相信去年來過WRC現場的朋友，多半會跟我一樣：
剛一踏進場館，就開啟了逛展隱藏支線——尋找遙控器。
那時候，幾乎是每一個成功操作的機器人，背後都有一個拿著遙控器的小哥。
就算繞著展台兜了一圈，沒找到人，很快也會發現，機器人來來回回演示的，多半還是提前編好的一套“公式動作”。
說到底，機器人雖然在動，但真正幹活的，很多時候還是人。
但今年的WRC，體感上已經明顯不一樣了。
各家展台上，自主幹活幾乎成了標配，後面拿著遙控器的人明顯少了，就算偶爾還能看到遙操作，多半也是在采資料。
老實說，雖然目前機器人自主幹活仍然不甚絲滑，而且難免會看到抖動、抽搐、失敗，但起碼，這活真是機器人自己幹的，實乃一大進步。
不過逛了一圈之後，我們又發現，事情顯然還沒結束。因為機器人自己把活幹起來，只能證明它有了“自主性”。
真要進工廠、倉庫、商超，變成生產力，後面還有更現實的一道考題：
換個東西還能不能幹？幹得夠不夠準？速度能不能跟上？
也就是——泛化、精度和效率。
而今年把這三件事擺得最直白的展台之一，恰好也是整個WRC最大的展台：
星海圖。
500平方米，10組Demo，一排機器人同時開工。從前置倉、工業裝配、禮盒折疊，到雙足、輪式新品，幾乎把機器人真正進入生產現場之後會碰到的幾類問題，都搬到了一個展台上。
所以，看到星海圖的巨大展台後，我們真正好奇的，也不只是：
為什麼一向低調的星海圖，這次突然搞了個全場最大展台？
還有，當整個行業都開始強調“自主幹活”之後，星海圖又想把具身智能往前推到那一步？
走，進去看看！！
生產力覺醒，究竟是怎麼個覺醒法
走進展台，我們看到星海圖這次WRC的主題，叫生產力覺醒。
為了一探究竟怎麼個覺醒法，我們也現場試了一下。
首先是現場圍觀人數最多的，星海圖和京東合作的前置倉。
在排了一會兒隊之後，我們直接在iPad上下單了兩瓶脈動。
機器人接單後，會自己排隊、找貨、取貨，再一路送到櫃檯。
有一說一，在第一次嘗試把脈動放到櫃檯時，機器人失敗了；
就在我們以為是瓶子太重、太粗不好夾的時候，機器人調整了幾次動作，最後還是成功放了上去。
拿回來之後，剩下的一切都變得相當絲滑，打包，拉袋，封口，一氣呵成～
整體看下來，這套前置倉已經基本復刻了一套真實的生產流程。
貨架沒有為了方便機器人抓取而刻意擺開，從下單、抓取，到移動、打包、交付，整套流程都由機器人端到端完成。
機器人在這裡既需要完成長程規劃，移動操作，“下蹲抓取”，也涉及到對不同SKU、塑料袋這類剛性和柔性物體的互動。
更關鍵的是，它並不是只會抓我們眼前這兩瓶脈動。
據現場工作人員介紹，這套系統背後的G0.5模型，已經能夠泛化到上萬種SKU。
這其實對應的，就是機器人進入真實世界之後的第一道生產力門檻：泛化。
如果換個商品、換個擺法就得重新訓練，那再自主，本質上也還是一套更複雜的專機。
值得一提的是，打包機器人的加入，也把整個閉環進一步串了起來。
我們從下單到拿到商品，大概等了3-4分鐘，速度已經在可接受的範圍內。
再往裡走，是一套機器人組裝機器人的工業裝配場景。
雖然聽起來多少有點“物理RSI”那味兒，但這裡真正考驗的，其實是精度。
畢竟工業裝配不像抓瓶子，零件差一點可能就裝不上。
為此，星海圖在基礎模型之上引入強化學習，將操作精度做到1mm以內、成功率99.9%，同時把工作效率提升了400%。
也就是說，到了真正的工業現場，自主只是前提，精度和良率才決定它能不能上產線。
再往下，是一個看起來沒那麼唬人、實際卻挺難搞的任務：折禮盒。
我們現場隨手丟給它一個紙盒，機器人拿到之後，大概1分鐘就能折完。
