“我觉得对所有公司都一样，所有的壁垒都叫相对壁垒。某个公司如果认为自己的壁垒是某个东西，未来大概率会出问题。”

7月15日，在上海世界人工智能大会（WAIC）前夕， 地瓜机器人CEO王丛接受采访时说。

当天，地瓜机器人宣布其旭日S600 算力平台已与它石智航、帕西尼感知科技、智在无界、章鱼动力等 20 余家头部客户达成深度合作，进入量产验证阶段。这距离该平台首次发布不过半年。

2026年被业界普遍视为具身智能量产元年。 资本长期投入、技术底座成熟、市场需求爆发、产业链协同加速，四大因素共同推动行业跨过实验室门槛。然而，当机器人在展台上完成最后一个高难度动作，真正的考验才刚刚开始。

地瓜机器人开发者生态副总裁胡春旭指出： “具身智能正从样机演示走向批量落地，量产的核心是稳定、可控、可复用。客户选择旭日S600，核心是认可平台在端侧算力、工程工具链、产业链协同上形成的综合能力，让机器人落地从‘试错’变成‘可预期’。”

这种“可预期性”，可以说是当前行业最稀缺的资源。它不是实验室里十次运行中的一次成功，而是千台级交付中每一台的稳定表现；不是单一Demo的惊艳，而是跨场景、跨 SKU 的复用能力。

在这个意义上，2026年的具身智能行业正在经历从“技术可能性”到“产业确定性”的关键过程。

从技术验证到产线落地，三道坎与一种幻觉

“过去两年，行业里不缺会跑、会跳、会端咖啡的机器人Demo，但真正进入工厂时，客户关心的不是一次高难度动作是否成功，而是机器人能否长时间、稳定、连续地创造价值。Demo证明可能性，产线考验可靠性。” 它石智航联合创始人陈同庆说。

此次，它石智航与地瓜机器人合作的全国首个千台级工业具身机器人项目，目标是将“可能性”转化为“确定性”。

陈同庆认为，行业普遍存在一个幻觉，将技术验证（POC）与商业验证混为一谈，他提出了从POC走向产线的三道坎——泛化、成功率与部署成本。

“很多人认为门槛是量产稳定性，我认为最大的问题还是在模型的泛化能力上。”陈同庆坦言，机器人最终要承载真实的产品任务，不是造出本体就等于能完成作业。泛化解决的是“能不能适应新场景”，但产线还要解决长尾场景里“几个九”的稳定性。

它石智航首创的Human-centric数据范式，让机器人从人类真实作业中学习操作意图、接触策略和任务节奏。这对工程细节的苛求，与行业热衷的“参数竞赛”形成鲜明对比。

当外界聚焦于模型参数量、算力TOPS值时，真正的量产参与者却在为“罕见异常、边缘case 和现实世界的不确定性”头疼。陈同庆强调，工业级成功率不是一次训练出来的，而是在持续纠偏中长出来的——“每一次纠偏，都应该变成下一次更稳定的执行；每一个失败样本，都应该反哺整个系统。”

更现实的挑战是部署成本。传统工业自动化往往是一个工位一套程序、交付周期以月计算。陈同庆希望推动的范式是：让机器人掌握Pick、Place、Insert 等可组合原子技能，再通过世界模型理解任务上下文，像拼积木一样在线组合任务能力，把部署时间从月级压缩到天级，“天级部署不等于跳过验证。真正上线前，仍然要验证成功率、节拍和安全边界。”

“从POC到真实产线，本质上是把技术可能性变成产业确定性。接下来最值得投入的，不是再做一个更炫的演示demo，而是做出3到5个能自负盈亏、可复制、可规模化交付的标杆产线。”陈同庆说。

端侧算力不是军备竞赛，是基础设施

在这场“确定性”之战中，端侧算力被赋予了新的定义。旭日S600搭载4核Nash BPU（大脑处理器），提供560 TOPS端侧算力，搭配18核CPU与6核R52+ MCU实时控制单元，带宽达到 204.8GB/s，支持-40℃至105℃宽温工作，并通过11项严苛可靠性验证。但这些数字背后，地瓜机器人想传达的并非简单的“算力至上”。

“我们要的不只是纸面参数好看，更多是要在真实场景里把算法真正跑快，让用户有更直观的感受。”地瓜机器人开发者生态副总裁胡春旭表示。BPU（大脑处理器）经过三代迭代，在传统CNN网络上实现了246倍以上加速，在Transformer网络上实现超过27倍加速。

不过，这些加速的终点，是主流机器人操作模型在端侧稳定达到10FPS，是VO-DP+纯视觉操作算法在单核推理下达到20帧以上，是智在无界的隐式世界动作模型——Being-H-Flash在旭日S600具身智能大算力芯片上的端侧部署，实测运行帧率接近20FPS的推理速度。

