WAIC最狠展台打爆工业「深水区」！它石智航首发具身原生大脑AWE 3.5，具身Scaling全面释放

Jay 发自 凹非寺
量子位 | 公众号 QbitAI

走进一家大型汽车制造商的线束车间，你会看到和整车工厂截然不同的画面。

整车车间干净、明亮、几乎完全自动化。线束车间密密麻麻，弥漫着汗味。

很多工人培训一个月，在岗坚持不到三个月就离开了。

这是工业自动化界公认的「深水区」。

△图为AI生成

如今，被具身智能彻底打爆了。

2026年WAIC，它石智航把一条1:1还原的环形线束流水线，搬进了展馆。多台机器人集群合作，流水线轮转线束板，每个工位同一时间装配不同的线束线型。

效率自然大幅提升。它石智航首席科学家丁文超甚至调侃道：

现场我们都不敢让它一直干活，怕机器人干太快给料用完了。

撑起这条全自动化产线的，是它石智航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。

一台机器人的「多任务实战」

它石给新版本取名3.5，信号也挺明确的：希望它像GPT-3.5一样，在多任务能力上开始展现新的可能。

回看AWE的发展趋势，也确实是这样。

3.0首秀，它石打爆了线束场景。

到了3.5，模型开始向更多场景溢出。工业装配、插接、收纳……全部被放进同一个模型里。

今年它石WAIC展台的主题-打造可信赖的物理AI，也是围绕这项特点展开，任务之间不重新加载新的模型，不切换参数，全靠同一个基础模型。

现场的展示非常魔幻，他们的机器人简直是「劳模」，整理桌面、打包手机、插网线、零件分拣……反正不管啥东西，递过去就开干。

用丁文超的话说就是：

跟主播带货一样（笑）。

但，这只是开胃菜。

2026年是世界模型百家争鸣的元年，不过，究竟什么是世界模型？

在大部分人的认知里，它还是论文里的架构图和评测表格里的数字。

这次，它石智航在WAIC给出了最直接的答案：

你上手试一试。

现场观众戴上数据采集夹爪，就能和一个由AWE 3.5生成的平行世界展开互动。

你捏起一块积木，松手，积木像受重力一样落向桌面。你拖拽手机盒，盒子产生对应的位移和摩擦。蜡烛上微弱的火焰，也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，没有物理结算。所有重力、柔性、碰撞反馈、物体位移……全部，由模型从真实类数据中学到。

而在这个涌现之外，有一项被严重低估的能力：长时记忆与空间理解。

视频模型有一个难以治愈的缺陷——

预测未来的时间一长，物体就容易突然消失、变形，或者在一帧幻觉之后彻底蒸发。

究其根本，像素监督本身不鼓励长程物理交互的连续性，无法用于具身训练。

为此，AWE 3.5依托human-centric数据专门强化了模型结构，让它显式学习长时记忆和长时序空间理解，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，而不用担心环境在下一秒崩掉。

在世界模型中做强化学习，成为了可能。

原生模型，从第一性原理重构具身大脑

今年以来，行业一直有VLA or 世界模型的争议，但最近和很多做具身的朋友聊了后发现，真正训模型的人根本不在乎所谓路线之争。

无论哪条路线，最终，还是要看是否能优化Action。

VLA架构里，视觉和语言在预训练阶段就紧密耦合，动作模态却要到后训练才通过SFT接入。这相当于一个学生先学了全部理论课，临考试前才开始动手做实验。理论和实操之间，隔着一道先天的裂缝。

世界模型路线往前走了一步，至少可以利用大规模视频学习表征能力。但互联网视频模型的Attention结构已经在几十万到百万小时的猫狗视频上定型了，直接往具身基座模型里嵌，容易走向两个极端：

1、视频模型原有的幻觉跑进动作策略，导致操作不到位或判断混乱；

2、视觉理解、空间理解和动作永远无法同步。

因此，早在行业掀起「世界模型」热浪前，它石从第一天便毅然选择了另起炉灶——

从头训一个原生的具身模型。

具体而言，AWE 3.5从预训练阶段开始，就把视觉、语言、动作等多种模态一起喂给模型。同一套架构，既能输出动作，也能预测未来。

丁文超把它称为One Model结构。

这个架构设计有一个精妙之处：模型本身不变，只改变输入输出的组合方式，就能切换出完全不同的「人格」。

视觉到动作，是Base Policy，负责制定策略、发出指令；以动作为条件预测未来视觉，是Action Condition World Model，负责预测环境变化。两者交互在一起，就是一套完整的强化学习闭环。

