45.直击人形机器人进工厂「打工」的 3 小时｜对话智元机器人

摘要

• 智元将2025年称为人形机器人“商用元年”：2024年实现量产、2025年实现商用部署。 这场在富临精工车间举行的直播，被卫诗婕定调为“全球首场敢于用直播形式呈现机器人进入工业场景常态化作业的发布会”。王闯直言办直播就是回应质疑——“大家都有疑问，问具身智能到底能干嘛，什么时候能真正干活，不要天天拍一些Demo”。现场第一批4台A2W持续作业，节拍已优化到约40秒/箱；机器人具备24小时作业能力，并采用换电方式补能，但截至当天直播时仍有节拍、成功率等提升空间。
• 甲方邓扬当面算了一笔冷峻的成本账，是全片最具投资参考价值的需求清单。 人工搬一箱约30—35秒、机器人约40秒，售价“好几十万”，还要加上能耗和服务团队；负载从10公斤提到15公斤，双臂设计能力为25公斤。“如果能做到20公斤，车间大概80%的箱子就可以覆盖；做到30公斤，车间的活儿基本就包圆了。”他判断未来3年整体成本下降50%有可能，王闯回应“绝对保守了”。
• 技术路线选择极度务实：智元明确当前不用VLA直接落地，而是“小模型+规则驱动+数据训练”。 理由是工业场景成功率必须达到99.9%：“一天拆800个箱子……如果不能做到三个九，工厂就不会让你进去”，而VLA目前的成功率和节拍都还不够。王闯以自动驾驶CNN→Transformer→Occupancy→端到端→VLM→VLA的演进作类比；公司端到端模型名为GO-1，2025年3月做过发布。
• 产业分工格局清晰化：本体商—部署集成商—制造业甲方的三层金字塔正在成形，且集成环节被认为能孕育多家上市公司。 安诺智能2025年2月成立，股东含智元、富临精工与巨星新材料；对标协作机器人时代的克来机电、江苏北人，杨曾认为中间系统集成商可以有几十、上百家，服务几十万个工业生产者。
• 数据飞轮是全场反复回到的主线：真机失败数据被明确定义为壁垒。 王闯举例某客户黑色装修导致识别失效——“这个场景的数据价值很高，别的机器人甚至在仿真里面都想不到会有这样的数据”。在数字世界数据逐渐接近穷尽、Scaling Law放缓的讨论背景下，工厂多模态真机数据成为重要资源；但邓扬强调，工艺数据往往是制造企业的核心参数和壁垒，不能随意采集或开放。
• “犹豫”被定义为通用性的分水岭：现场泛化测试中，机器人被故意挪箱、摆歪后停顿、分析并自主闭环完成任务。 卫诗婕认为，A2W“犹豫了一下、迟疑了一下”看似降低效率，实际上代表智能提升；王闯总结：“中间那个思考过程，正是具身智能发展的一个标志……真正的分水岭是什么，决定了它是不是通用，其实就是那个思考。”复合机械臂节拍快，正因为不做这样的闭环，环境稍变就可能报警。
• 中美对比给出反直觉结论：美国需求更迫切——人力贵、希望制造业回流——但很多机器人公司走不出实验室，关键挑战在真实部署资源与工程化。 王闯认为算法没有绝对壁垒，很多时候关键在数据；中国完整产业链、开放客户和工程化降本能力形成优势。实验室可以失败99次、拍1次成功，工厂则要做1000次、只能失败1次；海外液压方案甚至达到上百万美元，从设计角度就很难真正用于干活。
• 选场景的方法论本身就是一课：智元曾在喷粉上下挂（2毫米容错）和阳极氧化上下料（手焊吊架缺乏一致性）两个“酷炫”场景交了学费，最终回到看似简单的料箱转运。 邓扬提出用多维“天梯图”——包括导航定位、手臂闭环精度、负载等维度——系统排序全厂场景，并发动一线员工有奖征集；主持人的定性精准：甲方要的不是“开着跑车送外卖”，而是让机器人做适合它、能产生ROI的工作。

精读

1. 背景设定：三方同台，全球首场工厂常态化作业直播

• 场景在四川绵阳富临精工车间，产线未停机。主角A2W是轮式类人形工业级机器人：本体由智元研发，安诺智能部署，落地富临产线——卫诗婕定调这是“全球首场敢于用直播形式呈现机器人进入工业场景常态化作业的发布会”。
• 三位嘉宾即产业上下游三个环节：王闯（智元通用产品线负责人）、邓扬（富临工程技术中心，负责新工艺、新装备引入）、杨曾（安诺机器人工程算法总监）。

