文 | 响铃说

2026年的WAIC，人形机器人依然是展区里最吸睛的存在。只是，业内人士聚集在一起所讨论的话题，早已从“能不能翻跟头、能不能实现抓取”转变成了另一套语境——能不能连续运行24小时，能不能重复动作一万次，能不能在产线上把良率拉到客户要求的水平。

炫技的时代已经散场了，场内的玩家们看着自己手里所拿到的新台本，其封面上赫然写着两个字——量产。

就在WAIC开幕前一天，地瓜机器人方面成功举办了一场并不算高调的媒体沟通会。

地瓜机器人既不从事人形整机的生产制造，也不涉足机器狗的开发领域，但它所推出的旭日S600算力平台，已经与二十多家头部客户达成了合作，覆盖人形、工业具身、大模型等几乎所有主流赛道。

它所做的事情说起来很简单，为所有机器人构建一套通用的工业级大脑底座，再将从芯片到工具链再到供应链之间的沟壑全部踏平并打通，帮助整个行业将机器人从实验室Demo推进到千台万台的量产阶段。

这件事虽然听起来不够酷炫，但它却恰恰踩中了当下具身智能行业所面临的最核心的痛点。

从秀肌肉到算ROI，行业的拐点到了

2026年之所以被称作具身智能的量产元年，并非因为技术突然出现了革命性的突破，而是整个行业的评价体系已经彻底发生了转变。

过去的机器人项目中，在十次实验里只要成功一次，便可通过剪辑视频的方式来实现发稿融资。现在客户坐下来后第一句话就会询问故障率是多少、节拍是多少、投资回报周期多久、何时实现量产以及能不能稳定交付？

在几个问题被依次询问下来之后，一大半的Demo级项目都不得不退场。

从实验室里反复验证过的Demo到成功实现量产交付，中间隔着三座难以逾越的大山——模型端侧部署、大小脑算力协同以及产业链配套。

横亘于山间的那道鸿沟，其宽度远比大多数人通过想象所能够构想出来的还要宽。

首当其冲的就是模型落地的难题。

现在行业言必称VLA模型，都清楚地知道大模型能够为机器人带来通用能力，但真要将其落地，立刻就会撞上现实的墙。

把模型放到云端来运行，网络延迟以及抖动是无解的死穴，在工业场景当中，毫秒级的卡顿就有可能导致一次操作失败，一次失败就有可能导致整条产线停机、重新调试；把模型放到端侧来运行，功耗、成本以及带宽全都是约束。

对训练好的大模型要开展量化、适配以及优化的处理，一整套软硬协同的工作做下来之后，其工作量并不比训一个模型小。

其次，算力系统所具有的复杂度实际上远超人们的想象。

机器人不是只跑一个大模型就够了，它要同时对多路摄像头以及传感器的数据进行处理，要对几十个关节的电机进行精准运动的控制，要做实时的路径规划以及异常处理。感知是一套系统，决策是一套系统，运动控制又是一套系统。

过去很多方案运用多芯片拼接的方式，成本高昂自不必说，系统之间的通信延迟以及协同稳定性都构成了大问题。量产的时候，多一个零件就多一个故障点。

最后也是最容易被忽略的，则是量产过程中的一致性要求。

在制作十台样机的过程中，工程师可以一台一台地对参数进行调节工作，而在制作一千台时，则必须保证每一块PCB、每一个接口以及每一批元器件的性能保持一致，还要完成高低温、振动、冲击等全套可靠性测试，以应对不同工况下的长期运行。

这件事并没有捷径可走，完全依赖于产业链的协同以及工程经验的沉淀。

这三座大山压下来，就导致了一个很尴尬的局面：算法公司虽然有模型能力，却做不了量产硬件；硬件公司虽然能做本体，却搞不定端侧大模型；整机公司虽然想做产品，供应链以及可靠性却全要从头踩坑。

