相信去年来过 WRC 现场的朋友，多半会跟我一样：

刚一踏进场馆，就开启了逛展隐藏支线——寻找遥控器。

那时候，几乎是每一个成功操作的机器人，背后都有一个拿着遥控器的小哥。

就算绕着展台兜了一圈，没找到人，很快也会发现，机器人来来回回演示的，多半还是提前编好的一套 " 公式动作 "。

说到底，机器人虽然在动，但真正干活的，很多时候还是人。

但今年的 WRC，体感上已经明显不一样了。

各家展台上，自主干活几乎成了标配，后面拿着遥控器的人明显少了，就算偶尔还能看到遥操作，多半也是在采数据。

老实说，虽然目前机器人自主干活仍然不甚丝滑，而且难免会看到抖动、抽搐、失败，但起码，这活真是机器人自己干的，实乃一大进步。

不过逛了一圈之后，我们又发现，事情显然还没结束。因为机器人自己把活干起来，只能证明它有了 " 自主性 "。

真要进工厂、仓库、商超，变成生产力，后面还有更现实的一道考题：

换个东西还能不能干？干得够不够准？速度能不能跟上？

也就是——泛化、精度和效率。

而今年把这三件事摆得最直白的展台之一，恰好也是整个 WRC 最大的展台：

星海图。

500 平方米，10 组 Demo，一排机器人同时开工。从前置仓、工业装配、礼盒折叠，到双足、轮式新品，几乎把机器人真正进入生产现场之后会碰到的几类问题，都搬到了一个展台上。

