最快百臺交付，至簡動力把具身智能的速度接進產線節拍

作者：沈子嫣

編輯：呂鑫燚

出品：具身研習社

人們判斷一個新產業的速度時，常常先看見燈光，后來才察覺齒輪。燈光讓一條賽道被看見，齒輪讓一個產業真正轉起來。

過去兩年，具身智能一直站在燈光里。融資、Demo、發布會輪番推高熱度，資本節奏、模型進展和動作視頻，也一度成為外界判斷快慢的主要刻度。

到了產業化門口，速度開始換一種計量單位。那些不太出現在鏡頭里的部分，開始決定結果：產線、供應鏈、部署調試、客戶現場，以及一批設備能不能日復一日地穩定運轉。

2026 年 7 月 6 日，至簡動力在蘇州舉行場景落地暨百臺交付儀式，宣布首款全場景機器人 i7 Pro 完成首批百臺交付，并落成全球首個 CNC 智能化具身機器人產線， i7 Pro 進入國內頭部諧波減速器制造企業生產產線，承擔 CNC 機床上下料等真實作業任務。

這是至今還不滿一年的至簡動力，第二次給行業帶來速度驚艷。

上一次，發生在資本市場。半年完成 5 輪融資，讓至簡動力迅速成為具身智能賽道里跑出來的一匹黑馬。那時外界看到的，是資本對一家年輕公司的提前押注。

前一次是別人給予的信任，后一次是它自己交的答卷。

同時，百臺交付也把問題推到了臺前，一家成立不到一年的具身智能公司，為什么能這么快走到這一步？

至簡動力 CEO 兼 CTO 賈鵬，曾用六邊形戰士概括穿越產業化所需要的底層配置。這句話放在融資階段，是一家年輕公司的能力宣言；落到百臺交付里，便成了一場更硬的系統驗證。

一臺樣機可以驗證動作，百臺交付檢驗的是連續性。進了產線以后，單點能力再亮，也要服從真實生產的節拍、誤差和穩定性要求。任何一環慢半拍，都會在現場被放大。

至簡動力把這套能力壓成一句話：全棧自研，軟硬一體。

這八個字，也讓至簡動力的速度從燈光下，走進了齒輪深處。

具身智能進入產線，決定其上限的往往是大腦能力。

這里橫著一道產業級的溝，實驗室里的能力和現場可用之間，隔著部署、調試、數據和工程適配的長路。實驗室可以圍繞單一任務反復采集數據、調整參數，甚至用規則兜底；到了工廠，物料、工位、光照、節拍和異常狀態全在變化。物體挪一個位置，光線變一次，模型都可能遇到新問題。

至簡動力跨這道溝的方式，是簡潔高效的技術架構，用統一模型架構解決具身智能中的復雜問題。

簡單來說，就是把碎片化變成一體化，現在大多數具身智能方案是拼積木，視覺用一個模型、語言用另一個、動作規劃再來一個，每個模塊都要單獨訓練、調參、維護。

但在至簡動力的判斷中，無論是視覺感知、語言理解、動作生成還是世界模型建模，各類能力本質上均可從同一基座模型中。因此至簡動力選擇在統一的 Transformer 編碼空間內開展聯合訓練，將語言、視覺、空間表征、機器人本體狀態、世界模型、VLA 以及快慢思考機制，全部納入同一套可擴展的模型架構與訓練體系之中。

這就是至簡動力自研的具身基座模型LaST? 。

至簡動力選擇用MoT（ Mixture of Transformers ）架構來詮釋。不同模態先各自處理，再通過一個共享的“注意力窗口”互相配合。好處很實際。一方面能復用已有單模態的預訓練能力，省訓練成本；另一方面，新模態接進來更靈活。機器人以后要處理新模態，不用再從頭搭一套系統。