2. 王闯的路径：光刻机、大疆、扫地机器人，再到“遥不可及”的人形

• 他读博做光刻机，毕业进大疆做激光雷达和自动驾驶，做到车规级量产；随后创业做扫地机器人。他以无人机和扫地机器人为例，称这两类机器人都达到过上百万台级的规模化量产，两次都从零到一完成了产品量产。
• 2024年加入智元前的坦白值得记录：“我对人形机器人的了解是不够多的……脑海中的记忆就是本田的ASIMO”，“我当时想着可能需要学习至少半年到一年才能上手”。入行后，他“几乎是以月为单位、以天为单位刷新着自己的认知”。

3. 2025年爆火的归因：春晚破圈+头部企业跑通量产到商用

• 王闯给了两条因果链：春晚“让很多从来没有见过机器人的人第一次看到了机器人”，完成大众认知启蒙；更重要的是头部企业与产业链伙伴“2024年做到了量产，2025年做到了商用部署”。
• 远征A1，也就是现场的助理主持人“晶晶”，已在多个客户处上岗；A2W与A1、A2有不少技术复用。智元整个产品团队约200多人，底层软件、硬件和部分供应链能够互通。A2W的定位，是在工业场景做人类不愿意做的枯燥、重复、伤身体的工作。

4. 量产为什么难：供应链、自由度与一致性三座山

• 第一座山是供应链：去年人形机器人产业链“相当不成熟”。人形机器人关节与机械臂的同类部件需求不同，对扭矩密度、减重和噪音有较高要求；智元与上下游一起把成本、可靠性和适用于人形机器人的零部件做出来。
• 第二座山是复杂度：远征A2有40个自由度，A2W有22个主动自由度。自由度越多，能做的事情越多，但生产复杂度、流程检验和一致性控制要求也越高；上肢微小误差传递到末端后可能被放大。
• 还要做到“用一套代码、一个模型，让所有机器人都拥有几乎一致的性能”。去年年底量产冲刺期，累计约100人住在工厂，包括王闯本人；测试累计消耗了上百台机器人。央视记者还曾在没有预约的情况下直接到智元产线拍摄。

5. 富临自研电关节：把汽车降本经验搬进机器人上游

• 邓扬介绍富临从2023年起研发电关节，先后谈到三项难点：高负载，即“越来越有力，而且越来越轻”；控制精度，包括编码器设计和输入输出闭环；长寿命，不能“今天买过来，干一个星期就坏了”。富临深度自制关节核心零部件，材料选型和零件加工精度都会影响耐久性。
• 王闯补充，除了耐久、高精度、高负载，“还要便宜”。邓扬的底气来自汽车行业：富临有大规模量产、生产制造和精益制造经验，汽车市场对成本要求很高，因此有信心把汽车零部件制造经验应用到电关节制造上。

6. 自动驾驶人才溢出：杨曾的转身与行业趋势

• 杨曾2011年加入美资Tier 1供应商哈曼，参与开发哈曼历史上第一款可路测的L3原型车；后来在上汽旗下创时智驾主要负责智能驾驶域控制器量产。他认为智能汽车也是一种机器人，但只有四个轮子在路上运行、没有手臂，对物理世界的影响有限。
• 他确认人才流动是趋势：自动驾驶经过十几年发展，L2++已开始大规模商用，L3处于量产前夜；叠加整体车市不佳，自动驾驶相关人才出现溢出效应，逐渐流向更热门的具身智能领域。

7. 什么是具身智能，A2W算不算人形

• 杨曾参考英伟达黄仁勋的定义，称具身智能有四种形态：无人车、无人机、机器狗、人形机器人，都是“AI加上一个身体”，只是身体会针对不同应用场景变化。
• A2W把腿换成轮子，是因为工厂地面平整，轮式机器人安静、效率高；它的上半身与A2类似，都是七自由度双臂，也可以使用夹爪和灵巧手。卫诗婕据此总结，能否具备人的思考、辨别和行动能力，可能才是“人形”的壁垒，而不只取决于是否有两条腿。

8. 为什么还要做双足：环境兼容与“同类感”

