WRC 2026：展台上练抓取，展台下抢闭环

文 | 产业家，作者 | 吴坤谚 “（相比WAIC）没有变少吧，甚至还更多了。可能是之前上海有管制，这次还来了好多老外”，眼看着午餐时段依旧人满为患的场馆，一名展商这样感叹。 8月19日，2026世界机器人大会（WRC）如期举行。初秋的北京不似一个月前的上海那般燥热，机器人展台的热度却更高了。 这些热度，一定程度上来源于科技造就的视觉奇观。 宇树展台上，机器人打起拳击回合赛，观众前后围了三圈；一些机器人在舞台上跳舞、打球，继续刷新身体的运动上限；新松机器人甚至将一整套汽车制造清洁流水线搬进展台，机械臂连续作业，生产设备、工位和流程被压缩进一块临时展区。 如果只举起相机，这里依旧像一座关于未来的游乐场。但奇观之外，另一类场景的比重明显增加。 物流线、便利店、药房和家庭客厅被成片搬进展馆。机器人从传送带上分拣包裹，从货架上挑选商品，也在尝试打包、叠衣服和整理房间。不少展商的后台都接待着前来咨询的零售商。 今年WRC将“人机共生，产需共融”作为主题。真实任务的增多，算是最直观的回应。 机器人不仅要证明自己能在遥操前提下流畅行动，更要回答其自主能力能解决什么问题、进入什么场景以及是否有人愿意为它付钱。 “实用”没有取代“炫技”，奇观依旧存在。但更多的篇幅，给到了机器人自主理解环境、处理物体并完成连续任务的展示。这背后被反复追逐的，是智能的泛化能力。 本体决定机器人能感知什么，数据决定模型见过什么，模型能力又必须进入真实场景接受检验。泛化能力越重要，企业越难只守住产业链中的一层。 于是，一个有些反常识的现象出现了： 当机器人离客户越来越近，企业不但没有迅速走向分工，反而加速“封闭”，以减少数据与反馈在不同层级之间传递的时间 。 如果说真实任务是今年WRC浮在水面上的变化，那么围绕闭环重新划分企业边界，才是藏在水面之下的竞争。 一、当模型尚未拉开代差，场景先挤在一起 “本体六，模型四吧”，一位展商这么告诉产业家。 在他看来， 本体的运动能力和产品形态仍然占据展馆的主要视线，具身模型却没有出现明显领先半个、甚至一个版本的突破。 至少在展台上，具身模型之间还没有形成观众一眼可辨的代差，进而影响落地演示。 于是，走在智创馆里的观众，看到的是十几家公司的展台，演示几乎相同的任务。 走进智创馆，传送带是高频出现的设备之一。标准的盒装包裹与软包被打乱，再由机械臂逐件识别、抓取，丢进传送带。自变量的机械臂守在传送带旁反复俯身，展台告示牌标出的峰值效率超过每小时1816件；另一边，蚂蚁灵波搭载乐聚机器人本体，运行自己的跨本体基座模型，连续处理柔性包裹。 传送带的速度可以设定，包裹数量可以统计，抓取成功与否一目了然。对展商而言，它方便展示模型能不能连续工作；对客户而言，每小时处理多少件、失败多少次、需要几个人接管，都可以继续换算成成本。 离开传送带，类似的竞争被搬进了客厅。 千寻智能旗下，搭载新模型的Moz1在接到“整理客厅”的指令后，机器人从桌面和地面找到散落的可乐、碗、垃圾和玩具，再把它们逐一送回对应位置；自变量的量子2号则一边制作个性化香囊，一边演示客厅清理；星尘智能的新品T1则在做家务基础上，还突出了8.99万元的低起售价，以及其搭载的家庭隐式世界模型Lumo-2。 厂商在展台上搭出一块模拟家庭空间，并随意洒落物品，试图通过随时可能变化物品的种类、朝向和摆放位置，展现模型智能的自主行动、识别与长程能力。 这些任务表面上看相似，但都属于非结构化环境中的连续柔性操作，机器人要根据动作造成的新变化继续决策 。 货架是第三种反复出现的布景。 