全球首個(gè)云端具身大模型炸場WAIC：一腦控多手、30秒換手，行業(yè)首例

編輯｜Sia

開大了！

WAIC 2026 現(xiàn)場，具身智能最難啃的骨頭之一——跨靈巧手操作，被當(dāng)場擺上了臺(tái)面。

一只剛完成抓取的靈巧手，被直接拆下；換上另一只「手」，不重新訓(xùn)練，也不現(xiàn)場調(diào)參。

30 秒后，機(jī)器人繼續(xù)開工。

今年 WAIC 匯聚超過 1100 家企業(yè)，具身智能依舊穩(wěn)坐「頂流」。但在一眾機(jī)器人同臺(tái)秀肌肉時(shí)，首次亮相 WAIC 的 RoboScience機(jī)器科學(xué)，上來就把難度條拉滿：

同一顆機(jī)器人「大腦」Visics，換只手，還會(huì)不會(huì)干活？

答案是：能。

而且，30 秒就能重新上崗。

和不少綁定自家硬件交付「大腦」的方案不同，Visics 還被以純軟件形態(tài)搬上了云端，也由此成為全球首個(gè)具備云端部署能力的具身大模型。

以后給機(jī)器人「裝大腦」，真能像接入云服務(wù)一樣簡單。

行業(yè)首例，30 秒換手，Visics 現(xiàn)場連闖三關(guān)

行業(yè)首秀就敢把難度拉滿的，不多見。

RoboScience機(jī)器科學(xué)直接把世博館展臺(tái)，變成了 Visics 的壓力測試場。

換本體、換物品、換任務(wù)，多輪挑戰(zhàn)輪番上陣，專挑具身大模型最容易掉鏈子的地方下手。

Visics 的泛化能力究竟行不行？現(xiàn)場觀眾可以直接點(diǎn)題，圍觀驗(yàn)貨。

1、換只手，能不能接著干？

展會(huì)現(xiàn)場，既有規(guī)則剛體、日常工具，也有柔性材料和異形物件，靈巧手甚至可以抓取觀眾現(xiàn)場隨機(jī)提供的物品，面對從未見過的物體也能即時(shí)完成識(shí)別與抓取。

選中目標(biāo)后，機(jī)器人自主判斷從哪里下手、以什么姿態(tài)抓取，以及如何完成后續(xù)操作。

展臺(tái)還準(zhǔn)備了多款靈巧手，同用一套 Visics 模型，可自主判斷從哪里抓、以什么姿態(tài)抓，以及如何完成操作。

現(xiàn)場最抓眼球的一幕來了：從拆手、換手，到重新開工，整套流程，僅需30 秒。不需要重新采集數(shù)據(jù)，也不用現(xiàn)場訓(xùn)練，新手轉(zhuǎn)頭就能繼續(xù)抓取觀眾指定的物品。

這也是行業(yè)首次實(shí)現(xiàn)靈巧手的「一腦多手、換手即用」。

30 秒換手，聽上去似乎只是硬件裝卸快了一點(diǎn)。但機(jī)器人換手，從來不只是「擰幾個(gè)螺絲」。

末端執(zhí)行器一變，動(dòng)作空間、控制方式和硬件參數(shù)都會(huì)跟著變化。過去往往需要重新采集數(shù)據(jù)、訓(xùn)練模型，再完成一輪工程適配。相當(dāng)于每換一名「員工」，都得重新辦一次入職培訓(xùn)。

而 Visics 省掉的，正是這段「培訓(xùn)周期」。依靠跨本體零樣本泛化能力，不同構(gòu)型的靈巧手接入后，可以直接復(fù)用同一套智能能力。

這和傳統(tǒng)的「換夾爪」，也完全不在一個(gè)難度級(jí)別。

夾爪通常服務(wù)于固定工序，動(dòng)作相對單一；靈巧手卻有更多關(guān)節(jié)和自由度。一次看似簡單的抓取，背后可能要同時(shí)協(xié)調(diào)手指姿態(tài)、接觸位置、摩擦力、物體形變和機(jī)械臂軌跡。

更麻煩的是，不同廠商的靈巧手，在關(guān)節(jié)數(shù)量、尺寸、控制接口和動(dòng)力學(xué)特性上各不相同。

「手」一換，模型面對的，幾乎就是一副全新的身體。

據(jù)介紹，Visics 目前已支持10 款以上不同品牌的靈巧手。換手即用真正要跨越的，正是這些硬件差異。

2、不只完成一個(gè)動(dòng)作，而是干完一整單活

換完身體，接下來考任務(wù)。

在機(jī)器人商超提貨站演示中，機(jī)器人自主理解指令、識(shí)別對應(yīng)商品，并連續(xù)完成移動(dòng)、抓取和交付禮品。全程不依賴人工遙控，也沒有遠(yuǎn)程接管。

