物理AI的閉環，終于有人跑通了：日冕+遠圖萬臺級部署計劃官宣

田晏林 發自 凹非寺
量子位 | 公眾號 QbitAI

WAIC 2026落幕了，但一個信號藏不住。

如果你逛完了全場，會發現今年具身智能的展位比去年多了將近一倍。

人形機器人跳舞、機械臂疊衣服、雙足機器人走斜坡——Demo一個比一個炫。

但和現場的投資人、產業方多聊幾句，會聽到同一種疲憊：看了太多Demo，聽了太多參數，真正簽單進廠的，太少。

Demo和量產之間，好像隔著一整個物理世界。

但別喪，還是有實打實拿到訂單的企業。

在WAIC開幕前，一家專注做物理世界基礎模型和解決方案的公司日冕開物，與全球服務器制造龍頭&AI基礎設施全棧解決方案提供商廣東遠圖未來科技有限公司（以下簡稱“遠圖”）宣布啟動超級工站戰略合作。

目標非常具體且生猛：萬臺級部署。

WAIC現場，日冕展示了該超級工站的實際作業能力。

服務器制造，是當前工業領域最具代表性的復雜裝配和測試場景之一。

一塊服務器主板上，有密集排列的芯片、接口和大量精密元件。

機器人完成上下料時，不僅要識別不同型號零件，還要保證抓取位置、力度和裝配精度。

現場工作人員介紹，為了在WAIC開幕當天完成展示，日冕團隊提前進場調試。

但由于展館供電時間限制，真正開始調試的時間非常有限。

設備換了環境，光照、溫度、空間布局全部變化，本質上就是機器人進入了一個新場景。

結果？

當天下午4點半通電后，只訓練了半小時，到5點鐘設備就完成全部適配。

半小時適配一個新環境。

這背后不是簡單的程序調參，而是機器人系統對于物理世界的理解能力。

更讓人意外的是，這樣的訓練速度和完成效果，竟然來自一家成立僅4個月的公司！（你敢信？）

盡管日冕可能是今年WAIC展會上最年輕的企業，但卻不是一支剛剛從實驗室走出來的團隊。

我們查了下，其創始團隊成員均是清華博士，并曾任職于蔚來、華為、智元機器人等企業，覆蓋自動駕駛、AI基礎模型和機器人產業化等多個方向。

2026年，當很多人還在講基模Scaling Law時，日冕這家剛剛成立的公司，已經在討論產品和商業化如何Scaling了。

機器人進廠擰螺絲，先從服務器開始

很長一段時間，行業競爭焦點集中在世界模型、VLA、多模態大模型和參數規模。

大家都在努力讓機器人擁有更強的大腦。

但今年WAIC上，我們發現企業關心的問題正在發生變化。

• 機器人能不能適配真實工廠？
• 換一個工位需要訓練多久？
• 面對不同型號產品，能不能快速遷移？
• 部署成本能不能降下來？

這些問題，比模型排行榜上的幾個百分點更加現實。

因為數字AI和物理AI最大的區別在于：ChatGPT完成一次訓練后，可以服務數億用戶。

但機器人不行。

機器人必須進入具體環境，面對具體物體，完成具體動作。

它需要理解空間變化，需要處理視覺誤差，需要感知力反饋，還需要面對現實世界里的各種意外。

物理世界不是互聯網。

沒有一套數據中心，可以提前把所有情況模擬完。

所以，具身智能下一階段競爭的核心，不只是模型能力，而是誰能夠更早進入真實場景，建立數據反饋閉環。

服務器制造，正在成為具身智能商業化的重要試驗場。

原因很簡單，這里既有足夠復雜的任務，也有足夠明確的工業價值。

服務器生產涉及大量零件取放、精密裝配、線纜連接、功能測試、質量檢測任務。

傳統自動化設備可以解決高度固定的流程，但面對多型號、小批量、高變化生產環境，柔性能力不足。

而AI服務器產業正在快速發展，對于制造環節提出了更高要求。

遠圖所在的產業鏈，本身就是AI基礎設施的重要組成部分。

根據日冕介紹，遠圖是全球領先的服務器制造龍頭，覆蓋AI基礎設施相關領域。

此次合作，并不是簡單部署幾臺機器人替代人工。

雙方真正想探索的是一套工業具身智能標準產品。

遠圖的優勢在于，不僅是全球服務器制造龍頭，也是面向AI時代的全棧算力解決方案服務商。

該公司不僅擁有AI服務器、通用服務器、交換機、超節點、液冷機柜等產品，還打造了業內領先的「算-網-存-管」全棧產品體系，且具備研發-供應鏈-制造-服務的全鏈條能力。

