WAIC畫風最獨特展臺：不秀后空翻，只想做機器人界的「安卓」

編輯｜楊文

2026 年的 WAIC，人形機器人依然是展館里最密集的品類。后空翻、跳舞、格斗，各類單機演示輪番上陣，技術完成度一年高過一年。

然而，產業化的進度似乎并不匹配。訓練數據稀缺，跨本體遷移成本高，開發門檻高，多數成果停留在演示階段。行業研究普遍判斷，具身智能會沿著從工業到服務、從專用到通用的路徑分階段推進。

高盛在研報《人形機器人：比你想象的來得更快》中預計，2030 年全球人形機器人出貨量仍將主要用于工業場景，消費級應用大致要到 2030—2035 年才可能加速。

這構成了觀察 2026WAIC 的一個視角。整機表演的新鮮感逐年遞減，更值得追問的是，誰在解決讓機器人真正「用起來」的問題。

在人形機器人密集亮相的展館里，完成首秀的啟智 Openmind 采用了不同的展陳方式。其展臺沒有安排整機技巧表演，核心展品是一套智能機器人通用技術底座，以及由它驅動的三個實景作業展項。

這三個展項各自對應真實作業場景中的一類核心難題，現場檢驗底座在真實條件下究竟可不可行。

「九星連珠」精細操作展項，驗證的是人機交互中的長尾任務泛化。觀眾在九宮格屏上劃出任意軌跡，機器人便在毫厘級微操作空間里實時復現。真實作業環境里的任務千變萬化、無法窮舉預設，機器人必須在毫厘級精度下處理從未見過的操作組合。

月球極端工況基建展項，驗證的是極端環境下的自主作業。模擬月面的地表上，三臺人形機器人自主執行基建任務，清理障礙、抱持大尺寸光伏板穿越崎嶇地形、精準鎖附螺栓。在無法人工干預的場景中，機器人須獨立完成感知、決策與執行的閉環，考驗世界模型的因果推理能力。

低代碼智能噴涂展項，驗證的是柔性制造的響應速度。觀眾隨手拼搭一塊異形積木，機器人未經預演即啟動噴涂，全程沒有人編寫一行代碼。中小批量、多品種的生產訂單是中國制造業的常態，產線換型可由技術工人通過墨斗 IDE 完成，省去專業工程師的長周期調試。

這家公司對行業瓶頸的判斷，與多數同行不同。在它看來，現階段真正制約具身智能落地的是底層設施。機器人技能開發長期被三大痛點困住。一是門檻高，開發離不開專業的 AI 與機器人工程師。二是成本高，數據采集、模型訓練、算法調試、真機部署測試，每一環都代價不菲。三是效率低，開發周期長，失敗率居高不下。歸根結底，行業缺少一個讓各類機器人統一開發、運行、迭代的平臺。

大模型解決不了全部問題，它只是這個平臺中的智能模塊。完整的底座還需要操作系統、開發工具、數據管線與部署運行體系，連同算法庫、數據集、工具鏈和開發硬件，共同瞄準上述三大痛點。

為什么是一家工業機器人企業率先做起了產業底座？

啟智脫胎于科創板上市公司埃夫特。后者是國家機器人產業鏈鏈主企業、首批國家級專精特新「小巨人」企業，業務覆蓋核心零部件、整機到高端系統集成，機器人全球累計交付超過十萬臺。

埃夫特的成長軌跡，幾乎與中國機器人產業的演進同頻。

2016 年之前，外資「四大家族」壟斷市場，核心零部件國產化率不足 20%，由汽車整機廠轉型而來的埃夫特以 165kg 重載點焊機器人突破技術壁壘，完成市場化獨立運作與股份制改造。

「十三五」期間，產業化規模化提速，行業年需求步入 10 到 20 萬臺區間、整體國產化率提升至 30%，埃夫特通過收購 CMA、戰略投資 ROBOX 強化自主化能力，牽頭國家重點研發攻關，2020 年登陸科創板，躋身國產機器人第一梯隊。

「十四五」階段，行業年需求突破 20 到 30 萬臺，2025 年國產化率超過 50%，AI 與機器人技術深度融合，埃夫特向產品型組織轉型，產品可靠性達到 12 萬小時 MTBF、對標國際水準，年產銷突破萬臺，并提前布局具身智能前沿賽道。

進入「十五五」，行業全面邁向智能化，年需求突破 30 萬臺，具身智能與工業大模型成為核心驅動力，埃夫特「換道超車」，以啟智通用技術底座打造智能機器人產品，推進全球化布局與產業生態構建。

埃夫特的技術路徑分兩條線：向內完成機械平臺、驅控硬件和運控軟件的全棧自主化；向外通過 HumanGPT、大衍數據平臺、墨斗 IDE 和 Openmind OS 探索智能化。啟智承載后一條線。

https://mp.weixin.qq.com/s/wcUnrX3jq3maE4qvyCnpqw

這一出身為做通用技術底座提供了現實條件。

場景上，底座核心模塊從誕生之初就部署在埃夫特的工業機器人和復合機器人上，智能焊接、噴涂、分揀等能力已在制造業環境中長期驗證并持續回流數據。啟智醫療導診機器人 yobot W2 在弋磯山醫院的部署周期從數周壓縮到分鐘級，語音識別準確率達到 95%，問答成功率達到 99%。大量創業團隊通常需要花很長時間尋找首個試點客戶，啟智省去了這一環節。