智在无界创始人卢宗青对此深有体会 ，其团队今年4月发布了Being-H0.7，全球首个可端侧实时部署的隐式世界动作模型。“模型必须跑在端侧，不能依赖云端；硬件可靠性要达标，任务成功率要达到98%；同时模型要具备泛化能力，不是固定逻辑的控制程序，而是基础模型能自适应完成各类任务。”

卢宗青列出的这三项要求，揭示了具身智能落地的硬约束。云端推理的网络抖动与延迟，在产线上意味着节拍损失甚至停线风险。端侧算力不是可选项，而是产业化的基础设施。

它石智航联合创始人陈同庆补充说：“它石智航做通用大脑，S600提供让这个大脑在真实产线上实时、稳定运行的端侧算力底座。长远来看，胜利不会属于单点赢家，而属于能把算法、本体、芯片和场景打通的完整系统。”

地瓜机器人在硬件层面的布局不止于芯片。基于旭日S600打造的RDK S600模组经过工业级验证，配套的RDK S600开发套件引出丰富的外设接口——GMSL相机、PCIe外设、USB与网络外设，以及各类自定义扩展接口。

胡春旭介绍，这款开发套件的设计初衷是“让用户在测试阶段不需要频繁更换开发板，通过单一套件就可以完成各类工况下的功能测试”。这种对工程效率的极致追求，折射出量产阶段的务实心态。

自动驾驶经验的“同构幻觉”

具身智能行业的一个隐秘陷阱，是将自动驾驶的量产经验直接迁移。毕竟，两个领域共享着相似的传感器栈、SLAM（即时定位与地图构建）算法与AI芯片架构。目前，行业多家具身智能公司核心团队都拥有深厚的车规级AI 芯片量产经验，核心成员往往经历过过多代自动驾驶芯片的研发与落地。但在发布会现场，多位嘉宾不约而同地打破了这种“同构幻觉”。

章鱼动力联合创始人樊庆元将具身智能发展类比为自动驾驶的五个阶段：从基于规则的控制，到单一任务泛化，再到现实场景多任务泛化，最终走向通用形态。他随即指出了核心差异： “自动驾驶的运行形态不涉及物理力的交互，也不会改变物体状态，一旦涉及物体状态改变，难度就完全不同。”

它石智航陈同庆的团队主力也来自智驾领域，他认为：“智驾本质是控制车辆，车辆的整体构型高度相似，是在单一任务上把能力做到极致。但具身机器人不一样，它的场景是开放、多样的：驾驶只是人类的一种职业，而具身机器人要补足的是千千万万种人类职业，二者场景复杂度不在一个量级。”

数据层面的差异同样显著。自动驾驶可以用海量人类驾驶员数据持续喂养模型，车辆上路即采集。但机器人领域，“人不可能像机械结构一样完成各类标准化动作来采集数据”，数据获取难度呈指数级上升。

章鱼动力联合创始人樊庆元也表示，具身智能的数据“更接近人类的操作行为数据”，与自动驾驶的时序化行驶数据有着本质区别。这种差异决定了，智驾的Scaling Law无法简单复制到具身领域。

地瓜机器人CEO王丛回忆说，2015、2016年SLAM（即时定位与地图构建）技术刚成熟时，所有人都觉得仓储物流的春天来了，但几年后发现“技术层面大家差距不大，AMR（自主移动机器）行业最后分化成了不同的细分赛道，核心比拼的其实是工程交付能力”。

确实，技术路径通顺之后，真正的分化发生在工程落地与场景理解能力上。

数据“定义权”，从石油到矿石

如果数据是新时代的石油，那么具身智能行业面临的问题是：没有人知道原油的精炼标准是什么。

智在无界创始人卢宗青在沟通会上透露，其团队自2023年底开始采集人类第一人称视频数据，至今已积累约50万小时。“当前预训练模型最核心的问题，是可用的预训练数据量还不够大。对具身模型来说，什么样的数据能用来做预训练，本身就是一个待解的问题。”

这是一个反共识的观察。

行业普遍认为数据量不足是瓶颈，但卢宗青指出，比“量”更紧迫的是“定义”——训练范式才是关键。“拿语言模型来说，互联网文本数据一直都存在，为什么直到2022年底才出现ChatGPT？核心是之前没有找到能把数据价值用起来的训练范式。而具身智能的难度更进一层：它不仅要解决训练范式的问题，还要先解决预训练数据的定义问题。”

它石智航的联合创始人陈同庆将真实数据分为三类： 高精度示教数据、机器人运行数据、Human-centric穿戴式数据。在他看来， 开源数据能解决模型基座的通用能力问题，但要让模型达到工业级精度，更关键的是真实场景数据。