打个比方：打包书包时拉拉链。

这是一个毫米级精度的活，而且处处是「卡点」。拉多一点可能成功，拉少一点可能抓不住，用力过猛可能卡住。

传统的做法是把机器人放在真机上一遍遍试，失败一次就记录一次，数据贵、速度慢、设备磨损还大。

AWE 3.5的做法是：先在预训练模型的「脑海」里模拟。模型想象拉链在不同力度下的各种结果，然后把最优策略告诉Base Policy。这比在真机上反复试错快了不止一个数量级。

这就是它石原生模型最核心的突破：模型成了自己的「仿真器」，而无需手工搭建仿真环境。预训练建立通用物理交互能力，后训练在模型内部的世界里自我对弈、自我强化，形成自闭环。

这套范式，是语言模型在文本领域已经验证过的路径；但在具身原生模型里，它石开发的AWE 3.5是第一家完整跑通的。

而之所以能成，也是它石长期布局之下两条暗线的交汇所赐——

足够大的真实数据规模，以及能消化大规模数据的Infra。

缺任何一样，这个闭环就转不起来。

先看数据量——

AWE 3.5，基于超百万小时human-centric数据训练。

这个量级有多夸张？

这么说吧，目前市面上大多数视频生成模型，训练数据是在百万小时级别。

自动驾驶所需数据，也是这个量级。

但百万小时，不是简单的堆量游戏。

具身数据的价值分布极不均匀。部分数据对模型至关重要，但重复度高、交互单一的数据，对模型几乎没用。

如何从百万小时中筛出真正高质量的部分，已经成为比采集本身更紧迫的问题。

这对数据Infra提出了极高的要求，也是它石这几个月以来重点优化的方向。

它石数据系统的重心，正在从「更多」转向「更聪明、质量更高」，Data Efficiency正在成为新的评测维度。

而当数据规模和数据效率同步上去后，Scaling的威力也终于得到了印证。

丁文超表示，现在预训练已经足够扎实，一个新任务只需要小时级别的数据采集就能跑通。

这正是当初它石选择One Model架构的前瞻性：先建立通用基础能力，再向各个场景分发。

如今随着AWE 3.5发布，这项前置战略的红利也终于开始显现——

它石等的，从来不是线束这一个场景的闭环。

量子位获悉，除线束之外，柔性操作、分拣、检测协同……等多个工业场景，也已经在验证中。

基于此，丁文超给出了一个大胆判断：

具身Scaling已全面释放。2027年上半年到年中，可能出现分水岭。

行业已经从「机器人文娱舞蹈」，进入「机器人真干活」的阶段。

展会热度，则是一个先行指标。今年的WAIC，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。

而它石的展区，同样也是堆满了人。

「机器人究竟什么时候进厂干活？」——这个问题，无论线下还是线上，都已经很少再被人提起。

原因很简单：各大头部厂商早已争相把机器人送进了工厂的深水区，让它在真实环境中摔打、学习、迭代。

WAIC世博展馆一楼，从北门进入，映入眼帘的便是「模登时代·伙伴之城」。一个机器人各司其职、埋头干活的实景展区。

而进门右侧第一个展位，它石带来的汽车精密线束装配演示，无疑是其中最为独特的一个。

我亲手体验了一番：插孔极小，必须眯起眼睛才能勉强对准，即便插了进去，也很可能是误插，必须要插到正确点位才能使用。人工操作尚且如此，对机器人而言，难度可想而知。

这是它石首次亮相WAIC，也是我第一次在线下近距离观看他们的Demo。但说实话，这或许就是WAIC这类线下活动的意义吧，看完之后，脑海中原本模糊的印象一下子变得具象起来——

