机器人行业竞争推向有效工时  

大模型行业习惯用 Token 衡量计算与调用。但具身智能机器人进入 " 打工 " 阶段后，账目却没有这么好算。

一台机器人在工厂开机八小时，和在工位上自主工作八小时，是两回事；在发布会上完成一次抓取，和在产线上连续六天交付合格产品，也是两回事。

当评价机器人的标准从赞叹 Demo 到计算 ROI 时，机器人能给生产带来多少效益，才是客户真正愿意付费的东西。

10 月 29 日，2026 智元创新日在上海世博中心举行。智元发布首个定义物理 AI 价值的度量衡（Worken）概念，同时更新本体硬件、运动智能、作业智能、交互智能和操作系统。

这些新品背后，是机器人行业正在换一套价值算法。

从去年具身智能行业百模大战式的混乱，到场景、数据、量产三条主线的收敛，再到 2026 年的 " 打工 "，具身智能即将在各种生产场景完成自己的成人礼。但现阶段的机器人进厂，主要目的还是建立试点，并不是真用于工作的规模化采购。要让工厂复购，后面还要算一笔关于稳定性和 ROI 的账。

从出货量到有效工时 智元给机器人定了 KPI

过去，机器人学会了走路、跳舞、分拣，也学会了在越来越多场景里完成一次漂亮演示。

但长期以来，行业的质疑点也在于演示视频只能证明可能性。

当机器人进入采购、产线和服务系统，问题立刻变得现实：它能连续工作多久？多少任务可以独立完成？出了异常谁来接管？最终交付的结果是否合格？

智元在创新日发布的《2026 具身智能产业创新报告》，用 XYZ 曲线描述这种变化。报告将 2022 — 2025 年概括为开发尝鲜期，将 2026 — 2030 年视为部署成长期，并把 2026 年称作 " 部署态元年 "。

" 元年 " 是不是准确，暂且不提。这毕竟是智元自己的报告，不是行业已经形成的统一结论。但它抓住了一个真实变化：机器人开始从展示能力，转向接受生产结果的考核。

这一层变化，无论是从今年 WAIC 还是 WRC 上，都可以确认这一行业趋势。整个具身智能行业开始减少比拼 " 抽象 " 的技术，更多强调机器人落地案例和比拼出货数量。在一个个案例中，具身智能公司试图给出这样一个技术闭环——下线量证明制造能力，出货量证明交付规模，部署量证明设备进入了场景。

但在实际生产中，部署并不是终点。因为部署在场不等于机器人持续在岗，持续在岗也不等于自主工作，更不等于合格产出。把部署量直接当作生产力，就像把员工打卡记录当作工作成果。

所以，要想更清楚具身智能 " 到底多有用 "，需要一个新的计算指标。

具体来说，智元本次提出的 Worken 公式是活跃机器人数量 × 自主工作时长 × 产出效能比。其中，活跃机器人数量，要剔除宕机、离线、维护中和未达到运行标准的设备；自主工作时长，不能算充换电、停机、空转、无产出和遥操作时段；产出效能比，要与标准工人按标准方法取得的单位时间合格产出放在同一基准下对比。

从计算方式中看到，智元对机器人 " 打工 " 最关键的理解是 ROI。

当机器人智能不够时，遥操作、等待、异常停机和低质量产出，在算式里会直接影响结果。它逼迫厂商回答一个更难受的问题：刨去人工兜底和无效运行之后，机器人到底独立完成了多少工作？

随之而来的，就是具身智能公司的交付目标从制造端推向运营端。当然，出货量仍然重要，但它只能证明设备被送了出去；有效工时试图证明，设备被留下使用，而且持续创造了结果。

这道衡量体系已经给出，智元自己能经得起考核吗？

具身智能迈入 " 部署态 " 需要一套系统

把这次发布放在一起看，AHA3、AGILE、GO-3 Preview、WITA-OMNI、灵渠 OS 和四层工程能力，对应的是具身智能迈入部署态的三道门槛：撑得住、做得成、可复制。

撑得住，首先是物理问题，机器人到底能不能稳定地干活？

第三代硬件架构 AHA3 将运动、交互、作业三套智能融入同一套控制系统；皮下式关节液冷系统指向热管理和持续扭矩；精灵 G2 Max 则把更高负载、双电池热插拔和自主回充放进真实作业场景。

这些能力不如后空翻适合传播，却更接近工厂真正关心的问题：到了第八个小时，机器人还能不能按照同一标准工作？

部署态需要的不是瞬时峰值，而是长期稳定。热管理、控制系统、负载和补能，看起来都是传统工程问题，却决定模型能力有多少能真正变成工作时长。

做得成，关键在模型与数据能否形成闭环。机器人得越用越聪明，否则跟工厂机械臂就没有区别。

本次智元的 AGILE、WITA-OMNI 和 GO-3 Preview 看起来都属于 " 智能 "，实际分工并不相同：一个管运动，一个管交互，一个管作业。

其中，AGILE 负责让机器人在真实环境里动起来。它是一个通用运动智能算法框架，模型侧与仿真、数据基础设施配合，目标是把环境感知、地形理解、全身控制以及上下肢操作连接起来。它要解决的不是让机器人重复一套预设动作，而是让机器人根据地面、空间和任务变化调整运动。