能力上，啟智具備從身體到大腦的全棧能力。既深度理解機器人的機械結構與運動控制，也能搭建數據、模型和開發平臺，避免了行業里常見的「模型懂任務、卻控制不了身體」的割裂。

此外在生態方面，整機端，新松、遨博、樂聚、傅利葉等頭部廠商已完成底座對接；算力端，底座全面適配華為國產算力，實現全棧自主可控；學研端，與清華、哈工大、浙大、北航等高校深度合作，并聯合香港中文大學、卡內基梅隆大學等形成技術顧問網絡。底座對第三方本體、算法與技能保持開放接入，研發已獲國家科技重大專項支持。

場景、能力、生態三者齊備，那么這套底座具體長什么樣。

做機器人行業的「安卓」

如果把機器人產業類比為手機產業，啟智這套通用技術底座對應的角色就是安卓，一個讓所有應用跑起來的操作系統和開發生態。

按照機器人應用從無到有的形成過程，這套底座可以拆成三層。

接入與運行層的核心是Openmind OS。它向下適配不同品牌、不同形態的機器人硬件，向上為模型和應用提供統一運行環境，工業機械臂、復合機器人、人形機器人均可接入，實現一次開發、多端部署。系統支持 x86 與 ARM 跨平臺運行，兼容 ROS2 和第三方算法，適配國產芯片與國產大模型。

開發層由三個工具構成。HALO 技能服是一套以人為中心的沉浸式數據采集裝備，通過穿戴式設計實現多模態技能的精準捕捉與數字化記錄，實時采集人機交互及作業數據，為底座提供高質量的原始訓練素材。大衍數據平臺負責數據采集、治理、標注、訓練與回流，與清華大學團隊合作后，訓練周期已從月級壓縮至周級、天級。墨斗 IDE把機器人開發從代碼編程轉化為可視化的低代碼搭建，不具備編程背景的技術工人也能上手。

智能層負責機器人的理解、決策與執行，核心是HumanGPT 世界模型，最終通過啟智 yobot 系列整機和合作伙伴的機器人完成部署驗證。

三層貫通之后，一條完整的鏈路隨之成形。HALO 技能服在真實作業中捕捉人類操作數據，大衍數據平臺完成加工與治理，HumanGPT 從中習得通用能力，并沉淀為可調用、可組合、可復用的標準技能，墨斗 IDE 用技能搭建應用，Openmind OS 把應用部署到不同機器人上，作業產生的新數據再度回流平臺。場景越多，數據越豐富，底座能力隨之提升。

落到產品形態上，這條鏈路呈現為一個機器人版的「應用商店」。開發者搭好技能 APP，發布上架，機器人下載安裝即可運行。手機生態里「開發、上架、下載、運行」的成熟范式，被完整移植到了機器人身上。

HumanGPT，從人類操作數據中提取技能

本次 WAIC 上，啟智還發布了與香港中文大學陳斐教授團隊從零到一自研并首創的 HumanGPT。這是一個以人為中心的全身全模態操作世界模型，從人類真實操作數據中學習并蒸餾出具有泛化能力的技能表征。

選擇人類數據源于成本結構。機器人真機數據采集昂貴、速度慢，受機器人數量、本體型號和場景條件限制，構成全行業公認的數據瓶頸。人類每天在真實世界完成大量操作任務，天然包含視覺、語言、動作、力覺、空間關系與任務意圖等全模態信息。HumanGPT 將這些操作經驗轉化為機器人可學習的數據來源，為訓練數據供給開辟第二條路徑。

模型重點不在簡單模仿人的動作軌跡，它要提取的是人類操作背后的認知與技能結構。人為什么選擇這個動作，動作會如何改變物體的狀態，下一步該做什么，任務失敗后如何調整，不同的身體結構又如何復用同一種技能。換句話說，為機器人賦予心智的本質是蒸餾人類的大腦，讓機器人在認知層面學習人類思考的過程，先理解物理世界的因果關系，再去執行動作。

「思維沙盤」是這一機制的具體表現。機器人在真正執行動作前，先在內部對動作后果進行預測和推演，再完成任務規劃與全身協同，配合大小腦一體化架構，任務規劃與運動控制統一，機器人由此能夠勝任全身協同的長線程復雜任務。

HumanGPT 是底座中的智能核心，但它的產業價值仍需數據管線、運動控制、開發工具和運行系統共同兌現，這也是啟智堅持做完整底座、不做單一模型的原因。

具身智能的競爭維度正在變化。隨著機器人進入工業落地階段，負載、速度、精度與任務完成穩定性，仍是衡量本體能力的重要指標。而底座層面的競爭，則更多指向數據與技能能否在不同機器人之間有效遷移和復用，開發與部署成本能否被持續壓縮，以及單一場景積累能否沉淀為可在更多任務和客戶中調用的能力資產。

啟智在 WAIC 的首秀是這條路線的一次公開驗證。參照智能手機產業的經驗，操作系統與開發生態一旦成型，行業擴張速度將由重復開發成本等決定。這一格局能否在機器人行業復現，未來幾年工業場景的落地數據會給出初步答案。

https://www.goldmansachs.com/insights/articles/humanoid-robots