• 王闯并不教条：“我们并不是说一定非要做什么形态。”团队曾尝试用双足机器人搬料箱，但发现效率较低、搬运时上下晃动、噪音也更大，因此认为轮式更适合工厂。
• 双足的价值在别处：人类环境中的桌椅、货架等设施“全部都是为人设计的”，人形机器人可以自然够到，不必改造物理环境；同时，人形外观和更发达的大脑会让人产生某种亲近感。
• 终极愿景是通用机器人：不同场景不必重新设计本体、改硬件，甚至输入不同模型或使用同一套模型，就能完成不同工作。

9. 从站不稳到能跑：强化学习是拟人步态的关键变量

• 王闯回忆去年WAIC彩排：主办方只要求机器人走十几分钟，远征A2用研发早期样机走了13分钟，是当天走得最长的机器人之一，但当时还遇到关节过热等问题。
• 对照今年，他认为一个典型变化是机器人从弯腿行走变得更拟人，这与强化学习有关。此前的模型预测控制精度较高，但对不同地面的适应性以及像人一样跟随轨迹行走较难；现在这些能力已有改善。
• 商用侧的花絮包括：客户开业时几台机器人一起敲鼓；MWC中国通讯峰会上，机器人一天写了130多幅书法。王闯认为大模型最直接的加持之一是交互智能，能让展厅讲解和互动更亲切自然。

10. “有些人看见了才相信，有的人相信了才看见”

• 这是贯穿全场的信念叙事：投资人在样机阶段投资智元，客户在机器尚不成熟时开放场景共创。王闯说：“相信了，然后让大家看见”，他们是一群相信并努力让大家看见的人。
• 卫诗婕点出直播的性质：技术前沿而落地极早期，需要产业上下游相信的人一起见证这个过程持续发生。

11. 甲方实测报告：节拍差距、24小时账与自主纠错

• 邓扬不客气地给出现状：“节拍还没有达到我们的标准”——机器人约40秒/箱，人工约30—35秒；但机器人可以24小时作业，采用换电方式补能，“算上吃饭时间跟人差不多了”。
• 两点让他印象深刻：感知避障，机器人会说“请你们让一下，你挡着我工作了”；以及异常自纠错，箱子放歪后仍能自主抓取，让作业不中断、连续进行。
• 成本压力被反复强调：工厂要追求效益，除了机器人售价，还要计算能耗和现场服务团队的成本。

12. 负载与场景延伸：20公斤覆盖80%，30公斤“包圆”

• 关键数字链：料箱负载最初约10公斤、现在约15公斤，双臂设计能力合计25公斤。邓扬判断，如果做到双臂20公斤，车间约80%的箱子可以覆盖；做到30公斤，车间里的相关工作基本都能覆盖。
• 邓扬还设想让机器人直接到产线边与AMR小车配合，把箱子送到料架；仓库拣选、码垛、拆垛、上线边和收空箱等工作，未来也可以探索由机器人完成。他认为从技术逻辑上看，这些方向较容易实现。

13. 王闯的回应：160秒到40秒的斜率，与“先做透一个场景”的克制

• 几个月前流程刚跑通时是160秒/箱，经过几个月降到约45秒，现场已优化到40秒；王闯认为进一步优化到30秒完全有可能。
• 工厂典型场景有三类：料箱上下料、分拣和组装。选料箱是因为它与当前技术、客户需求匹配最紧密。工业场景特别追求节拍和成功率，因此要对泛化性做约束，不能一开始什么都想做。先把料箱做大规模，规模起来后成本才有机会下降。

14. 现场泛化测试：机器人的“犹豫”就是智能

• 测试设计是故意把箱子挪到错误位置：机器人到位后发现箱子不在原处，开始分析，最终找到被挪动的箱子，并通过二维码确认物料仍是原来那一种，继续送往设定位置，实现自主闭环；再把箱子摆歪，观察双臂协同和力控能力。
• 全场重要的认知反转由卫诗婕说出、王闯确认：复合机械臂搬得快，容易让人以为它更智能；而A2W“犹豫了一下、迟疑了一下”，看似效率变慢，实际上代表智能提升。王闯总结：“真正的分水岭是什么，决定了它是不是通用，其实就是那个思考。”
• 拟人细节是，搬对面箱子时它会判断“到这边来搬更方便”，不会站在远处硬够；实际虽然够得着，但它会选择更方便的站位。