这不仅是一家技术过硬的公司，更是一家特点鲜明、场景定位极其清晰的具身智能企业。

这也是丁文超在与量子位对话中，反复强调的观点：

具身智能的下一步，是让系统获得梯度，也就是明确的迭代方向。而这个方向，不可能仅靠公司内部的几个Demo来牵引，它必须来自真实场景的正反馈。

它石正在做这件事。

对话它石首席科学家丁文超

具身Scaling能力释放

量子位：从AWE 3.0到3.5，研发过程中有哪些困难超出了最初预期？

丁文超：整体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偏差。

第一点是硬件与软件协同设计（Co-Design）的重要性远超预期。我们在AWE 3.0阶段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。

夹爪能解决大约80%的问题，但剩下20%如果全部依赖特制夹爪，工程难度极高。当前灵巧手正在走向成熟——它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公司综合实力的「黄金测试」。我们在实践中逐步加深了对手的重要性的认知。

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Bottom-Up的思路——先追求高自由度，再从硬件出发。我们的路径更接近Top-Down：先梳理需要完成哪些人类动作、匹配哪些人类数据，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的投入。

第二点是具身智能的Scaling已经解锁。如果行业继续朝这个方向聚集资源，头部效应会更加显现。

量子位：它石的human-centric数据已经达到百万小时，能否讲讲它石具身数据的Scaling曲线长什么样？

丁文超：我们在具身领域对Scaling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大致可用的程度。这条边界，我们已经触碰到了。

量子位：要实现物理AGI，数据还需要增长到什么规模？

丁文超：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，不如回到一个更本质的问题：模型到底要完成什么任务？我们要采什么样的数据？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。

量子位：落地闭环会反过来影响模型训练？

丁文超：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「梯度」——也就是明确的迭代方向。这个方向不可能靠公司内部几个Demo来持续牵引，它必须来自大量真实场景需求的正反馈。

所有成功的AI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 Coding。虽然AI Coding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、Harness Engineering等一整套体系化能力，因此提供了极强的正反馈。

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AGI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 Coding级别的应用。它的能力不会局限于这些场景，但正反馈通路能让数据、模型和Infra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Killer App闭环，并达到一定规模。至于未来数据还需要再增加几个零，现阶段并没有那么重要。

具身Scaling时代，如何重新理解Research？

量子位：过早进入具体场景，会不会导致模型过拟合？

丁文超：（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。

量子位：具身公司既要持续做Research，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？

丁文超：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 Coding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Research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Scaling，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World Action Model方法，但随着数据规模的提升，很多Trick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Scaling，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Research。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Infra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Paper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Research」，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。

量子位：找场景和做Research越来越耦合，你们内部如何分配注意力？

丁文超：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。

量子位：行业进入Scaling和Scaling Research阶段后，新入局者还有机会吗？

丁文超：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World Action Model或VLA论文就想创业，难度已经非常高了。有了大规模数据和Infra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Research Driven到Product Driven的转变，真正建立起了数据规模和Infra，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Tabletop（桌面级）任务，直接选择全尺寸人形等方向。

量子位：它石招人才最看重哪些特质？

丁文超：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。

永远不要低估模型

量子位：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？它石智航的壁垒在哪里？

丁文超：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Gap，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。

量子位：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？

丁文超：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Pick and Place（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。

量子位：进入工厂后，除了技术，还需要具备哪些能力？

丁文超：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。

量子位：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？

丁文超：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。

量子位：它石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？

丁文超：我目前最大的「未解之谜」（Mystery）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（Contact-rich）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。

量子位：灵巧手距离进入真实场景还有多远？

丁文超：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。

量子位：Sergey Levine在CVPR分享中提出，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Physical Intelligence（π）的这种变化？

丁文超：这是一个必然选择。过去π的路线主要依靠多场景的遥操作（Teleoperation）和高质量的真实机器人数据（Robot Data）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π1甚至更远的未来，需要更多Top-Down（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。

量子位：从AWE 3.0到3.5，你们做了不少前沿探索，最想分享的Takeaway（核心心得）是什么？

丁文超：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。

量子位：所以你认为Scaling可以解决一切？

丁文超：是的。我们需要持续敬畏并重视Scaling带来的能力跃升。