阿米奧機器人劉方：具身智能不是大模型，更不是智駕

在過去兩年裡，具身智能（Embodied Intelligence）常被放進兩個熟悉的敘事框架中理解：它要麼被視為「大模型的下一站」，強調模型、數據與規模效應的延伸；要麼被看作「自動駕駛向工廠的遷移」，側重感知、預測、規劃與端到端閉環的技術路徑。這兩種說法各自言之成理，但在阿米奧機器人創始人劉方看來，它們仍未能觸及那個更根本的問題——我們究竟需要具身智能解決什麼問題。 劉方明確指出，具身智能既不是大模型的延伸，也不是自動駕駛的變體，而是一個全新的業態。他認為，自動駕駛數字化的是「駕駛能力」，大模型數字化的是「知識」，而具身智能真正要數字化的，是「勞動能力」。這並非一句將機器人包裝得更宏大的口號，相反，它把問題拉回了最務實的工業現場：客戶購買的不是一個會演示動作的機器，也不是一組漂亮的模型參數，而是一段可以持續交付產出的勞動。 機器人必須在工位上完成任務、保證良率、跟上節拍，並在經濟性上替代或補充現有的人力與自動化方案。劉方強調，從「會做」到「能用」，中間存在巨大的鴻溝，而填補這道鴻溝的關鍵，在於將勞動能力本身視為全新的數字化對象。過去，互聯網把信息的獲取與分發變成了可複製的軟件能力；基礎大模型讓知識的生成、調用與交互以更低的成本規模化；自動駕駛則試圖把駕駛中的感知、判斷與操控沉澱為可部署的系統能力。如今，具身智能需要做的，是將人類在物理世界中的操作、移動、適應與協作能力，系統性地轉化為可編程、可複製、可優化的勞動輸出。 阿米奧機器人正是基於這套理念打造產品。其雙臂輪式機器人AMI-01，目前已廣泛應用在3C電子、汽車零配件、食品加工等多條產線上。在實際場景中，AMI-01不僅要完成抓取、裝配、檢測等動作，還必須適應工廠環境中的動態變化，例如工件位置的微小偏移、照明條件的差異、節拍時間的波動等。劉方指出，這正是勞動能力數字化的核心挑戰：機器人不能只會「演示」，而必須在真實的生產壓力下穩定運行，並在經濟效益上與現有方案競爭。 相較於單純追求模型參數規模或感測器精度，劉方更看重的是「可交付的勞動產出」。他認為，目前許多具身智能研究仍然停留在實驗室示範階段，展示的動作雖然令人驚嘆，但距離真正的工業部署還有一段距離。阿米奧機器人的策略，是直接讓機器人在產線中學習與迭代，透過實際任務的數據反饋來提升可靠性和適應性。這種「從現場來，到現場去」的循環，比單純依靠模擬或離線訓練更能解決真實問題。 劉方也特別釐清了一項常見的誤解：有人認為具身智能只要把大模型裝進機器人，就能自動獲得智慧行為。但他指出，大模型擅長處理的是符號與知識，而物理世界中的操作不僅需要知識，更需要實時的感知、規劃與控制，以及對不確定性的容忍。例如，機器人擰螺絲時，若螺絲孔位置有毫米級偏差，單純依靠視覺語言模型無法直接修正，還需要低層次的阻抗控制與力覺反饋。這正是勞動能力與知識能力的本質差異。 在自動駕駛領域，車輛在結構化的道路上運行，環境相對可控；但工廠產線中的機器人卻需要面對更複雜的物體形狀、更頻繁的任務切換，以及與人類協作時的動態安全需求。因此，劉方認為，直接將自動駕駛的感知—規劃—控制框架套用到機器人上，並不能解決所有問題。自動駕駛數字化的是駕駛能力，那是一種對環境的連續理解與控制；而具身智能需要數字化的，是更廣泛的勞動操作，包括抓取、裝配、搬運、檢測、清潔等，這些動作的組合與切換，遠比駕駛更為多樣。 阿米奧機器人選擇雙臂輪式設計，正是為了平衡靈活性與穩定性。雙臂可以協同完成複雜裝配任務，輪式底盤則提供高效的移動能力，使機器人能在多個工位之間切換，而不必固定安裝。這種設計也降低了產線改造的門檻，讓中小型製造業者能夠以較低成本導入機器人，逐步替代重複性高、勞動強度大的工位。 劉方總結，具身智能的終局不是造出一個會聊天或會開車的機器，而是打造出能夠真正「頂班」的勞動力。他認為，未來十年，機器人將逐步滲透到製造業、物流、農業、餐飲、家政等各個領域，但前提是技術必須先證明自己能在經濟性與可靠性上站穩腳跟。阿米奧機器人目前正專注於打磨產品在實際產線中的表現，透過累積真實數據來迭代算法與硬體，目標是讓機器人從「能完成動作」進化到「能完成勞動」——這才是具身智能真正的價值所在。