# WRC 2026：机器人的“试用期”结束了？
文 | 光锥智能，作者｜罗镇昊，编辑｜刘俊宏 逛完今年的WRC，兴奋的同時，又有一些揪心。 没人再怀疑机器人到底能不能干活了。分拣台上，机器人抓着一件件包裹，翻过面单，送上传送带；咖啡吧里，机械臂取杯、萃取、递杯一气呵成；家庭展区，机器人在叠衣服、收拾桌面、给垃圾桶套塑料袋，全程自主完成。 干活几乎成了展台标配，而且大部分任务，完成得都还不错。 从另一個角度說，這些演示又多少带着点“欺骗性”。 毕竟，人类善于根據眼前的事物產生联想。看到机器人在叠衣服，或许會觉得它也能做收纳，能叠T恤，那也能叠大衣、裙子，在现场能干，搬到任何一個家庭，也可以直接上手。 但這份想象，机器人目前还很难接住。 光锥智能在展會了解到，很多演示比较流畅的任务，其实是根據固定的场景和流程，特调出来的。一旦换上没见过的物料，或者打乱流程，甚至干扰光影，表现就會不如人意。有展台工作人员向我们坦言，演示前在现场临時采了数據，或表示做了“微调”。 演示中的干活，和真正的干活，仍隔着一些距离。 這段距离有多远，取决于模型的泛化能力，精准度和反应速度如何，数據能否供应得上，采集方式有哪些新的解法…… 但時間不等人，机器人行業已經来到了關键转折点。 在过去大半年間里，机器人行業涌入了太多資源。几乎每兩周就有融資事件，IPO的门口排着一长串人，机器人這個还处于早期的行業被資本、客户、產業链们共同推到了史无前例的高位。尤其是当宇树上市首日达成4千亿市值，标杆效应打開了机器人行業的天花板，同時也让那些试图在公司低估時期入局的投資人，少了“捡漏”的可能。 但热闹终將散场，筹码总會兑现成价值。当行業融資通道收窄，随之而来的就是靠硬实力的长跑。从這個角度看，今年的WRC可能會变成很多玩家的最後一舞。 那么，当机器人會干活已經不再是新故事，行業的下半场，到底比什么？ 面對這個问题，众擎机器人创始人兼CEO赵同阳给了光锥智能一個答案，没有订单数字，没有宏大叙事，行業应该更關注交付的“质量”：交付必须是有质量的交付，而不是为了营收凑数。 在一個所有人都在抢着证明自己的展會上，头部公司反而主张克制。這某种程度上正是下半场竞争逻辑的注脚。 三种场景，三种验证逻辑 今年WRC上机器人干的活，大致可以分为工業、零售、家庭三类。 三类场景的区别不在环境，而在验证逻辑：工業验证效率，零售验证流程。至于家庭，這暂時无法验证。 這次WRC上，工業领域依旧集中在上下料、搬运、码垛几项任务上。 优必选用隔离带围出一個上百平米的空間，多台机器人协同完成物料搬运、分拣、流转，亮点是支持3分钟自主换电，解决了续航的问题。银河通用的Galbot S1主打重载搬运，双臂最大负载达到了50公斤。 虽然這些任务机器人都完成得不错，但在這個高度可标准化的场景里，如何跟传统工業设备對标，是行業最大痛点。 比如优必选的Walker S2，从搬起料箱，移动几米，再放到传送带，全程用了10秒以上。這個速度，远低于机械臂和AGV的水平。 工業流水线之外，快递分拣成了這次大會最卷的场景之一。走了一圈，大概有七八家都在演示。這是工業领域里，极少数已經能用计件数量来衡量的场景，任务明确、节拍可量化。其中，星动纪元最快速度每小時將近2000件，自变量之前直播的战绩是一小時1816件、准确率超98%。這個数量水平，已經接近人类熟练工。 其中，自变量的方案很有意思，它没用看起来更“高科技”的人形和灵巧手，只有兩只机械臂，安装兩個夹爪，而且就连夹爪也几乎不怎么张開。就是在這么朴素的设备上，既展示出了效率，也兼具了具身智能的泛化性。 