單獨(dú)看，移動(dòng)、識(shí)別和抓取都不是新能力。難點(diǎn)在于，機(jī)器人能否把這些環(huán)節(jié)串成一條完整鏈路，穩(wěn)穩(wěn)接住一個(gè)個(gè)長程任務(wù)。

這也是具身智能從 Demo 走向業(yè)務(wù)的一道分界線：過去更像是「教機(jī)器人完成一個(gè)動(dòng)作」，現(xiàn)在可以把一整單任務(wù)交給它。

公司透露，目前該方案目前已與多家零售、物流企業(yè)開展試點(diǎn)合作，多 SKU 抓取成功率穩(wěn)定在99% 以上。

3、拆紅包、立硬幣，考驗(yàn)「精細(xì)功夫」

機(jī)械臂還在現(xiàn)場完成了拆紅包、將硬幣豎立在桌面上等任務(wù)。

這些精細(xì)操作，人類尚且難以挑戰(zhàn)成功，何況機(jī)器人。

例如，捏取和豎立硬幣，需要機(jī)器人準(zhǔn)確判斷接觸位置，并在極小范圍內(nèi)持續(xù)調(diào)整力度。力太大，硬幣可能滑動(dòng)；力太小，又無法穩(wěn)定控制。

為此，機(jī)械臂搭載了自研的微型視觸覺模塊 FingerEye 。

該模塊可在接觸前提供立體深度指引，接觸后通過形變推算六軸力矩，讓機(jī)器人同時(shí)獲得視覺、觸覺與力覺反饋，實(shí)現(xiàn)亞毫米級(jí)力控。

幾輪闖關(guān)下來，具身大模型的競爭方向也愈發(fā)清晰。不再只是完成一個(gè)指定動(dòng)作，而是讓同一套智能跨越不同身體、物體和任務(wù)，隨時(shí)換場，接著干活。

「一腦控多手」背后，Visics 到底學(xué)會(huì)了什么？

三場演示，換了手、換了物品，也換了任務(wù)。但背后的「大腦」，始終是同一個(gè)——通用具身大模型 Visics 。

它采用了RoboScience機(jī)器科學(xué)自研的 VLOA（Vision-Language-Object-Action）架構(gòu)。

Visics大模型架構(gòu)圖

和傳統(tǒng) VLA 直接學(xué)習(xí)「機(jī)器人該怎么動(dòng)」不同，Visics 重新定義了具身智能的Token

物體，應(yīng)該怎么被操作？

這正是它能夠跨本體、跨物體、跨任務(wù)復(fù)用的關(guān)鍵。

VLOA 中間的「 O 」，指的就是這個(gè)新 Token ：Object Trajectory，亦即物體連續(xù)的 3D 點(diǎn)云軌跡。

它描述的是一個(gè)物體在任務(wù)過程中，位置、姿態(tài)、形變和接觸關(guān)系應(yīng)該如何連續(xù)變化，能夠?qū)⒃緩?fù)雜的三類變量——任務(wù)、硬件和物體——統(tǒng)一到一個(gè)共同表達(dá)里。

Visics 內(nèi)部，可以理解為兩套模型協(xié)同工作。

上層的具身世界模型，負(fù)責(zé)理解指令、場景和物理關(guān)系，并在三維空間中預(yù)演：物體接下來應(yīng)該如何運(yùn)動(dòng)和變化。

它輸出的不是某臺(tái)機(jī)器人的關(guān)節(jié)動(dòng)作，而是一條符合物理規(guī)律的物體軌跡。

下層的通用操作模型，再把這條軌跡翻譯成當(dāng)前本體能夠執(zhí)行的動(dòng)作：從哪里接觸、以什么方向操作、施加多大力度，并根據(jù)實(shí)時(shí)反饋不斷修正。

所以，每當(dāng)換一只手，上層規(guī)劃并不需要推倒重來，變化的是「怎么執(zhí)行」，而不是「要完成什么」。「一腦控多手」的秘訣，就藏在這里。

至于Visics 預(yù)訓(xùn)練數(shù)據(jù)，主要來自海量視頻數(shù)據(jù)和仿真數(shù)據(jù)。

具身世界模型從海量視頻中，學(xué)習(xí)人類如何與物體交互。公司通過自動(dòng)化標(biāo)注和清洗管線，將普通視頻轉(zhuǎn)化為以物體為中心的高維操作數(shù)據(jù)。

按公司披露，這套數(shù)據(jù)體系可將單條數(shù)據(jù)的獲取成本降至傳統(tǒng)方案的1/20 到 1/200，并以每周數(shù)十萬小時(shí)的速度持續(xù)擴(kuò)充，有望將具身智能的數(shù)據(jù)規(guī)模，推向類似大語言模型的萬億級(jí)Scale-up 。

通用操作模型在仿真環(huán)境里「練手」，大規(guī)模學(xué)習(xí)抓取、折疊、纏繞和倒水等操作。

為縮小仿真與真實(shí)世界之間的差距，RoboScience機(jī)器科學(xué)自研了多模態(tài)物理仿真引擎 RoboMirage ，用于批量生成機(jī)器人操作軌跡。

