导语：已往两年，具身智能常被放进两个认识的叙事里理解：它要末是“年夜模子的下一站”，要末是“主动驾驶向工场的迁徙”。前者夸大模子、数据及范围效应，后者夸大感知、猜测、规

已往两年，具身智能常被放进两个认识的叙事里理解：它要末是“年夜模子的下一站”，要末是“主动驾驶向工场的迁徙”。前者夸大模子、数据及范围效应，后者夸大感知、猜测、计划与端到端闭环。两种说法都言之成理，然而于阿米奥呆板人开创人刘方看来，它们仍未能回覆阿谁更底子的问题——咱们毕竟需要具身智能解决甚么问题。

刘方坚信：具身不是年夜模子，不是主动驾驶，是新业态。主动驾驶数字化的是驾驶能力；年夜模子数字化的是常识；具身智能真正要数字化的，是劳动能力。

这其实不是一句把呆板人包装患上更弘大的标语。相反，它把问题拉回了最务实的工业现场：客户采办的不是一个会演示动作的呆板，也不是一组美丽的模子参数，而是一段可以连续交付产出的劳动。呆板人必需于工位上完成使命、包管良率、跟上节奏，并于经济性上替换或者增补现有的人力与主动化方案。

阿米奥双臂轮式呆板人AMI-01，今朝已经于3C、汽配、食物加工等多条产线上运用

从“会做”到“能用”：劳动能力是新的数字化对于象

互联网把信息的获取及分发酿成了可复制的软件能力；基础年夜模子让常识的天生、挪用及交互以更低的成本范围化；主动驾驶则试图把驾驶中的感知、判定及操控沉淀为可部署的体系能力。具身智能面临的，是更接近出产一线的一层：把人类于真什物理情况中完成使命的能力，慢慢转化为可练习、可验证、可复制的数字能力。

这也是为何，呆板人不克不及被简朴理解为“年夜模子加之一只机械臂”。模子可以于云端迭代，能力晋升后很快被分发到年夜量软件终端；但呆板人每一一次能力进级，都要穿过硬件本体、传感器、结尾履行器、节制体系、工装、现场节奏、维护流程及安全界限。软件的范围化，更多依靠分发；呆板人的范围化，则要先颠末一次次真实部署的验证。

于工业场景里，劳动能力也不是一个抽象的“技术标签”。它凡是由一组相互耦合的能力构成：看清对于象与状况、理解工艺方针、计划动作、节制接触力、处置惩罚偏差、辨认异样，并于须要时完成恢复。以一个看似简朴的上下料使命为例，零件的反光、遮挡、摆放误差、质料变化、夹具公役及节奏要求，均可能转变呆板人下一步应该怎样步履。

是以，具身智能的方针不该只是让呆板人“能做更多动作”，而是让一段劳动流程于清楚的界限内成为一种可交付的能力包：它可以被部署到一个工位，被连续运行，被记载、纠偏及进级，并于相近使命中复用。刘方将这一历程归纳综合为“劳动能力数字化”。将来真正有价值的，不是某一台呆板人做了几多动作，而是有几多劳动能力被沉淀下来，可以或许被重复部署。

HPI：权衡的不是“不变多久”，而是劳动能力可否被信托

主动驾驶有一套成熟的权衡系统——Miles Per Intervention（MPI） ，即车辆于一次人工干涉干与之间，车辆能自立行驶几多英里。几百英里、几千英里、上万英里，数字一起爬升，但暗地里是统一个逻辑：让车于布局化门路上跑患上更远、更少被打断。这个指标之以是建立，是由于它将“体系可否连续完成驾驶使命”转化为一个可持久追踪的运营标准。

刘方认为，具身智能一样需要一个面向真实事情的标准。是以，阿米奥提出 HPI（Hours Per Intervention）：呆板人于真实出产情况中，每一履历一次需要人工接受、改正、复位或者从头标定的干涉干与以前，可以或许持续自立事情的小时数。

HPI 与 MPI 外貌上都于权衡“更少干涉干与、更长持续运行”，但其寄义其实不不异。车辆始终于完成“驾驶”这一相对于同一的使命；而于工场里，呆板人面临的是年夜量差别的零件、工序及工艺约束。对于呆板人而言，HPI 从 1 小时晋升到 10 小时、再到 100 小时，不只是靠得住性曲线变好，更象征着某一段劳动流程最先于真什物理世界中被体系消化。

不外，HPI 不该被理解为一个可以离开场景零丁比力的“美丽数字”。假如一台呆板人经由过程降低节奏、逃避难动作来削减干涉干与，它的 HPI 可能上升，却纷歧定创造更多价值。真正成心义的 HPI，必需放于不异 SKU、工艺要求、质量尺度、安全约束及方针节奏下不雅察，并与良率、单元产出、人工投入及维护成本一路权衡。

这偏偏表现了 HPI 的价值：它不是只看模子体现，而是把模子、呆板人及现场运营放于统一张答卷上。对于在客户而言，HPI 充足高，象征着这段劳动可以被纳入排班及产能规划；对于在呆板人公司而言，HPI 连续上升，象征着体系再也不逗留于“会做一次”，而是于靠近“可以持久交付”。HPI 的素质，不是呆板人“对峙患上更久”，而是客户最先信赖：这段劳动可以交给它。

没有后练习，通用模子很难酿成产线级能力。

假如说 HPI 是劳动能力数字化的刻度，那末后练习就是让刻度连续增加的策动机。刘方其实不否定通器具身模子的主要性：它们提供了理解情况、遵照指令及天生动作的能力基础。但于产线里，模子“看患上懂”其实不等在体系“可靠”。