15. 与复合机械臂的本质区别：闭环、注册与20分钟换车间

• 复合机械臂是固定编程、高速重复执行，环境或光照稍有变化就可能无法继续；垛位偏移时也可能报警。A2W被定义为用于柔性制造的通用机器人，抓取前会识别料箱纸条上的信息，判断物料及目的地。
• 部署工具被称为“注册”：设置A物料、B物料分别放在哪里。机器人背后有三维地图，料架可以移动，它会根据大概位置自行分析并闭环；换车间可以花10—20分钟重新建图、重新下发任务。
• 王闯把具身智能定义为人类的伙伴，而不是单纯工具。这个伙伴目前“还是一个小孩”，能力有限，遇到处理不了的异常时会远程呼叫人。

16. 两个放弃的场景：酷炫的学费

• 团队初期“心气很高，觉得越难的场景越要去挑战”。第一课是喷粉上下挂：一千多种建筑五金零件，包括合页、锁扣、锁芯、把手；最难的零件有约5毫米的螺丝孔，要挂上约3毫米粗的钩子，容错空间只有2毫米。由于零件和挂钩标准化程度很低，很多挂孔类零件无法处理。
• 第二课是阳极氧化上下料：手机摄像头金属环挂上弹簧钩，再卡进十多层吊架。吊架都是手焊的，彼此不一致，用久后还会形变，卡扣松紧也不同。需要1—2毫米精度的环节很难，但放到机床上、允许约3—4毫米误差的环节成功率很高。
• 团队复盘认为，一方面当时能力不足，另一方面这些操作对触觉、力控和整体感知要求很高，场景的落地时机也不合适。

17. 转向料箱：客户为先，“长这么壮不搬砖可惜了”

• 调研同事提出“为什么不做料箱转运”，团队发现客户有真实痛点，也有客户主动找来。客户看完A2W后说：“A2W长这么壮，不搬砖可惜了。”
• 料箱虽然大同小异，但有盖、敞口、袋装零件等不同形态，大小和重量也不同。王闯判断，采集不同数据后可以实现泛化，技术上反而比此前两个场景更适合作为第一步。
• 团队没有继续在难以落地的场景上死磕，而是依据“客户为先，产品为王”调整方向。实验室研发用了3个多月，把节拍从160多秒降下来；约一个月前，团队判断可以进客户现场“打工”，随后部署4台，研发团队驻场一个月。

18. 直播的动机：开放心态与自信，“像三岁小孩刚学会骑车”

• 王闯说破直播意图：“大家都有疑问，问具身智能到底能干嘛，什么时候能真正干活，不要天天拍一些Demo，我们就是想回答大家这个问题。”料箱场景虽然看似不难，但检验了全栈技术和本体稳定性，也有真实客户价值和后续泛化价值。
• 诚实的边界感是：“我们不敢说它现在就非常完美”，节拍和成功率都不是终点。王闯把它比作一个刚学会骑自行车的三岁小孩，未来还会遇到更大挑战，需要耐心和时间。
• 截至当天直播时，现场尚未出现失误；王闯也补充，可能是当前干扰还不够强，工作时间更长后仍会发现新问题。

19. 安诺是谁：股东结构与集成商金字塔

• 杨曾定义安诺为“人形机器人工程化、量产落地的领先供应商”。公司于2025年2月成立，约半年历史，富临是第一个落地场景。股东包括智元、富临精工和巨星新材料；巨星新材料是磁体材料供应商，也是电机核心上游原材料供应商，被杨曾称为中国永磁体产能最大的企业之一。
• 分工上，智元负责本体、底层核心算法和标杆流程跑通；安诺在此基础上向更多客户场景进行量产落地部署。
• 杨曾援引协作机器人先例，提到克来机电、江苏北人等系统集成企业，并称其中一些企业70%的业务是系统集成。他的金字塔框架是：本体供应商可能有几家，中间系统集成商可以有几十、上百家，服务几十万个工业生产者，中间环节有机会孕育出较多上市公司。
• 售价被主持人当场问出：“好几十万。”安诺成立时间短、富临是首个部署场景，因此卫诗婕称这是“三个第一次吃螃蟹的人聚在了一起”。

20. 部署的七步流程：落地到底有多不容易

• 杨曾拆解全流程：用激光雷达建图；对周转箱和上料口做视觉注册，采少量数据优化模型；适配夹爪的宽度、抓取位置和形态；基于智元提供的原子能力串通业务流程；与产线打通通信；长期优化节拍、视觉模型和动作流程；最后进行真实工况压力测试。
• 通信包括搬完料后通知物流部门拖走空托盘、运来满托盘，以及通过二维码识别周转箱应送往哪个上料口。
• 并行化的反例很具体：放完箱后一边后退、一边收回手臂，有时机械手会碰到料架，说明并非所有动作并行都有益。本次实验室研发3个多月、现场集中攻关1个月；未来会把部署经验沉淀进模型，让下一个客户、下一个场景不断提升效率。
• 卫诗婕把部署比作杨利伟第一次载人航天发射，认为随着经验积累，部署难度和成本会下降。

