启智Openmind通用底座：具身智能落地的“机器人安卓”
2026年的世界人工智能大会现场，人形机器人仍是展馆中密度最高的展品品类。后空翻、舞蹈表演、人机格斗等单机展示轮番上演，技术完成度每年都有明显提升，但产业落地的进度却始终没能匹配技术迭代的速度。
当前具身智能落地仍面临多重瓶颈：训练数据稀缺、跨机器人本体迁移成本高昂、开发门槛居高不下，多数技术成果还停留在演示阶段。行业普遍认为，具身智能的产业化将沿着从工业到服务、从专用到通用的路径分阶段推进。根据行业机构的研报预测，2030年全球人形机器人出货量仍将以工业场景为主，消费级应用的加速普及可能要等到2030至2035年之后。
在一众靠整机表演吸引眼球的展台中，首次亮相的启智Openmind选择了完全不同的展示思路：他们没有安排任何技巧性的机器人表演，而是将核心展品聚焦于一套智能机器人通用技术底座，以及由这套底座驱动的三个实景作业展项，现场直接验证底座在真实场景中的可行性。
第一个展项是「九星连珠」精细操作演示，核心验证人机交互中的长尾任务泛化能力。现场观众可以在九宫格触控屏上划出任意轨迹，搭载底座的机器人就能在毫厘级的微操作空间中实时复现轨迹动作。真实工业场景中的作业任务千变万化，无法通过预设穷举所有可能，这一演示正是为了验证机器人在毫厘级精度下处理从未见过的操作组合的能力。
第二个展项聚焦月球极端工况基建，用来测试机器人在极端环境下的自主作业能力。模拟月面的崎岖地表上，三台人形机器人独立完成清理障碍、抱持大尺寸光伏板穿越复杂地形、精准锁附螺栓等基建任务。在无法依赖人工干预的场景中，机器人需要独立完成感知、决策与执行的全闭环，这也考验着底层底座的世界模型因果推理能力。
第三个展项是低代码智能喷涂演示，重点展示柔性制造的响应速度。现场观众随手拼搭一块异形积木，搭载底座的机器人无需经过预演就能立刻启动喷涂作业，全程不需要专业工程师编写任何代码。针对国内制造业中小批量、多品种的常态化订单需求，产线换型可以通过技术工人使用墨斗IDE完成，省去了专业工程师的长周期调试流程。
启智团队对行业瓶颈的判断与多数同行有所不同，他们认为现阶段真正制约具身智能落地的核心是底层设施不足。当前机器人技能开发长期被困在三大痛点中：一是开发门槛高，需要专业的AI与机器人工程师才能完成；二是开发成本高，数据采集、模型训练、算法调试、真机部署测试等每个环节都需要高昂投入；三是开发效率低，项目周期长且失败率居高不下。归根结底，整个行业缺少一个能够让各类机器人统一开发、运行、迭代的通用平台。
需要明确的是，大模型并不能解决所有问题，它只是这个通用平台中的一个智能模块。一套完整的技术底座还需要包含操作系统、开发工具、数据管线与部署运行体系，搭配算法库、数据集、工具链和开发硬件，才能针对性解决上述三大痛点。
为什么是工业机器人企业率先打造产业底座？
启智脱胎于科创板上市公司埃夫特，后者是国家机器人产业链链主企业，也是首批国家级专精特新“小巨人”企业，业务覆盖核心零部件、整机制造到高端系统集成全链条，全球累计交付的机器人数量超过十万台。埃夫特的成长轨迹几乎与中国机器人产业的演进完全同频。
2016年之前，外资机器人“四大家族”垄断国内市场，核心零部件国产化率不足20%，由汽车整机厂转型而来的埃夫特凭借165kg重载点焊机器人突破技术壁垒，完成市场化独立运作与股份制改造。
“十三五”期间，国内机器人产业产业化规模化提速，行业年需求步入10到20万台区间，整体国产化率提升至30%。埃夫特通过收购CMA、战略投资ROBOX强化自主化能力，牵头多项国家重点研发攻关项目，并于2020年登陆科创板，跻身国产机器人第一梯队。
“十四五”阶段，国内机器人行业年需求突破20到30万台，2025年国产化率超过50%，AI与机器人技术深度融合。埃夫特向产品型组织转型，产品可靠性达到12万小时MTBF，对标国际先进水准，年产销突破万台，并提前布局具身智能前沿赛道。
进入“十五五”时期，行业全面迈向智能化，年需求突破30万台，具身智能与工业大模型成为产业核心驱动力。埃夫特启动“换道超车”战略，以启智通用技术底座打造智能机器人产品，推进全球化布局与产业生态构建。
埃夫特的技术路径分为两条主线：向内完成机械平台、驱控硬件和运控软件的全栈自主化；向外通过HumanGPT、大衍数据平台、墨斗IDE和Openmind OS探索智能化路线，启智品牌正是承载了对外的智能化探索业务。
这样的产业出身为启智打造通用技术底座提供了得天独厚的现实条件。在应用场景层面，底座核心模块从诞生之初就部署在埃夫特的工业机器人和复合机器人上，智能焊接、喷涂、分拣等能力已经在真实制造业环境中长期验证，并持续回流优化数据。以启智医疗导诊机器人yobot W2为例，其在医院的部署周期从原本的数周压缩到了分钟级，语音识别准确率达到95%，问答成功率达到99%，省去了多数创业团队需要花费大量时间寻找首个试点客户的环节。
