物理AI的閉環(huán)，終于有人跑通了：日冕+遠(yuǎn)圖萬臺級部署計(jì)劃官宣

田晏林 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

WAIC 2026落幕了，但一個(gè)信號藏不住。

如果你逛完了全場，會發(fā)現(xiàn)今年具身智能的展位比去年多了將近一倍。

人形機(jī)器人跳舞、機(jī)械臂疊衣服、雙足機(jī)器人走斜坡——Demo一個(gè)比一個(gè)炫。

但和現(xiàn)場的投資人、產(chǎn)業(yè)方多聊幾句，會聽到同一種疲憊：看了太多Demo，聽了太多參數(shù)，真正簽單進(jìn)廠的，太少。

Demo和量產(chǎn)之間，好像隔著一整個(gè)物理世界。

但別喪，還是有實(shí)打?qū)嵞玫接唵蔚钠髽I(yè)。

在WAIC開幕前，一家專注做物理世界基礎(chǔ)模型和解決方案的公司日冕開物，與全球服務(wù)器制造龍頭&AI基礎(chǔ)設(shè)施全棧解決方案提供商廣東遠(yuǎn)圖未來科技有限公司（以下簡稱“遠(yuǎn)圖”）宣布啟動超級工站戰(zhàn)略合作。

目標(biāo)非常具體且生猛：萬臺級部署。

WAIC現(xiàn)場，日冕展示了該超級工站的實(shí)際作業(yè)能力。

服務(wù)器制造，是當(dāng)前工業(yè)領(lǐng)域最具代表性的復(fù)雜裝配和測試場景之一。

一塊服務(wù)器主板上，有密集排列的芯片、接口和大量精密元件。

機(jī)器人完成上下料時(shí)，不僅要識別不同型號零件，還要保證抓取位置、力度和裝配精度。

現(xiàn)場工作人員介紹，為了在WAIC開幕當(dāng)天完成展示，日冕團(tuán)隊(duì)提前進(jìn)場調(diào)試。

但由于展館供電時(shí)間限制，真正開始調(diào)試的時(shí)間非常有限。

設(shè)備換了環(huán)境，光照、溫度、空間布局全部變化，本質(zhì)上就是機(jī)器人進(jìn)入了一個(gè)新場景。

結(jié)果？

當(dāng)天下午4點(diǎn)半通電后，只訓(xùn)練了半小時(shí)，到5點(diǎn)鐘設(shè)備就完成全部適配。

半小時(shí)適配一個(gè)新環(huán)境。

這背后不是簡單的程序調(diào)參，而是機(jī)器人系統(tǒng)對于物理世界的理解能力。

更讓人意外的是，這樣的訓(xùn)練速度和完成效果，竟然來自一家成立僅4個(gè)月的公司！（你敢信？）

盡管日冕可能是今年WAIC展會上最年輕的企業(yè)，但卻不是一支剛剛從實(shí)驗(yàn)室走出來的團(tuán)隊(duì)。

我們查了下，其創(chuàng)始團(tuán)隊(duì)成員均是清華博士，并曾任職于蔚來、華為、智元機(jī)器人等企業(yè)，覆蓋自動駕駛、AI基礎(chǔ)模型和機(jī)器人產(chǎn)業(yè)化等多個(gè)方向。

2026年，當(dāng)很多人還在講基模Scaling Law時(shí)，日冕這家剛剛成立的公司，已經(jīng)在討論產(chǎn)品和商業(yè)化如何Scaling了。

機(jī)器人進(jìn)廠擰螺絲，先從服務(wù)器開始

很長一段時(shí)間，行業(yè)競爭焦點(diǎn)集中在世界模型、VLA、多模態(tài)大模型和參數(shù)規(guī)模。

大家都在努力讓機(jī)器人擁有更強(qiáng)的大腦。

但今年WAIC上，我們發(fā)現(xiàn)企業(yè)關(guān)心的問題正在發(fā)生變化。

• 機(jī)器人能不能適配真實(shí)工廠？
• 換一個(gè)工位需要訓(xùn)練多久？
• 面對不同型號產(chǎn)品，能不能快速遷移？
• 部署成本能不能降下來？

