它石AWE 3.5具身智能：百万小时数据解锁真实场景Scaling
走进传统汽车制造商的线束生产车间，你会看到与整车总装厂完全不同的景象。总装车间通常整洁明亮，实现了高度自动化；而线束车间则空间拥挤、管线密布，常年弥漫着特殊的生产气味，一线工人留存率极低——不少人经过一个月的基础培训后，在岗时长甚至撑不过三个月。这里正是工业自动化领域公认的攻坚深水区。
如今，这一局面正被具身智能技术彻底改变。在2026年世界人工智能大会上，国内一家专注具身智能的企业带来了一条1:1还原的环形线束流水线实体模型。多台机器人集群协同作业，流水线循环流转线束安装板，每个工位可同时完成不同线型的装配工作，生产效率得到了大幅提升。该企业首席科学家甚至调侃道：“现场我们都不敢让它一直干活，怕机器人干太快把配套物料用完了。”
撑起这条全自动化产线的，是该企业刚刚发布的具身原生基座模型AWE 3.5。这也是具身智能领域第一个真正打通预训练到后训练完整范式的原生模型。企业将新版本命名为3.5，传递出明确的信号：希望它能像GPT-3.5一样，在多任务能力上展现出新的突破可能。
回看AWE系列的发展脉络，确实遵循了这一思路。3.0版本首次亮相时，就已经在汽车线束场景中实现了高效落地；到了3.5版本，模型能力开始向更多工业场景溢出，工业装配、插接、收纳等不同类型的任务，都可以通过同一个模型完成。今年该企业在WAIC的展台主题——打造可信赖的物理AI，正是围绕这一核心特点展开：不同任务之间无需重新加载模型、切换参数，仅依靠同一个基础模型即可完成。
现场的演示场景充满了实用性：机器人可以快速整理桌面、打包手机、插接网线、完成零件分拣，几乎可以应对各类日常操作任务，用该科学家的话说就是“跟主播带货一样（笑）”。
但这只是开胃菜。2026年被视为世界模型技术百家争鸣的元年，但在多数人的认知里，世界模型还只是论文中的架构图和评测表格里的数字。这次，该企业在WAIC给出了最直观的答案：上手试一试。
现场观众佩戴数据采集夹爪后，就能与AWE 3.5生成的平行世界展开实时互动：捏起一块积木松手，积木会像受重力一样落向桌面；拖拽手机盒，盒子会产生对应的位移和摩擦；蜡烛上的微弱火焰，也能在模型中被忠实地呈现出来。这些交互没有一行牛顿定律代码，没有碰撞引擎，也没有物理结算系统，所有重力、柔性形变、碰撞反馈、物体位移等物理规律，都由模型从真实交互数据中自主学习得到。
在这些直观的交互涌现之外，还有一项被严重低估的核心能力：长时记忆与空间理解。传统视频模型存在一个难以根治的缺陷——随着预测时间变长，物体容易突然消失、变形，或是在一帧幻觉后彻底“蒸发”。究其根本，像素监督的训练方式本身不鼓励长程物理交互的连续性，无法适配具身智能的训练需求。为此，AWE 3.5依托以人为中心的交互数据专门强化了模型结构，让其显式学习长时记忆和长时序空间理解能力，能够在数分钟的连续交互闭环推演中保持环境稳定。在此基础上，后训练可以从连续过程中切出多个动作片段，无需担心环境在下一秒出现异常。这也让在世界模型中开展强化学习成为了可能。
今年以来，行业内一直存在VLA架构与世界模型路线的争议，但和不少深耕具身智能的从业者交流后会发现，真正参与模型训练的团队并不在意所谓的路线之争，最终的评判标准始终是：是否能优化动作执行效果。
在传统VLA架构中，视觉和语言模态在预训练阶段就实现了紧密耦合，但动作模态要到后训练阶段才通过监督微调接入，这相当于学生先学完所有理论课，临考试前才开始动手做实验，理论学习和实操之间存在先天的断层。而世界模型路线虽然向前迈进了一步，能够利用大规模视频数据学习表征能力，但互联网视频模型的注意力结构已经在数十万到百万小时的猫狗视频数据集上定型，直接嵌入具身基座模型容易走向两个极端：一是视频模型自带的幻觉问题会渗透到动作策略中，导致操作不到位或判断混乱；二是视觉理解、空间理解与动作生成永远无法实现同步。