比如翻面单時，它是用一只夹爪先挡住包裹，再用另一只夹爪直接把包裹掀过去，然後推到传送带上。用東北话說，這個动作叫“扒拉”。這一方式不仅拓宽了可处理包裹的尺寸、形状，也能提高效率。 演示环境中，自变量的包裹并不是统一的，有柔软的塑料包装，有不同尺寸的硬纸壳箱，其中还掺杂了不是快递的毛绒玩具等物品，机械臂都能快速识别，进行分类处理。遇到兩個尺寸相同的纸箱挨在一起時，它會先把旁边的包裹推出去，再操作眼前的包裹，一次翻不过去就再翻几次。 光锥智能询问了自变量這個方案的落地情况，展台工作人员称，目前已經在全國多個快递中心投入实际应用了。但问到具体是多少家，是哪家快递，對方表示无可奉告，并表示确实是真的干活，不是为了采集数據。 零售是今年展台密度上升最快的场景，背後逻辑是“半结构化”场景，比工厂開放、比家庭可控，既能算商業账，又能持续產生多样化的真实交互数據。 蚂蚁灵波展示了在超市和药房场景中，从扫码下单、机器人到货架取货、把商品送到前台的标准流程，并且，智慧药房的方案已經在上海真实门店投入运行。零售要规模化，靠的就是流程的可复制性。 同样的场景银河通用和星海图也都在验证，後者展示的规模最大，号称能泛化到万种SKU，但现场抓取時出现过多次失误。 值得思考的是，光锥智能注意到，今年WRC展示的零售场景似乎有些“退步”。在2025年WRC時，银河通用的演示具有明确的“非标”特征。比起今年的演示，去年货架商品摆放紧密，辣条一类的產品还挂在钩子上，完全就是真实小卖部的样子。但今年的演示一眼望去都是标准化，标准的货架、間距一致的商品摆放。或许，今年的设计是基于演示成功率的考量，但行業从“秀泛化”变成了公式化的“保交付”，也失去了不少“灵性”。 不同于货架销售，零售领域今年还出现了各种制作奶茶和鸡尾酒的货柜，里面是一個机械臂，根據点单现场调制饮料，调完之後自动衝洗杯具，周围买单的人不少。有趣的是，對比场馆内“无人问津”的自动售货机，消费者對机器人零售的接受度显然更高。 家庭场景的任务是所有赛道里最杂的，有叠衣服的、切黄瓜的、整理桌面的、给垃圾桶套袋的……這不禁让现场观众浮想联翩，机器人真的什么都能干了，机器人养老已經成了？ 种种需求确实是真需求，毕竟人在家躺着，能不动手就不动手。但问题是，泛化的能力和完成的质量很难验证。 在银河通用的展台，光锥智能對挂衣服這一任务询问，把一件衣服挂在衣架上大概要多久？工作人员表示，平均3分钟一件，“很快”。又问這和人比还是慢了许多，對方回答：“這毕竟是机器人”。厂商自己都把差距解读成了理所当然，這說明家庭场景的分水岭，远还没到来。 热闹的背後仍需冷静判断，家庭叙事想象空間很大，但短期内不可证伪。工業场景里，每小時分拣多少件就是多少件；而叠衣服叠得好不好、陪伴得開不開心，没有客户會在下個季度拿着验收单找上门。 “能干活”已是行業共识，“活干得怎么样”開始成为可量化、可被证伪的分水岭，已經成为了下半场的入口。 谁說VLA死了？ 机器人能干活，靠的不是某個单点突破，而是一套“模型+数據”的底层体系。 今年最值得關注的变化有兩個：模型侧，争论变了，不是有了终极答案，而是大家發现瓶颈不在架构，在数據；数據侧，采集的“无感化”和多模态化同時加速。 今年，机器人行業關于技術的一大讨论就是“VLA已死，世界模型当立”。 但光锥智能在各個展台走访之後，可以确定的是，支撑机器人干活的主力架构，依然是VLA：把视觉感知、语言指令和动作输出映射进同一個网络。 VLA能成为主力的原因，并不是因为最先进，而是最工程友好。 机器人經过相對简单的训练和调试，就能在新环境里快速获得“干活能力”，不需要工程师为每個场景写死规则。