WAIC最狠展臺打爆工業「深水區」！它石智航首發具身原生大腦AWE 3.5，具身Scaling全面釋放

Jay 發自 凹非寺
量子位 | 公眾號 QbitAI

走進一家大型汽車制造商的線束車間，你會看到和整車工廠截然不同的畫面。

整車車間干凈、明亮、幾乎完全自動化。線束車間密密麻麻，彌漫著汗味。

很多工人培訓一個月，在崗堅持不到三個月就離開了。

這是工業自動化界公認的「深水區」。

△圖為AI生成

如今，被具身智能徹底打爆了。

2026年WAIC，它石智航把一條1:1還原的環形線束流水線，搬進了展館。多臺機器人集群合作，流水線輪轉線束板，每個工位同一時間裝配不同的線束線型。

效率自然大幅提升。它石智航首席科學家丁文超甚至調侃道：

現場我們都不敢讓它一直干活，怕機器人干太快給料用完了。

撐起這條全自動化產線的，是它石智航剛剛發布的具身原生基座模型AWE 3.5。

這也是具身智能領域第一個真正打通預訓練到后訓練完整范式的原生模型。

一臺機器人的「多任務實戰」

它石給新版本取名3.5，信號也挺明確的：希望它像GPT-3.5一樣，在多任務能力上開始展現新的可能。

回看AWE的發展趨勢，也確實是這樣。

3.0首秀，它石打爆了線束場景。

到了3.5，模型開始向更多場景溢出。工業裝配、插接、收納……全部被放進同一個模型里。

今年它石WAIC展臺的主題-打造可信賴的物理AI，也是圍繞這項特點展開，任務之間不重新加載新的模型，不切換參數，全靠同一個基礎模型。

現場的展示非常魔幻，他們的機器人簡直是「勞模」，整理桌面、打包手機、插網線、零件分揀……反正不管啥東西，遞過去就開干。

用丁文超的話說就是：

跟主播帶貨一樣（笑）。

但，這只是開胃菜。

2026年是世界模型百家爭鳴的元年，不過，究竟什么是世界模型？

在大部分人的認知里，它還是論文里的架構圖和評測表格里的數字。

這次，它石智航在WAIC給出了最直接的答案：

你上手試一試。

現場觀眾戴上數據采集夾爪，就能和一個由AWE 3.5生成的平行世界展開互動。

你捏起一塊積木，松手，積木像受重力一樣落向桌面。你拖拽手機盒，盒子產生對應的位移和摩擦。蠟燭上微弱的火焰，也在模型中被忠實地呈現出來。

這些交互沒有一行牛頓定律代碼，沒有碰撞引擎，沒有物理結算。所有重力、柔性、碰撞反饋、物體位移……全部，由模型從真實類數據中學到。

而在這個涌現之外，有一項被嚴重低估的能力：長時記憶與空間理解。

視頻模型有一個難以治愈的缺陷——

預測未來的時間一長，物體就容易突然消失、變形，或者在一幀幻覺之后徹底蒸發。

究其根本，像素監督本身不鼓勵長程物理交互的連續性，無法用于具身訓練。

為此，AWE 3.5依托human-centric數據專門強化了模型結構，讓它顯式學習長時記憶和長時序空間理解，在數分鐘的連續、交互閉環推演中保持環境穩定。在此基礎上，后訓練可以從連續過程中切出多個動作片段，而不用擔心環境在下一秒崩掉。

在世界模型中做強化學習，成為了可能。

原生模型，從第一性原理重構具身大腦

今年以來，行業一直有VLA or 世界模型的爭議，但最近和很多做具身的朋友聊了后發現，真正訓模型的人根本不在乎所謂路線之爭。

無論哪條路線，最終，還是要看是否能優化Action。

VLA架構里，視覺和語言在預訓練階段就緊密耦合，動作模態卻要到后訓練才通過SFT接入。這相當于一個學生先學了全部理論課，臨考試前才開始動手做實驗。理論和實操之間，隔著一道先天的裂縫。

世界模型路線往前走了一步，至少可以利用大規模視頻學習表征能力。但互聯網視頻模型的Attention結構已經在幾十萬到百萬小時的貓狗視頻上定型了，直接往具身基座模型里嵌，容易走向兩個極端：

