证数据质量的同时，将数据成本结构做到与传统采集方式不在同一量级，并解决了自遮挡盲区的难题，动作规划和路径计算也能因此更准确。

具身模型必须在世界里学习，不能只依赖数据集：进入现场，在一次次实际执行中积累经验、发现问题并持续修正。这也是果实进化希望形成的数据、模型和场景相互促进的闭环。

“客户买的不会是一次性设备，而是一个持续变聪明的系统”，果实进化在商业模式上也给出承诺：已落地项目通过OTA持续享受模型迭代收益。部署越多、数据回流越多、模型越强、客户收益越大，数据飞轮越转越快。这条飞轮也向外开放——欢迎带着真实场景的产业伙伴进来共建。

具身智能的务实派：商业验证与技术积累同频

自动驾驶行业有一个经典论断：攀登珠峰，沿途下蛋。在技术密度极高、商业化周期又很长的赛道里，企业不能只盯着最终目标，而是要在攀登技术高峰的过程中，寻找能够提前商业化的应用场景，用阶段性收入支撑长期研发。这句话同样适用于具身智能——从起步阶段，果实进化就开始自我造血。在张媛看来，Physical AI领域的商业价值，恰恰就是模型与物理世界碰撞的最佳证明，相互校验、加速迭代。健康的商业基底，养的正是模型进化的自主权和可持续性。

张媛强调用“模型”来表述具身智能，而非“大脑”，这背后是一套经营思考。在她看来，“大脑”是指向通用智能终局的叙事词，“模型”则是工程和商业语言，意味着可训练、可验证、可迭代、可计价的能力单元，是商业化的基底。竞争的中间环节是场景选择：谁能在技术达不到全泛化的水位下，找到技术可行、需求真实、能形成数据飞轮的垂直场景，谁就能活下来。

目前，果实进化不仅与客户共同挖掘场景，且已建立壁垒：一是速度壁垒，从单任务真机落地到完整岗位胜任，只需8到12周；二是数据迭代壁垒，每落地一家，真实作业数据回流一轮，模型更聪明一分。

“要具备自我造血的能力”，张媛强调，公司现阶段投入的每一分资源，都要同时服务于技术积累和商业化验证。“AGI是坚持要仰望的星空，而商业化是脚踏的实地，也是行业价值验证的锚点和企业健康度的指针。欢迎带着真实场景的产业伙伴进来共建”。

这场大浪淘沙，谁能笑到最后？先将机器人送进真实商业世界的具身公司，或最先告诉我们答案。