21. 为什么美国机器人走不出实验室：稀缺的不是单纯算法而是部署资源

• 王闯认为，美国人力更贵、更希望制造业回流，因此做机器人的动力更强；但很多美国机器人公司真正部署时会遇到大量挑战，需要既有大规模生产、又有先进产线、还愿意开放共创的客户，这种资源很稀缺。
• 中国拥有完整产业链，能找到合适客户，也能把本体做得相对稳定、便宜。王闯认为算法没有绝对壁垒，很多时候关键在数据；华人工程师数量多、工程迭代快。
• 成本与标准的对比很有画面感：海外机器人可能达到几十万美元，液压方案甚至上百万美元，从设计角度就很难真正用于干活；实验室拍宣传视频可以失败99次、拍1次成功，工厂则要做1000次、只能失败1次。邓扬补充，三方需要低调务实，从最简单的动作开始，给新事物时间。

22. 数据飞轮之一：四类数据与“失败数据是壁垒”

• 王闯把采集拆成四步：识别，学习成千上万种料箱的抓取方式和用力；操作或“小脑”，学习什么抓取方式效率和成功率更高，以及低箱弯腰、远箱前倾等全身协同；移动，收集大量地图和环境数据；放置，覆盖流利架、流水线、货架等不同目的地。
• 移动数据的例子是某客户黑色装修导致识别失效。王闯认为，这类真实场景数据价值很高，其他机器人可能从未遇到，甚至仿真也想不到；失败数据反过来优化算法，形成能力壁垒。
• 放置时如果发现机器人伸到最高仍够不到货架，这次失败也能反哺下一代产品的自由度和工作空间设计。终局图景是：机器人新见到一种箱子时，能够判断“这个箱子我已经见过了，不需要你再教我”。

23. 数据飞轮之二：物理世界数据接棒Scaling Law，且工艺数据天然保密

• 卫诗婕搭桥：大语言模型Scaling Law放缓的一个重要原因，是数字世界数据逐渐接近穷尽；下一阶段的数据挖掘会从线上数字世界走向线下物理世界，部署采集的正是多模态物理数据。
• 王闯解释真机数据为何宝贵：真机工作符合物理规律，积累足够多之后可以推测工业现场的世界模型。邓扬确认，很多工艺数据是核心参数，可能经过长时间摸索，也是制造企业的壁垒，不能随便让人采集。
• 与自动驾驶感知的区别被讲透：自动驾驶可能只需知道“100米外那是一个人”，机器人则要识别料箱离自己几十厘米、末端应到哪里、抓哪里更紧、另一只手如何协作，因此空间感知与精度要求更高。全身协同规划在王闯的分类中属于“小脑”。

24. OTA、客户自训练与“那安诺干什么”

• 智元的OTA链路已打通：云平台可查看每台机器的软件版本，平均两三个月向客户推送一个版本；公司还考虑向重要且有能力的客户开放训练账户。
• 邓扬当场表示正在考虑组建视觉模型训练团队。王闯认为，如果数据留在富临厂内，富临对现场更熟悉，泛化会更快；客户能够自己解决泛化问题，代表行业又前进了一步。
• 甲方的诉求毫不含糊：未来泛化部署不能让客户在硬件之外不断增加成本，要明确是否还要付费、向谁付费、付多少。
• 当卫诗婕追问“如果富临什么都自己干了，安诺做什么”，杨曾回答，数据反向定义上游大脑是安诺的中长期方向；同时，少数客户能够自行完成部署，大部分客户仍需要集成商，新场景和新料箱的从零到一训练也仍有安诺的价值。

25. 技术路线：为什么现在不是VLA

• 王闯认为VLA的优势是跨场景泛化和Zero-shot，例如面对一堆超市零食，可能不必逐一见过就能抓取；但当前劣势是不能把工业场景中的单项能力做到足够高，成功率和节拍也不够。
• 工业场景一天拆800个箱子，成功率必须达到99.9%，否则工厂不会让机器人进入。当前A2W采用“小模型+规则驱动+数据训练”：识别先用小模型，逐步形成料箱领域的专家模型；抓取先用规则式方法确保精度和成功率；移动避障持续优化；放置则结合货架位置自主分析。
• 王闯用自动驾驶演进作类比：CNN、Transformer、Occupancy、端到端、VLM，再到VLA。公司也研究和布局VLA，但落地时不总是追求最前沿，而是选择对客户最高效、最适合的技术。公司端到端模型名为GO-1，2025年3月做过发布。