1、視頻模型原有的幻覺跑進動作策略，導致操作不到位或判斷混亂；

2、視覺理解、空間理解和動作永遠無法同步。

因此，早在行業掀起「世界模型」熱浪前，它石從第一天便毅然選擇了另起爐灶——

從頭訓一個原生的具身模型。

具體而言，AWE 3.5從預訓練階段開始，就把視覺、語言、動作等多種模態一起喂給模型。同一套架構，既能輸出動作，也能預測未來。

丁文超把它稱為One Model結構。

這個架構設計有一個精妙之處：模型本身不變，只改變輸入輸出的組合方式，就能切換出完全不同的「人格」。

視覺到動作，是Base Policy，負責制定策略、發出指令；以動作為條件預測未來視覺，是Action Condition World Model，負責預測環境變化。兩者交互在一起，就是一套完整的強化學習閉環。

打個比方：打包書包時拉拉鏈。

這是一個毫米級精度的活，而且處處是「卡點」。拉多一點可能成功，拉少一點可能抓不住，用力過猛可能卡住。

傳統的做法是把機器人放在真機上一遍遍試，失敗一次就記錄一次，數據貴、速度慢、設備磨損還大。

AWE 3.5的做法是：先在預訓練模型的「腦海」里模擬。模型想象拉鏈在不同力度下的各種結果，然后把最優策略告訴Base Policy。這比在真機上反復試錯快了不止一個數量級。

這就是它石原生模型最核心的突破：模型成了自己的「仿真器」，而無需手工搭建仿真環境。預訓練建立通用物理交互能力，后訓練在模型內部的世界里自我對弈、自我強化，形成自閉環。

這套范式，是語言模型在文本領域已經驗證過的路徑；但在具身原生模型里，它石開發的AWE 3.5是第一家完整跑通的。

而之所以能成，也是它石長期布局之下兩條暗線的交匯所賜——

足夠大的真實數據規模，以及能消化大規模數據的Infra。

缺任何一樣，這個閉環就轉不起來。

先看數據量——

AWE 3.5，基于超百萬小時human-centric數據訓練。

這個量級有多夸張？

這么說吧，目前市面上大多數視頻生成模型，訓練數據是在百萬小時級別。

自動駕駛所需數據，也是這個量級。

但百萬小時，不是簡單的堆量游戲。

具身數據的價值分布極不均勻。部分數據對模型至關重要，但重復度高、交互單一的數據，對模型幾乎沒用。

如何從百萬小時中篩出真正高質量的部分，已經成為比采集本身更緊迫的問題。

這對數據Infra提出了極高的要求，也是它石這幾個月以來重點優化的方向。

它石數據系統的重心，正在從「更多」轉向「更聰明、質量更高」，Data Efficiency正在成為新的評測維度。

而當數據規模和數據效率同步上去后，Scaling的威力也終于得到了印證。

丁文超表示，現在預訓練已經足夠扎實，一個新任務只需要小時級別的數據采集就能跑通。

這正是當初它石選擇One Model架構的前瞻性：先建立通用基礎能力，再向各個場景分發。

如今隨著AWE 3.5發布，這項前置戰略的紅利也終于開始顯現——

它石等的，從來不是線束這一個場景的閉環。

量子位獲悉，除線束之外，柔性操作、分揀、檢測協同……等多個工業場景，也已經在驗證中。

基于此，丁文超給出了一個大膽判斷：

具身Scaling已全面釋放。2027年上半年到年中，可能出現分水嶺。

行業已經從「機器人文娛舞蹈」，進入「機器人真干活」的階段。

展會熱度，則是一個先行指標。今年的WAIC，具身智能企業超過200家，機器人展區的人流明顯超過其他區域。

而它石的展區，同樣也是堆滿了人。

「機器人究竟什么時候進廠干活？」——這個問題，無論線下還是線上，都已經很少再被人提起。

原因很簡單：各大頭部廠商早已爭相把機器人送進了工廠的深水區，讓它在真實環境中摔打、學習、迭代。

WAIC世博展館一樓，從北門進入，映入眼簾的便是「模登時代·伙伴之城」。一個機器人各司其職、埋頭干活的實景展區。

而進門右側第一個展位，它石帶來的汽車精密線束裝配演示，無疑是其中最為獨特的一個。

我親手體驗了一番：插孔極小，必須瞇起眼睛才能勉強對準，即便插了進去，也很可能是誤插，必須要插到正確點位才能使用。人工操作尚且如此，對機器人而言，難度可想而知。

這是它石首次亮相WAIC，也是我第一次在線下近距離觀看他們的Demo。但說實話，這或許就是WAIC這類線下活動的意義吧，看完之后，腦海中原本模糊的印象一下子變得具象起來——