工业现场的难点，往往来自模子预练习阶段很少见到的细节：质料与光照酿成的视觉偏移、零件间微小的公役变化、接触时的磨擦与力反馈、工装位置的累积偏差，以和流程中偶发但必需处置惩罚的异样。它们未必充足“通用”到能被一套基础模子一次性笼罩，却足以让一个现实工位住手运行。

是以，阿米奥的技能路径不是把通用模子看成尽头，而是把它看成一个中间态。第一视角的现场操作数据，可以或许提供人类怎样完成使命的富厚先验；遥操作及真机调试数据，则让这类先验与详细呆板人本体的运动学、结尾履行器及真实接触历程对于齐；每一一次掉败、人工干涉干与及恢复，又为体系补上最有价值的界限样本。

于这一闭环中，最主要的其实不是“采到几多视频”，而是可否把数据酿成可用的工程反馈：呆板报酬甚么掉败？是视觉误检、抓取姿态不稳、接触力分歧适、工艺判定过错，还有是异样恢复计谋缺掉？差别缘故原由需要差别的批改方式。只有把掉败拆解到可处置惩罚的层面，数据才会转化为下一轮 HPI 的晋升。

于此基础上，纯数据驱动的进修仍不足以应答真实产线的长尾环境，是以必需引入reasoning能力，使呆板人不仅能理解语言指令与描写自身状况，还有能于面临未见场景时举行必然水平的推理与决议计划，从而填补后练习泛化能力的自然上限。

刘方认为：真实的壁垒不是拥有一个更年夜的模子，而是可否把每一一次现场干涉干与，转化为下一次更少干涉干与。从这个角度看，具身智能的飞轮也变患上更详细：不是泛泛地“数据越多越好”，而是“部署越多，真实劳动数据越多；真实劳动数据越多，后练习越有用；后练习越有用，HPI 越高；HPI 越高，客户越愿意扩展部署”。模子、数据与贸易化于统一条闭环里互相强化。

形态办事在使命：工业现场需要的不是“像人”，而是“能交付”

缭绕具身智能，最轻易吸引留意力的形态往往是人形呆板人。但刘方的判定更克制：人形并不是没有价值，它可能更合适为人设计的通用情况；只是对于现阶段的工业制造而言，“像人”其实不是客户的第一诉求。客户起首要的是精度、节奏、不变性、维护便当性以和可计较的 ROI。

阿米奥选择轮式双臂线路，恰是从这一判定出发。于很多固定或者半固定工位中，轮式底盘与双臂协同可以或许于笼罩规模、挪动效率、不变性及能耗之间取患上更直接的工程均衡。比起为通用情况保留年夜量自由度，工业产物更需要于明确使命界限内削减没必要要的繁杂性，把体系能力集中于“看、想、做”的闭环上。

这其实不象征着工业呆板人永远不需要人形，而是象征着产物形态应该从使命出发，而非从想象出发。若一个工位真正需要上下楼、超过繁杂地面、利用为人设计的东西，人形可能具有上风；但如果使命的焦点是高速、周详、反复且需要持久不变运行，那末布局约束往往比形态通用更有价值。

于刘方看来，将来的工业呆板人产物不该被“是否像人”界说，而应被三个问题界说：它能替换哪一段劳动？HPI 能做到几多？客户是否愿意为它连续付费？这三个问题会反过来决议本体、结尾、传感器、模子及部署方案应该长成甚么样子。

复购，才是数字劳动力真正建立的时刻。

具身智能行业不缺 Demo，也不缺试点。真正稀缺的是：呆板人于完成一轮验证后，客户愿意把它从一个工位扩大到多个工位，从一条产线扩大到更多产线，并把它纳入持久预算。

这也是刘方区别“意向定单”及“真实定单”的缘故原由。一次现场演示只能申明体系于某个时刻完成过使命；一次短时间试点只能申明客户愿意继承不雅察；只有不变的产出、可计较的成本收益及连续的复购，才能证实呆板人交付的已经经不是演示能力，而是可以或许被采购的数字劳动力。

对于在制造企业，采办呆板人从来不是一次技能投票，而是一笔谋划账：它可否笼罩一个完备流程，而不只是替换一个伶仃动作？它是否能顺应换线、换型及现场颠簸？发生问题后，恢复及运维成本是否可控？这些问题终极城市落到统一个成果上——单元产出、良率、人工投入及本钱回报是否改善。

是以，阿米奥其实不把等候某个“呆板人版 ChatGPT 时刻”看成路径。工业具身智能的前进，极可能不是一次突如其来的能力跃迁，而是一条条产线、一段段劳动、一轮轮后练习所鞭策的 HPI 曲线。先于能兑现 ROI 的场景中成立能力，再让能力随部署及数据不停扩张，这条路更慢，却更靠近财产真实的范围化。

呆板人没有古迹，只有堆集。

当劳动能力可以或许被记载、练习、验证、复用并连续改善时，呆板人公司谋划的就再也不只是硬件销量，而是一套不停增加的数字能力资产。它的价值不只存于在某一台呆板上，而会沉淀于将来每一一次部署、每一一次换线及每一一次客户复购中。

这也许才是具身智能区分在年夜模子，也区分在主动驾驶之处：它终极要回覆的，不是“呆板人有多智慧”，而是“有几多真实劳动，已经经可以被靠得住地数字化”。