工业智能系统的崛起：为何需构建基础平台？

一台复合机器人配合一个智能分拣工作站，已经在某大型制造企业的生产线上高效运转了相当长的时间。这套系统能够识别数十种不同类型的汽车零部件，每10秒完成一次分拣，并且抓取成功率高达99%以上。对于熟悉工业机器人领域的读者而言，这一场景的实现可谓是相当不易。工业智能的强大能力与真正应用于工业生产之间，存在着显著的差距。这是因为工业环境对智能的需求底层定义就有所不同。工厂并不需要那种某项功能极为突出的机器人，它们的需求实际上非常廉洁而严格：机器必须足够“简单”。这个“简单”需要建立在稳定完成任务的基础上，还必须在产品变更、工件规格改变以及多机协同调度等各个环节中，始终保持精准、时效和可靠的底线。正是这种长链路的稳定性体现了“简单”的真正内涵。

在推动具身智能实现工业化的过程中，关键在于通用化、易迁移和低成本的快速部署。与此相关的一家知名企业，埃夫特机器人（688165.SH）及其子公司启智Openmind，正在联合研发一项智能机器人通用技术基础平台，以期为这一挑战提供全新解决方案。

关于“安卓方案”: 这个强大的基础平台如何打通产业链？工业具身智能的落地迟缓，主要面临三重挑战。第一是数据的鸿沟，目前行业内的数据来源主要有四类：真机遥控操作、仿真数据、第一视角视频及互联网数据。面对成本问题与模态缺失，这些都成为了制约因素。 第二是场景的鸿沟，中国拥有数百个工业门类，而每个门类下的工艺模式组合产生了成千上万的特定场景，期望通过单一模型复盖全部工业场景是极不现实的。第三道鸿沟是开发的鸿沟，要覆盖广泛的工业场景，需组建庞大的工程师团队，但供需之间却构成了隔阂。

在解决工业具身智能实施难题时，首要关注的是数据问题。工业中的精细化操作、力控精准与产线节奏，并不容易通过现有的数据集获得，也无法通过简单的规则进行泛化；而真实产线数据的分散性和非标准化，以及采集门槛的提高，使得工业机器人的技能仍停留在“一案一议”的阶段，缺乏通用能力的形成。为了应对这一挑战，行业目前探索了两条主要路径：一是基于仿真的生成路线，成本较低且速度快，但工业场景对精度和物理交互的要求极高，仿真与实际操作之间难以成功融合；二是通过机器人遥操控的途径由人远程操控机械臂，但面临着延时、触觉失真以及效率低下等问题，且数据与特定机器绑定，跨机种复用困难。

启智公司在构建“具身智能全行业解决方案”的过程中，选择了一条更为本质化的数据采集路径：直接从人类操作者处获取原生技能数据，开发了新版人类技能全模态数据采集系统（HALO技能服）。通过真人实时采集，记录多种模态信息，包括视觉、深度、全身动作、手部触觉、肌电信号等，确保将工人在操作中难以用语言清晰描述的状态及时转化为可训练的结构化数据。

HALO技能服在硬件配置上实现了八类完整的数据模态同步采集，其中包括全景及第一人称的可见光和深度图像、手部触觉、物体3D位姿等信息，并结合音频及语音等多维度数据。其27节点的惯性动捕系统通过有线连接保持了极低的工作延迟。HALO技能服能够拓展数据维度，从“动作层”跃升至“意图层”，让模型训练的过程不仅学会如何动作，还能理解为何这样做。

启智的副总工程师王鑫在报道中提到：“工厂并不需要高薪聘请专业的机器人程序员，只需一线的熟练工人多次操作，系统就能将工艺知识沉淀下来，以适配类似工件。这大大降低了机器人部署门槛，使企业能够将精力集中在工艺优化上，而非程序调整。”依托人类技能形成的基础大模型，在掌握了高质量的原生数据后，如何将其转变为可复用的通用技能，则成为接下来的重点。

通用技术底座的核心是HumanGPT，它旨在将人类在真实操作中积累的经验提炼为机器人可学习和应用的数据。与传统的通用模型不同，HumanGPT是专门为“人类技能”设计的基础大模型，它以物理操作技能为核心，从一开始就通过多模态的人体运动数据进行构建，使输出能成功迁移到机器人关节空间。

该模型的训练逻辑是：首先由人在实际场景中完成任务，HALO技能服则全程记录操作过程，HumanGPT通过学习这些内容积累通用技能，最后通过RobotGPTs实现向不同机器人硬件的迁移应用。由于基础模型通常只能达到七八成准确度，无法满足工厂对高精度的需求，因此在实际应用过程中，仍需通过后续的强化学习和针对性训练，帮助机器人成长为“领域专家”。

启智构建的服务场景并不仅限于工业生产，HumanGPT的大模型能力已在多个领域积累数据并训练针对性技能模型，成功实现跨设备的技能迁移和部署。然而，数据与模型的单点突破不能完全解决传统工业场景与开发之间的隔阂。整体来看，行业普遍面临的痛点是链路不畅。