因此，早在行业掀起世界模型热潮之前，该企业就选择了另一条路径：从头训练原生的具身智能模型。具体来说，AWE 3.5从预训练阶段开始，就将视觉、语言、动作等多种模态同时输入模型，同一套架构既可以输出动作指令，也可以预测未来环境状态。该科学家将这种架构称为One Model结构。
这种架构设计的精妙之处在于：模型本身无需改动，仅通过改变输入输出的组合方式，就能切换出完全不同的功能模式。从视觉到动作的分支是基础策略模块，负责制定操作策略、发出动作指令；以动作为条件预测未来视觉的分支则是动作条件世界模型，负责预判环境变化。两者交互配合，就构成了一套完整的强化学习闭环。
举个简单的例子：打包书包时拉拉链，这是一项需要毫米级精度的精细操作，过程中处处存在“卡点”：拉拽力度稍大可能成功，稍小则抓不住拉链头，用力过猛还可能卡住拉链。传统的机器人训练方式是将机械臂放在真机上反复试错，失败一次就记录一次数据，不仅成本高昂、效率低下，还会造成设备磨损。而AWE 3.5的做法是先在模型的“虚拟脑海”中进行模拟：模型会推演拉链在不同力度、角度下的多种结果，然后将最优策略传递给基础策略模块。这种方式比真机试错的效率提升了不止一个数量级。
这正是该企业原生模型最核心的突破：模型本身成为了自己的仿真器，无需手工搭建复杂的虚拟仿真环境。预训练阶段建立通用的物理交互能力，后训练阶段在模型内部的虚拟世界中实现自我对弈、自我强化，形成完整的训练闭环。这种范式已经在语言模型的文本领域得到验证，但在具身原生模型领域，AWE 3.5是第一个完整跑通的案例。
这套范式能够落地，源于该企业长期布局的两条核心支柱：足够大规模的真实交互数据，以及能够消化海量数据的基础设施。缺少任何一项，这个闭环都无法运转起来。
首先看数据规模：AWE 3.5基于超百万小时的以人为中心的交互数据训练而成。这个数据量级有多夸张？目前市面上主流的视频生成模型，训练数据也仅在百万小时级别；自动驾驶领域所需的训练数据，同样处于这个量级。但百万小时的数据并非简单的数量堆砌，具身交互数据的价值分布极不均匀：部分数据对模型能力提升至关重要，但大量重复度高、交互单一的数据，对模型几乎没有帮助。如何从百万小时的数据中筛选出真正高质量的样本，已经成为比数据采集本身更紧迫的问题。这对数据处理基础设施提出了极高的要求，也是该企业近几个月重点优化的方向。目前其数据系统的重心已经从“追求更多数量”转向“提升质量和筛选效率”，数据效率正在成为新的核心评测维度。
当数据规模和数据效率同步提升后，模型缩放的威力也得到了充分印证。该科学家表示，当前预训练阶段已经足够扎实，一个全新的任务仅需要小时级别的数据采集即可完成基础跑通。这也正是当初选择One Model架构的前瞻性所在：先建立通用基础能力，再将能力分发到各个场景。随着AWE 3.5的发布，这项前置战略的红利也开始逐步显现——该企业关注的从来不止汽车线束这一个场景的落地闭环。
据了解，除汽车线束场景外，柔性装配、物料分拣、质量检测协同等多个工业场景也已进入验证阶段。基于此，该科学家给出了一个大胆的行业判断：具身智能的模型缩放已经全面释放，2027年上半年到年中，行业可能出现关键分水岭。当前行业已经从“机器人文娱表演”阶段，正式进入“机器人真实落地干活”的阶段。展会的热度正是这一趋势的先行指标：今年的WAIC上，参展的具身智能企业超过200家，机器人展区的人流明显超过其他区域，该企业的展台更是挤满了参观的人群。
