田晏林 发自 凹非寺量子位 | 公众号 QbitAI
WAIC 2026落幕了，，，但一个信号藏不住。。。。
若是你逛完了全场，，，会发明今年具身智能的展位比去年多了快要一倍。。。。
人形机械人舞蹈、机械臂叠衣服、双足机械人走斜坡——Demo一个比一个炫。。。。
但和现场的投资人、工业方多聊几句，，，会听到统一种疲劳：看了太多Demo，，，听了太多参数，，，真正签单进厂的，，，太少。。。。
Demo和量产之间，，，似乎隔着一整个物理天下。。。。
但别丧，，，照旧有实打实拿到订单的企业。。。。
在WAIC开幕前，，，一家专注做物理天下基础模子息争决方案的公司日冕开物，，，与全球服务器制造龙头&AI基础设施全栈解决方案提供商广东远图未来科技有限公司（以下简称“远图”）宣布启动超等工站战略相助。。。。
目的很是详细且生猛：万台级安排。。。。
WAIC现场，，，日冕展示了该超等工站的现实作业能力。。。。
服务器制造，，，是目今工业领域最具代表性的重大装配和测试场景之一。。。。
一块服务器主板上，，，有麋集排列的芯片、接口和大宗细密元件。。。。
机械人完成上下料时，，，不但要识别差别型号零件，，，还要包管抓取位置、力度和装配精度。。。。
现场事情职员先容，，，为了在WAIC开幕当天完成展示，，，日冕团队提前进场调试。。。。
但由于展馆供电时间限制，，，真正最先调试的时间很是有限。。。。
装备换了情形，，，光照、温度、空间结构所有转变，，，实质上就是机械人进入了一个新场景。。。。
当天下昼4点半通电后，，，只训练了半小时，，，到5点钟装备就完玉成部适配。。。。
半小时适配一个新情形。。。。
这背后不是简朴的程序调参，，，而是机械人系统关于物理天下的明确能力。。。。
更让人意外的是，，，这样的逊з度和完效果果，，，竟然来自一家建设仅4个月的公司！！。。愀倚牛？ ？？）
只管日冕可能是今年WAIC展会上最年轻的企业，，，但却不是一支刚刚从实验室走出来的团队。。。。
我们查了下，，，其首创团队成员均是清华博士，，，并曾任职于蔚来、华为、智元机械人等企业，，，笼罩自动驾驶、AI基础模子和机械人工业化等多个偏向。。。。
2026年，，，当许多人还在讲基模Scaling Law时，，，日冕这家刚刚建设的公司，，，已经在讨论产品和商业化怎样Scaling了。。。。
机械人进厂拧螺丝，，，先从服务器最先
很长一段时间，，，行业竞争焦点集中在天下模子、VLA、多模态大模子和参数规模。。。。
各人都在起劲让机械人拥有更强的大脑。。。。
但今年WAIC上，，，我们发明企业体贴的问题正在爆发转变。。。。
机械人能不可适配真实工厂？？ ？？换一个工位需要训练多久？？ ？？面临差别型号产品，，，能不可快速迁徙？？ ？？安排本钱能不可降下来？？ ？？
这些问题，，，比模子排行榜上的几个百分点越发明实。。。。
由于数字AI和物理AI最大的区别在于：ChatGPT完成一次训练后，，，可以服务数亿用户。。。。
但机械人不可。。。。
机械人必需进入详细情形，，，面临详细物体，，，完成详细行动。。。。
它需要明确空间转变，，，需要处理视觉误差，，，需要感知力反馈，，，还需要面临现实天下里的种种意外。。。。
物理天下不是互联网。。。。
没有一套数据中心，，，可以提前把所有情形模拟完。。。。
以是，，，具身智能下一阶段竞争的焦点，，，不但是模子能力，，，而是谁能够更早进入真实场景，，，建设数据反馈闭环。。。。
服务器制造，，，正在成为具身智能商业化的主要试验场。。。。
原因很简朴，，，这里既有足够重大的使命，，，也有足够明确的工业价值。。。。
服务器生产涉及大宗零件取放、细密装配、线缆毗连、功效测试、质量检测使命。。。。
古板自动化装备可以解决高度牢靠的流程，，，但面临多型号、小批量、高转变生产情形，，，柔性能力缺乏。。。。
而AI服务器工业正在快速生长，，，关于制造环节提出了更高要求。。。。
远图所在的工业链，，，自己就是AI基础设施的主要组成部分。。。。
凭证日冕先容，，，远图是全球领先的服务器制造龙头，，，笼罩AI基础设施相关领域。。。。
此次相助，，，并不是简朴安排几台机械人替换人工。。。。
双方真正想探索的是一套工业具身智能标准产品。。。。
远图的优势在于，，，不但是全球服务器制造龙头，，，也是面向AI时代的全栈算力解决方案服务商。。。。
该公司不但拥有AI服务器、通用服务器、交流机、超节点、液冷机柜等产品，，，还打造了业内领先的「算-网-存-管」全栈产品系统，，，且具备研发-供应链-制造-服务的全链条能力。。。。
此次和日冕相助是双方将具身智能手艺与AI基础设施制造融合的全新探索。。。。