所以，看到星海图的巨大展台后，我们真正好奇的，也不只是：

为什么一向低调的星海图，这次突然搞了个全场最大展台？

还有，当整个行业都开始强调 " 自主干活 " 之后，星海图又想把具身智能往前推到哪一步？

走，进去看看！！

生产力觉醒，究竟是怎么个觉醒法

走进展台，我们看到星海图这次 WRC 的主题，叫生产力觉醒。

为了一探究竟怎么个觉醒法，我们也现场试了一下。

首先是现场围观人数最多的，星海图和京东合作的前置仓。

在排了一会儿队之后，我们直接在 iPad 上下单了两瓶脉动。

机器人接单后，会自己排队、找货、取货，再一路送到柜台。

有一说一，在第一次尝试把脉动放到柜台时，机器人失败了；

就在我们以为是瓶子太重、太粗不好夹的时候，机器人调整了几次动作，最后还是成功放了上去。

拿回来之后，剩下的一切都变得相当丝滑，打包，拉袋，封口，一气呵成～

整体看下来，这套前置仓已经基本复刻了一套真实的生产流程。

货架没有为了方便机器人抓取而刻意摆开，从下单、抓取，到移动、打包、交付，整套流程都由机器人端到端完成。

机器人在这里既需要完成长程规划，移动操作，" 下蹲抓取 "，也涉及到对不同 SKU、塑料袋这类刚性和柔性物体的交互。

更关键的是，它并不是只会抓我们眼前这两瓶脉动。

据现场工作人员介绍，这套系统背后的 G0.5 模型，已经能够泛化到上万种 SKU。

这其实对应的，就是机器人进入真实世界之后的第一道生产力门槛：泛化。

如果换个商品、换个摆法就得重新训练，那再自主，本质上也还是一套更复杂的专机。

值得一提的是，打包机器人的加入，也把整个闭环进一步串了起来。

我们从下单到拿到商品，大概等了 3-4 分钟，速度已经在可接受的范围内。

再往里走，是一套机器人组装机器人的工业装配场景。

虽然听起来多少有点 " 物理 RSI" 那味儿，但这里真正考验的，其实是精度。

毕竟工业装配不像抓瓶子，零件差一点可能就装不上。

为此，星海图在基础模型之上引入强化学习，将操作精度做到1mm 以内、成功率 99.9%，同时把工作效率提升了400%。

也就是说，到了真正的工业现场，自主只是前提，精度和良率才决定它能不能上产线。

再往下，是一个看起来没那么唬人、实际却挺难搞的任务：折礼盒。

我们现场随手丢给它一个纸盒，机器人拿到之后，大概 1 分钟就能折完。

这里的难点在于，纸板和刚性零件不一样：折过去会回弹，状态一变，后面的动作也得跟着变。

以前很多靠背一套 " 小连招 " 的机器人，到这基本就歇了：中间一步被打断，直接宕机。

但 G0.5 可以根据纸盒的实时状态调整动作，我们在现场站了一会，成功率已经没的说了。

不光是纸盒，对于叠衣服这种柔性操作，G0.5 也可以轻松拿捏。

除了这些依靠具身大脑的任务以外，星海图这次还带来了最新的通用小脑成果——

双足机器人 Kengo。

它遇到没见过的地形时，不需要重新训练，就能边感知、边调整步态。

这其实有点呼应了最近全身智能的研究热点。

毕竟，以后机器人真进了家庭、工厂和仓库，能不能走过没见过的路，本身也是泛化的一部分。

值得一提的是，这也不是星海图首次发力机器人运控。

早在 2023 年，联合创始人赵行团队的 Robot Parkour Learning，就曾入选 CoRL 2023 Oral，并跻身最佳系统论文候选 Top 3；此后，他们又将这一路线推进到双足人形机器人。

当然，500 平米的展台上远不止这些。

抓包裹、物料分拣、折衣服、长程送件……机器人干的活五花八门，囿于篇幅，就不一一展开了。

但把前面这些 Demo 串起来看，星海图这次真正想展示的东西，其实已经很清楚了：

机器人 " 能自主干活 "，只是生产力觉醒的起点。

再往下，至少还有三道更现实的考题。

第一是泛化。换个 SKU、换个物体、换个环境，甚至中间状态发生变化，机器人还能不能继续干，而不是重新训练一套模型。

第二是精度。如果只是在 Demo 里把动作做个大概，到了工厂里精度不够、良率不行，那依然干不了真正的活。

再往前一步，就是效率。毕竟真正到了生产现场，机器人最后要比的，不是 Demo 漂不漂亮，而是能不能在相同时间里完成一样的工作，甚至把这笔账算得比人更划算。

所以一圈看下来，星海图这次至少做了一件挺有意思的事：

当整个行业开始从 " 遥操作 " 走向 " 自主干活 "，它又把考卷往前翻了一页——把泛化、精度和效率，同时摆到了台面上。

从 " 机器人能不能自己干 "，变成了：机器人能不能快、准、泛化地把活干下来。

而这，可能才是真正的 " 生产力觉醒 "。

那么，这背后究竟是怎么做到的？

十几组 demo 背后的具身大脑

在前面的展示里，机器人之所以能做到百万 SKU 的物品与刚性柔性物体泛化，并把一整套长程任务自己串起来，背后用到的就是星海图最新的 VLA 模型G0.5。

在公开榜单测试中，G0.5 已经在 LIBERO、BEHAVIOR-1K、RoboTwin 2.0、DROID Zero-shot 等 8 个权威 Benchmark 中登顶，覆盖长程任务、精细操作、零样本泛化等不同能力，整体位居第一梯队。

在具体的架构方面，G0.5 走的是一条统一自回归路线，用 G0.5 背后研究者的话说就是，你可以把它理解成一个大语言模型：

它把视觉理解、具身推理和动作生成，都放进了同一个 Transformer Decoder 里。

和不少 "VLM 负责看和想，Action Expert 负责动 " 的 VLA 架构不同。G0.5 更像是把 " 想 " 和 " 做 " 重新接在了一起：机器人一边理解环境、一边判断下一步该干什么，然后继续往下生成动作。