“机器人究竟什么时候能进厂干活？”这个问题，无论在线下还是线上，已经很少再被人提起。背后的原因很简单：各大头部厂商已经争相将机器人送入工厂的真实场景中，让其在复杂环境中摔打、学习、迭代。在WAIC世博展馆一楼北门入口处，“模登时代·伙伴之城”的实景展区展示了多台各司其职、埋头作业的机器人，而进门右侧第一个展位带来的汽车精密线束装配演示，无疑是其中最具代表性的展示之一。记者现场体验后发现，该场景的插孔极小，必须眯起眼睛才能勉强对准，即便插进去也很可能出现误插，必须精准插入正确点位才能完成装配，人工操作尚且如此，对机器人来说难度可想而知。这是该企业首次亮相WAIC，也是记者第一次线下近距离观察其演示项目，而这或许正是WAIC这类线下展会的意义所在：原本模糊的技术印象，会在亲眼目睹后变得具体清晰。这不仅是一家技术扎实的企业，更是一家场景定位清晰、特点鲜明的具身智能企业。
该科学家在交流中反复强调：具身智能的下一步发展，是让系统获得明确的迭代梯度，也就是清晰的优化方向。而这个方向不可能仅依靠企业内部的几个演示项目来牵引，必须来自真实场景的正向反馈。该企业正在践行这一思路。
记者：从AWE 3.0到3.5，研发过程中有哪些困难超出了最初预期？
整体研发框架基本符合之前设定的节奏，但有两点与最初的判断存在明显偏差。第一点是硬件与软件协同设计的重要性远超预期。我们在AWE 3.0阶段就已经意识到这个问题，到了3.5及后续版本，灵巧手的关键作用愈发凸显。普通夹爪可以解决大约80%的通用任务，但剩下20%的复杂操作如果全部依赖特制夹爪，工程难度会非常高。当前灵巧手技术正在走向成熟，其能否真正胜任实际任务并跑通商业闭环，很可能成为具身智能领域的一个重要里程碑。做好灵巧手需要数据、模型和硬件三者兼备，因此它也是检验一家具身智能企业综合实力的“黄金测试”。我们在实践中逐步加深了对手部硬件的重视程度。从AWE 3.0之前开始，我们就持续投入自研灵巧手。市面上很多产品采用自底向上的思路——先追求高自由度，再从硬件出发定义功能。我们的路径更接近自顶向下：先梳理需要完成的人类动作、匹配对应的人类交互数据，再反向定义硬件设计。这是一项计划之外，但在过程中不断加大投入的核心方向。
第二点是具身智能的模型缩放已经解锁。如果行业继续朝这个方向聚集资源，头部效应会更加明显。
记者：你们的以人为中心的交互数据已经达到百万小时，能否讲讲具身智能领域的数据缩放曲线是什么样的？
我们对具身领域模型缩放的定义是：通过合理的预训练与后训练范式，将完成新任务所需的数据量和采集成本降到最低。目前，一个新任务普遍只需要小时级别的数据采集，就能让模型将任务完成到可用的程度，这条边界我们已经触碰到了。
记者：要实现通用物理智能，数据还需要增长到什么规模？
这会逐渐演变为一个长尾问题。当基础数据积累到一定规模后，能够贡献高价值增量的新场景会越来越少。到了那个阶段，与其纠结数据总量，不如回到更本质的问题：模型到底要完成什么任务？我们需要采集什么样的数据？如何以可控的成本让机器人胜任尽可能多样的任务？两者有交集，但在实际推进路径上存在明显差异。
记者：落地闭环会反过来影响模型训练吗？
基础数据达到一定规模后，当然可以继续堆量。但真正的难点在于让系统获得明确的迭代梯度，也就是清晰的优化方向。这个方向不可能靠公司内部的几个演示项目来持续牵引，必须来自大量真实场景需求的正向反馈。所有成功的AI技术都受到真实需求的驱动。语言模型早期有非常多的应用方向，但真正把模型能力推向极致的应用之一是AI编程。虽然AI编程是一个垂直应用，但它倒逼模型公司建立起预训练、大规模数据闭环、工程优化等一整套体系化能力，因此提供了极强的正向反馈。其他应用同样存在，只是规模相对更小。正是这些应用的牵引，让行业对语言模型能否走向通用人工智能有了更坚定的判断。闭环跑通之后，技术的先进性才有了清晰的衡量标准。具身智能同样需要找到若干个类似AI编程级别的核心应用。它的能力不会局限于这些场景，但正向反馈通路能让数据、模型和基础设施形成一条稳定、可靠、可扩展的完整链路。我们当前最看重的，是在多个场景中形成杀手级应用闭环，并达到一定规模。至于未来数据还需要再增加几个数量级，现阶段并没有那么重要。