同時，现在VLA在跨本体能力上越来越普遍了。过去“一种本体配一套模型”，每换一個硬件就重烧一笔训练成本，现在模型积累開始摆脱硬件绑定。 银河通用展台上，轮式、重载、双足三种形态完全不同的机器人跑的是同一套具身基础大模型；星海图的G0.5通过统一动作编码适配不同本体；深诣机器人也强调其基座模型支持“一脑多形”。這种方案，既降低了训练成本，不同本体的經验又可以打通和复用。 虽然各家都在谈泛化，但本体的泛化，不等于场景和任务的泛化。世界模型被更多的引入系统当中，就是为了补齐模型真正理解物理世界的能力。 维他动力的Vbot-WorldModel展示了更务实的用法，世界模型不负责生成动作，只在行动前推演不同候选动作的结果，为策略选择提供评估信号。先把预判当辅助工具用起来，而不是等它成为全能大脑。 银河通用的WAM架构，是把世界模型的预测和VLA的动作决策合进统一模型。在這里，世界模型不只是提供了一個预测层，也直接参與到动作生成当中。 无论是VLA还是世界模型，兩条路线的优劣，行業自己會算這笔账：VLA短暂学习就能投入使用，弱点是需要大量對齐数據、泛化有限；世界模型在同等数據量下泛化更好，因为它学的是可迁移的物理规律，而非具体动作轨迹。 光锥智能也就這個问题访问了蚂蚁灵波。在现场工作人员看来，這场争论本质是学術與工程实现的角度不同。VLA能通过短暂学习立刻投入使用，這是它被廣泛采用的原因；世界模型能理解世界，但這是长期愿景，温度、材质等大量物理数據目前极度缺乏，且难以被正确表达，導致世界模型当下的使用效果并不理想。 對于机器人什么時候能迎来ChatGPT時刻？ 赵同阳告诉光锥智能，三年之内。“人形机器人需要体能，还需要智能，因此一個行業的發展肯定是每一個领域都在同時發展。AGI時刻的到来，據我观察，从硬件到软件，从小脑、大脑到算法，应该在3年之内。” 整体结论就是，VLA是当下的饭碗，世界模型是未来的期权。纯路线之争今年明显升温，但所有没有数據支撑的算法之争，最後都是梦幻泡影。 而数據采集方式的演进史，就是一部“减重史”。今年技術侧最深的共识是，数據不够，所以算法才不行。 一個很有趣的案例是机器人的触觉。在没有触觉维度之前，靠算法只能把纯视觉的成功率拉到七八成。但加入了触觉之後，成功率立马能上升到95%，算法立刻“支棱”起来了。 算法的瓶颈，有時候得靠数據采集层面解决。 回看采集方式的演进，从遥操作、ego到数采手套，每一步都在给采集者“减重”。遥操太重且拿不回实時反馈；ego估不准手部關键点；手套隔着厚厚材料，终究不是人的真实触感，数據的终极问题，是像不像人真实干活的状态。 采集层面“减重”，数據维度在不断增重。外骨骼和肌电今年的爆發，正是這条线索的延续。 强脑、优龙、程天等出身各异的公司都在這個窗口期推出外骨骼数采產品，解决全身运动数據的规模化。章鱼动力的肌电手环号称做到跨個体零样本泛化，新人佩戴即用；ORIGINFLOW甚至试图捕捉比动作早约50毫秒的發力意图。它们的共同目标都是，让采集者在正常生活、工作的过程中，顺便把数據采了。 数據的维度也在同步拓宽，触觉在今年基本成了标配。曦诺未来在WRC發布的直驱灵巧手Prima1，集成了视触觉加分布式触觉阵列，指尖触觉分辨率达0.1N，產品定位直接瞄准“AI训练平台”。 为模型训练提供高保真的力控與触觉数據，這本身就是一個信号，执行端硬件正在为数據而设计。 可以說，数據采集今年已跨过“能不能采”的第一阶段，下一步，则是进入采什么、怎么评价、哪些数據真正提升模型的第二阶段。无感化采集能否跑通，很可能决定下一轮Scaling何時爆發。 產業链越成熟，交付越见真章 游走在场馆中，相信所有观