这样做的第一个好处，就是过去几年 LLM 已经学出来的理解、推理和任务拆解能力，能更顺畅地接到机器人身上。

模型不用从头再学一遍 " 怎么想 "，而是直接把已经会的思考变成动作。

所以到了前置仓这种任务里，它面对的就不只是 " 抓一个东西 "，而是可以先理解订单，再把找货、规划、抓取、打包这一整串事情接着做下去。

而统一自回归的第二个好处，就是思考和动作可以连续往下走。

在前面的折礼盒 demo 中，这就让机器人能够一边执行，一边根据纸盒的变化及时调整动作。

而在 G0.5 代表的 VLA 路线之外，星海图还同时押了另一条路线：世界模型。

他们今年推出的Fast-WAM，最大的特点就是快。

针对以往世界模型推理过慢，难以实际部署的问题，Fast-WAM 把推理延迟压到了约 190ms，相比传统方案提升约 4 倍，发布时做到了全球最快。

目前，Fast-WAM 论文引用量已经位居世界模型领域第一，也得到了同为世界模型创业者谢赛宁的认可。

所以回过头看，星海图在 " 大脑 " 上的路线其实挺实用主义。

VLA 也做，世界模型也做，不是先选一个技术信仰，然后证明另外一条路线是错的。

而是反过来：哪个东西能让机器人把活干得更好，就先用哪个。如果都好，那就都用。

前面 500 平方米里看到的那些 Demo，某种程度上就是这套思路的集中展示。

但说到底，模型架构只是第一步，真正能在具身领域拉开身位的，还得是数据以及全栈自研带来的飞轮效应。

数据、本体、模型闭环

星海图创始人、CEO 高继扬曾不止一次解释过这套飞轮：

做过自动驾驶你发现：要做物理世界智能，就得有物理世界数据；要有数据，就得有一个收集数据的载体，整机。以前做自动驾驶最大的问题就是软件供应商拿数据的链路不通畅，飞轮跑不起来，这就是致命的问题。

说白了，不掌握本体，就很难掌握数据闭环；数据闭环跑不起来，大脑也就很难持续迭代。

所以在数据上，星海图一直押注真实数据。

早在去年 9 月，他们就开源了 GOD 真实场景数据集，下载量全球第一。与此同时，还通过投资简智、元流等玩家继续扩充数据来源，并计划 2026 年将真实数据规模做到100 万小时。

而这些数据背后，是星海图自己的本体体系。

包括最新的双足机器人 Kengo、轮式机器人 Nexo 在内，星海图已经先后推出 R1、R1 Lite、R1 Pro 等一系列机器人。

整机握在自己手里，带来的不只是数据来源更可控，模型、控制和硬件也能一起迭代。

据现场工作人员介绍，G0.5 这次表现背后，很大程度上就来自自研本体产生的高质量数据，以及模型和本体之间更高效的协同。

这也是具身智能和纯软件系统很不一样的地方：

机器人最终面对的是物理世界，模型能力、控制算法、执行器和本体设计彼此牵连，很难完全拆开优化。

模型发现新的能力边界，本体就能针对性迭代；本体升级之后，又能采集更高质量的数据，反过来继续训练模型。

于是，一套完整的飞轮也就跑了起来：

数据推动模型，模型定义本体，本体再生产新的数据。

上一代机器人出去干的每一份活，都有机会变成下一代继续进化的燃料。

具身智能，开始参加生产力大考

所以再回到开头那个问题：WRC 最大的展台，为什么是星海图？

看完整个展台，答案已经很明显：

星海图想展示的，不只是机器人又学会了多少新 Demo，而是当 " 自主干活 " 逐渐成为行业标配之后，具身智能的考卷已经开始往下一页翻。

过去，大家先解决的是机器人能不能脱离遥控器，自己把任务做起来。

而真到了工厂、仓库和真实客户现场，光 " 能自己干 " 显然还不够。

接下来要比的，是换个东西还能不能干，干得够不够准，速度又能不能跟上。

也就是泛化、精度和效率。

换句话说，机器人真正成为生产力，不只是要 " 会干活 "，而是要能在真实现场快、准、稳地把活干下来。

这次 500 平方米、十几组 Demo，从仓储拣选、工业装配，到柔性操作和双足运动，星海图某种程度上就是把这张新的考卷，集中摊在了大家面前。

而作为具身 " 大脑 " 第一梯队玩家，它所展示的也不只是自己的能力边界，更像是在给行业打一个样：

接下来，不再只比谁的 Demo 更好看，而是比谁能真正把机器人变成生产力。

从 " 能不能自主干 "，到 " 能不能快、准、泛化地干 "。

某种程度上，这可能才是具身智能下一阶段真正要卷的东西。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见