這些問題，比模型排行榜上的幾個(gè)百分點(diǎn)更加現(xiàn)實(shí)。

因?yàn)閿?shù)字AI和物理AI最大的區(qū)別在于：ChatGPT完成一次訓(xùn)練后，可以服務(wù)數(shù)億用戶。

但機(jī)器人不行。

機(jī)器人必須進(jìn)入具體環(huán)境，面對具體物體，完成具體動作。

它需要理解空間變化，需要處理視覺誤差，需要感知力反饋，還需要面對現(xiàn)實(shí)世界里的各種意外。

物理世界不是互聯(lián)網(wǎng)。

沒有一套數(shù)據(jù)中心，可以提前把所有情況模擬完。

所以，具身智能下一階段競爭的核心，不只是模型能力，而是誰能夠更早進(jìn)入真實(shí)場景，建立數(shù)據(jù)反饋閉環(huán)。

服務(wù)器制造，正在成為具身智能商業(yè)化的重要試驗(yàn)場。

原因很簡單，這里既有足夠復(fù)雜的任務(wù)，也有足夠明確的工業(yè)價(jià)值。

服務(wù)器生產(chǎn)涉及大量零件取放、精密裝配、線纜連接、功能測試、質(zhì)量檢測任務(wù)。

傳統(tǒng)自動化設(shè)備可以解決高度固定的流程，但面對多型號、小批量、高變化生產(chǎn)環(huán)境，柔性能力不足。

而AI服務(wù)器產(chǎn)業(yè)正在快速發(fā)展，對于制造環(huán)節(jié)提出了更高要求。

遠(yuǎn)圖所在的產(chǎn)業(yè)鏈，本身就是AI基礎(chǔ)設(shè)施的重要組成部分。

根據(jù)日冕介紹，遠(yuǎn)圖是全球領(lǐng)先的服務(wù)器制造龍頭，覆蓋AI基礎(chǔ)設(shè)施相關(guān)領(lǐng)域。

此次合作，并不是簡單部署幾臺機(jī)器人替代人工。

雙方真正想探索的是一套工業(yè)具身智能標(biāo)準(zhǔn)產(chǎn)品。

遠(yuǎn)圖的優(yōu)勢在于，不僅是全球服務(wù)器制造龍頭，也是面向AI時(shí)代的全棧算力解決方案服務(wù)商。

該公司不僅擁有AI服務(wù)器、通用服務(wù)器、交換機(jī)、超節(jié)點(diǎn)、液冷機(jī)柜等產(chǎn)品，還打造了業(yè)內(nèi)領(lǐng)先的「算-網(wǎng)-存-管」全棧產(chǎn)品體系，且具備研發(fā)-供應(yīng)鏈-制造-服務(wù)的全鏈條能力。

此次和日冕合作是雙方將具身智能技術(shù)與AI基礎(chǔ)設(shè)施制造融合的全新探索。

這樣的規(guī)模制造體量，意味著雙方合作一旦跑通，復(fù)制空間巨大。

日冕的優(yōu)勢則是提供物理世界基礎(chǔ)模型、機(jī)器人系統(tǒng)、工業(yè)級具身智能解決方案。

一端，是遠(yuǎn)圖提供真實(shí)制造場景和產(chǎn)業(yè)經(jīng)驗(yàn)；

另一端，是日冕提供物理世界基礎(chǔ)模型、機(jī)器人系統(tǒng)和工業(yè)級解決方案。

最終目標(biāo)，不只是替代單個(gè)工序，而是讓機(jī)器人完成從工藝?yán)斫狻⑷蝿?wù)規(guī)劃，到執(zhí)行反饋、持續(xù)優(yōu)化的完整閉環(huán)。

不過，要讓機(jī)器人真正成為生產(chǎn)力，實(shí)現(xiàn)AI自己造AI，背后的「大腦」仍是關(guān)鍵。

從LaMPA到超級工站，日冕打造具身智能時(shí)代的操作系統(tǒng)

日冕的「大腦」，押注的具身原生世界模型基礎(chǔ)架構(gòu)，取名LaMPA（Latent Masked Predictive Architecture）。