這不僅是一家技術過硬的公司，更是一家特點鮮明、場景定位極其清晰的具身智能企業。

這也是丁文超在與量子位對話中，反復強調的觀點：

具身智能的下一步，是讓系統獲得梯度，也就是明確的迭代方向。而這個方向，不可能僅靠公司內部的幾個Demo來牽引，它必須來自真實場景的正反饋。

它石正在做這件事。

對話它石首席科學家丁文超

具身Scaling能力釋放

量子位：從AWE 3.0到3.5，研發過程中有哪些困難超出了最初預期？

丁文超：整體框架基本符合之前設定的節奏，但有兩點與最初的判斷存在偏差。

第一點是硬件與軟件協同設計（Co-Design）的重要性遠超預期。我們在AWE 3.0階段已經意識到這個問題，到了3.5及后續版本，靈巧手的關鍵作用愈發凸顯。

夾爪能解決大約80%的問題，但剩下20%如果全部依賴特制夾爪，工程難度極高。當前靈巧手正在走向成熟——它能否真正勝任實際任務并跑通商業閉環，很可能成為具身智能領域的一個重要里程碑。

做好靈巧手，需要數據、模型和硬件三者兼備，因此它也是檢驗一家具身智能公司綜合實力的「黃金測試」。我們在實踐中逐步加深了對手的重要性的認知。

從AWE 3.0之前開始，我們就持續投入自研靈巧手。市面上很多產品采用Bottom-Up的思路——先追求高自由度，再從硬件出發。我們的路徑更接近Top-Down：先梳理需要完成哪些人類動作、匹配哪些人類數據，再反向定義硬件設計。這是一項計劃之外、但在過程中不斷加大的投入。

第二點是具身智能的Scaling已經解鎖。如果行業繼續朝這個方向聚集資源，頭部效應會更加顯現。

量子位：它石的human-centric數據已經達到百萬小時，能否講講它石具身數據的Scaling曲線長什么樣？

丁文超：我們在具身領域對Scaling的定義是：通過合理的預訓練與后訓練范式，將完成新任務所需的數據量和采集成本降到最低。

目前，一個新任務普遍只需要小時級別的數據采集，就能讓模型將任務完成到大致可用的程度。這條邊界，我們已經觸碰到了。

量子位：要實現物理AGI，數據還需要增長到什么規模？

丁文超：這會逐漸演變為一個長尾問題。當基礎數據積累到一定規模后，能夠貢獻高價值增量的新場景會越來越少。

到了那個階段，與其糾結數據總量，不如回到一個更本質的問題：模型到底要完成什么任務？我們要采什么樣的數據？如何以可控的成本讓機器人勝任盡可能多樣的任務？

兩者有交集，但在實際推進路徑上存在明顯差異。

量子位：落地閉環會反過來影響模型訓練？

丁文超：基礎數據達到一定規模后，當然可以繼續堆量。但真正的難點在于讓系統獲得「梯度」——也就是明確的迭代方向。這個方向不可能靠公司內部幾個Demo來持續牽引，它必須來自大量真實場景需求的正反饋。

所有成功的AI都受到真實需求的驅動。語言模型早期有非常多的應用方向，但真正把模型能力推向極致的應用之一是AI Coding。雖然AI Coding是一個垂直應用，但它倒逼模型公司建立起預訓練、大規模數據閉環、Harness Engineering等一整套體系化能力，因此提供了極強的正反饋。

其他應用同樣存在，只是規模相對更小。正是這些應用的牽引，讓行業對語言模型能否走向AGI有了更堅定的判斷。閉環跑通之后，技術的先進性才有了清晰的衡量標準。

具身智能同樣需要找到若干個類似AI Coding級別的應用。它的能力不會局限于這些場景，但正反饋通路能讓數據、模型和Infra形成一條穩定、可靠、可擴展的完整鏈路。