全行业都在进行摸着石头过河的探索，每家都在重复进行造轮子的工作，而地瓜机器人所看到的机会就在这里。

它不想下场与大家争夺整机赛道，它想做的是“卖铲人”，对最通用、最底层以及最耗工程的部分进行完善处理，并做成标准化的平台，让所有合作伙伴轻装上阵往前跑。

这个定位听起来显得相当熟悉。当年智能手机爆发前夜，高通所做的正是这件事。当年自动驾驶落地前夜，地平线自己也走过了这条路。历史总是押着相似的韵脚。

一颗工业级大脑的形成，并不是借助对算力进行堆叠这么简单就能达成的。

旭日S600是这次沟通会的主角，其纸面参数达到了560TOPS的AI算力。但如果只把它当成一颗大算力芯片，就完全看错了它所蕴含的设计逻辑。

当前行业之中从事具身算力研发工作的厂商已经为数不少，而大家都在对TOPS数字进行堆叠处理。

但真实场景之中，纸面算力能够发挥出多少，完全是另外一回事。机器人所运行的并不是跑分软件，而是一整套复杂的协同系统。算力能不能被充分地利用，延迟能不能被压下来，功耗能不能被控制住，全依赖于架构设计以及软硬协同的功底。

地瓜的底气来自第三代BPU Nash架构。这代架构专门针对Transformer算子开展了深度优化工作，与初代架构相比，Transformer网络的加速比超过了27倍。这个数字的意义在于，当前主流的VLA以及VLM模型均基于Transformer架构，架构层面的原生优化远比单纯对计算单元进行堆叠处理的效率高得多。

更关键的是它的单芯片全栈设计，在一颗芯片之中对四核BPU、十八核CPU以及六核实时控制MCU进行了集成。大模型推理、环境感知、任务调度以及运动控制，所有功能均得以在同一颗芯片之中完成。

这件事的价值要放到量产场景之中进行审视才能够看得清楚。多芯片方案需要对跨芯片的数据传输进行处理，延迟下不来，稳定性也难以得到保证。单芯片方案省去了外部通信方面的开销，控制精度以及响应速度都能够上一个台阶。同时整机的硬件架构会简化很多，BOM成本得以降低，出问题的概率也得以降低。

对于量产来说，简化本身就构成了一种可靠性。

更进一步来看，硬件参数仅仅是基础，真正拉开差距的则是量产级的可靠性设计。很多人并没有注意到，旭日S600的核心模组支持了-40到105摄氏度的宽温工作，同时还通过了11项可靠性验证。这个指标在消费级产品里看起来显得很夸张，放到机器人身上则刚刚好。

人形机器人的算力模组通常被放置在胸腔位置，电机以及电池会一起进行发热，导致内部温度轻易就能够超过八十度，工业场景里的机器人，夏天车间里的温度本身就很高，还要长时间进行满负载运行。如果芯片只能在常温下进行运行，一到真实场景就会降频以及死机，再高的算力也等于零。

当然，除了硬件，地瓜还在芯片之中对一整套基础算法进行了预置工作。从全向环境感知、多相机视觉定位，到纯视觉操作控制以及双足运动控制，机器人干活所需要的四个核心环节都具备了现成的方案。

客户拿到手之后不用从零开始对基础算法进行编写，直接就能在上面开展自己的场景化功能开发。就像制作手机不用自己对相机算法进行开发，以及运用车机芯片不用自己对导航底层进行编写。把通用能力沉淀到底层平台之中，让上层公司专注于差异化的实现，这就是平台型产品的核心价值。

在这其中存在着一个很有意思的判断，很多人会觉得具身智能的核心竞争力是模型以及算法，但越往量产方向推进就越会发现，算法仅仅是其中的一环。真正决定产品能不能落地的，是硬件可靠性、工具链成熟度以及供应链稳定性这些看起来并不性感的工程能力。

真正的壁垒，从来不在参数表上

如果只是对芯片进行销售，地瓜以及其他算力厂商也就没什么本质方面的区别。它真正的差异化，在于芯片之外的一整套生态以及工具链，还有背后的产业协同能力。

做过芯片落地的人都清楚地知道一个道理。客户所购买的从来不是芯片本身，而是芯片之上能不能快速地跑通自己的业务。工具链好不好用，技术支持跟不跟得上，配套资源够不够多，这些方面才是决定选型的关键。

在此次沟通会的过程之中，地瓜正式对Moss™ Agent Engine进行了开源处理。这套系统如果通俗地进行表述的话，就是运用AI来实现对AI机器人的开发工作。

过去在对机器人功能进行开发的过程之中，需要专业工程师对代码进行编写、对参数进行调节以及对错误进行排查，一个简单的抓取功能可能要折腾好几周。现在则是借助Moss框架，开发者运用自然语言来下达指令，系统就能够自动完成目标识别、路径规划以及动作调试的全流程。开发周期得以从几个月压缩到几周，效率方面的提升是数量级的。