之所以「超級工站」能在半小時(shí)內(nèi)適應(yīng)一個(gè)新環(huán)境，其背后強(qiáng)化學(xué)習(xí)所需的獎勵函數(shù)、專家策略全部都是由這套自研基礎(chǔ)模型直接生成。

該模型定位很明確：通過統(tǒng)一跨模態(tài)隱空間學(xué)習(xí)物理世界規(guī)律。

它不是背誦電機(jī)角度，而是理解「拿起來」這件事本身。

當(dāng)前，具身智能模型演進(jìn)路線大致經(jīng)歷了四代：

LLM理解文字，VLM理解視覺，VLA連接語言和動作，WAM進(jìn)一步預(yù)測物理世界變化。

但日冕認(rèn)為，這四代演進(jìn)本質(zhì)上還是在學(xué)習(xí)表象映射，而不是理解物理規(guī)律。

比如傳統(tǒng)WAM側(cè)重視覺預(yù)測、輸入模態(tài)有限，容易學(xué)習(xí)表象而非物理規(guī)律。

就像讓一個(gè)人通過看窗外風(fēng)景來判斷室內(nèi)溫度，不是完全不行，但效率極低且容易出錯。

這也是日冕選擇自研LaMPA世界模型的原因。

為了最大程度上解決機(jī)器人「理解」世界的問題，LaMPA在三個(gè)維度上與市面上其他模型形成差異化：

增加更豐富的物理表征

傳統(tǒng)WAM僅依托圖像構(gòu)建單薄視覺表征，缺少力覺、觸覺、物體物理屬性等關(guān)鍵信息，無法完整理解現(xiàn)實(shí)物理交互。

LaMPA設(shè)計(jì)了Environment環(huán)境、Ego自我、Experience先驗(yàn)三大表征。

• Environment環(huán)境表征：讓模型熟悉任意場景，負(fù)責(zé)環(huán)境重建與感知，也就是「理解」所處空間；
• Ego自我表征：統(tǒng)一抽象導(dǎo)航移動、機(jī)械操作、本體控制三大能力，讓模型掌控任意本體；
• Experience先驗(yàn)表征：讓模型具備規(guī)律認(rèn)知，積累物體屬性、可供性和專家知識。

機(jī)器人當(dāng)下狀態(tài)=它看到的環(huán)境+對自己機(jī)身的認(rèn)知+積累的物理常識。

這是LaMPA最核心的邏輯，也是日冕認(rèn)為物理世界里應(yīng)該有的智能。

大幅縮短收斂周期

但真實(shí)世界的信息太復(fù)雜。

為了實(shí)現(xiàn)上述能力，LaMPA必須大幅提升訓(xùn)練效率。

傳統(tǒng)WAM采用像素級預(yù)測，監(jiān)督鏈路長，畫面墻壁、地面等無關(guān)像素全部參與損失計(jì)算。

冗余信息多、訓(xùn)練速度慢，精細(xì)操作任務(wù)適配成本極高。

LaMPA換了思路：

直接聚焦隱空間，僅保留任務(wù)相關(guān)信息，使用隱空間損失剔除無關(guān)環(huán)境像素，移除冗余環(huán)節(jié)縮短鏈路，不學(xué)習(xí)無效信息，收斂速度更快。

簡單理解，別人復(fù)習(xí)要通讀整本書，它直接劃考點(diǎn)背，省去大量無用功夫，上手速度快很多。

LaMPA希望模型只學(xué)習(xí)有效信息，這也決定了它后續(xù)的泛化能力。

應(yīng)對多變工況容錯能力更強(qiáng)

傳統(tǒng)世界動作模型WAM采用單一路徑預(yù)測邏輯，每次只預(yù)判唯一一套后續(xù)操作方案。

一旦現(xiàn)場出現(xiàn)一點(diǎn)點(diǎn)變量：光線變了、工件尺寸輕微偏差、擺放角度不一樣、場地背景改動，這套唯一方案就不匹配，機(jī)器人直接操作失敗、卡住無法繼續(xù)干活。