據钛媒体8月24日報道，文 | 光锥智能，作者｜罗镇昊，编辑｜刘俊宏 逛完今年的WRC，兴奋的同時，又有一些揪心。 没人再怀疑机器人到底能不能干活了。分拣台上，机器人抓着一件件包裹，翻过面单，送上传送带；咖啡吧里，机械臂取杯、萃取、递杯一气呵成；家庭展区，机器人在叠衣服、收拾桌面、给垃圾桶套塑料袋，全程自主完成。 干活几乎成了展台标配，而且大部分任务，完成得都还不错。 从另一個角度說，這些演示又多少带着点“欺骗性”。 毕竟，人类善于根據眼前的事物產生联想。看到机器人在叠衣服，或许會觉得它也能做收纳，能叠T恤，那也能叠大衣、裙子，在现场能干，搬到任何一個家庭，也可以直接上手。 但這份想象，机器人目前还很难接住。 光锥智能在展會了解到，很多演示比较流畅的任务，其实是根據固定的场景和流程，特调出来的。一旦换上没见过的物料，或者打乱流程，甚至干扰光影，表现就會不如人意。有展台工作人员向我们坦言，演示前在现场临時采了数據，或表示做了“微调”。 演示中的干活，和真正的干活，仍隔着一些距离。 這段距离有多远，取决于模型的泛化能力，精准度和反应速度如何，数據能否供应得上，采集方式有哪些新的解法…… 但時間不等人，机器人行業已經来到了關键转折点。 在过去大半年間里，机器人行業涌入了太多資源。几乎每兩周就有融資事件，IPO的门口排着一长串人，机器人這個还处于早期的行業被資本、客户、產業链们共同推到了史无前例的高位。尤其是当宇树上市首日达成4千亿市值，标杆效应打開了机器人行業的天花板，同時也让那些试图在公司低估時期入局的投資人，少了“捡漏”的可能。 但热闹终將散场，筹码总會兑现成价值。当行業融資通道收窄，随之而来的就是靠硬实力的长跑。从這個角度看，今年的WRC可能會变成很多玩家的最後一舞。 那么，当机器人會干活已經不再是新故事，行業的下半场，到底比什么？ 面對這個问题，众擎机器人创始人兼CEO赵同阳给了光锥智能一個答案，没有订单数字，没有宏大叙事，行業应该更關注交付的“质量”：交付必须是有质量的交付，而不是为了营收凑数。 在一個所有人都在抢着证明自己的展會上，头部公司反而主张克制。這某种程度上正是下半场竞争逻辑的注脚。 三种场景，三种验证逻辑 今年WRC上机器人干的活，大致可以分为工業、零售、家庭三类。 三类场景的区别不在环境，而在验证逻辑：工業验证效率，零售验证流程。至于家庭，這暂時无法验证。 這次WRC上，工業领域依旧集中在上下料、搬运、码垛几项任务上。 优必选用隔离带围出一個上百平米的空間，多台机器人协同完成物料搬运、分拣、流转，亮点是支持3分钟自主换电，解决了续航的问题。银河通用的Galbot S1主打重载搬运，双臂最大负载达到了50公斤。 虽然這些任务机器人都完成得不错，但在這個高度可标准化的场景里，如何跟传统工業设备對标，是行業最大痛点。 比如优必选的Walker S2，从搬起料箱，移动几米，再放到传送带，全程用了10秒以上。這個速度，远低于机械臂和AGV的水平。 工業流水线之外，快递分拣成了這次大會最卷的场景之一。走了一圈，大概有七八家都在演示。這是工業领域里，极少数已經能用计件数量来衡量的场景，任务明确、节拍可量化。其中，星动纪元最快速度每小時將近2000件，自变量之前直播的战绩是一小時1816件、准确率超98%。這個数量水平，已經接近人类熟练工。 其中，自变量的方案很有意思，它没用看起来更“高科技”的人形和灵巧手，只有兩只机械臂，安装兩個夹爪，而且就连夹爪也几乎不怎么张開。就是在這么朴素的设备上，既展示出了效率，也兼具了具身智能的泛化性。 