机器人前瞻（公众号：robot_pro）
作者 | 陈骏达
编辑 | 漠影

今天的具身智能赛道，热闹非凡，颇有几分“秀场”的味道。

新企业层出不穷，发布会一场接一场，机器人展示也越来越炫目，视觉冲击力十足。不过，热闹过后，不少产品仍停留在Demo阶段，距离真正的产线应用还有一段距离。

在此背景下，背靠精密制造“小巨人”、以16.3亿注册资本创行业记录的吉翼智能却偏偏“反着来”。6月底，吉翼智能正式发布了工业质检机器人“质检家”和商业服务机器人“小睦”，没有追逐发布会上的炫技效果，而是用8个月时间集中攻关核心技术，并在真实产线上实现了产品交付，让机器人真正投入了生产和生活。

与此同时，其自研的Z-1具身大模型在RoboCasa开源评测榜单中以80.6%的平均得分位列第一。RoboCasa是具身智能领域公认的权威基准之一，涵盖开门、开抽屉、操作微波炉等24项复杂现实任务。Z-1的表现刷新了SOTA纪录，也体现了其在意图理解和精准控制方面的技术实力。

这也引发了一个值得思考的问题：在行业普遍需要2到3年才能从成立走到产线交付的节奏下，吉翼智能是如何在8个月内完成这一跨越的？

一、两款机器人发布即落地，线束质检效率达人工3倍

要回答这个问题，首先要看吉翼智能选择了一条怎样的产品路径。吉翼智能从成立之初便围绕实际应用场景进行产品定义和技术研发，他们此次推出的两款机器人并非停留在概念阶段，而是已经投入实际场景验证后才正式发布。

其中，工业质检机器人“质检家”，最能体现这一思路。

汽车线束质检一直被认为是工业质检领域最具挑战性的场景之一。线束结构复杂、规格繁多，一根线束往往涉及大量连接点和细小零部件。

从检测难度来看，线束质检对精度的要求达到亚毫米级，这是因为端子压接、插接到位以及绝缘层破损等缺陷往往尺寸极小。同时线束本身具有强可变形特性，容易出现交叉、重叠、弯曲等形态，使传统机器视觉在定位与识别上难以稳定工作。

另一方面，线束质检还涉及多模态检测需求，不仅要识别外观缺陷，还需判断导通性、绝缘性等功能性指标，并结合视觉、触觉与力觉信息进行综合判断。

这些挑战，对机器人的环境感知和稳定控制能力提出了较高要求。

为了服务这一场景的需求，吉翼智能围绕机器人底层能力进行了全栈自研，包括七轴仿生机械臂、自主移动底盘、工业视觉系统以及配套的软件算法。

其中，自研七轴机械臂能够完成高精度、多自由度操作，适配不同类型的检测工装；自主导航底盘支持跨工位移动和智能避障，可支持超长时效工作；工业视觉系统则融合2D、3D成像与视觉算法，能够完成尺寸测量、缺陷识别等高精度检测任务。

“质检家”已经开始在真实产线上创造价值。根据吉翼智能披露的数据，在现场人机对比测试中，“质检家”的检测准确率达到100%，整体检测效率达人工质检员的3倍。

目前，该产品已经累计完成超过1万条汽车线束检测，并将综合质检成本降低30%以上。同时，机器人能够自动记录整个检测过程，实现检测数据全流程留痕和质量追溯，为后续工艺优化和质量管理提供数据基础。

如果说“质检家”面对的是标准化程度高、精度要求严格的工业制造场景，那么吉翼智能此次发布的商业服务机器人“小睦”，则进入了开放、动态的商业环境。两款产品的应用场景差异很大，对机器人的能力要求也截然不同。

“小睦”面向药店、商超、品牌专卖店等商业场景设计，采用即装即用方案，无需对门店进行大规模改造即可部署，并针对狭窄通道、复杂人流等环境进行了优化。

目前，“小睦”已经内置超过10万种药品SKU数据库，并结合自研语义大模型，具备较强的商品理解和快速学习能力。吉翼智能透露，该产品已与吉林大药房达成战略合作，7月将进入药店场景，承担夜间无人值守等服务任务。

这意味着，吉翼智能的产品布局已经从封闭的工业制造场景，进一步拓展至开放的商业服务领域，也验证了其具身智能技术具备跨场景复制和规模化落地的潜力。

二、模型强化学习效率提升，RoboCasa均分达80.6%

如果说“质检家”、“小睦”体现的是吉翼智能在硬件与工程化层面的落地能力，那么真正决定机器人能否在复杂环境中自主工作的，是其背后的模型。

吉翼智能的Z-1具身大模型训练建立在一套完整的真实物理数据体系之上。吉翼智能搭建了自研数据采集中心与数据处理流水线，形成贯穿“采集—训练—反馈—再训练”的数据闭环。

在这一体系下，其训练场总面积约4500平方米，预计到2026年底可支持100台异构机器人并行作业，持续生成规模化真实交互数据，累计具备百万小时级操作数据产出能力，覆盖工业与商业等多类SKU场景，为模型提供真实物理环境中的学习基础。