星海图让机器从零售货架上寻找并取出商品；蚂蚁灵波把同样的能力放进药房，货架上排列着尺寸接近、包装不同的药盒；普渡与京东合作的D7 JoyInside版本，也把取货和服务放进了类似的零售场景。 从传送带、客厅到货架，本届WRC的真实任务集中在少数几道考题上。 物流、零售和有限的家庭任务，成为少数能够同时容纳技术验证与客户需求的试验场 。 本体当然重要。不论是在不同环境中如履平地的四足机器人还是不同底座的人形机器人，只有先站稳、移动和完成抓取，智能才有进入物理世界的基础。但当行业开始追求泛化，仅仅完成一项任务，已经不能说明全部问题。 说到底，趋同的演示背后既存在技术上的客观限制，也是星海图创始人高继扬在群访中提到的： 客户购买的核心不是一台机器人整机，而是机器人完成的生产工作 。 二、闭环不是目的，迭代才是 沿着这一逻辑，如果我们将具身智能的交付物视作“完成的工作”，工作背后的整条链路，包括数据、模型、本体、部署，都需要被厂商纳入考量。 今年的WRC上， 自建闭环的重要性，第一次以如此集中的方式呈现出来 。 不同企业都试图证明，自己不只拥有链路中的一个环节。机器人站在前场做任务，展板上同时写着基座模型、具身操作系统和本体；另一侧可能摆着数采设备，或者展示模型在不同机器人和不同场景中的迁移能力。 大晓机器人将真人五指数据采集方案和端侧巡检模块放在同一展台。前者记录人类手指如何弯曲、发力和配合，让真人动作变成机器人可以学习的样本；后者则指向设备进入巡检现场后的运行。 模型厂商对数采的热情更甚。自变量在展台摆出了真人夹爪数采方案，和数据工厂一起构成WALL-B模型的供给端。蚂蚁灵波、千寻智能、星海图等厂商虽未做独立展出，但也都自建了数采体系。 数据从哪来、怎么采、质量如何，本就是模型能力差异的重要来源。行业对泛化智能的渴求放大了这一点。 千寻智能告诉产业家，现阶段自建数据采集、模型训练和本体校验闭环仍在加速迭代，因为自有设备能更快暴露构形、数据质量和模型适配问题。换一种说法， 如果只做模型，用别人的本体，厂商发现问题的速度便取决于别人给你反馈的速度 。 在模型能力尚未出现代差的阶段，反馈周期以及其代表的迭代速度就是生死线。 更进一步，数据的需求还延伸到了部署后的回流。除现场画面外，它还包括关节、力矩、角度以及模型决策等信息。模型认为动作应该成功，本体却没有完成；或者本体准确执行了指令，模型一开始便认错了物体。只有把这些信息放在一起，研发人员才能定位问题发生在哪一层。 机器人在展台上抓起一盒药，如果它下一次没有抓住，研发人员需要知道的不只是“失败了”，还包括模型识别到了什么、选择了哪个抓取点，机械臂以怎样的角度接近，关节如何转动，又施加了多大的力。 目前，将这条反馈链条展示得较为完整的厂商是数据平台光轮智能。 展台上，光轮智能展示了完整的数据基础设施：前端采集人类行为数据，中间通过仿真环境训练和评测，再将模型部署到真机，记录机器人在真实场景中的失败并完成回流。光轮智能解决方案副总裁张建伟将展示和部署的区别概括为：前者展示的是机器人能力的上限，后者考验的则是7×24小时工作的能力下限。 一次真实失败会被送回云端，经过评测后确定问题来自模型、本体还是数据。系统再根据结果补采人类示范或生成仿真数据，重新训练、复测，最后将新版本部署回机器人。 只有当这次失败最终改变了下一版系统，链路才真正闭合。从这个角度看， 现阶段的闭环表面上是在扩大业务范围，实际上是追求迭代的效率工具。 一位展商告诉产业家， 部署回流的基建与数采的基建不尽相同，自建还需要考虑资源投入与场景客户的脱敏、本地等需求 。这为布局完善的