我們當前最看重的，是在多個場景中形成Killer App閉環，并達到一定規模。至于未來數據還需要再增加幾個零，現階段并沒有那么重要。

具身Scaling時代，如何重新理解Research？

量子位：過早進入具體場景，會不會導致模型過擬合？

丁文超：（笑）你看我們展臺展示的任務，有過擬合嗎？

過擬合通常意味著系統只能做好一件事。但如果能覆蓋足夠多的任務，能力自然就會形成泛化。我們在展臺上同時展示多種不同的任務，本身就是在驗證這一點。

量子位：具身公司既要持續做Research，又要尋找落地閉環，這兩條路線會在內部文化上形成沖突嗎？

丁文超：這是任何高科技公司都要面對的挑戰。追求通用技術架構的領先，與建立終端客戶的反饋閉環，在一定程度上存在張力，但也有共通之處，關鍵在于動態平衡。

早期做AI Coding的公司也曾經歷過動搖：有些做到一半就放棄了；有些長期死磕應用，卻忽視了通用模型底座的進展。兩端都不能缺失。

具身領域確實還有很多Research可做，但傳統意義上的學術研究機會正在逐步收窄。當工業界開始Scaling，學術界的空間就不會像早期那么大。

目前學術前沿正在向雙臂靈巧操作、高自由度靈巧手等方向遷移，如果繼續用單臂或雙臂夾爪去完成常規任務，學術新穎性會逐漸降低。

學術界當然還可以發表新的VLA或World Action Model方法，但隨著數據規模的提升，很多Trick雖然仍有幫助，卻不再起決定性作用。

行業規律通常是：學術界先釋放信號，工業界找到更本質的問題并進行Scaling，隨后該方向的學術空間收窄，研究者再去尋找新的前沿——目前靈巧手可能就是學術界新的棲息地。

因此，我們需要重新定義具身領域的Research。當下真正困難的問題包括：數據如何采集、篩選和平衡？預訓練Infra和網絡架構如何設計？后訓練流程如何穩定迭代？以及規模不斷擴大后如何解決系統性工程問題？

這些問題極少能被一篇Paper完整覆蓋。部分論文可能只提供零散的啟發，企業需要用第一性原理把潛在路徑排列出來，再用大量實驗逐一驗證。這是一種「大規模Research」，只是它的形態已經不同于傳統的學術研究。

學術界的數據量有限，也缺少大規模的真機閉環，因此前沿研究正在加速向產業側轉移。這就像自動駕駛端到端技術出現后引發的范式轉移一樣，具身智能正在經歷同樣的過程。

量子位：找場景和做Research越來越耦合，你們內部如何分配注意力？

丁文超：在我們內部，沒有「預研」這個崗位，所有人統稱為工程師。但大家做的工作并不重復，而且很多挑戰目前連可供參考的論文都沒有。在行業快速爬坡的階段，研究與工程必須緊密咬合。也許再過兩年，等技術方案進一步收斂后，研究和工程兩類崗位才會明顯分開。

量子位：行業進入Scaling和Scaling Research階段后，新入局者還有機會嗎？

丁文超：新公司必須找到差異化的切入角度。在當下這個階段，只憑幾篇World Action Model或VLA論文就想創業，難度已經非常高了。有了大規模數據和Infra的支撐后，工業界對潛在技術路線的探索廣度，甚至可能超過學術界。

這和自動駕駛的發展軌跡非常相似。2021到2022年前后，很多自動駕駛公司完成了從Research Driven到Product Driven的轉變，真正建立起了數據規模和Infra，隨后才迎來了2023、2024年端到端技術的全面爆發。

具身智能正在經歷類似的過程：從局部的技術亮點，走向系統化的體系作戰。新入局者需要尋找新的生態位，例如：把自己定位為通用世界模型公司，讓具身智能只是其中一個子場景；或者避開已經高度內卷的Tabletop（桌面級）任務，直接選擇全尺寸人形等方向。

量子位：它石招人才最看重哪些特質？

丁文超：如果只用一個詞概括，就是敢想敢做；如果再加幾個詞，那就是踏實靠譜。

在AI時代，專業的邊界已經大幅弱化，個人腦子里裝的知識很難超過大模型。基于這一點，人不要給自己設限，要敢于跨越邊界去學習和行動。

永遠不要低估模型

量子位：行業路線仍然分散，也還沒有公司拿出類似GPT-3.5的決定性成果。應該用什么標準來判斷具身智能公司？它石智航的壁壘在哪里？

丁文超：早期判斷的信噪比確實比較低，但我預測2026年底到2027年可能會出現分水嶺。單場景任務各家公司只要努力都能完成，真正考驗基礎模型能力的，是以一定的可靠率完成多個任務。

2027年上半年到年中，「能否實現多場景可靠落地」會成為關鍵的評判標準。如果一家企業能用AI化的方法實現多場景的規模化落地，就會迅速與其他公司拉開差距。

目前投資人和普通用戶很難在線下直接接觸機器人，大多只能通過視頻了解。但在未來12個月內，機器人會真正進入更多大眾可觸達的場景。雖然進入家庭仍存在Gap，但機器人將開始承擔更多真實的商業任務。