这样的规模制造体量，，，意味着双方相助一旦跑通，，，复制空间重大。。。。
日冕的优势则是提供物理天下基础模子、机械人系统、工业级具身智能解决方案。。。。
一端，，，是远图提供真实制造场景和工业履历；；；；；；
另一端，，，是日冕提供物理天下基础模子、机械人系统和工业级解决方案。。。。
最终目的，，，不但是替换单个工序，，，而是让机械人完成从工艺明确、使命妄想，，，到执行反馈、一连优化的完整闭环。。。。
不过，，，要让机械人真正成为生产力，，，实现AI自己造AI，，，背后的「大脑」仍是要害。。。。
从LaMPA到超等工站，，，日冕打造具身智能时代的操作系统
日冕的「大脑」，，，押注的具身原生天下模子基础架构，，，取名LaMPA（Latent Masked Predictive Architecture）。。。。
之以是「超等工站」能在半小时内顺应一个新情形，，，其背后强化学习所需的奖励函数、专家战略所有都是由这套自研基础模子直接天生。。。。
该模子定位很明确：通过统一跨模态隐空间学习物理天下纪律。。。。
它不是背诵电机角度，，，而是明确「拿起来」这件事自己。。。。
目今，，，具身智能模子演进蹊径大致履历了四代：
LLM明确文字，，，VLM明确视觉，，，VLA毗连语言和行动，，，WAM进一步展望物理天下转变。。。。
但日冕以为，，，这四代演进实质上照旧在学习表象映射，，，而不是明确物理纪律。。。。
好比古板WAM着重视觉展望、输入模态有限，，，容易学习表象而非物理纪律。。。。
就像让一个人通过看窗外风物来判断室内温度，，，不是完全不可，，，但效率极低且容易蜕化。。。。
这也是日冕选择自研LaMPA天下模子的原因。。。。
为了最洪流平上解决机械人「明确」天下的问题，，，LaMPA在三个维度上与市面上其他模子形成差别化：
增添更富厚的物理表征
古板WAM仅依托图像构建薄弱视觉表征，，，缺少力觉、触觉、物体物理属性等要害信息，，，无法完整明确现实物理交互。。。。
LaMPA设计了Environment情形、Ego自我、Experience先验三大表征。。。。
Environment情形表征：让模子熟悉恣意场景，，，认真情形重修与感知，，，也就是「明确」所处空间；；；；；；Ego自我表征：统一笼统导航移动、机械操作、本体控制三大能力，，，让模子掌控恣意本体；；；；；；Experience先验表征：让模子具备纪律认知，，，积累物体属性、可供性和专家知识。。。。
机械人当下状态=它看到的情形+对自己机身的认知+积累的物理知识。。。。
这是LaMPA最焦点的逻辑，，，也是日冕以为物理天下里应该有的智能。。。。
大幅缩短收敛周期
但真实天下的信息太重大。。。。
为了实现上述能力，，，LaMPA必需大幅提升训练效率。。。。
古板WAM接纳像素级展望，，，监视链路长，，，画面墙壁、地面等无关像素所有加入损失盘算。。。。
冗余信息多、逊з度慢，，，细腻操作使命适配本钱极高。。。。
LaMPA换了思绪：
直接聚焦隐空间，，，仅保存使命相关信息，，，使用隐空间损失剔除无关情形像素，，，移除冗余环节缩短链路，，，不学习无效信息，，，收敛速率更快。。。。
简朴明确，，，别人温习要通读整本书，，，它直接划考点背，，，省去大宗无用功夫，，，上手速率快许多。。。。
LaMPA希望模子只学习有用信息，，，这也决议了它后续的泛化能力。。。。
应对多变工况容错能力更强
古板天下行动模子WAM接纳简单起径展望逻辑，，，每次只预判唯逐一套后续操作方案。。。。
一旦现场泛起一点点变量：光线变了、工件尺寸稍微误差、摆放角度纷歧样、园地配景改动，，，这套唯一方案就不匹配，，，机械人直接操作失败、卡住无法继续干活。。。。
LaMPA底层用掩码扩散架构做漫衍展望，，，焦点区别是：一次推理能输出多种合理、可行的交互方案，，，而不是只给一条路。。。。
换一个工厂、换一种零件、换一个机械人本体，，，模子仍然能够迁徙。。。。
这正是具身智能挣脱「数据手杖」的要害。。。。
但基础模子只是第一步，，，把它酿成生产力才有价值。。。。
日冕不但独售卖模子，，，而是推出软硬一体完整落地方案。。。。
这次和远图相助的「超等工站」，，，就是典范案例。。。。
超等工站并不是一台机械人，，，而是一套软硬一体的工业智能系统。。。。
它由LaMPA物理天下模子、模？ ？？榛等擞布、Workflow Agent三部分组成。。。。
先说Workflow Agent。。。。
它认真明确工艺流程，，，把生产SOP拆解成机械人使命，，，并完成方案设计、仿真验证、生产执行和反馈优化。。。。