记者：过早进入具体场景，会不会导致模型过拟合？
（笑）你看我们展台展示的任务，有过拟合吗？过拟合通常意味着系统只能做好一件事。但如果能覆盖足够多的任务，能力自然就会形成泛化。我们在展台上同时展示多种不同的任务，本身就是在验证这一点。
记者：具身智能企业既要持续做研究，又要寻找落地闭环，这两条路线会在内部文化上形成冲突吗？
这是任何高科技公司都要面对的挑战。追求通用技术架构的领先，与建立终端客户的反馈闭环，在一定程度上存在张力，但也有共通之处，关键在于动态平衡。早期做AI编程的公司也曾经历过动摇：有些做到一半就放弃了；有些长期死磕应用，却忽视了通用模型底座的进展。两端都不能缺失。具身领域确实还有很多研究可做，但传统意义上的学术研究机会正在逐步收窄。当工业界开始大规模缩放应用，学术界的空间就不会像早期那么大。目前学术前沿正在向双臂灵巧操作、高自由度灵巧手等方向迁移，如果继续用单臂或双臂夹爪去完成常规任务，学术新颖性会逐渐降低。学术界当然还可以发表新的VLA或世界动作模型方法，但随着数据规模的提升，很多技巧虽然仍有帮助，却不再起决定性作用。行业规律通常是：学术界先释放信号，工业界找到更本质的问题并进行规模化应用，随后该方向的学术空间收窄，研究者再去寻找新的前沿——目前灵巧手可能就是学术界新的栖息地。因此，我们需要重新定义具身领域的研究。当下真正困难的问题包括：数据如何采集、筛选和平衡？预训练基础设施和网络架构如何设计？后训练流程如何稳定迭代？以及规模不断扩大后如何解决系统性工程问题？这些问题极少能被一篇论文完整覆盖。部分论文可能只提供零散的启发，企业需要用第一性原理把潜在路径排列出来，再用大量实验逐一验证。这是一种“大规模研究”，只是它的形态已经不同于传统的学术研究。学术界的数据量有限，也缺少大规模的真机闭环，因此前沿研究正在加速向产业侧转移。这就像自动驾驶端到端技术出现后引发的范式转移一样，具身智能正在经历同样的过程。
记者：找场景和做研究越来越耦合，你们内部如何分配注意力？
在我们内部，没有“预研”这个岗位，所有人统称为工程师。但大家做的工作并不重复，而且很多挑战目前连可供参考的论文都没有。在行业快速爬坡的阶段，研究与工程必须紧密咬合。也许再过两年，等技术方案进一步收敛后，研究和工程两类岗位才会明显分开。
记者：行业进入模型缩放和缩放研究阶段后，新入局者还有机会吗？
新公司必须找到差异化的切入角度。在当下这个阶段，只凭几篇世界动作模型或VLA论文就想创业，难度已经非常高了。有了大规模数据和基础设施的支撑后，工业界对潜在技术路线的探索广度，甚至可能超过学术界。这和自动驾驶的发展轨迹非常相似。2021到2022年前后，很多自动驾驶公司完成了从研究驱动到产品驱动的转变，真正建立起了数据规模和基础设施，随后才迎来了2023、2024年端到端技术的全面爆发。具身智能正在经历类似的过程：从局部的技术亮点，走向系统化的体系作战。新入局者需要寻找新的生态位，例如：把自己定位为通用世界模型公司，让具身智能只是其中一个子场景；或者避开已经高度内卷的桌面级任务，直接选择全尺寸人形机器人等方向。
记者：你们招聘人才最看重哪些特质？
如果只用一个词概括，就是敢想敢做；如果再加几个词，那就是踏实靠谱。在AI时代，专业的边界已经大幅弱化，个人脑子里装的知识很难超过大模型。基于这一点，人不要给自己设限，要敢于跨越边界去学习和行动。
记者：行业路线仍然分散，也还没有公司拿出类似GPT-3.5的决定性成果。应该用什么标准来判断具身智能公司？你们的壁垒在哪里？
