问题——具身智能“看得见”却“干不久、干不稳” 近年来，具身智能成为产业界重点布局方向；机器人抓取、折叠、摆放等演示任务中表现突出，但进入工厂车间、家庭服务等开放环境后，往往出现成功率下降、任务中断，或对光照与视角变化高度敏感等问题。业内普遍认为——具身智能要真正形成生产力——关键不在“能做一次”，而在“能持续、可复制、可迁移”。 原因——从“模型能力”到“数据体系”的结构性短板 落地困难的核心制约之一，是高质量真实世界数据长期供给不足。一上，仿真数据成本低、规模大，但与真实物理世界存偏差，容易出现“仿真可行、现实失效”。另一上，依赖遥操作采集虽然更接近真实，但效率不高、场景覆盖有限，也难以完整记录触觉力度、手部细微姿态等关键变量，难以支撑复杂精细装配与长程任务学习。数据不够真实、任务不够典型、信息记录不完整等问题叠加，形成行业“数据荒”，成为具身智能从展示走向应用的重要瓶颈。 影响——从单点演示迈向产线作业，验证“能干活”的价值 在上述背景下，它石智航在AWE 2026上发布通用具身大模型AWE3.0。企业介绍，该模型基于自研架构提升对物理世界的感知、理解与规划能力，目标是降低对特定视角与受控条件的依赖，实现跨任务、跨场景迁移，同时兼顾精细操作与长程稳定执行。 在工业侧，线束装配因材料柔软易形变、插接精度要求高、过程控制复杂，被业界视为自动化难点。企业展示信息显示，其A1机器人可在较短时间内完成大量高精度线束装配操作，体现出复杂工序下的稳定性与一致性。业内人士指出，若对应的能力能在更多产线环节实现规模化部署，有望提升良品率、节拍稳定性与柔性生产能力，并推动机器人从“固定工位、固定动作”的预编程模式，深入迈向“自主感知、动态决策”的智能化作业。 对策——以真实场景为源头，重构可用数据供给方式 值得关注的是，该企业将突破重点更多放在数据体系建设上。其提出以人为中心的数据采集思路，通过高精度采集系统记录人类在真实工作场景中的操作过程，重点获取手部空间位姿、手指姿态、操作力度等信息，提高数据的可学习性与复用价值。 与在实验室复现“标准动作”不同，这个路径强调让一线从业者在真实任务中自然完成作业，从而获得更贴近需求、更具代表性的样本。企业介绍，其已形成超大规模数据集，覆盖多类职业操作与多种场景任务，并提出“场景真实、任务有效、信息全量”是机器人数据可用性的基本条件。业内认为，这种从产业现场出发的采集范式，有助于缩小“研发样机”与“生产现场”之间的差距，为模型泛化能力提供更扎实的基础。 前景——具身智能竞争将从“参数规模”转向“工程化与数据闭环” 从产业趋势看，具身智能下一阶段的竞争，可能从单纯追求模型规模与演示效果，转向数据闭环、软硬协同以及安全可靠等工程能力的综合比拼。面向制造业，具身智能若要大规模进入产线，还需要在稳定性评估、异常处理、与既有工艺系统协同、成本控制和安全规范等完善，并形成可复制的交付与运维体系。 同时，随着我国制造业向高端化、智能化、绿色化转型，复杂装配、柔性分拣、设备巡检等场景对“可迁移、可持续”的智能作业需求增长明显。通用具身模型若能在更多行业实现标准化落地，将为提升产业链韧性与生产效率提供支撑，也有望带动传感器、末端执行器、工业软件等上下游环节协同升级。
从实验室的精确控制走向车间的灵活应变，具身智能的突破不只体现在模型能力提升，更体现在路径选择的变化。它石智航的实践表明，解决前沿科技落地的“最后一公里”，既需要算法与系统层面创新，也离不开对产业一线流程与约束的理解。技术创新只有进入真实场景、形成可用的数据与可复用的交付体系，才能转化为稳定的生产力。该案例也为其他领域的技术转化提供参考：让科研攻关与产业需求同频，才能更快催生经得起现场检验的创新成果。