99.9%。

这是均普智能全球首条多台具身智能机器人协同作业的BMS自主量产验证产线，在中试实测中交出的作业成功率。单工序节拍70秒，完整还原新能源汽车BMS控制器的精密装配流程。

如果你对机器人的印象还停在WAIC往年的展台——搬个箱子、踢个足球、翻个跟头，在一群围观者的掌声中退场——这个数字会显得不真实。99.9%的良品率，在精密制造领域已经是成熟产线的水准。而完成这些作业的，不是编程好的传统工业机械臂，是能"看懂"任务、"理解"指令、自主规划动作的具身智能机器人。

这也不是孤例。小米人形机器人进厂三个月，在汽车工厂自攻螺母工位的作业成功率从90.2%一路拉到98%，离人工作业99%的合格率只差最后1个百分点。睿尔曼的轮式人形机器人在新疆伊宁真实后厨，完成拉条子、穿烤肉、切菜——高温油烟，长时连续。西门子德国爱尔兰根工厂，Humanoid的HMND 01 Alpha机器人自主搬运周转箱，每小时60次，连续跑超8小时。

2026年7月17日，WAIC 2026在上海开幕。展览面积首次突破10万平米，1100余家企业参展，超300款产品全球首发。但数字本身不是信号。真正的信号藏在这届WAIC与往届的本质区别里——过去几年的WAIC展示的是AI的想象力，2026年的WAIC展示的是AI的生产力。

具身智能从"踢球表演"到"进厂打工"的质变，是这个信号最硬的证据。

三个信号：WAIC从"看趋势"走进"看落地"

信号一：智算集群从"堆卡"到"造系统"。

WAIC今年第一主线是智算集群——不是单颗芯片的参数比拼，是整座AI基础设施的系统能力。曙光8000"登峰"，全国产十万卡AI超集群，"超智融合"技术路线，FP64到INT8全精度，已完成300余项应用优化。华为Atlas 950 SuperPoD真机首展，单柜64卡，最大8192张昇腾NPU高速互联。中兴OEX超节点，首创正交无背板架构，零线缆互联，内部互联成本砍掉80%。

共同叙事很清楚：AI算力的真实效率从来不由单点决定。芯片再强，网络拥塞、散热不足、存储跟不上、软件适配不成熟，都是跑不满的纸面算力。谁能把芯片、服务器、网络、液冷、存储和软件组织成稳定、高效、可交付的集群，谁才握住下一阶段的门票。

信号二：AI Agent从"对话"到"行动"。

智能体站上C位。大会百余场论坛，超10%主题与智能体有关。十款"镇馆之宝"里四款是智能体——百度"百度搭子"、南方电网"大瓦特·云睿"、阶跃星辰STEPX Neo、蛋白质设计智能体MatwingsVenus。

Gartner数据：17%的组织已部署AI智能体，42%计划12个月内部署。邬贺铨院士判断，到2030年对话类词元流量占比将从约50%降至12%，智能体服务流量占比升至75%。

中兴努比亚发布全球首款AI智能体手机，跨200多个应用自动完成订餐、支付。阶跃星辰展示Agent OS，智能体能力从单个App走向操作系统层，打通手机、工业设备甚至机器人的多终端协同。

AI不再只是"你问我答"。它开始"替你干活"。

信号三：具身智能从"展台表演"到"进厂实测"。

这是变化最剧烈的赛道。WAIC现场部署超60台人形机器人，展示重心从技术演示转向实际应用。均普智能的BMS协同产线跑出99.9%。星尘智能Lumo-2完成22项自主家务。逐际动力31自由度人形一镜到底完成全自主长程家务。每一场展示都不是预设轨迹的表演，是面对真实工况的自主作业。

三个信号合在一起，指向一个判断：AI产业正从"模型竞赛"全面转向"产品落地"。这届WAIC，是这场转变的第一次正式检阅。

从Demo到产线：技术栈发生了什么跃迁

99.9%不是从天而降。从"搬货踢球"到"精密装配"，具身智能的技术栈经历了一次范式级跃迁。理解这层跃迁，才能看懂"进厂"不是公关话术，是技术能力的质变。

VLA大一统：端到端取代模块化

过去，机器人控制是"感知→规划→控制"的模块化流水线，每模块独立开发，误差在各环节累积。2026年，VLA（Vision-Language-Action）端到端架构成为绝对主流——输入像素和文字指令，直接输出动作信号，中间的黑盒由神经网络自动学习。

代表选手：Physical Intelligence的π0.7，首次在机器人领域实证"组合泛化"，被称机器人领域的"GPT-3时刻"。腾讯HyVLA-0.5全栈系统，4B MoT骨干加370M动作专家的双塔Flow Matching架构，10K小时动捕数据训练，长时程双臂任务成功率94%-99%。中科第五纪FAM-1.3，MetaWorld基准上仅5个样本达到89.1%平均成功率，比此前最佳高出22个百分点。