WITA-OMNI 负责让机器人理解人，并给出回应。它把语音、视觉、文本输入，与语音、表情、动作输出放进同一个模型中同步建模、统一对齐。比如在接待或零售场景中，机器人不仅要听懂顾客说了什么，还要结合看到的现场信息，再用语言、表情或动作作出反馈。

GO-3 Preview 负责作业智能，也就是把对任务和环境的理解转化为实际行动。它采用具身原生架构 WRAM（World Reasoning Action Model），先建立通用作业能力。为了确保机器人能持续变聪明，并把一项任务完整做完。智元还给出了 Genie Evolver，它依托百台真机，并结合物理仿真与世界模型开展后训练。同时，Genie Master 能把任务规划、执行检查、异常恢复和记忆连接起来：先确定任务怎么做，执行后检查结果，遇到异常尝试恢复，再把经验留下供后续复用。它要处理的不是某一个动作会不会做，而是整项任务能不能形成闭环。

在这套设计里，部署不再是训练的终点，而是训练过程的一部分。

机器人进入场景，不只是执行既有模型，也可能带回下一版模型需要的经验。任务失败、异常恢复和人工接管，如果能够被记录、筛选并重新进入训练，部署才会从销售末端变成能力进化的入口。

最后是可复制，这决定了机器人能否大规模落地。

一台样机完成任务，靠的可以是工程团队贴身调优；一百台机器人在不同现场稳定运行，靠的就不能只是调优。

智元把这套能力拆成产品力、量产力、部署力和运营力，分别对应可靠产品、规模制造一致性、标准化现场实施，以及日常运维与数据回流。灵渠 OS 1.0 则被放进更底层的适配环节，负责硬件接入、软件工具和外设协同。灵渠 OS 1.0 已经发布，项目已捐赠给开放原子开源基金会，计划 2026 年底全面开源。

这部分比参数表更值得关注。具身智能进入规模竞争后，企业之间拉开差距的，未必是谁又多了一个模型，而是谁能把可靠性、实施、运维和数据回流做成标准流程。

但技术组合只能说明企业准备好了工具，不能直接变成生产力。走向部署态，智元自己需要先说服用户。

当机器人开始上岗 行业只在乎结果

2026 年，机器人打工的演示层出不穷。分拣快递、卖冰淇淋，机器人正在快速进入人类世界，并承担生产力的一环。

把机器人送进真实场景打工，并不是个例。银河通用的机器人在宁德时代产线实现 7 × 24 小时连续作业超三个月；蚂蚁灵波的智慧药房已经在国大药房上海门店落地运营。机器人进厂，已经变成头部玩家的集体行动。

在龙旗科技南昌工厂，智元也给出了自己的答卷。

龙旗是全球头部 3C ODM 厂商。今年上半年，8 台智元精灵 G2 在龙旗南昌工厂完成产线真实部署，并进行了两次公开直播。从 6 月 23 日至 28 日，8 台精灵 G2 连续 6 天作业，累计超过 64 小时，完成 64828 次作业，产出 17625 件，官方给出的任务成功率为 99.99%。

相比一句 " 机器人进入工厂 "，这组数据更接近生产台账：多少设备、工作多久、完成多少任务、交付多少产品，开始被放到一起计算。

需要注意的是，该案例的局限同样清楚——这是特定产线的官方案例，成功率分母、不良定义和人工接管情况没有完整披露，不能直接外推为普遍工业能力。因为这样的效果，背后是双方团队一点一点 " 抠 " 出来的。什么时候转腰、什么时候伸手、哪些动作可以并行、哪些动作必须等待确认。这是一场细到毫秒级的同步工程。

但在武汉江滩 · 江遇零售仓，智元给出了比较清晰的服务结果。截至今年 10 月 19 日，远征 A3 Ultra 稳定运行 18 天、每日服务 8 小时，累计完成 827 单，整体抓取成功率超过 97%。订单和抓取记录让服务机器人也有了业务指标。

虽然，这些案例还不能直观看出机器人到底能给客户业务带来多大效益。但从落地结果和形态层面看到，机器人行业的竞争单位正在从单机变成系统。

这也就意味着，行业接下来的比拼，不只是负载、自由度和模型跑分，而是交付成本、复制速度、有效在线时间和异常恢复能力。一个模型可以让机器人完成任务，但一套工程组织才能让任务成为稳定生意。

前者只能让从业者叫好，后者才能让客户 " 掏腰包 "。

在此基础上，Worken 才会成为具身智能厂商输出产品的 " 筹码 "。

卖设备和卖有效工作，对厂商是两种完全不同的约束。卖设备时，可靠性更多体现为售后成本；按工作结果收费时，停机、接管和低效会直接压减厂商收入。机器人厂商也会因此从设备供应商，进一步变成运营责任承担者。

而如果有效工时能够被可信计量，智价比、RaaS、订阅以及按使用、按效果付费才有更清晰的结算基础。客户购买的对象也会从一台硬件，转向持续服务或作业结果。

拆接下来，智元本次大会的真正目的，或许并不是炫技，也未必能消除外部对具身智能落地进度的质疑。

因为当下具身智能的真实需求还没被完全验证，而验证需要明确的计量方式。只有机器人干活的数据，被计入到现有生产体系的同一张报表里，物理 AI 才算真正改变生产力。