比如翻面单時，它是用一只夹爪先挡住包裹，再用另一只夹爪直接把包裹掀过去，然後推到传送带上。用東北话說，這個动作叫“扒拉”。這一方式不仅拓宽了可处理包裹的尺寸、形状，也能提高效率。 演示环境中，自变量的包裹并不是统一的，有柔软的塑料包装，有不同尺寸的硬纸壳箱，其中还掺杂了不是快递的毛绒玩具等物品，机械臂都能快速识别，进行分类处理。遇到兩個尺寸相同的纸箱挨在一起時，它會先把旁边的包裹推出去，再操作眼前的包裹，一次翻不过去就再翻几次。 光锥智能询问了自变量這個方案的落地情况，展台工作人员称，目前已經在全國多個快递中心投入实际应用了。但问到具体是多少家，是哪家快递，對方表示无可奉告，并表示确实是真的干活，不是为了采集数據。 零售是今年展台密度上升最快的场景，背後逻辑是“半结构化”场景，比工厂開放、比家庭可控，既能算商業账，又能持续產生多样化的真实交互数據。 蚂蚁灵波展示了在超市和药房场景中，从扫码下单、机器人到货架取货、把商品送到前台的标准流程，并且，智慧药房的方案已經在上海真实门店投入运行。零售要规模化，靠的就是流程的可复制性。 同样的场景银河通用和星海图也都在验证，後者展示的规模最大，号称能泛化到万种SKU，但现场抓取時出现过多次失误。 值得思考的是，光锥智能注意到，今年WRC展示的零售场景似乎有些“退步”。在2025年WRC時，银河通用的演示具有明确的“非标”特征。比起今年的演示，去年货架商品摆放紧密，辣条一类的產品还挂在钩子上，完全就是真实小卖部的样子。但今年的演示一眼望去都是标准化，标准的货架、間距一致的商品摆放。或许，今年的设计是基于演示成功率的考量，但行業从“秀泛化”变成了公式化的“保交付”，也失去了不少“灵性”。 不同于货架销售，零售领域今年还出现了各种制作奶茶和鸡尾酒的货柜，里面是一個机械臂，根據点单现场调制饮料，调完之後自动衝洗杯具，周围买单的人不少。有趣的是，對比场馆内“无人问津”的自动售货机，消费者對机器人零售的接受度显然更高。 家庭场景的任务是所有赛道里最杂的，有叠衣服的、切黄瓜的、整理桌面的、给垃圾桶套袋的……這不禁让现场观众浮想联翩，机器人真的什么都能干了，机器人养老已經成了？ 种种需求确实是真需求，毕竟人在家躺着，能不动手就不动手。但问题是，泛化的能力和完成的质量很难验证。 在银河通用的展台，光锥智能對挂衣服這一任务询问，把一件衣服挂在衣架上大概要多久？工作人员表示，平均3分钟一件，“很快”。又问這和人比还是慢了许多，對方回答：“這毕竟是机器人”。厂商自己都把差距解读成了理所当然，這說明家庭场景的分水岭，远还没到来。 热闹的背後仍需冷静判断，家庭叙事想象空間很大，但短期内不可证伪。工業场景里，每小時分拣多少件就是多少件；而叠衣服叠得好不好、陪伴得開不開心，没有客户會在下個季度拿着验收单找上门。 “能干活”已是行業共识，“活干得怎么样”開始成为可量化、可被证伪的分水岭，已經成为了下半场的入口。 谁說VLA死了？ 机器人能干活，靠的不是某個单点突破，而是一套“模型+数據”的底层体系。 今年最值得關注的变化有兩個：模型侧，争论变了，不是有了终极答案，而是大家發现瓶颈不在架构，在数據；数據侧，采集的“无感化”和多模态化同時加速。 今年，机器人行業關于技術的一大讨论就是“VLA已死，世界模型当立”。 但光锥智能在各個展台走访之後，可以确定的是，支撑机器人干活的主力架构，依然是VLA：把视觉感知、语言指令和动作输出映射进同一個网络。 VLA能成为主力的原因，并不是因为最先进，而是最工程友好。 机器人經过相對简单的训练和调试，就能在新环境里快速获得“干活能力”，不需要工程师为每個场景写死规则。同時，现在VLA在跨本体能力上越来越普遍了。