有了数据之后，下一步就是训练模型。在π0.5的基座模型之上，Z-1动作模型在后训练阶段引入基于GRPO（群组相对策略优化）的一系列机制，并与流匹配（Flow Matching）框架结合，通过共享前缀与树状分支结构减少冗余采样计算，模型整体学习效率较传统强化学习方法有明显提升。

从效果来看，Z-1在权威具身评测RoboCasa中取得了80.6%的平均成功率，在24类标准任务中表现稳定，尤其在门类、抽屉操作以及水槽/龙头等精细操作任务中表现突出。相较于初始监督模型，其在强化学习后训练阶段实现了明显提升，整体成功率与执行精度均有显著优化。

同时，Z-1动作模型采用了大小脑协同的训练方式。当基础动作策略模型无法完成复杂感知任务时，系统会自动引入视觉-语言模块参与联合优化，实现感知与控制的协同更新。这种机制在一定程度上缓解了具身模型在复杂环境中“看得懂但做不准”的问题。

在架构设计上，Z-1进一步实现了解耦设计。其中，高层模块Z-1 PFC负责语义理解与任务规划，能够处理复杂输入信息，例如解析长链条的工业CAD图纸，并生成可执行的任务步骤；底层动作模型则负责具体动作执行与控制调度。这种分层结构使模型在工业场景中具备更强的泛化能力，也降低了系统部署对定制化工程的依赖。

三、背靠汽车零部件独角兽，15年精密制造经验加持

如果只看前面的产品和模型，外界很容易把吉翼智能理解成一家典型的具身智能公司：做机器人、训大模型、跑评测、进产线。

这种路径在行业里并不稀奇，但它的落地速度和资源整合方式，不像一家从零起步的创业公司。

顺着这个线索往下看，这家公司的一些底层结构值得注意。

吉翼智能的核心股东并非风险投资机构，而是以捷翼汽车科技、省级工业技术研究院集团等为代表的产业与国资体系。这使得它从一开始就融入进产业资源体系之中。

吉翼智能的初始注册资本高达16.3亿元，位居国内具身智能赛道首位。在当前以轻资产、融资驱动为主的行业环境下，这一数字像是一种“重资产起步”的信号，证明其背后的产业资本已将吉翼智能定位为带有明确落地预期的实体化平台。

这种背景上的差异，也影响了吉翼智能的路径选择。其母公司捷翼科技在汽车零部件制造领域深耕超过15年，拥有2000余项全球专利，并已进入全球129个国家和地区的供应链体系。这意味着，吉翼智能并不需要从零搭建制造体系，而是可以直接复用既有的供应链、质量标准、真实产线场景与全球化客户体系。

换句话说，与多数具身智能公司仍需从0开始探索场景不同，吉翼智能是“在既有工厂体系中嵌入具身智能”。也正因为这种起点，它得以在较短周期内完成从技术研发到产线交付的闭环。

吉翼智能的创始人是90后海归创业者王超。2013年，他放弃海外深造机会，接手仅20人的捷翼科技，并在随后十余年中将其带入汽车零部件高端供应链体系，最终成长为汽车精密制造领域独角兽企业，服务几乎所有全球一流车企。

在这一过程中，王超逐渐形成了一套具有制造业色彩的工程判断标准——“稳定、可靠、重复一万次”。在他的逻辑里，产业竞争的核心并不在于一次性的能力上限，而在于长期、稳定、无差错的执行能力。这种认知，也被直接迁移到了吉翼智能的产品定义之中。

同时，吉翼智能也汇聚了一批来自产业界与AI领域的核心技术人才。其大模型研发中心总负责人李一同是华为“天才少年”，曾在华为终端担任云大模型技术负责人。他在大模型架构设计与工程化落地方面的经验，成为Z-1从训练体系到模型结构设计的重要支撑。

吉翼智能团队中亦有成员来自优必选、荣耀、理想汽车等公司，在机器人视觉、运控算法、强化学习等方向具备产业经验，使吉翼智能团队在具身智能工程化落地上具备较强的复合型能力。

结语：具身智能产业派玩家，有望建立长期竞争优势

从当前节点来看，具身智能行业正在从“能力展示期”逐步进入“价值验证期”。吉翼智能的路径之所以引发关注，本质上在于它更接近一种“制造业逻辑下的具身智能公司”，围绕稳定交付、工艺适配与长期可运行性来组织产品与技术体系。

也许，在具身智能下半场的较量中，像吉翼智能这样的产业派玩家，更可能凭借对真实场景的深刻理解、对工程化落地的持续打磨，逐步建立起长期竞争优势。

在验证了B端的工程化能力后，吉翼智能创始人王超透露，他们下半年还将推出面向C端市场的产品。如果这一产品路径能够延续其在工业与商业场景中的落地节奏，其具身智能能力或将进入更大规模的应用验证阶段。