換句話說，至簡動力想讓機器人有一個真正通用的大腦，而不是一個又一個?？漆t生。

LaST? 最關鍵的設計，是隱空間里的隱式思維鏈。

這不是技術側的炫技，而是場景的呼喚。在真實任務中光聽懂語言指令遠遠不夠，更重要的是理解空間關系、接觸過程和動作后果。

LaST? 會在隱空間中自回歸地同時預測二維圖像、三維點云和本體狀態，把推理過程壓進更緊湊的模型內部完成，做到先思考后推理。這意味著，機器人不再只依賴語言，而是通過一個類似于多維的物理模擬器，在更豐富的物理表征下推理，顯著提高精度和效率。

這讓模型在能力和速度上都更貼近真實場景要求。它可以更細地捕捉機器人與環境的交互關系，提升空間推理、長程任務和精細操作能力。從落地角度來看，隱空間推理也比顯式思維鏈更適合端側實時部署。

賈鵬曾表示，團隊在仿真任務和真實場景上評估LaST? 的效果。結果顯示，在仿真和真實場景中，均實現了SOTA，大幅超越了之前的基座模型。同時，比顯式 CoT 的方法實現了約 14 倍的加速。

模型能力的強弱是基本功，同樣重要的是這樣的模型能否在端側部署。模型不能只停在云端或實驗室里，必須能和本體、傳感器、控制系統、數據閉環協同，才可能進入客戶現場。

LaST 系列承擔的，就是把自研算法能力轉化為現場可用能力。這是一套能持續學習、快速部署、適合端側運行的模型系統。前不久，業內廣泛討論的T-Rex工作，匯聚了李飛飛、Jim Fan等學者，正是建立在LaST? 基礎上的。

歸根結底，模型這層最終回答的是同一個問題：具身智能憑什么能快速部署。

從實驗室到產線的那道溝，至簡動力選擇用“簡潔”來填。一個統一模型撐起了一套“產線好用”的體系。百臺交付只是一個刻度。至簡動力在模型側真正想回答的問題是，決定上限的，還是那顆大腦夠不夠“通”、夠不夠“輕”、夠不夠“快”。

正如他們的技術理念所說：Simple is Scalable。

模型決定 i7 Pro 能不能做得好，本體和供應鏈決定它能不能成批交出去。

這兩件事從產業視角看，其實是一體兩面。本體是機器人自己的身體能力，供應鏈是這副身體背后的制造支撐。一臺機器能不能干活，看身板夠不夠硬；一百臺機器能不能同樣穩定地干活，看工程和供應鏈。缺一環，交付都會掉速。

在談論本體之前，必須要勘正一個謬誤。

本體設計很容易被參數表帶偏。身體越復雜，模型驅動不起來，硬件和算法各跑各的，最后反而拖累交付。自由度、負載、精度當然重要，進入產線以后，它們要落到動作、節拍和安全里，才算真正生效。

i7 Pro 走的是更貼近現場的一條路。它從產品定義第一天開始，就瞄準真實生產線、連續作業和穩定交付。至簡動力把這套思路概括為“模型定義本體”。這意味著，先看現階段模型能用什么，任務真正需要什么，再據此定義硬件。硬件服務模型，也服務現場。

落到 i7 Pro 上，這套理念體現為一串對著產線來的取舍。車規級電子電氣架構，為的是長時間連續作業不掉鏈子；七自由度模塊化力控人形臂和更大的工位覆蓋范圍，服務 CNC 上下料里的取放、插入、對準；360° 環境感知、主動避障和近人安全機制，對應工廠對可靠性和安全性的硬要求。

這里面的分層模塊化設計值得單拎出來解讀，它基于真實操作任務而來，支持快速裝配與更換，標配二指夾爪，并可根據不同任務需求升級為三指夾爪或靈巧手，同時開放接口，支持客戶和開發者進行二次開發。這意味著場景方有更自由的選擇空間，同時涉及到生產線動線更換時，也能完成快速部署，不用在機器人操作半徑和動線中取舍。