早期判断的信噪比确实比较低，但我预测2026年底到2027年可能会出现分水岭。单场景任务各家公司只要努力都能完成，真正考验基础模型能力的，是以一定的可靠率完成多个任务。2027年上半年到年中，“能否实现多场景可靠落地”会成为关键的评判标准。如果一家企业能用AI化的方法实现多场景的规模化落地，就会迅速与其他公司拉开差距。目前投资人和普通用户很难在线下直接接触机器人，大多只能通过视频了解。但在未来12个月内，机器人会真正进入更多大众可触达的场景。虽然进入家庭仍存在一定差距，但机器人将开始承担更多真实的商业任务。到那时，评判标准会变得非常直观：机器人到底完成了哪些事情？扩展新任务的速度有多快？成本有多低？这非常类似自动驾驶早期的发展轨迹——各家公司先圈定几条演示路线，随后开始比拼“开城速度”，最终进入存量竞争和大规模量产阶段。
记者：今年WAIC上，能干活的机器人明显变多了。具身大脑目前发展到什么阶段了？
进展快的公司可能已经开始切入实际场景。展会里展示的“干活”任务大多经过了抽象和简化。真正进入工厂后，系统需要长期、稳定、不间断地运行，工程难度依然极高。2024年，大家看到机器人本体“能动”就觉得很厉害；后来开始关注抓取与放置以及稍复杂的操作；而现在最核心的拷问是：它有没有在真实场景中持续、稳定地工作。
记者：进入工厂后，除了技术，还需要具备哪些能力？
服务客户的精神。需要与生态企业深入交流：了解用户喜欢什么功能、交互逻辑怎样设计，以及哪些需求源于真实现场，哪些只是团队自己的“脑补”。这是技术走向落地必须经历的祛魅过程。
记者：具身智能存在实时部署和推理算力的约束。有些团队选择针对单一工厂训练小模型，以兼顾安全性和实时性。你怎么看这种妥协？
大模型同样可以推得很快。系统处理大致包含两个环节：一是消化传感器信息并提取特征，这部分较慢；二是生成动作，这部分其实没有那么慢。很多系统显得迟缓，是因为把感知处理与动作生成串行了起来。它们完全可以异步解耦运行：例如感知以几赫兹的低频更新，而动作则以几十赫兹的高频输出。推理速度与模型大小存在关联，但不能直接划等号，参数量很大的模型经过工程优化，同样可以做到极速推理。
记者：你们从第一天起就对技术架构想得很清楚，难道就没有什么让你感到困惑的问题吗？
我目前最大的“未解之谜”在灵巧手。灵巧手会在末端增加约20个自由度，两只手配合会额外引入约42个自由度。面对这样一个高维且富接触的复杂系统，会不会催生出新的技术挑战，甚至引发新的能力涌现？这是我目前最关心、也最兴奋的事情。
记者：灵巧手距离进入真实场景还有多远？
我们非常坚定地要把灵巧手带入真实场景，绝不会把它局限在学术探索或实验室Demo中。现在很难给出精确的时间表，但乐观预期是12到18个月内能看到明显的产业趋势。也许在我们的AWE后续版本中，大家就能看到一些实质性进展。
记者：有专家在学术会议中提出，可以用机器人数据去扩展其他模态的数据，似乎不再坚持纯真机数据路线。你怎么看物理智能的这种变化？
这是一个必然选择。过去物理智能的路线主要依靠多场景的遥操作和高质量的真实机器人数据来获取泛化能力，但这依然受限于机器人本体的物理采集效率。我个人风格更倾向于提前想清楚整体架构。做一个系统就像建房子，最好先明确大致形态和必要的承重结构，再以高执行力去施工。最终形态可以与预期有偏差，但绝不能做到一半才发现缺少关键的承重墙。要真正走到大家期待的通用物理智能甚至更远的未来，需要更多自顶向下的全局设计思维，而不能仅仅依靠局部的拼图扩展。
记者：从AWE 3.0到3.5，你们做了不少前沿探索，最想分享的核心心得是什么？
永远不要低估AI模型的能力。人们常常在某个阶段突然失去信心，从而退缩到某个过窄的垂直领域或特定的保守方法中。2023、2024年，大家觉得机器人连“动”都困难；运动能力提升后，又有人说它不能“干活”；到了2025、2026年，机器人能干一些活了，质疑又变成了“它只能完成单步任务，无法处理长序列”。未来还会有人说它无法完成所有工作。质疑的“球门”在不断向后移动，但行业实际已经前进了很远。
记者：所以你认为模型缩放可以解决一切？
是的。我们需要持续敬畏并重视模型缩放带来的能力跃升。