此次和日冕合作是雙方將具身智能技術與AI基礎設施制造融合的全新探索。

這樣的規模制造體量，意味著雙方合作一旦跑通，復制空間巨大。

日冕的優勢則是提供物理世界基礎模型、機器人系統、工業級具身智能解決方案。

一端，是遠圖提供真實制造場景和產業經驗；

另一端，是日冕提供物理世界基礎模型、機器人系統和工業級解決方案。

最終目標，不只是替代單個工序，而是讓機器人完成從工藝理解、任務規劃，到執行反饋、持續優化的完整閉環。

不過，要讓機器人真正成為生產力，實現AI自己造AI，背后的「大腦」仍是關鍵。

從LaMPA到超級工站，日冕打造具身智能時代的操作系統

日冕的「大腦」，押注的具身原生世界模型基礎架構，取名LaMPA（Latent Masked Predictive Architecture）。

之所以「超級工站」能在半小時內適應一個新環境，其背后強化學習所需的獎勵函數、專家策略全部都是由這套自研基礎模型直接生成。

該模型定位很明確：通過統一跨模態隱空間學習物理世界規律。

它不是背誦電機角度，而是理解「拿起來」這件事本身。

當前，具身智能模型演進路線大致經歷了四代：

LLM理解文字，VLM理解視覺，VLA連接語言和動作，WAM進一步預測物理世界變化。

但日冕認為，這四代演進本質上還是在學習表象映射，而不是理解物理規律。

比如傳統WAM側重視覺預測、輸入模態有限，容易學習表象而非物理規律。

就像讓一個人通過看窗外風景來判斷室內溫度，不是完全不行，但效率極低且容易出錯。

這也是日冕選擇自研LaMPA世界模型的原因。

為了最大程度上解決機器人「理解」世界的問題，LaMPA在三個維度上與市面上其他模型形成差異化：

增加更豐富的物理表征

傳統WAM僅依托圖像構建單薄視覺表征，缺少力覺、觸覺、物體物理屬性等關鍵信息，無法完整理解現實物理交互。

LaMPA設計了Environment環境、Ego自我、Experience先驗三大表征。

• Environment環境表征：讓模型熟悉任意場景，負責環境重建與感知，也就是「理解」所處空間；
• Ego自我表征：統一抽象導航移動、機械操作、本體控制三大能力，讓模型掌控任意本體；
• Experience先驗表征：讓模型具備規律認知，積累物體屬性、可供性和專家知識。