參數不為堆料，只有落到動作、節拍和安全里，才真正算生效。

CNC 上下料就是一塊試金石。i7 Pro 要在多臺機床之間移動，完成上料、取料、定位、插入、放置等連續動作。這個過程看上去樸素，卻很硬。移動底盤會帶來定位誤差，機械臂操作會有重復誤差，夾具、料框、機床位置和現場空間還會繼續放大誤差。

i7 Pro 要在這種環境里穩定工作，移動、操作、標定、安全和長時間運行能力都要同時在線。到了這一步，本體直接決定模型能力能不能兌現成生產力。

至簡動力對 i7 Pro 的產品能力概括為三個關鍵詞：開箱即用、通用泛化、快速部署。其實這三個詞共同指向了一件事：少改造、少駐場、少重來。

這正好切中了工業自動化多年的一個隱痛。很多項目真正拖慢落地的地方，往往是前期集成、現場改造、工程調試和反復標定。設備進了廠，客戶最關心的問題很直接：多久能開始用，現場要改多少，換一個工位要不要重來。

至簡動力沒有把 i7 Pro 做成綁定單一工位的專機。它想用一套通用本體、統一模型和數據閉環，覆蓋 CNC 上下料、倉儲分揀、商超補貨盤點等多類任務。

通用性一頭連著客戶的采購和改造風險，一頭連著至簡動力的規模復制能力。具身智能進入產業現場，不能每換一個客戶、一個工位、一個任務，都重新采集、重新訓練、重新集成。部署周期越短，客戶的決策成本越低；復用效率越高，規模化才越有可能發生。

本體決定單臺機器能不能進產線。又快又穩地交出一百臺，考驗的是另一重能力：供應鏈和工程量產。

i7 Pro 背后，是一套復雜硬件系統。結構件、關節、電機、傳感器、計算平臺、末端執行器、線束、整機裝配、調試驗證，環環相扣。進入交付階段后，難點不是把樣機復制一百遍，而是讓一百臺機器保持一致的精度和穩定性和成本結構。

這也是供應鏈整合與 BOM 能力的價值所在。具身智能要真正進入產業現場，不能只把性能做出來，還要把品質、成本和交付周期一起壓住。在諧波減速機、車規級域控制器、計算平臺、精密制造等關鍵環節，至簡動力需要和上游伙伴形成足夠緊密的協同，才能把樣機能力轉成批量交付能力。

眼下很多同類硬件還停在部分環節手工裝配階段。同一套模型、同一套動作數據，換到不同本體上，結果都可能出現偏差。返修率、調試成本、現場維護壓力，都會被一致性問題放大。換句話說，一致性才是規?；桓墩嬲纳谰€之一。

至簡動力壓這道坎，靠兩條線。

第一條在內部。它把智能汽車時代積累的車規級研發、質量體系、BOM 控制和量產驗證經驗遷移過來，用工業級標準要求本體一致性。

第二條在外部。蘇州吳中及周邊的 2 小時半徑制造業經濟圈，把關鍵零部件供應、加工制造、整機裝配、調試驗證和客戶真實現場，壓縮在一條足夠短的鏈路里。

必須強調的是，這里“短半徑”的價值是反饋速度。供應鏈離得近，研發、制造、測試和客戶反饋之間的協調成本就低。現場一出問題，工程團隊能更快回到設計和驗證階段；零部件調整、裝配優化、BOM 控制，也能更快進入下一輪迭代。

對具身智能來說，很多問題只有進入現場才會暴露。機械臂的一次重復誤差、夾具的一點偏差、線束的一處干涉、工位的一次調整，都會把模型、本體和制造之間的縫隙照出來。吳中產業鏈的價值，就在于把這些問題的反饋路徑縮短。產品迭代速度，很多時候就是產業鏈協同速度。

