机器人前瞻（公众号：robot_pro）
作者 | 刘俐杉
编辑 | 许丽思
机器人前瞻9月17日报道，昨天，北京物理世界基础模型公司日冕开物，与广东全栈算力解决方案服务商远图未来科技有限公司（下称远图），联合举行”AI智造AI——超级工站POC暨联合实验室揭牌仪式”活动。本次活动有两大重点：远图x日冕开物联合实验室和超级工站。
作为面向工业制造的具身智能联合研发平台，联合实验室将远图的真实智能制造场景，与日冕开物的具身智能技术结合起来，针对如今具身智能真实数据稀缺的痛点，让产线上每一次抓取都变成可采集、可治理、可训练的数据资产，同时又推动了模型的迭代。
而超级工站作为日冕开物首款标准产品，定位为面向柔性制造的Physical AI生产工作站。
该产品由敏捷部署平台和模块化机器人本体组成，在软件上，模型可做到跨产线复用，在1-3小时内可完成新工序适配，任务成功率高达99.99%。硬件上，该产品可实现力控精度小于0.2N的精细操作，在抓取物品时不抖动、不掉落。
值得关注的是，超级工站依靠自研的RSI技术可推动模型持续迭代。随着产品在工业场景落地，系统可采集真实生产数据，支撑模型在现场持续学习，使其越学越快、越用越强。
此外，在实际落地上，该产品目前已在远图ICT测试产线上完成POC验证，成功率超过99.5%。
一、算力+具身智能，让产线上每一次抓取都变成数据资产
远图x日冕开物联合实验室，是面向工业制造的具身智能联合研发平台。依托远图提供的真实智能制造场景，搭载日冕开物具身智能技术，聚焦厂内物流、组装、测试、包装等制造全流程。
在揭牌仪式上，联合实验室主任林登峰称，该实验室主要围绕五个方向进行：具身智能场景落地、数据采治体系建设、具身世界模型构建、超级工站产品打磨、成果共研行业推广。
▲实验室五大方向
具身智能场景落地，主要针对工业制造场景，面向厂内的物流、组装、测试、包装出库等全流程做任务拆解与场景建模。实验室对机器人的作业可行性进行评估，并研究设计的部署路线图，以及从单场景试点到泛制造场景扩展的迁移规律。
数据采治体系建设，这一方向的核心在于“伴随式数据采集”硬件体系。机器人干活的过程，就是数据产生的过程，联合实验室将研发具身世界模型的数据治理平台，并推动工业具身数据标准研究。也就是说，对产线上所有成功抓取与失败案例，统一进行采集、清洗和资产化处理。
在具身世界模型构建上，具身世界模型与其训练方法，主要基于真实工业数据实现模型搭建与迭代训练，将数据变成智能资产，反过来驱动模型的迭代。
在超级工站产品打磨，与行业解决方案的落地层面，面向多工序、多场景的部署需求，联合实验室将推动“超级工站”解决方案的迭代，完成从快速交付，小批量试产，再到规模部署的工程化验证。
最后一步是成果共研与行业推广。实验室将联合各方开展产品发布、撰写技术白皮书、参与行业标准制定并共建产业生态，推动共研成果在全行业落地推广。
二、超级工站POC验证落地，换型10分钟、成功率99.99%
超级工站作为日冕首款标准产品，是主要面向柔性制造的Physical AI生产工作站。
▲揭牌仪式
该产品由敏捷部署平台和模块化机器人本体组成。在软件层面，软件模型可跨产线复用，1-3小时即可完成新工序适配，且任务成功率高达99.99%。
在硬件层面，产品硬件按需配置，可实现亚毫米级、力控精度小于0.2N的精细柔顺操作。
不同于传统固定自动化，超级工站的核心是通过世界模型和闭环反馈学习来“适应不确定性”。
值得注意的是，超级工站具备三大核心能力：一学就会、触类旁通、超越人类。
一学就会：该能力主要改变了上一代工业自动化的组织范式，换型从月/周级工程部署走向小时级“教学式”部署，让机器人遇到干扰时能够主动理解。
据产线现场工作人员称，该产品相较传统自动化方案存在代际效率差距。也就是说，在面对漏料、错料等复杂干扰情况时，具身智能只需要10分钟换型，但是传统自动化可能需要2-3小时才可解决当前任务。
触类旁通：即将生产中失败的案例转化为学习资料，依托自研的RSI技术不断迭代模型，让模型越干越好，越学越快。
超越人类：这个能力意味着产品可以在场景中学习，并通过产线数据回流，实现自主进化，最终形成“部署越多、数据越多、基模越强、部署越快、场景越多”的闭环。
在实际落地运行层面，日冕开物创始人肖中阳称，半个月前，日冕“超级工站”已在远图ICT测试产线上完成了POC验证，成功率超过了99.5%。
目前，日冕开物计划于2027年实现超级工站百台级部署，并于2030年迈向万台级应用。
结语：POC验证之后，规模化部署仍待真实场景检验
能够在线下真实产线上进行实践操作，是具身智能从Demo走向产业落地的关键一步。超级工站POC的亮相和联合实验室的揭牌，证明了具身智能不再只是实验室里的概念，而是开始进入真实制造场景接受验证。
从单点的操作来看，该产品已经符合了工业生产的需求，但是从单台到万台的部署，以及从单一工位到不同工位，能否在长时间运行中保持稳定，是否能够适应更多的工艺，并将真实产线数据转化为模型能力，仍需要继续通过真实场景验证才可得到答案。