目前已積累數(shù)百億次Manipulation 操作軌跡，2026 年有望將這一數(shù)據(jù)集擴(kuò)展至1T規(guī)模——也就是覆蓋全空間物體的1 萬億次操作軌跡。

RoboMirage

當(dāng)機(jī)器人真正進(jìn)入現(xiàn)場，執(zhí)行中出現(xiàn)的高難度失敗案例，還會(huì)持續(xù)回流，用于后訓(xùn)練和定向補(bǔ)強(qiáng)。Visics 的數(shù)據(jù)飛輪，也由此轉(zhuǎn)了起來。

從綁定本體到全球首個(gè) EaaS，具身大模型換了一種交付方式

換手即用之后，Visics 又往前邁出一步：

把這套能力做成像水和電一樣、可以按需調(diào)用的基礎(chǔ)能力。

RoboScience機(jī)器科學(xué)已與騰訊云達(dá)成戰(zhàn)略合作。雙方將基于騰訊云的算力與存儲(chǔ)底座，共同打造云端 EaaS —— Embodied AI as a Service，也就是「具身智能即服務(wù)」。

Visics 也因此成為全球首個(gè)具備云端部署能力的具身大模型

通過 API 等方式，對外開放 VLOA 架構(gòu)、Object Trajectory 數(shù)據(jù)標(biāo)準(zhǔn)、跨本體泛化能力和全自動(dòng)數(shù)據(jù)管線等核心技術(shù)能力。

聽上去，有點(diǎn)像大模型時(shí)代的 MaaS。

但這一次，云端模型輸出的要進(jìn)一步落到機(jī)器人身上，變成真實(shí)世界里的移動(dòng)、抓取和操作。

這也意味著，具身智能的交付邏輯可能要變了。

過去，機(jī)器人項(xiàng)目通常是一臺(tái)機(jī)器人、一套模型、一個(gè)場景，再配上一輪漫長的工程調(diào)試。硬件一換，甚至只是換個(gè)末端執(zhí)行器，都可能重新適配。

這種模式，很難規(guī)模化復(fù)制。

Visics 拆開了模型與硬件之間的強(qiáng)綁定。如果同一套操作能力能夠跨本體復(fù)用，那么企業(yè)未來采購的，可能不再是一套軟硬件捆綁的機(jī)器人系統(tǒng)。

機(jī)器人廠商負(fù)責(zé)造身體，云端模型負(fù)責(zé)提供「大腦」，場景方再根據(jù)業(yè)務(wù)需要完成應(yīng)用開發(fā)。

換句話說，具身智能開始從「賣整機(jī)、做項(xiàng)目」，走向「賣能力、做平臺(tái)」。

而云服務(wù)，正是這套分工能夠跑起來的必經(jīng)之路。

海量視頻、仿真數(shù)據(jù)和真機(jī)反饋，需要持續(xù)匯總、訓(xùn)練和更新。相比讓每一家機(jī)器人公司都從零搭建模型，把共性能力集中在云端訓(xùn)練，再開放給不同硬件調(diào)用，更容易形成規(guī)模效應(yīng)。

模型統(tǒng)一升級(jí)，機(jī)器人按需調(diào)用；本體廠商專注硬件，場景方專注業(yè)務(wù)。

當(dāng)?shù)讓幽芰Ω聲r(shí)，下游也不必重新部署整套系統(tǒng)，通過 API 或軟件升級(jí)，就有機(jī)會(huì)直接獲得新的操作能力。

不過，機(jī)器人上云與普通軟件上云仍有明顯區(qū)別。

EaaS 的關(guān)鍵不只是把模型部署在服務(wù)器上，還在于能否形成一套兼顧通用能力、實(shí)時(shí)控制和硬件適配的工程體系。

RoboScience機(jī)器科學(xué)這次亮相，釋放出了一個(gè)清晰信號(hào)：機(jī)器人的「智能」，正在擺脫對特定硬件的綁定。

過去，一臺(tái)機(jī)器人、一套模型、一個(gè)項(xiàng)目。硬件一換、場景一變，往往就要重新開發(fā)。當(dāng)感知、規(guī)劃和操作能力逐漸與硬件解耦，同一套「大腦」便有機(jī)會(huì)進(jìn)入不同身體、適配更多場景，并像云端軟件一樣持續(xù)升級(jí)。機(jī)器人行業(yè)，也由此看到了從定制項(xiàng)目走向標(biāo)準(zhǔn)化平臺(tái)的可能。

當(dāng)然，具身大模型上云，仍要面對延遲、安全、網(wǎng)絡(luò)穩(wěn)定性和端云協(xié)同等現(xiàn)實(shí)問題。但方向已經(jīng)清晰。

當(dāng)廠商不必重復(fù)訓(xùn)練「大腦」，場景方也不用圍繞每款硬件從頭開發(fā)，具身智能走進(jìn)千行百業(yè)的門檻，才有可能真正降下來。