LaMPA底層用掩碼擴(kuò)散架構(gòu)做分布預(yù)測，核心區(qū)別是：一次推理能輸出多種合理、可行的交互方案，而不是只給一條路。

換一個(gè)工廠、換一種零件、換一個(gè)機(jī)器人本體，模型仍然能夠遷移。

這正是具身智能擺脫「數(shù)據(jù)拐杖」的關(guān)鍵。

但基礎(chǔ)模型只是第一步，把它變成生產(chǎn)力才有價(jià)值。

日冕不單獨(dú)售賣模型，而是推出軟硬一體完整落地方案。

這次和遠(yuǎn)圖合作的「超級工站」，就是典型案例。

超級工站并不是一臺機(jī)器人，而是一套軟硬一體的工業(yè)智能系統(tǒng)。

它由LaMPA物理世界模型、模塊化機(jī)器人硬件、Workflow Agent三部分組成。

先說Workflow Agent。

它負(fù)責(zé)理解工藝流程，把生產(chǎn)SOP拆解成機(jī)器人任務(wù)，并完成方案設(shè)計(jì)、仿真驗(yàn)證、生產(chǎn)執(zhí)行和反饋優(yōu)化。

第二層，是模塊化機(jī)器人硬件。

根據(jù)不同工業(yè)場景，可以組合雙臂機(jī)器人、移動機(jī)器人、多機(jī)械臂和不同末端執(zhí)行器。

第三層，是LaMPA物理世界操作系統(tǒng)。

它提供感知、理解、決策和控制能力。

在強(qiáng)化學(xué)習(xí)階段，日冕通過WRM世界獎勵模型判斷任務(wù)成功、失敗或進(jìn)行狀態(tài)，同時(shí)通過WPM世界策略模型輸出機(jī)器人動作，并將真實(shí)執(zhí)行反饋持續(xù)回流，推動基礎(chǔ)模型迭代。

最終，一個(gè)「規(guī)劃、測試、執(zhí)行、反饋、進(jìn)化」的閉環(huán)形成了。

這和傳統(tǒng)自動化最大的區(qū)別在于：

傳統(tǒng)自動化依靠固定代碼，換產(chǎn)要重新編程，工況一變就停機(jī)調(diào)試，只能單點(diǎn)替代工位，無法自主迭代；

超級工站依托LaMPA世界模型自適應(yīng)調(diào)整，支持跨工序全局協(xié)同，能持續(xù)自主學(xué)習(xí)優(yōu)化，可標(biāo)準(zhǔn)化嵌入智能產(chǎn)線，越運(yùn)行越適配。

具身智能進(jìn)入商業(yè)Scaling階段

「超級工站」正在打造從生產(chǎn)現(xiàn)場到模型進(jìn)化的閉環(huán)，因?yàn)榫呱碇悄苷嬲谋趬荆恢皇悄Ｐ停谟诜答侀]環(huán)。

對于數(shù)字AI來說，模型上線后可以快速復(fù)制服務(wù)用戶。

但對于物理AI來說，真正的訓(xùn)練，可能發(fā)生在機(jī)器人上線之后。

每一次進(jìn)入真實(shí)環(huán)境，機(jī)器人都會遇到新的問題。

這些真實(shí)反饋，才是物理智能成長的養(yǎng)料。

而具身智能真正的壁壘，也不只是模型能力，而是看誰能更早建立「反饋閉環(huán)」。

從這個(gè)角度看，未來具身智能公司的競爭可能取決于三個(gè)指標(biāo)：

• 誰能更早進(jìn)入真實(shí)場景
• 誰能讓反饋閉環(huán)速度更快
• 誰能積累更大規(guī)模的真實(shí)交互數(shù)據(jù)

這三個(gè)指標(biāo)環(huán)環(huán)相扣，早進(jìn)場景才能早拿數(shù)據(jù)，數(shù)據(jù)越多閉環(huán)越快，閉環(huán)越快模型進(jìn)化越猛。

沒有真實(shí)場景的數(shù)據(jù)閉環(huán)，再好的基模也只是空中樓閣。

但真實(shí)工業(yè)數(shù)據(jù)和互聯(lián)網(wǎng)數(shù)據(jù)完全是兩碼事。

互聯(lián)網(wǎng)數(shù)據(jù)更多記錄信息，而工業(yè)具身智能需要理解物理世界。

它不僅需要視覺信息，還需要機(jī)器人操作軌跡、力覺反饋、觸覺信號、工藝經(jīng)驗(yàn)，以及最終質(zhì)量結(jié)果等多維數(shù)據(jù)。

