机器人从「量产」到「量销」，启智Openmind要补上工业具身智能的中间层

机器人离真实生产环境似乎又近了一步。

作为机器人能力集中展示的平台，在今年的世界机器人大会上，越来越多企业直接搭建起工厂等具体场景，让机器人现场完成分拣、装配、巡检等任务。这届大会还首次设置了采购日，由央企带着实际场景和采购需求寻找供应商，这也释放出了一个明确信号：行业关注焦点已经转向机器人能否持续、稳定且经济地创造价值。

但展台演示并不完全等同于产线落地。在相对可控的环境中完成一次任务，与在真实工业现场连续应对工件偏差、环境变化和设备异常，中间仍隔着数据、工艺、可靠性与工程交付等多重门槛。

针对这一落差，启智Openmind也在大会上带来了自己的解法。这家脱胎于智能机器人上市公司埃夫特的企业，发布了两款新品，新品HALO技能服负责把人的真实作业经验转化为可训练的数据，复合机器人则验证同一套能力如何在工业现场完成从感知、规划到执行的闭环。

有别于多数企业聚焦的机器人在工厂场景的作业能力本身，启智Openmind试图解决的，是具身智能如何进一步完成训练、部署和复用。

从规则驱动到数据驱动

事实上，工业具身智能从一开始就伴随着质疑。毕竟在汽车、3C、锂电等制造业产线上，工业机器人早已不是新鲜事物。经过数十年发展，机械臂配合传送设备、工装夹具和机器视觉，已经能够连续完成焊接、搬运、喷涂和装配等一系列任务。

但工业具身智能真正试图进入的，是自动化体系尚未经济覆盖的“剩余部分”。

启智Openmind相关负责人告诉36氪，传统工业机器人是刚性的规则驱动，只要工件、位置和环境保持不变，机器人就能重复执行任务。但这种规则驱动的模式无法面对柔性作业场景。而从规则驱动转向数据驱动，以此提升工业机器人的泛化能力，就成为具身智能进入工业场景的核心价值。

但该负责人亦坦言，工业具身智能或将长期存在一个“不可能三角”，即无法同时满足快响应速度、高执行准确性和强跨场景泛化能力，这是因为模型适应的场景越多，推理过程通常越复杂，响应速度和执行稳定性就越难兼顾。

因此，短期内工业具身智能落地更现实的路线，是先把问题约束在相对封闭的范围内，针对某一类工序训练垂直能力。通过这种适度收窄泛化边界的方式，来换取更快的响应速度和更可靠的执行结果，先适应工业场景对机器人操作稳定性的需求，再逐步扩大机器人的能力范围。

进一步向下拆解会发现，工业具身智能的垂直能力构建也还面临着两道现实门槛。

第一道是数据。随着实验室遥操作及仿真数据局限性显露，来自真实生产过程的数据价值愈发凸显。但这类数据主要掌握在终端客户或具有行业经验的系统集成商手中，且往往涉及生产工艺、设备参数和商业机密，难以直接向外开放，最终加剧训练所需有效数据不足的现状。

第二道则是工艺知识。上述启智Openmind负责人提到，曾有项目团队在机器人出现异常动作后反复补充数据、重新训练模型，问题仍未解决，最终在了解工序人士的提醒下才发现根源只是地线未接。也就是说，机器人厂商可能熟悉本体、运动控制和模型，但未必理解每一道具体工序，因此工业具身智能的落地，还需要工艺和现场工程经验的共同参与。

可以看到，工业具身智能要真正走向落地，缺少的不只是更强的模型，还需要一套能够从真实作业中采集数据、将工艺经验转化为机器人技能，并进一步部署到真机执行的完整工具链。这正是启智Openmind试图补上的中间一层。

在本体与场景之间搭建平台层

沿着上述底层逻辑，启智Openmind此次发布的两款产品，分别落在工业具身智能能力形成的两端：HALO技能服解决真实数据如何被采集的问题，复合机器人则验证这些数据和模型能力如何被部署到真机，并在具体工业场景中完成任务。

据启智Openmind方面介绍，HALO技能服可以同步采集8K全景画面、第一视角RGBD信息、手部触觉、27节点惯性动捕和表面肌电等多模态数据。相比单纯采集视频，这些不同模态的数据能够更完整地还原人在真实作业中的动作过程，以及完成动作时所使用的力度和身体状态，为机器人学习精细操作提供更接近物理世界的训练素材。

在工程改进上，新一代HALO技能服主打“穿戴一体化”设计，将全身传感单元深度集成进无外露线束的服装本体中，不仅支持快速穿脱、贴合稳固且易于清洗维护，真正实现了“穿上即采”。在大幅提升穿戴体验与多批次数据一致性的同时，又为真实工业数据的规模化采集创造了条件。

