一周连发6个模型！这家公司把具身智能的闭环跑通了

admin

模型可以开源，部署经验不能

过去一年，具身智能行业的新闻雷声大、雨点也大。根据量子位不完全统计，截至2026年6月12日，国内具身智能赛道共融资约438亿元，已经达到了2025年全年的近八成。

这些demo和融资，覆盖的场景五花八门，家用陪伴、商业导览、工业产线，每个细分领域都有公司在做。但demo跑通和真正批量部署，是两张皮的事，不是每个场景都能同时跨过去，如果视角直接盯着「具身智能」这个大概念，未免太过宽泛。

那么究竟哪个场景离批量落地最近？答案是工业。

听到「工业」二字，很多人会认为门槛高、技术严苛，但对于具身智能而言，工业生产反而比生活场景来得简单。工业场景中，取放、搬运、插拔，这类动作重复度高，任务边界也相对固定。

相比家用场景里随时可能出现的宠物、玩具、陌生访客，工业场景更容易在短时间内被集中突破。所以，工业变成了具身智能里跑得最快的那条赛道。

国家税务总局的数据显示，2026年1-5月，全国工业企业购进具身智能机器人的总金额同比增长了2.3倍。企业的钱，正在从「买demo」转向「上产线」。

如果说上一轮AI浪潮的主角，是「会聊天的模型」；那这一轮的主角，就是「会干活的机器」。

但「会干活」这件事，没法只靠一次对话或一段演示视频来验证。模型参数堆得再大，论文指标刷得再高，机器人到底能不能在真实产线上运转，答案都只能从产线上找。

这也意味着，具身智能这条赛道，比的是谁先把机器人送进工厂、让它连续转起来。只凭借模型参数的大小，无法取得竞争优势。

但同时也需要明晰，之前可能有一批传统的工业机器人已经开始进场上班，但这种模式仍然不能称为「具身智能的工业化落地」。

焊接、搬运、喷涂这类固定动作，传统工业机器人早已干得又快又稳，但它们面前仍然有两堵绕不开的墙：

过去几十年，工业自动化的边界，被死死圈在「重复、固定、大批量」三个词里。

打破这两堵墙，正是这一轮技术浪潮真正要解决的问题。

为此，机器人得先看懂当前的场景该干什么，这是认知判断；再准确地把动作做出来，这是动作执行；还要在无人盯梢的情况下，稳定运行足够长的时间，不能三天两头出故障。

这背后需要一整套体系，从认知判断，到动作执行，再到长期稳定运行，每一环都要跟上。

要覆盖如此复杂的一整套流程，单靠一个模型可能确实有些捉襟见肘。

最近这几天，有家公司一口气就发布了六款模型，指向了数据生成、认知理解、训练进化、动作执行、端到端部署几个环节。从数据到部署，被这家公司用这六个模型给串起来了。

这家公司，就是专注工业具身智能商业化落地的安努智能。

六款模型，分别是实时长视频生成模型Helios、软物体仿真平台SimLab、让世界模型对动作后果负责的ActiWorld、强化学习工具EvoHIL、工业垂类模型AnuVerse-0.5，以及端到端部署系统Nexus。

看上去有点眼花缭乱，没关系，我们先用一张图看一看这些模型构成的体系，接下来再一层一层拆解。

第一步要解决的，是工业具身机器人落地绕不开的一个难题——数据采集。

安努先做了视频生成模型Helios。传统的视频生成往往面临着「生成慢、时间短、易崩坏」的痛点。

Helios通过底层架构的创新，显著改善了这一现状，它不仅能实时生成分钟级的长视频，而且在单张H100 GPU上就能实现19.5 FPS的推理速度。

有意思的是，Helios最初并不是专门为机器人或具身智能设计的，但它解决的几个核心问题——长时序建模、持续生成、实时推理、高效视频生成——恰好也是今天具身智能和世界模型绕不开的基础问题，Helios目前已被多家头部具身智能与世界模型团队采用，成为具身智能研究里不可忽视的关键技术底座。

工业场景里常见的刚性物体仿真，行业已经做得比较成熟，但物料分拣、快递包装这些任务中的软体物体，褶皱和光线一变，用传统物理引擎就很难精确建模，识别难度陡增。

这种软性物体的仿真，至今仍是各家都在攻克的难题。

面向物流软包裹分拣的抓取数据生成、面向工业设备的热视觉数据生成，以及这套仿真到真机的迁移方法，安努SimLab都已经在实际项目里完成验收落地，并且用百元级机械臂、零真实标注就跑通了全流程。