第二层，，，是模？ ？？榛等擞布。。。。
凭证差别工业场景，，，可以组合双臂机械人、移念头械人、多机械臂和差别最后执行器。。。。
第三层，，，是LaMPA物理天下操作系统。。。。
它提供感知、明确、决媾和控制能力。。。。
在强化学习阶段，，，日冕通过WRM天下奖励模子判断使命乐成、失败或举行状态，，，同时通过WPM天下战略模子输出机械人行动，，，并将真实执行反馈一连回流，，，推动基础模子迭代。。。。
最终，，，一个「妄想、测试、执行、反馈、进化」的闭环形成了。。。。
这和古板自动化最大的区别在于：
古板自动化依赖牢靠代码，，，换产要重新编程，，，工况一变就；；；；；；魇，，，只能单点替换工位，，，无法自主迭代；；；；；；
超等工站依托LaMPA天下模子自顺应调解，，，支持跨工序全局协同，，，能一连自主学习优化，，，可标准化嵌入智能产线，，，越运行越适配。。。。
具身智能进入商业Scaling阶段
「超等工站」正在打造从生产现场到模子进化的闭环，，，由于具身智能真正的壁垒，，，不但是模子，，，更在于反馈闭环。。。。
关于数字AI来说，，，模子上线后可以快速复制服务用户。。。。
但关于物理AI来说，，，真正的训练，，，可能爆发在机械人上线之后。。。。
每一次进入真真相形，，，机械人都会遇到新的问题。。。。
这些真实反馈，，，才是物理智能生长的养料。。。。
而具身智能真正的壁垒，，，也不但是模子能力，，，而是看谁能更早建设「反馈闭环」。。。。
从这个角度看，，，未来具身智能公司的竞争可能取决于三个指标：
谁能更早进入真实场景谁能让反馈闭环速率更快谁能积累更大规模的真实交互数据
这三个指标环环相扣，，，早进场景才华早拿数据，，，数据越多闭环越快，，，闭环越快模子进化越猛。。。。
没有真实场景的数据闭环，，，再好的基模也执偾空中楼阁。。。。
但真实工业数据和互联网数据完全是两码事。。。。
互联网数据更多纪录信息，，，而工业具身智能需要明确物理天下。。。。
它不但需要视觉信息，，，还需要机械人操作轨迹、力觉反馈、触觉信号、工艺履历，，，以及最终质量效果等多维数据。。。。
这些数据疏散在产线各个环节，，，收罗难、标注难、治理更难。。。。
需要建设一套一连获取反馈、处理反馈、使用反馈的工业智能基础设施。。。。
为解决这一问题，，，日冕与远图正在建设一套笼罩收罗、治理、训练和复用的工业级具身智能数据系统。。。。
其中，，，日冕自研触觉数据手套、头戴式收罗装备等硬件，，，实现生产历程中的无感陪同式数据收罗。。。。
但收罗数据只是第一步。。。。
怎样让这些来自真实生产现场的反馈，，，能够回流到模子训练系统，，，才是要害。。。。
双方建设的数据处理链路，，，笼罩原始数据洗濯、同步对齐、多模态融合、资产化处理和模子训练，，，最终沉淀为操作数据集、手艺库、仿真场景和模子检查点。。。。
这样，，，机械人每完成一次使命，，，都会爆发新的履历；；；；；；每一次履历，，，又会反过来提升下一次使命能力。。。。
凭证妄想，，，日冕和远图将首先在服务器制造场景验证超等工站能力，，，随后向更多生产环节扩展。。。。
2027年完成百台级安排，，，未来实现万台级具身智能产品安排。。。。
当下，，，越来越多的机械人离别实验室Demo，，，寻找工业落地时机。。。。
若是说PC时代，，，微软的乐成模式是Windows作为底层操作系统，，，支持Word、Excel等上层应用，，，从而驱动数字交互。。。。
Windows提供的是数字天下的感知、明确、决议、控制能力，，，上层应用认真详细场景的标准化执行。。。。
那么具身智能时代的「Windows」是什么样？？ ？？
日冕提出的偏向，，，是WMoS（World Model as OS），，，天下模子即操作系统。。。。
底层认真明确物理天下，，，上层通过「超等工站」这样的行业应用完成详细使命。。。。
一个认真思索，，，一个认真行动。。。。最终驱念头械人进入更多真实场景。。。。
这也是为什么服务器产线可能成为具身智能的主要转折点。。。。
由于这里不是展示机械人会不会走，，，而是在验证机械人能不可事情。。。。
One more thing
模子Scaling解决的是机械人有没有大脑。。。。
产品Scaling解决的是机械人能不可进入真实天下。。。。
日冕与远图探索的超等工站，，，实质是在寻找一条从基础模子到工业生产的最短路径。。。。
未来，，，当机械人进入服务器工厂、半导体产线、物流中心，，，真正改变制造业的，，，可能不但是某一台机械人。。。。
而是一套能够一连学习、一连复制、一连进化的物理智能基础设施。。。。