至簡動力能接住百臺交付，一頭靠內部全棧自研和工程化能力，一頭靠吳中制造業基礎和長三角供應鏈密度提供的外部支撐。兩頭咬合，本體與供應鏈才接住了批量交付這道硬考題。

百臺交付為什么能成，前面已經有了答案：軟件讓部署變快，本體和供應鏈接住穩定交付。更值得繼續往下看的，是另一件事：這套系統不只現在快，還可能越來越快。

答案在數據層里。

具身智能廠商都試圖找到“真實交付”與“數據獲取”的閉環，這二者本質上是一體的。

產品只有真正賣出去、用起來，才會遇到真實客戶、真實工位和真實異常。那些數據不是實驗室提前擺出來的，也很難被仿真完整復刻。零件擺放的偏差、夾具位置的誤差、光照變化、工位遮擋、機器磨損、人員經過、動作失敗，都會在真實作業里冒出來。

自動駕駛已經給過一次提醒：真正消耗工程精力的，往往不是標準場景，而是最后那些不斷冒出來的長尾。具身智能也一樣。實驗室可以配合模型，產線不會。產品真正進廠以后，才會遇見那些數據集里沒有寫下來的角落。

順著這個邏輯看，至簡動力當下百臺交付的意義就不只是“交了一百臺”。它更重要的價值，是為至簡動力打開了真實作業數據的入口。設備交出去、用起來，數據開始回流；數據回流以后，模型、本體和部署流程才有繼續迭代的燃料。

在 CNC 上下料、倉儲分揀、商超補貨盤點等高頻真實場景里，i7 Pro 依托頭部 RGBD、腕部 RGBD、魚眼相機、激光雷達、麥克風陣列和關節力矩感知等多源傳感器，在持續運行中，沉淀視覺、力覺、位姿、語音、障礙物和任務狀態等多模態數據。

當然，這類本體數據價值高，但并不是具身智能需要的數據來源全貌。

至簡動力要的是一套更豐富的數據金字塔，除了本體數據，還有獲取相對簡單能提供給更豐富場景訓練的無本體數據，利用便攜式高精度手套和手部關鍵點檢測能力采集人類操作經驗。手套采集的價值，在于把人類長期積累的手感，轉成模型可以學習的數據。它補的是一個中間地帶：真機采集太貴，仿真不夠真實，而人類操作經驗足夠多、足夠細。

有入口，還要有把數據用起來的鏈路。

這是一個經常被產業忽視的問題，大多數企業依舊在一次性數據中徘徊，數據難以復用，企業也沉淀不了數據方法論，導致數據和模型一直無法形成正向循環。

至簡動力搭起了一條覆蓋采集、對齊、清洗、自動標注、訓練、仿真評測、模型量化、端側部署和 badcase 分析的全流程閉環。數據不會只停在倉庫里。真實作業中暴露的問題，會被標注、切分、檢索、重建，再回到訓練和評測流程，變成系統下一次理解場景、拆解任務和規劃動作的基礎。

最終，這些能力拼起來，一個正向循環開始成型。

真實生產線越多，數據越豐富；數據越豐富，模型泛化越強；模型越強，能進入的場景越多；場景越多，又會反過來帶來更多數據。它讓最快百臺交付不只是一個已經發生的結果，而是一個自我加速的開始。數據飛輪一旦轉起來，交付速度就不會停在一條平線上，而會變成一條越來越陡的曲線。

百臺交付遠不是終點，在工業場景之外，至簡動力還在商超零售、智慧物流等領域開展應用驗證，逐步開拓機器人的能力邊界。

這些落地，把至簡動力推到客戶現場，推到真實產線，推到那些不能靠 Demo 蒙混過去的地方。

具身智能遲早要走到這里。

燈光下的速度很容易被看見，產線里的系統更難跑通。一臺設備能不能留下，要看它能不能日復一日接住任務、誤差和節拍。

至簡動力這次百臺交付，留下了一個正在發生的信號：具身智能的競爭，正在從可見的速度，轉向更隱蔽、也更決定結果的系統能力。

百臺交付只是露出水面的部分。水面之下，模型、本體、數據、供應鏈與部署體系，已經開始彼此咬合。