在技术能力层面，启智具备从机器人身体到大脑的全栈研发能力。团队既深度理解机器人的机械结构与运动控制逻辑，也能够搭建完整的数据、模型和开发平台，避免了行业中常见的“模型懂任务、却控制不了机器人身体”的割裂问题。
在生态布局层面，启智也已经取得了阶段性成果：整机端，新松、遨博、乐聚、傅利叶等头部机器人厂商已经完成底座对接；算力端，底座全面适配华为国产算力，实现全栈自主可控；学研端，团队与清华、哈工大、浙大、北航等国内高校深度合作，并联合香港中文大学、卡内基梅隆大学等海外院校形成技术顾问网络。同时底座对第三方本体、算法与技能保持开放接入，相关研发项目已经获得国家科技重大专项支持。
打造机器人行业的“安卓”生态
如果将机器人产业类比为智能手机产业，启智的通用技术底座就相当于安卓系统——一个能够让各类机器人应用流畅运行的操作系统和开发生态。按照机器人应用从开发到落地的完整流程，这套底座可以拆分为三层核心架构。
第一层是接入与运行层，核心是Openmind OS。该系统向下适配不同品牌、不同形态的机器人硬件，向上为模型和应用提供统一的运行环境，工业机械臂、复合机器人、人形机器人均可快速接入，实现一次开发、多端部署。系统支持x86与ARM跨平台运行，兼容ROS2和第三方算法，同时适配国产芯片与国产大模型。
第二层是开发层，由三款核心工具构成：HALO技能服是一套以人为中心的沉浸式数据采集装备，通过穿戴式设计实现多模态技能的精准捕捉与数字化记录，实时采集人机交互及作业数据，为底座提供高质量的原始训练素材；大衍数据平台负责数据采集、治理、标注、训练与回流，通过与清华大学团队合作，模型训练周期已经从原本的月级压缩至周级甚至天级；墨斗IDE则将机器人开发从传统代码编程转化为可视化的低代码搭建模式，即使不具备专业编程背景的技术工人也能快速上手操作。
第三层是智能层，负责机器人的理解、决策与执行，核心是HumanGPT世界模型，最终通过启智yobot系列整机和合作伙伴的机器人完成部署验证。
当三层架构贯通之后，一条完整的产业链路就此形成：HALO技能服在真实作业中捕捉人类操作数据，大衍数据平台完成数据的加工与治理，HumanGPT从数据中习得通用能力，并沉淀为可调用、可组合、可复用的标准技能；开发者通过墨斗IDE使用这些标准技能搭建应用，再通过Openmind OS将应用部署到不同机器人上；作业过程中产生的新数据会再度回流平台，持续迭代优化底座能力。场景越多、数据越丰富，底座的整体能力就会越强。
从产品形态来看，这套完整的链路就像是一个机器人版的“应用商店”：开发者搭建好技能APP之后可以发布上架，机器人用户只需要下载安装就能直接运行。手机生态中成熟的“开发、上架、下载、运行”范式，被完整移植到了机器人产业当中。
HumanGPT：从人类操作数据中提取通用技能
在本次WAIC展会上，启智还发布了与香港中文大学陈斐教授团队从零到一自研首创的HumanGPT。这是一款以人为中心的全身全模态操作世界模型，能够从人类真实操作数据中学习并蒸馏出具有泛化能力的技能表征。
选择以人类操作数据作为训练核心，源于当前行业的数据成本结构问题。机器人真机数据采集不仅昂贵，而且速度缓慢，同时受到机器人数量、本体型号和场景条件的多重限制，已经成为全行业公认的数据瓶颈。而人类每天在真实世界中完成大量操作任务，这些操作天然包含视觉、语言、动作、力觉、空间关系与任务意图等全模态信息。HumanGPT将这些人类操作经验转化为机器人可学习的优质数据来源，为训练数据供给开辟了第二条路径。
这款模型的核心并非简单模仿人类的动作轨迹，而是要提取人类操作背后的认知与技能结构。比如，人为什么选择这个动作、动作会如何改变物体的状态、下一步该执行什么操作、任务失败后如何调整策略、不同的身体结构如何复用同一种技能。换句话说，为机器人赋予心智的本质是蒸馏人类的大脑，让机器人在认知层面学习人类的思考过程，先理解物理世界的因果关系，再去执行具体动作。
“思维沙盘”是这一机制的具体体现：机器人在真正执行动作之前，会先在内部对动作后果进行预测和推演，再完成任务规划与全身协同。配合大小脑一体化架构，将任务规划与运动控制统一起来，机器人由此能够胜任全身协同的长线程复杂任务。
需要强调的是，HumanGPT只是底座中的智能核心，它的产业价值需要数据管线、运动控制、开发工具和运行系统共同兑现，这也是启智坚持打造完整底座、而非只做单一模型的核心原因。
当前具身智能的竞争维度正在发生变化。随着机器人进入工业落地阶段，负载、速度、精度与任务完成稳定性仍是衡量本体能力的重要指标。而在底座层面的竞争，则更多指向数据与技能能否在不同机器人之间有效迁移和复用、开发与部署成本能否被持续压缩，以及单一场景积累的能力能否沉淀为可在更多任务和客户中调用的通用资产。
启智在WAIC的首次公开亮相，正是这套底座路线的一次全面验证。参照智能手机产业的发展经验，操作系统与开发生态一旦成型，行业的扩张速度将由重复开发成本等核心因素决定。这一格局能否在机器人行业复现，未来几年工业场景的落地数据将会给出初步答案。