端到端不是简单"去掉中间层"。它让泛化能力从架构中自然涌现——模型见过足够多"抓取红色杯子"和"如果杯子是热的就用夹子"的组合后，不再需要为每种情况单独编程。大模型在语言领域验证过的Scaling Law，开始在物理世界发生作用。

世界模型融合：机器人学会"想象"

单纯的VLA会"幻觉"——做出违反物理规律的动作。2026年最重要的技术趋势，是世界模型与VLA从独立演进走向深度融合。

世界模型的逻辑：行动前，先在内部"想象"动作后果——预测下一帧画面，用于规划和安全校验。π0.7首次将世界模型作为Subgoal Image Provider集成到VLA中。小鹏在CVPR 2026公开世界模型完整技术蓝图，提出审慎推理、可控生成、长时程预测三大核心能力。中科第五纪FAM-1.3提出"3D世界-动作模型"，执行前生成多视角未来视频，操作员可以预览机器人"以为会发生什么"——140次试验中，四位评估者利用预览拒绝不安全动作的比率显著高于无预览。

启明创投周志峰的判断直指要害：VLA和世界模型绝非非此即彼的平行路径，深度融合是趋势。但近期，"剥开概念外衣，两类公司在商业化落地上并没有拉开本质差别"——融合是方向，工程闭环才是当下的胜负手。

数据飞轮：从算法创新到数据壁垒

周志峰给出一个关键判断：具身智能模型还没有充分验证出Scaling Law。

语言模型吞下数万亿token后彻底验证了Scaling Law。视频模型吞下数十亿高质量视频clip后验证了Scaling Law。但机器人？中美头部公司手里的高质量物理交互数据只有几十万小时，离验证门槛还差至少一个数量级。

行业在全力补课。中美头部企业均规划年内积累超100万小时训练数据，昂贵真机遥操作数据占比较小，以人为核心的第一视角多模态数据占绝对主导。一旦数据规模达标，"有可能今年底或明年初实现大的突破"。

这也是真机实测的核心意义——不只是证明"能干活"，更是获取数据。小米机器人在自有工厂实测，"每一次产线里的微小失误，都能在几小时内转化为算法更新的素材"，把"实验室-测试场-量产"的长周期直接压缩。睿尔曼常州平台150台RealBOT真机持续作业，覆盖超1000种真实任务，海量数据未来向全球开源。

部署越多→数据越多→模型越聪明→部署越多。飞轮一旦转起来，先发者的护城河越来越深。

竞争逻辑的根本转变：从参数竞赛到工程闭环竞赛

技术栈跃迁清晰之后，一个更深层的判断浮现：AI产业竞争的核心变量，正在从"谁的模型跑分最高"转向"谁先跑通从模型到物理行动的工程闭环"。

"工程闭环"不是模糊说法，它有四个必须跑通的环节：

数据采集——不是互联网文本，是真实物理世界的交互数据。腾讯HyVLA团队直接上光学动捕系统，亚毫米级精度；睿尔曼150台真机在工厂持续作业攒数据。数据的质量和规模，直接决定模型天花板。

模型训练——不只是VLA架构选择，更是后训练方法创新。腾讯HyVLA的FlowPRO，直接用flow-matching回归损失当隐式奖励代理，不需要额外Critic网络，四个长时程双臂任务成功率94%-99%，碾压传统DAgger的83%-93%。这类方法论突破，对工程落地的影响比参数规模更大。

Sim-to-Real——仿真到现实的迁移。西门子与Humanoid、NVIDIA合作，仿真先行设计，原型开发周期从18-24个月压缩至7个月。NVIDIA Isaac Sim提供高保真物理引擎，大量试错在虚拟环境完成。但仿真永远无法完美复现现实——最后的gap，只能靠真实部署来填。

产线部署与持续迭代——真正的"最后一公里"。小米机器人从90.2%到98%，27.8%的提升"不是纸面参数堆出来的数字游戏，是团队对着每一次微小失误逐帧拆解、逐条优化跑出来的"。越接近工业级稳定线，每前进0.1个百分点都要啃下从未被标注过的边缘工况硬骨头。

四个环节缺一不可。任何一个短板，整条链路断裂。这就是周志峰说"具身智能是过去一年杀死我脑细胞最多的领域"的原因——不是技术不令人兴奋，是闭环太难。

这也解释了竞争格局的分化。拓斯达依托多年工业制造积累与全链路技术布局，形成工业具身智能标杆。开普勒自研VTLA分层具身大模型，在手有效工业订单超4700万元。智元第15000台下线，上海计划到2030年推动10万台人形机器人进厂。这些企业的共同特征：不只做模型，不只做硬件，试图覆盖从数据到部署的全链路。