這裡的難點在於，紙板和剛性零件不一樣：折過去會回彈，狀態一變，後面的動作也得跟著變。
以前很多靠背一套“小連招”的機器人，到這基本就歇了：中間一步被打斷，直接當機。
但G0.5可以根據紙盒的即時狀態調整動作，我們在現場站了一會，成功率已經沒的說了。
不光是紙盒，對於疊衣服這種柔性操作，G0.5也可以輕鬆拿捏。
除了這些依靠具身大腦的任務以外，星海圖這次還帶來了最新的通用小腦成果——
雙足機器人Kengo。
它遇到沒見過的地形時，不需要重新訓練，就能邊感知、邊調整步態。
這其實有點呼應了最近全身智能的研究熱點。
畢竟，以後機器人真進了家庭、工廠和倉庫，能不能走過沒見過的路，本身也是泛化的一部分。
值得一提的是，這也不是星海圖首次發力機器人運控。
早在2023年，聯合創始人趙行團隊的Robot Parkour Learning，就曾入選CoRL 2023 Oral，並躋身最佳系統論文候選Top 3；此後，他們又將這一路線推進到雙足人形機器人。
當然，500平米的展台上遠不止這些。
抓包裹、物料分揀、折衣服、長程送件……機器人幹的活五花八門，囿於篇幅，就不一一展開了。
但把前面這些Demo串起來看，星海圖這次真正想展示的東西，其實已經很清楚了：
機器人“能自主幹活”，只是生產力覺醒的起點。
再往下，至少還有三道更現實的考題。
第一是泛化。換個SKU、換個物體、換個環境，甚至中間狀態發生變化，機器人還能不能繼續幹，而不是重新訓練一套模型。
第二是精度。如果只是在Demo裡把動作做個大概，到了工廠裡精度不夠、良率不行，那依然幹不了真正的活。
再往前一步，就是效率。畢竟真正到了生產現場，機器人最後要比的，不是Demo漂不漂亮，而是能不能在相同時間裡完成一樣的工作，甚至把這筆帳算得比人更划算。
所以一圈看下來，星海圖這次至少做了一件挺有意思的事：
當整個行業開始從“遙操作”走向“自主幹活”，它又把考捲往前翻了一頁——把泛化、精度和效率，同時擺到了檯面上。
從“機器人能不能自己幹”，變成了：機器人能不能快、准、泛化地把活幹下來。
而這，可能才是真正的“生產力覺醒”。
那麼，這背後究竟是怎麼做到的？
十幾組demo背後的具身大腦
在前面的展示裡，機器人之所以能做到百萬SKU的物品與剛性柔性物體泛化，並把一整套長程任務自己串起來，背後用到的就是星海圖最新的VLA模型G0.5。
在公開榜單測試中，G0.5已經在LIBERO、BEHAVIOR-1K、RoboTwin 2.0、DROID Zero-shot等8個權威Benchmark中登頂，覆蓋長程任務、精細操作、零樣本泛化等不同能力，整體位居第一梯隊。
在具體的架構方面，G0.5走的是一條統一自回歸路線，用G0.5背後研究者的話說就是，你可以把它理解成一個大語言模型：
它把視覺理解、具身推理和動作生成，都放進了同一個Transformer Decoder裡。
和不少“VLM負責看和想，Action Expert負責動”的VLA架構不同。G0.5更像是把“想”和“做”重新接在了一起：機器人一邊理解環境、一邊判斷下一步該幹什麼，然後繼續往下生成動作。
這樣做的第一個好處，就是過去幾年LLM已經學出來的理解、推理和任務拆解能力，能更順暢地接到機器人身上。
模型不用從頭再學一遍“怎麼想”，而是直接把已經會的思考變成動作。
所以到了前置倉這種任務裡，它面對的就不只是“抓一個東西”，而是可以先理解訂單，再把找貨、規劃、抓取、打包這一整串事情接著做下去。
而統一自回歸的第二個好處，就是思考和動作可以連續往下走。
在前面的折禮盒demo中，這就讓機器人能夠一邊執行，一邊根據紙盒的變化及時調整動作。