機器人當下狀態=它看到的環境+對自己機身的認知+積累的物理常識。

這是LaMPA最核心的邏輯，也是日冕認為物理世界里應該有的智能。

大幅縮短收斂周期

但真實世界的信息太復雜。

為了實現上述能力，LaMPA必須大幅提升訓練效率。

傳統WAM采用像素級預測，監督鏈路長，畫面墻壁、地面等無關像素全部參與損失計算。

冗余信息多、訓練速度慢，精細操作任務適配成本極高。

LaMPA換了思路：

直接聚焦隱空間，僅保留任務相關信息，使用隱空間損失剔除無關環境像素，移除冗余環節縮短鏈路，不學習無效信息，收斂速度更快。

簡單理解，別人復習要通讀整本書，它直接劃考點背，省去大量無用功夫，上手速度快很多。

LaMPA希望模型只學習有效信息，這也決定了它后續的泛化能力。

應對多變工況容錯能力更強

傳統世界動作模型WAM采用單一路徑預測邏輯，每次只預判唯一一套后續操作方案。

一旦現場出現一點點變量：光線變了、工件尺寸輕微偏差、擺放角度不一樣、場地背景改動，這套唯一方案就不匹配，機器人直接操作失敗、卡住無法繼續干活。

LaMPA底層用掩碼擴散架構做分布預測，核心區別是：一次推理能輸出多種合理、可行的交互方案，而不是只給一條路。

換一個工廠、換一種零件、換一個機器人本體，模型仍然能夠遷移。

這正是具身智能擺脫「數據拐杖」的關鍵。

但基礎模型只是第一步，把它變成生產力才有價值。

日冕不單獨售賣模型，而是推出軟硬一體完整落地方案。

這次和遠圖合作的「超級工站」，就是典型案例。

超級工站并不是一臺機器人，而是一套軟硬一體的工業智能系統。

它由LaMPA物理世界模型、模塊化機器人硬件、Workflow Agent三部分組成。

先說Workflow Agent。

它負責理解工藝流程，把生產SOP拆解成機器人任務，并完成方案設計、仿真驗證、生產執行和反饋優化。

第二層，是模塊化機器人硬件。

根據不同工業場景，可以組合雙臂機器人、移動機器人、多機械臂和不同末端執行器。

第三層，是LaMPA物理世界操作系統。

它提供感知、理解、決策和控制能力。

在強化學習階段，日冕通過WRM世界獎勵模型判斷任務成功、失敗或進行狀態，同時通過WPM世界策略模型輸出機器人動作，并將真實執行反饋持續回流，推動基礎模型迭代。

最終，一個「規劃、測試、執行、反饋、進化」的閉環形成了。

這和傳統自動化最大的區別在于：

傳統自動化依靠固定代碼，換產要重新編程，工況一變就停機調試，只能單點替代工位，無法自主迭代；

超級工站依托LaMPA世界模型自適應調整，支持跨工序全局協同，能持續自主學習優化，可標準化嵌入智能產線，越運行越適配。

具身智能進入商業Scaling階段

「超級工站」正在打造從生產現場到模型進化的閉環，因為具身智能真正的壁壘，不只是模型，更在于反饋閉環。

對于數字AI來說，模型上線后可以快速復制服務用戶。

但對于物理AI來說，真正的訓練，可能發生在機器人上線之后。

每一次進入真實環境，機器人都會遇到新的問題。

這些真實反饋，才是物理智能成長的養料。

而具身智能真正的壁壘，也不只是模型能力，而是看誰能更早建立「反饋閉環」。

從這個角度看，未來具身智能公司的競爭可能取決于三個指標：

• 誰能更早進入真實場景
• 誰能讓反饋閉環速度更快
• 誰能積累更大規模的真實交互數據

這三個指標環環相扣，早進場景才能早拿數據，數據越多閉環越快，閉環越快模型進化越猛。

沒有真實場景的數據閉環，再好的基模也只是空中樓閣。

但真實工業數據和互聯網數據完全是兩碼事。

互聯網數據更多記錄信息，而工業具身智能需要理解物理世界。

它不僅需要視覺信息，還需要機器人操作軌跡、力覺反饋、觸覺信號、工藝經驗，以及最終質量結果等多維數據。

這些數據分散在產線各個環節，采集難、標注難、治理更難。

需要建立一套持續獲取反饋、處理反饋、利用反饋的工業智能基礎設施。

為解決這一問題，日冕與遠圖正在建設一套覆蓋采集、治理、訓練和復用的工業級具身智能數據體系。

其中，日冕自研觸覺數據手套、頭戴式采集設備等硬件，實現生產過程中的無感伴隨式數據采集。

但采集數據只是第一步。

如何讓這些來自真實生產現場的反饋，能夠回流到模型訓練體系，才是關鍵。

雙方建設的數據處理鏈路，覆蓋原始數據清洗、同步對齊、多模態融合、資產化處理和模型訓練，最終沉淀為操作數據集、技能庫、仿真場景和模型檢查點。

這樣，機器人每完成一次任務，都會產生新的經驗；每一次經驗，又會反過來提升下一次任務能力。

按照規劃，日冕和遠圖將首先在服務器制造場景驗證超級工站能力，隨后向更多生產環節擴展。

2027年完成百臺級部署，未來實現萬臺級具身智能產品部署。

當下，越來越多的機器人告別實驗室Demo，尋找產業落地機會。

如果說PC時代，微軟的成功模式是Windows作為底層操作系統，支撐Word、Excel等上層應用，從而驅動數字交互。

Windows提供的是數字世界的感知、理解、決策、控制能力，上層應用負責具體場景的標準化執行。

那么具身智能時代的「Windows」是什么樣？

日冕提出的方向，是WMoS（World Model as OS），世界模型即操作系統。

底層負責理解物理世界，上層通過「超級工站」這樣的行業應用完成具體任務。

一個負責思考，一個負責行動。最終驅動機器人進入更多真實場景。

這也是為什么服務器產線可能成為具身智能的重要轉折點。

因為這里不是展示機器人會不會走，而是在驗證機器人能不能工作。

One more thing

模型Scaling解決的是機器人有沒有大腦。

產品Scaling解決的是機器人能不能進入真實世界。

日冕與遠圖探索的超級工站，本質是在尋找一條從基礎模型到工業生產的最短路徑。

未來，當機器人進入服務器工廠、半導體產線、物流中心，真正改變制造業的，可能不只是某一臺機器人。

而是一套能夠持續學習、持續復制、持續進化的物理智能基礎設施。