“开源数据大多覆盖的是通用、常规的场景，对应精度要求不高的控制能力。但如果要打通工业场景，最终还是要把成功率、精度做到产业要求的水平。”陈同庆说。

这种对数据质量的苛求，催生了触觉感知的新赛道。 帕西尼感知科技联合创始人聂相如说：“机器人能力的定义，核心是抓末端接触与感知交互。”帕西尼将触觉感知硬件成本从十万元级别降至两百元级别，目的就是获取“决定机器人操作熟练度与精细度”的触觉数据。“触觉感知带来的真实反馈，是其他模态无法替代的。”聂相如说。

章鱼动力联合创始人樊庆元则提出了更前沿的 “Bio-to-Normal”（生物电触觉）概念，通过采集人体操作过程中的生物电信号，还原真实力觉与位移信号，提升数据采集的精度与泛化能力。

地瓜机器人CEO王丛对数据闭环的态度则更为务实 ，他坦承，理论上“模型差拿不到场景、没场景练不出好模型”的矛盾确实存在，但“在中国的产业环境下，哪怕早期没有商业化收益，行业也愿意先行投入探索，先把数据规模做起来，踩过坑、迭代完再逐步优化”。他类比自动驾驶早期的数据采集：“第一批采集的数据很多都废掉了，都是踩过几波坑之后才慢慢总结出成熟方案。”

生态的“信任复利”，开放与长期主义

回到地瓜机器人CEO王丛的“相对壁垒”论，地瓜机器人的竞争逻辑逐渐清晰：这不是一场芯片参数的军备竞赛，而是一场关于信任与生态复利的马拉松。

“目前行业还远没到白热化竞争的阶段，我们的核心关注点始终是打磨产品、响应客户需求。”王丛认为，地瓜的相对优势在于“更早一步在和客户共同开发”——需求不是在会议室里聊出来的，而是在两三个月的联合调试中逐步发掘的。这种“工程陪伴”能力，让地瓜在供应链、软件适配与客户心智上形成了持续积累的复利。

目前，地瓜已聚合100 余家产业链伙伴，覆盖硬件器件、感知模组、控制器方案、软件算法与开发生态全环节。

“芯片作为机器人的核心大脑，是不能随便更换的核心部件，所以我们看得非常长远。我们最看好地瓜的，是它的生态能力——覆盖范围广，跨赛道、跨场景的整合能力很强。” 帕西尼感知科技联合创始人聂相如说。

这种长期绑定关系，建立在一种反直觉的开放策略之上。地瓜将Moss™Agent Engine 以 Apache 许可证开源，RDK Studio接入Agent框架实现自然语言编程，RoboGo™云平台覆盖数据生成到端侧部署的全链路。

地瓜机器人开发者生态副总裁胡春旭透露，过去三个月已有数万开发者使用Moss开发应用，“用户从小学生到企业工程师都有”。两周前，地瓜团队用Agent帮客户调试一款全新相机传感器，“只需要下发一条指令，Agent用两个小时就调试出了人眼看不出色差的图像效果，相比传统方法效率提升了10倍以上”。

更关键的是数据伦理的边界，王丛明确表态：“我们不拿客户的业务数据。地瓜不是靠客户数据来迭代自身算法的，我们做自研算法的核心目的，是帮助客户更好地适配芯片。”在数据被视为核心资产的具身智能时代，这种“不碰客户数据”的克制，反而成为生态信任的基石。

当行业从“翻跟头”的炫技时代走向“连续工作24 小时”的生产力时代，具身智能的竞争规则正在被重写。参数、模型、算力依然重要，但决定胜负的，是对工程细节的敬畏、对数据质量的苛求、对产业协同的耐心，以及将技术可能性转化为商业确定性的系统能力。

“我们愿意做‘现在投入1块钱，5年后还有价值’的事。”地瓜机器人CEO王丛认为，这种长期主义，是地瓜机器人的价值观。

“如果说过去十年我们把AI带进了数字世界，那么下一阶段的任务，就是把AI带进完整的物理世界。”这条路的起点，不是更大的模型，而是更可靠的产线；不是更炫的Demo，而是3到5个能自负盈亏的标杆。

地瓜机器人的目标是做机器人行业的‘最大公约数’，打造通用型算力与工具底座，而非做垂直场景的竞品。在这个意义上，地瓜机器人与其生态伙伴正在做的，不是定义具身智能的上限，而是夯实它的下限——让机器人在真实岗位上，稳定、可靠、高效地创造价值。

从参数竞赛到工程落地，行业的竞争终局从来不是单点技术的输赢，而是整个生态系统的长期主义赛跑。

备注：本文首发新闻晨报