到那時，評判標準會變得非常直觀：機器人到底完成了哪些事情？擴展新任務的速度有多快？成本有多低？這非常類似自動駕駛早期的發展軌跡——各家公司先圈定幾條演示路線，隨后開始比拼「開城速度」，最終進入存量競爭和大規模量產階段。

量子位：今年WAIC上，能干活的機器人明顯變多了。具身大腦目前發展到什么階段了？

丁文超：進展快的公司可能已經開始切入實際場景。

展會里展示的「干活」任務大多經過了抽象和簡化。真正進入工廠后，系統需要長期、穩定、不間斷地運行，工程難度依然極高。

2024年，大家看到機器人本體「能動」就覺得很厲害；后來開始關注Pick and Place（抓取與放置）以及稍復雜的操作；而現在最核心的拷問是：它有沒有在真實場景中持續、穩定地工作。

量子位：進入工廠后，除了技術，還需要具備哪些能力？

丁文超：服務客戶的精神。需要與生態企業深入交流：了解用戶喜歡什么功能、交互邏輯怎樣設計，以及哪些需求源于真實現場，哪些只是團隊自己的「腦補」。這是技術走向落地必須經歷的祛魅過程。

量子位：具身智能存在實時部署和推理算力的約束。有些團隊選擇針對單一工廠訓練小模型，以兼顧安全性和實時性。你怎么看這種妥協？

丁文超：大模型同樣可以推得很快。系統處理大致包含兩個環節：一是消化傳感器信息并提取特征，這部分較慢；二是生成動作，這部分其實沒有那么慢。

很多系統顯得遲緩，是因為把感知處理與動作生成串行了起來。它們完全可以異步解耦運行：例如感知以幾赫茲的低頻更新，而動作則以幾十赫茲的高頻輸出。推理速度與模型大小存在關聯，但不能直接劃等號，參數量很大的模型經過工程優化，同樣可以做到極速推理。

量子位：它石從第一天起就對技術架構想得很清楚，難道就沒有什么讓你感到困惑的問題嗎？

丁文超：我目前最大的「未解之謎」（Mystery）在靈巧手。

靈巧手會在末端增加約20個自由度，兩只手配合會額外引入約42個自由度。

面對這樣一個高維且富接觸（Contact-rich）的復雜系統，會不會催生出新的技術挑戰，甚至引發新的能力涌現？這是我目前最關心、也最興奮的事情。

量子位：靈巧手距離進入真實場景還有多遠？

丁文超：我們非常堅定地要把靈巧手帶入真實場景，絕不會把它局限在學術探索或實驗室Demo中。現在很難給出精確的時間表，但樂觀預期是12到18個月內能看到明顯的產業趨勢。也許在我們的AWE后續版本中，大家就能看到一些實質性進展。

量子位：Sergey Levine在CVPR分享中提出，可以用機器人數據去擴展其他模態的數據，似乎不再堅持純真機數據路線。你怎么看Physical Intelligence（π）的這種變化？

丁文超：這是一個必然選擇。過去π的路線主要依靠多場景的遙操作（Teleoperation）和高質量的真實機器人數據（Robot Data）來獲取泛化能力，但這依然受限于機器人本體的物理采集效率。

我個人風格更傾向于提前想清楚整體架構。做一個系統就像建房子，最好先明確大致形態和必要的承重結構，再以高執行力去施工。最終形態可以與預期有偏差，但絕不能做到一半才發現缺少關鍵的承重墻。

要真正走到大家期待的π1甚至更遠的未來，需要更多Top-Down（自頂向下）的全局設計思維，而不能僅僅依靠局部的拼圖擴展。

量子位：從AWE 3.0到3.5，你們做了不少前沿探索，最想分享的Takeaway（核心心得）是什么？

丁文超：永遠不要低估AI模型的能力。

人們常常在某個階段突然失去信心，從而退縮到某個過窄的垂直領域或特定的保守方法中。

2023、2024年，大家覺得機器人連「動」都困難；運動能力提升后，又有人說它不能「干活」；到了2025、2026年，機器人能干一些活了，質疑又變成了「它只能完成單步任務，無法處理長序列」。未來還會有人說它無法完成所有工作。

質疑的「球門」在不斷向后移動，但行業實際已經前進了很遠。

量子位：所以你認為Scaling可以解決一切？

丁文超：是的。我們需要持續敬畏并重視Scaling帶來的能力躍升。