过去“一种本体配一套模型”，每换一個硬件就重烧一笔训练成本，现在模型积累開始摆脱硬件绑定。 银河通用展台上，轮式、重载、双足三种形态完全不同的机器人跑的是同一套具身基础大模型；星海图的G0.5通过统一动作编码适配不同本体；深诣机器人也强调其基座模型支持“一脑多形”。這种方案，既降低了训练成本，不同本体的經验又可以打通和复用。 虽然各家都在谈泛化，但本体的泛化，不等于场景和任务的泛化。世界模型被更多的引入系统当中，就是为了补齐模型真正理解物理世界的能力。 维他动力的Vbot-WorldModel展示了更务实的用法，世界模型不负责生成动作，只在行动前推演不同候选动作的结果，为策略选择提供评估信号。先把预判当辅助工具用起来，而不是等它成为全能大脑。 银河通用的WAM架构，是把世界模型的预测和VLA的动作决策合进统一模型。在這里，世界模型不只是提供了一個预测层，也直接参與到动作生成当中。 无论是VLA还是世界模型，兩条路线的优劣，行業自己會算這笔账：VLA短暂学习就能投入使用，弱点是需要大量對齐数據、泛化有限；世界模型在同等数據量下泛化更好，因为它学的是可迁移的物理规律，而非具体动作轨迹。 光锥智能也就這個问题访问了蚂蚁灵波。在现场工作人员看来，這场争论本质是学術與工程实现的角度不同。VLA能通过短暂学习立刻投入使用，這是它被廣泛采用的原因；世界模型能理解世界，但這是长期愿景，温度、材质等大量物理数據目前极度缺乏，且难以被正确表达，導致世界模型当下的使用效果并不理想。 對于机器人什么時候能迎来ChatGPT時刻？ 赵同阳告诉光锥智能，三年之内。“人形机器人需要体能，还需要智能，因此一個行業的發展肯定是每一個领域都在同時發展。AGI時刻的到来，據我观察，从硬件到软件，从小脑、大脑到算法，应该在3年之内。” 整体结论就是，VLA是当下的饭碗，世界模型是未来的期权。纯路线之争今年明显升温，但所有没有数據支撑的算法之争，最後都是梦幻泡影。 而数據采集方式的演进史，就是一部“减重史”。今年技術侧最深的共识是，数據不够，所以算法才不行。 一個很有趣的案例是机器人的触觉。在没有触觉维度之前，靠算法只能把纯视觉的成功率拉到七八成。但加入了触觉之後，成功率立马能上升到95%，算法立刻“支棱”起来了。 算法的瓶颈，有時候得靠数據采集层面解决。 回看采集方式的演进，从遥操作、ego到数采手套，每一步都在给采集者“减重”。遥操太重且拿不回实時反馈；ego估不准手部關键点；手套隔着厚厚材料，终究不是人的真实触感，数據的终极问题，是像不像人真实干活的状态。 采集层面“减重”，数據维度在不断增重。外骨骼和肌电今年的爆發，正是這条线索的延续。 强脑、优龙、程天等出身各异的公司都在這個窗口期推出外骨骼数采產品，解决全身运动数據的规模化。章鱼动力的肌电手环号称做到跨個体零样本泛化，新人佩戴即用；ORIGINFLOW甚至试图捕捉比动作早约50毫秒的發力意图。它们的共同目标都是，让采集者在正常生活、工作的过程中，顺便把数據采了。 数據的维度也在同步拓宽，触觉在今年基本成了标配。曦诺未来在WRC發布的直驱灵巧手Prima1，集成了视触觉加分布式触觉阵列，指尖触觉分辨率达0.1N，產品定位直接瞄准“AI训练平台”。 为模型训练提供高保真的力控與触觉数據，這本身就是一個信号，执行端硬件正在为数據而设计。 可以說，数據采集今年已跨过“能不能采”的第一阶段，下一步，则是进入采什么、怎么评价、哪些数據真正提升模型的第二阶段。无感化采集能否跑通，很可能决定下一轮Scaling何時爆發。 產業链越成熟，交付越见真章 游走在场馆中，相信所有观