一周连发6个模型！这家公司把具身智能的闭环跑通了

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 一周连发6个模型！这家公司把具身智能的闭环跑通了 克雷西 2026-09-10 12:55:38 来源： 量子位 模型可以开源，部署经验不能 克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 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。 机器人落地，还得是工业场景 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 ： 一堵是硬件：结构固定，换一个工位、换一种物料，就要重新设计； 另一堵是软件：动作靠预先编程，看不懂场景、听不懂指令，更不会举一反三。 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。 一周六个模型，直指具身智能落地 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。 Helios赋能下一代具身智能与世界模型 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。 ANU SimLab聚焦软物体操作仿真 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。 ActiWorld让世界模型开始对动作负责 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。 逆动力学头，从相邻预测结果里反推动作； 双向预测，训练时把当前观测保留下来当参照，同时要求模型既还原过去又预测未来； 运动加权，根据相邻真实画面的差异算出运动区域权重，强制模型把注意力放到真正变化的地方。 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