26. 智元的全栈叙事：一个本体加三个智能

• 王闯归纳智元区别于同行的选择：“一开始就主动选择了做全栈的技术布局”——一个本体加三个智能：运动智能是基础，交互智能和作业智能是客户价值。
• 产品矩阵包括灵犀产品线（小型人形机器人）、Genie精灵产品线（数据驱动端到端、面向商业服务场景）和通用产品线（远征A2全尺寸人形机器人及A2W工业机器人）。A2、A2W等产品的出货量和本体稳定性在行业内较为领先，G1等后续产品也在布局。
• 他认为运动智能不只是走路，还包括上下肢协同；交互智能已开始大规模部署到客户真实场景；A2W则是作业智能进入客户现场的典型案例。真正让客户用起来，比在实验室做出多么酷炫的东西更重要。

27. 节拍工程学：160秒到40秒是怎么抠出来的

• 节拍优化包括识别提速、动作并行和轨迹优化。模型需要压缩部署，障碍物识别从可能需要约0.5秒确认，优化到约0.1秒；机器人每秒扫描周围环境10次，以确保安全。
• 机器人走得更快、手臂伸起时同时转身，都是全身规划控制；轨迹也从只能走直线，优化到各点位选择更合适、更顺滑的路线。
• 最有趣的工程细节是，机器人会把自己的胳膊和所搬物品也当成障碍物。自动驾驶没有遇到过这种问题，因为车辆传感器固定，也没有工作中不断变化的肢体。前期四种料箱的数据，以及仿真中的光照、颜色、位置、形状和垛型变化，都反哺了这次落地。

28. 场景怎么排序：天梯图与人民群众的灵感

• 邓扬要做一套可复制的场景评估方法，像质量审核表一样逐项判断：是载重限制、油污和水等物理条件限制，还是导航精度限制，并据此告诉智元和安诺下一代产品应在哪些方面突破。
• 王闯提出“场景落地难易度天梯图”，类比CPU天梯图但采用多维指标：导航定位精度约为正负5厘米，手臂自主闭环精度约为5毫米；需要5毫米以内精度的场景今年可以先不做，等技术和本体能力提升。当前设计负载是20多公斤，30公斤场景可以先排除。
• 最终仍要落到客户价值：能否又好又快地把活干好，ROI是否足够高。卫诗婕建议发动富临一线员工有奖提议场景，王闯表示奖项可以由智元提供。

29. 就业焦虑的回答与智慧工厂愿景

• 邓扬正面回应弹幕：富临各基地员工已超过5000人，思路不是让机器人简单替代人，而是先承担繁重体力劳动，让人管理设备甚至管理机器人。这类岗位需要知识和经验积累，未来收入也可能越来越高。
• 他的愿景是建设“人、机器人、设备多方交互”的智慧工厂：机器人与设备交互，人也与机器人交互。
• 采购原则同时划清炒作边界：“我能用工业机器人干的活，绝对不会用人形机器人干，因为工业机器人已经非常成熟。”卫诗婕的比喻是：甲方要的不是“开着跑车送外卖”，而是让跑车做适合它的工作。

30. 一到三年预测：模型突破需时间，成本腰斩仍可能保守

• 杨曾的预判克制：“模型这块突破可能还是需要一些时间。”安诺的重点是基于现有样板向更多场景、更多客户拓展，收集数据，等待模型突破。
• 邓扬从电关节供应商角度判断，未来3年整体成本下降50%有可能。王闯当场回应：“保守了，绝对保守。”邓扬认为，即使模型和训练还不完美，成本下降也会让更多用户愿意尝试，成本是商业落地的核心条件；他称事业部加创新工程部有十几个亿营收。
• 富临愿意第一批尝试，是因为“相信，所以看见”，但并非只凭情怀，而是基于具体现场判断：能用传统工业机器人解决的场景不会换成人形机器人，今天的搬箱子场景则被认为适合A2W。
• 彩蛋中，晶晶代A2W宣读当日成果：“整个过程中无任何碰撞和入侵发生”，有人进入时也完成了自动停障。