由于采集过程不与某一台机器人绑定，这些数据还可以被用于不同品牌、不同构型机器人的模型训练和技能开发。

不过，采集数据还只是第一步，人的动作数据还需要经过清洗、处理和训练，转化为机器人能够理解并执行的技能，再适配到具体本体和工业场景中。

为打通上述环节，启智Openmind构建了一套完整的智能机器人通用技术底座。HALO技能服负责采集真实世界数据，HumanGPT提供模型能力，大衍数据平台承担数据管理和处理，墨斗IDE用于技能开发和调试，Openmind OS则连接上层应用与不同机器人本体，由此覆盖从数据采集、模型训练、技能开发到真机部署的完整流程。在这套近似于“机器人安卓”的开放底座之上，开发者可以面向具体工艺开发机器人技能，再适配到不同品牌、不同构型的机器人本体。

复合机器人则为这套工具链提供了执行端的验证载体。它将机械臂、3D视觉和移动底盘组合在一起，由移动底盘在不同工位之间移动，视觉系统识别工件及其位置，机械臂再完成抓取、分拣和装配。相比只能在固定工位重复执行既定轨迹的机械臂，复合机器人需要持续处理自身位置、作业对象和周边环境的变化，从而适应更柔性的生产任务。

目前，这款复合机器人已在某主机厂真实产线中进行长期验证，用于高密度分拣与精密装配一体化作业。

“从产品形态而言复合机器人不算底层创新，我们更多展示的是它从开发到部署过程中的开放性。”启智Openmind负责人告诉36氪。

这句话也点明了启智Openmind对自身在工业具身智能产业链中的定位：作为工具平台，将数据采集、机器人控制和任务编排等底层能力封装进开发环境，让掌握工艺知识的合作伙伴能够根据实际需求开发垂直应用。“我们的想法是，所有人都能开发机器人，都能去造出自己针对垂类场景的机器人。”

分工，可能比全栈自研更重要

启智Openmind选择将自身定位为工具平台，离不开埃夫特在工业机器人领域的长期积累。

启智Openmind前身是埃夫特内部于2017年成立的智能化项目组，直到2024年正式成立公司。因此，这不是一支从零进入工业具身智能的创业团队，其有埃夫特作为成熟公司带来的资金支持，还有来自埃夫特的智能机器人项目，以及国家重点研发计划、重大专项等科研项目沉淀下来的技术积累。

除了资金和技术支持，埃夫特还提供了用于能力验证的产业现场。目前，埃夫特每年生产约2万台机器人，累计出货量超过10万台，背后还连接着终端客户和400多家系统集成商。这些机器人如何进入工厂、如何围绕具体工艺完成二次开发，以及最终如何产生实际价值，无疑构成了启智Openmind观察工业自动化产业链的起点。

这样的历史沿革，也塑造了启智Openmind对工业具身智能产业分工的判断。在访谈中，启智Openmind相关负责人对36氪坦言，“当前具身智能领域强调的全栈自研，本质上是一种行业分工不清的体现。”算法团队未必理解现场工程问题，机器人厂商也很难掌握每一个行业的工艺，而让懂工艺的系统集成商从头补齐模型、运动控制和数据处理能力，同样成本高昂。

在长期发展过程中，传统工业机器人已经形成核心零部件、整机厂商、系统集成商和终端客户之间的专业分工。工业具身智能同样需要形成新的协作关系：机器人企业提供本体和执行能力，平台企业提供数据、模型、操作系统及开发工具，系统集成商利用工艺知识开发垂直应用，终端客户则提供真实需求、标准作业流程和持续运行数据。

按照规划，启智Openmind接下来将以埃夫特机器人底层系统的切换和适配为起点，推动更多机器人厂商进入平台生态。最终的目标是，通过一套自主掌握、能够适配不同品牌和构型机器人的工业具身智能开发底座，让开发者不必被单一机器人品牌或单一软硬件架构绑定，实现工业具身时代的自主可控。

但也需要看到，从埃夫特体系内部完成验证，到真正成为面向全行业的平台，启智Openmind仍需要证明其底座能够获得其他机器人厂商、系统集成商和终端客户的信任，并形成足够丰富的垂直应用生态。

这届世界机器人大会正好赶上了“人形机器人第一股”宇树登陆科创板，其上市初期的市场表现，无疑反映出资本市场对于具身智能和机器人产业仍给予较高预期。但与资本市场的乐观远期想象相比，机器人真正进入生产环境，依然需要从数据、模型、本体和工程交付等具体环节逐一推进。

正如启智Openmind负责人所说的那样：机器人本体实现量产，只是产业发展的第一步。能否让更多懂场景、懂工艺的开发者参与进来，形成足够丰富且能够创造实际价值的垂类应用，才决定着机器人能否从量产进一步走向量销。