纯做Demo的公司正在面临估值压力。周志峰直言："一些公司靠在特定场景下'过拟合'刷榜来取得融资的高估值，业内人一看就知道。但在真实物理世界中模型落地，没有太大的意义。"

竞争焦点的转移，一句话概括：从"谁的模型架构更创新"，转向"谁拥有更高质量的物理世界数据"和"谁能更低成本实现Sim-to-Real"。得数据者，得具身智能。

中国的结构性优势与真实的不确定性

在这场工程闭环竞赛中，中国的位置值得细看。

周志峰把中美模型技术差距比作"在黑夜的大海上寻找金银岛"——"美国因为拥有更充足的算力，头部实验室每晚能同时派出30条船去多个方向探索"，"而中国受算力限制，一晚往往只能派出一两条船"。如果行业迎来下一次技术阶跃，美国最前沿实验室率先突破的可能性更大。

但这只是模型层面的判断。工程闭环竞赛中，中国有三个结构性优势：

数据——更大规模、更高效、更低成本的数据采集中心。睿尔曼常州150台真机持续作业、小米自有工厂实测迭代，这种"在产线上攒数据"的模式，中国有得天独厚的条件。

场景——宁德时代、比亚迪、富士康，海量制造企业，充足实体工厂协同研发。工信部、国资委联合启动实景实训专项行动，明确到2026年底"带动形成万台级规模落地能力"。政策推力叠加场景丰富度，让中国企业在"最后一步"的真机验证上有先发优势。

供应链——人形机器人整机约1200个零部件，90%以上供应链集中在长三角、珠三角。关节模组到灵巧手、结构件到传感器，硬件的批量交付能力直接决定规模化部署速度。拓斯达轻负载工业机器人出货量中国第一，睿尔曼关节模组年产能突破10万台——不是模型层面的领先，是工程闭环中不可或缺的硬件支撑。

但不确定性同样真实。

评测标准缺失。 周志峰坦言缺乏客观、动态的评测标准。市场上有三五个Benchmark，但多为静态、单一维度。缺乏公认的"跑分"体系，投资和估值都缺乏锚定。

Scaling Law未验证。 高质量物理交互数据只有几十万小时，离验证门槛差一个数量级。达标后Scaling Law若成立，先发者巨大优势；若不成立，整个行业的估值逻辑都需要重写。

运动控制与物理操控的价值错配。 周志峰的清晰划分：机器人AI算法分Manipulation（物理作业操控）、Navigation（导航与路径规划）、Locomotion（运动控制）三类。武术、舞蹈、跑步等"炫技"本质属Locomotion，技术更成熟，但全球市场天花板仅约数十亿美元。工业制造与物流等物理操控落地场景，全球市场规模要大很多——"两者体量完全不在一个层级。"

吸引最多流量的"翻跟头"视频，和创造最大商业价值的"拧螺丝"能力，在当前阶段是两件事。资本正在从追逐前者转向定价后者——2026年上半年具身智能赛道融资935亿元，同比提升5倍，超六成资金涌向机器人大脑研发。

从"能不能动"到"能不能用"

回望WAIC 2026的三个信号、技术栈的三层跃迁、竞争逻辑的根本转变，一条叙事线清晰浮现：

2026年，AI产业正在经历一场从"能不能想"到"能不能干"的质变。"能不能干"的验证，不在代码评测的排行榜上，在真实物理世界的产线、厨房、后厨、电站里。

曙光8000完成了300余项应用优化，不只是堆了十万张卡。中兴努比亚AI智能体手机跨200多个应用自主执行，不只是接入了大模型。均普智能BMS产线跑出99.9%，不只是让机器人动了——是让机器人干成了活。

这才是"进厂元年"的真正含义：不是机器人第一次走进工厂，是机器人第一次在工厂里干出了值得按件计费的活。

距离大规模商业化还有路要走。小米机器人还差最后1%，"核心要靠后续升级的高自由度仿生灵巧手补上"——人类几十年积累的肌肉记忆，正是下一代灵巧手要攻克的目标。Scaling Law在具身智能领域尚未验证，100万小时数据的门槛还没跨过。评测标准缺失，行业还在各自为战。

但方向已经明确。阶跃星辰董事长印奇在WAIC开幕式上的判断值得重视：2026年模型能力已跨越关键临界点，AI已从执行秒级简单任务进阶至可独立工作数十小时。智能体正在成为生产力的最小单元。

当AI的竞争从"谁的模型跑分最高"转向"谁先跑通从模型到物理行动的工程闭环"，这场比赛的赛道变了，终点也变了。终点不是一篇论文、一个Benchmark、一次发布会的掌声——

终点是产线上那个99.9%，是工厂里那台连续运行8小时的机器人，是厨房里那个能颠锅煎蛋的机械手。

AI的最后一公里不在代码里，在物理世界里。谁先跑通从模型到行动的工程闭环，谁就拿到下一代竞争的入场券。（文/王子祺）