這些數(shù)據(jù)分散在產(chǎn)線各個(gè)環(huán)節(jié)，采集難、標(biāo)注難、治理更難。

需要建立一套持續(xù)獲取反饋、處理反饋、利用反饋的工業(yè)智能基礎(chǔ)設(shè)施。

為解決這一問題，日冕與遠(yuǎn)圖正在建設(shè)一套覆蓋采集、治理、訓(xùn)練和復(fù)用的工業(yè)級具身智能數(shù)據(jù)體系。

其中，日冕自研觸覺數(shù)據(jù)手套、頭戴式采集設(shè)備等硬件，實(shí)現(xiàn)生產(chǎn)過程中的無感伴隨式數(shù)據(jù)采集。

但采集數(shù)據(jù)只是第一步。

如何讓這些來自真實(shí)生產(chǎn)現(xiàn)場的反饋，能夠回流到模型訓(xùn)練體系，才是關(guān)鍵。

雙方建設(shè)的數(shù)據(jù)處理鏈路，覆蓋原始數(shù)據(jù)清洗、同步對齊、多模態(tài)融合、資產(chǎn)化處理和模型訓(xùn)練，最終沉淀為操作數(shù)據(jù)集、技能庫、仿真場景和模型檢查點(diǎn)。

這樣，機(jī)器人每完成一次任務(wù)，都會產(chǎn)生新的經(jīng)驗(yàn)；每一次經(jīng)驗(yàn)，又會反過來提升下一次任務(wù)能力。

按照規(guī)劃，日冕和遠(yuǎn)圖將首先在服務(wù)器制造場景驗(yàn)證超級工站能力，隨后向更多生產(chǎn)環(huán)節(jié)擴(kuò)展。

2027年完成百臺級部署，未來實(shí)現(xiàn)萬臺級具身智能產(chǎn)品部署。

當(dāng)下，越來越多的機(jī)器人告別實(shí)驗(yàn)室Demo，尋找產(chǎn)業(yè)落地機(jī)會。

如果說PC時(shí)代，微軟的成功模式是Windows作為底層操作系統(tǒng)，支撐Word、Excel等上層應(yīng)用，從而驅(qū)動數(shù)字交互。

Windows提供的是數(shù)字世界的感知、理解、決策、控制能力，上層應(yīng)用負(fù)責(zé)具體場景的標(biāo)準(zhǔn)化執(zhí)行。

那么具身智能時(shí)代的「Windows」是什么樣？

日冕提出的方向，是WMoS（World Model as OS），世界模型即操作系統(tǒng)。

底層負(fù)責(zé)理解物理世界，上層通過「超級工站」這樣的行業(yè)應(yīng)用完成具體任務(wù)。

一個(gè)負(fù)責(zé)思考，一個(gè)負(fù)責(zé)行動。最終驅(qū)動機(jī)器人進(jìn)入更多真實(shí)場景。

這也是為什么服務(wù)器產(chǎn)線可能成為具身智能的重要轉(zhuǎn)折點(diǎn)。

因?yàn)檫@里不是展示機(jī)器人會不會走，而是在驗(yàn)證機(jī)器人能不能工作。

One more thing

模型Scaling解決的是機(jī)器人有沒有大腦。

產(chǎn)品Scaling解決的是機(jī)器人能不能進(jìn)入真實(shí)世界。

日冕與遠(yuǎn)圖探索的超級工站，本質(zhì)是在尋找一條從基礎(chǔ)模型到工業(yè)生產(chǎn)的最短路徑。

未來，當(dāng)機(jī)器人進(jìn)入服務(wù)器工廠、半導(dǎo)體產(chǎn)線、物流中心，真正改變制造業(yè)的，可能不只是某一臺機(jī)器人。

而是一套能夠持續(xù)學(xué)習(xí)、持續(xù)復(fù)制、持續(xù)進(jìn)化的物理智能基礎(chǔ)設(shè)施。