它的核心是一套自研的软体和热学物理求解器，配合基于Isaac Sim搭建的合成数据工厂，再加上一套已经在真实机械臂上验证过的sim2real迁移方法，把仿真里学到的东西搬到真机上。

配合自研的数采套件负责现场配套采集，三者合在一起，构成了给上层输送训练素材的数据工厂。

地基打好之后再往上走，就是ActiWorld。它的核心，就是让机器人对自己动作的后果负责，在真正伸手之前，先知道这一下大概率会不会失败。

纵观现有的世界模型技术路线，有的瞄准物理规律，有的关注空间预测，也有像英伟达Cosmos这样走平台化的路线。

问题在于，画面看起来真实，不代表它真的对应了机器人给出的动作。一旦画面对动作不敏感，视频再逼真也无法支撑决策，这种偏差在操作任务里格外致命。

所以，ActiWorld把资源押在了另外一件事上——动作后果的可验证性。

以前评判一个世界模型好不好，看的是视觉效果和画面流畅度，但这个标准会稀释动作信息，回答不了动作有没有被认真对待这个问题。

所以，ActiWorld换了个问法。

它同时关注动作、时间、空间三个角度，确保模型预测出来的画面包含足够的动作信息，用以分辨出这是抬起还是推动；确保当前状态能够「承上启下」，既能清晰描述过去，又能准确预测未来；确保模型的注意力，放在真正发生变化的地方。

为了把这三个方面的能力真正赋予模型，ActiWorld在训练环节设计了三条约束。

这三条约束只用在训练阶段。真正上岗的推理环节，走的还是标准接口，不多花一分钱的推理成本，而且直接兼容现有动作条件扩散骨干。

而且ActiWorld能干的，不只让画面更符合需求。

研究团队还拿它去做了另一件事，让它提前判断一套动作方案的后果，从而帮助机器人挑出更合适的动作。

测试下来，它对成败的判断和真实结果的偏差，低于3.25%。

这套预演能力，最后也在真机上得到了验证。

例如一个要求把包裹二维码朝上放到传送带上的分拣任务，原本执行策略的成功率是56%，加上ActiWorld引导的预演之后，相对失败率降了大概13.6%。

相比其他头部团队的世界模型，ActiWorld只关注一件事：动作对不对、能不能提前预判失败。

它训练时就把动作逻辑钉死，推理不加成本，也不绑任何本体，工厂落地，最缺的正是这种「先想一步」的判断力。

光有判断力还不够，机器人真正开始动手实操后，暴露出来的问题往往更棘手。

比如光照条件一变，动作可能就跟着乱套。这是RoHIL和EvoHIL两代真机强化学习技术要解决的问题。

在RoHIL和EvoHIL框架下，机器人训练只需要30分钟就能达到满分水准，跨光照场景也不需要重新采集数据。奖励标准同样不用人工每次离线重新标注，系统会根据人工确认过的成功样本自己迭代，不用停线重训。

以USB插入这类精密任务为例，做到了100%的成功率，而且光照条件发生完全偏移时，需要人工介入的比例只有1.32%，不到旧方法的十分之一。

既然光照变化是最容易让机器人翻车的因素之一，RoHIL索性把世界模型重新打光，让机器人不管碰到什么样的光照条件，都能维持稳定的判断，跨光照条件部署的成功率做到了100%。

但产线上会变的不只是光照，工位换了、任务变了，同样会让训练好的模型失灵。

靠人工离线重新标注数据、停线重训来应付，成本又太高。

所以这时候，需要机器人拥有自我进化的能力，EvoHIL就是干这个的。

它给奖励模型、动作生成器、视觉感知都装上自适应能力，让模型自己判断动作做得好不好，不用人工离线重新标注数据、停线重训，就能适应新工位、新光照，自己生成新的动作方案去试。

真机测试结果表明，有了EvoHIL，机器人在6类典型工业任务中，成功率大幅提升。

训练、迁移、奖励设计这三块成本叠加起来，同等规模部署下，整体成本能降低80%左右。

但这里其实还没到执行层，真正落到「动作」这一步的，是世界动作模型AnuVerse-0.5。

它采用视频专家预测画面、动作专家输出动作的MoT架构，基于14B参数的Helios开发。其推理速度做到百毫秒级，一张桌面级显卡就能跑起来，速度和部署成本都处于产线边缘能承受的水平。

这套体系走到这一步，其实已经能看……

查看原文

（本文转载自量子位，仅作资讯分享）