这背后所依托的是一整套云边端协同的开发体系。云端由RoboGo平台负责数据生成、模型训练以及量化部署。PC端由RDK Studio负责硬件连接以及应用调试。端侧由Moss Agent负责执行以及反馈。三者之间形成了闭环，从而把整个开发流程重构了一遍。

这件事的长期影响比想象中大。

现在具身智能行业最大的瓶颈之一就在于人才方面，既懂机器人又懂AI还懂端侧优化的工程师凤毛麟角。借助AI工具对开发门槛进行降低处理，本质上就是在对行业的人才池进行扩大。当更多人能够参与进来时，整个行业的迭代速度才会真正得以提上来。

另外，在产业链层面，地瓜还拉拢了一百多家产业链伙伴，实现了对从传感器、执行器到控制器以及代工厂的全链路覆盖，其中最值得注意的是一批汽车Tier1的加入。

汽车行业开展了几十年的大规模制造工作，在功能安全、质量管控以及供应链管理方面的积累，比机器人行业要深厚得多。把汽车级的控制器方案、量产标准以及制造经验引入到机器人行业当中，相当于直接把机器人的量产能力拉上了一个台阶。

客户选用旭日S600的平台，便不用再一家一家地对供应商进行洽谈以及开展适配工作，直接就能够从生态之中对成熟方案进行选取。

很多人在对芯片壁垒进行讨论时，总喜欢对架构、制程以及算力数字进行谈论，但真正在产业之中跑过就会明白，早一步与客户一起开展联调工作，早一步把量产的坑踩完，早一步把供应链跑通，这些积累下来的优势，远比纸面参数更难逾越。

就像地瓜CEO王丛在群访之中所说的那样，所有的壁垒在本质上都是相对壁垒，技术优势的有效期显得很短，只有在真实项目之中所攒下来的需求理解、工程经验以及供应链关系，才会慢慢地滚出复利。

量产的坑，总要有人先踩一遍

当然，现在就对胜负已定进行断言还为时尚早。具身智能整个行业都还处在非常早期的阶段之中，没有任何一条路线敢于宣称自己就是标准答案。

比如模型的尺寸还在快速地进行迭代工作。现在端侧主流的VLA模型还是处于几B参数的规模之中，未来半年一年很可能就会涨到十几B甚至几十B，算力需求的天花板在哪里，现在没人能够说得准。

比如数据的矛盾还没有得到解开。模型泛化能力要得到提升，必须拥有大量真实场景的数据，但没有足够好的模型，就拿不到真实场景的落地项目，这个死循环只能依赖于持续投入来进行打破，先做产品，先进场，再慢慢地开展迭代。这也是为什么行业里大家都在烧钱做数据，做试点。

再比如泛化能力的边界究竟在哪里。现在能够实现落地的基本上都是相对封闭的特定场景，仓储搬运以及产线上下料这些，真正的通用人形机器人，能够应对开放环境里的各种任务，还有很长的路要走。行业里清醒的人都清楚地知道，现在谈全场景通用还显得太早，先把几个垂直场景做透、跑通ROI，才是当下最务实的选择。

也正因为如此，平台型公司的价值才会得以凸显。场景千差万别，不可能每一家都从头对底层算力以及工具链进行构建工作。有一个通用的底座，大家便可以在上面开展各自的场景创新，整个行业的试错成本才会降下来，迭代速度才会提上去。

这件事当然不容易。做平台意味着要对各种需求进行兼容处理，要对各种模型进行适配工作，还要应对各种千奇百怪的场景，这意味着要做很多脏活累活，赚看起来不那么暴利的钱，但一旦做成了，就会成为整个行业的基础设施，所有玩家都离不开你。

在从自动驾驶跨界到具身智能的过程之中，地瓜所带过来的并不只是芯片技术，更为重要的是一套完整的量产方法论，它清楚地知道如何从Demo走到量产，知道中间存在着多少坑，知道哪些地方可以省力气，以及哪些地方绝对不能省。

这些经验并没有办法凭空获得，只能一个项目一个项目地踩出来，而现在整个具身智能行业之中，最缺的恰恰就是那些踩过坑的人。

*本文图片均来源于网络

在千台量产工作来临的前夜，具身智能领域的竞争已经沉入到底层基建的完善处理之中

来源：千台量产前夜，具身智能竞争已沉到底层基建 | OFweek机器人网