问题——从“会动”到“会干活”，行业亟需可验证的技术路线。 走进AWE2026展馆，机器人展示随处可见，但不少观众仍有一个现实疑问：哪些能力真正面向生产生活，哪些还只是按预设流程完成的演示。随着“智能经济”成为本届展会的核心议题，具身智能能否持续转化为生产力，关键在于能否在开放环境中稳定感知、决策与执行，并且能用明确标准界定效果与边界。 原因——短板不在“身体”，而在“感知—理解—决策”的“脑”。 行业普遍认为，机器人本体制造能力并不稀缺，真正稀缺的是让机器人在复杂、动态、非结构化环境中“看得懂、拿得稳、做得细”的通用能力。短板主要来自三点：其一，高质量行为数据长期不足，尤其包含触觉、力觉、第一视角等多模态信息的真实操作数据，采集成本高、体系化难；其二，模型从实验室走向现场时，容易受到视角变化、遮挡、物体差异和流程扰动影响，泛化能力不足；其三，缺少可量化、可复验的评测方法与行业标尺，导致“是否能落地”难以快速判断。 影响——以“可视化+量化”方式，让通用能力从概念走向标杆。 展会期间，它石智航发布通用具身大模型AWE 3.0，并在展台用互动方式呈现核心能力。展示重点不止是“做动作”，而是把机器人如何感知、如何推理、如何生成动作轨迹的过程直接呈现给观众：在不同场景任务下，屏幕同步展示环境建模结果、点云与运动轨迹等信息，让“机器人不是在看，而是在理解”的过程更直观可见。 更受关注的是，搭载该模型的A1机器人在现场完成精密装配挑战，以“一小时内装配亚毫米级线束最多次数”的成绩刷新纪录，用可量化指标展示具身智能在精密操作领域的能力。业内人士认为，具身智能落地的关键节点，在于把“泛化能力、稳定性、精度与效率”转化为可测量、可对比、可复用的工程指标；这类现场挑战为行业提供了更接近真实工况的参照，也为后续进入制造、运维等环节提供了更明确的信心依据。 对策——用“以人为中心”的数据范式补齐训练底座，形成全栈闭环。 具身智能走向工程化，离不开数据与模型的闭环建设。展台上的真人数据采集套件SenseHub受到关注：通过数据手套、第一视角相机等设备采集人的操作过程，再将高质量行为数据用于模型训练与迁移，让机器人在学习路径上更贴近人的动作规律与操作策略。涉及的负责人在采访中表示，数据采集的主体是人，通过大模型把人的能力迁移给机器人，从而提升机器人的自主性与适应性。 从产业视角看，该路线对应的关键举措包括：一是建立规模化、标准化、可持续的数据采集体系，覆盖视觉、触觉、力觉等关键模态；二是增强模型在多场景、跨视角条件下的鲁棒性，提高在未知环境中的成功率与安全性；三是推进评测体系建设，围绕精度、成功率、连续作业时长、故障恢复等指标形成行业标准，降低企业引入成本与试错风险。 前景——具身智能或将成为制造业与服务业“新型生产力”的重要支点。 从本届展会的趋势看，具身智能正从“单点演示”转向“场景任务”，从“封闭环境”走向“真实工况”。精密装配等场景对动作平顺、触觉反馈以及微米/毫米级控制能力要求极高，一旦形成稳定方案，有望向3C装配、线束加工、柔性制造、仓储分拣、设备运维等领域扩展。随着数据体系与模型能力不断积累，具身智能的能力边界也将从“能完成某个动作”，深入走向“能完成一段流程”，再迈向“能自主处理例外情况”。 可以预见，未来竞争不只是硬件或模型的单项比拼，更是数据生态、工程化能力、场景落地与安全合规的综合较量。谁能率先建立“可规模复制”的落地范式，谁就更可能在产业化阶段占据先机。
当机器从“看得见”升级为“懂得做”，具身智能带来的生产力变革正在重塑制造业的底层逻辑。它石智航的实践表明，技术创新不仅要有实验室成果，更要经受真实场景的检验。在智能经济的新赛道上——中国企业的这次先行探索——或将对全球产业竞争格局带来新的变量。