而在G0.5代表的VLA路線之外，星海圖還同時押了另一條路線：世界模型。
他們今年推出的Fast-WAM，最大的特點就是快。
針對以往世界模型推理過慢，難以實際部署的問題，Fast-WAM把推理延遲壓到了約190ms，相比傳統方案提升約4倍，發佈時做到了全球最快。
目前，Fast-WAM論文引用量已經位居世界模型領域第一，也得到了同為世界模型創業者謝賽寧的認可。
所以回過頭看，星海圖在“大腦”上的路線其實挺實用主義。
VLA也做，世界模型也做，不是先選一個技術信仰，然後證明另外一條路線是錯的。
而是反過來：那個東西能讓機器人把活幹得更好，就先用那個。如果都好，那就都用。
前面500平方米裡看到的那些Demo，某種程度上就是這套思路的集中展示。
但說到底，模型架構只是第一步，真正能在具身領域拉開身位的，還得是資料以及全端自研帶來的飛輪效應。
資料、本體、模型閉環
星海圖創始人、CEO高繼揚曾不止一次解釋過這套飛輪：
做過自動駕駛你發現：要做物理世界智能，就得有物理世界資料；要有資料，就得有一個收集資料的載體，整機。以前做自動駕駛最大的問題就是軟體供應商拿資料的鏈路不通暢，飛輪跑不起來，這就是致命的問題。
說白了，不掌握本體，就很難掌握資料閉環；資料閉環跑不起來，大腦也就很難持續迭代。
所以在資料上，星海圖一直押注真實資料。
早在去年9月，他們就開源了GOD真實場景資料集，下載量全球第一。與此同時，還通過投資簡智、元流等玩家繼續擴充資料來源，並計畫2026年將真實資料規模做到100萬小時。
而這些資料背後，是星海圖自己的本體體系。
包括最新的雙足機器人Kengo、輪式機器人Nexo在內，星海圖已經先後推出R1、R1 Lite、R1 Pro等一系列機器人。
整機握在自己手裡，帶來的不只是資料來源更可控，模型、控制和硬體也能一起迭代。
據現場工作人員介紹，G0.5這次表現背後，很大程度上就來自自研本體產生的高品質資料，以及模型和本體之間更高效的協同。
這也是具身智能和純軟體系統很不一樣的地方：
機器人最終面對的是物理世界，模型能力、控制演算法、執行器和本體設計彼此牽連，很難完全拆開最佳化。
模型發現新的能力邊界，本體就能針對性迭代；本體升級之後，又能採集更高品質的資料，反過來繼續訓練模型。
於是，一套完整的飛輪也就跑了起來：
資料推動模型，模型定義本體，本體再生產新的資料。
上一代機器人出去幹的每一份活，都有機會變成下一代繼續進化的燃料。
具身智能，開始參加生產力大考
所以再回到開頭那個問題：WRC最大的展台，為什麼是星海圖？
看完整個展台，答案已經很明顯：
星海圖想展示的，不只是機器人又學會了多少新Demo，而是當“自主幹活”逐漸成為行業標配之後，具身智能的考卷已經開始往下一頁翻。
過去，大家先解決的是機器人能不能脫離遙控器，自己把任務做起來。
而真到了工廠、倉庫和真實客戶現場，光“能自己幹”顯然還不夠。
接下來要比的，是換個東西還能不能幹，幹得夠不夠準，速度又能不能跟上。
也就是泛化、精度和效率。
換句話說，機器人真正成為生產力，不只是要“會幹活”，而是要能在真實現場快、准、穩地把活幹下來。
這次500平方米、十幾組Demo，從倉儲揀選、工業裝配，到柔性操作和雙足運動，星海圖某種程度上就是把這張新的考卷，集中攤在了大家面前。
而作為具身“大腦”第一梯隊玩家，它所展示的也不只是自己的能力邊界，更像是在給行業打一個樣：
接下來，不再只比誰的Demo更好看，而是比誰能真正把機器人變成生產力。
從“能不能自主幹”，到“能不能快、准、泛化地干”。
某種程度上，這可能才是具身智能下一階段真正要卷的東西。(量子位)