WAIC最狠展臺打爆工業「深水區」！它石智航首發具身原生大腦AWE 3.5，具身Scaling全面釋放

2026 年世界人工智能大會（WAIC）上，它石智航的展臺成為全場焦點之一。這家專注於具身智能的公司，直接把一條 1:1 還原的汽車精密線束流水線搬進展館，多臺機器人協同作業，在環形產線上同時裝配不同線型。線束車間向來被工業自動化界視為「深水區」——工序繁雜、精度要求高、人力流動率高，但如今在具身智能的加持下，這道難題似乎已被徹底破解。它石智航首席科學家丁文超在現場甚至調侃，不敢讓機器人一直運行，因為怕它幹太快把耗材都用完了。這條全自動化產線的背後，是它石智航剛發佈的具身原生基座模型 AWE 3.5。取名「3.5」，也暗示團隊希望它像 GPT-3.5 一樣，在多任務能力上展現出新的可能性。

從去年 AWE 3.0 首秀就打爆線束場景，到現在的 3.5 版本，模型的能力開始向更多場景溢出：工業裝配、插接、收納、桌面整理、手機打包、零件分揀……所有任務都由同一個基礎模型驅動，無需重新加載參數。現場觀眾看到機器人像「勞模」一樣不停接手各種物品，丁文超笑說：「跟主播帶貨一樣。」

除了工業線束，它石智航還展示了世界模型的直接互動體驗。觀眾戴上數據採集夾爪，就能與一個由 AWE 3.5 生成的平行世界互動：捏起積木鬆手，積木會如受重力般落下；拖拽手機盒，盒子會產生位移與摩擦；蠟燭上微弱的火焰也被忠實呈現。這些交互背後沒有寫入任何牛頓定律或碰撞引擎程式碼，所有重力、柔性、碰撞反饋與物體位移，全部由模型從真實數據中學習而來。更關鍵的是，AWE 3.5 強化了長時記憶與空間理解能力，能維持數分鐘連續交互的環境穩定，讓後訓練可以從連續過程中切出多個動作片段，而不必擔心場景在下一秒崩潰。

在業界長期存在 VLA 與世界模型的路線之爭時，它石智航從第一天就選擇了從頭訓練一個原生具身模型。丁文超解釋，VLA 架構中視覺和語言在預訓練階段緊密耦合，但動作模態要到後訓練才接入，形成理論與實操之間的裂縫；而直接套用互聯網視頻模型又容易引入幻覺，導致視覺、空間理解與動作無法同步。AWE 3.5 從預訓練階段就將視覺、語言、動作等多種模態一起餵給模型，同一套架構既能輸出動作，也能預測未來。

這種 One Model 結構讓模型本身不變，只需改變輸入輸出組合，就能切換出不同的「人格」：視覺到動作是基礎策略（Base Policy），以動作為條件預測未來視覺則是動作條件世界模型（Action Condition World Model），兩者交互形成完整的強化學習閉環。舉例來說，機器人打包書包拉拉鏈是一個毫米級精度的任務，傳統做法是在真機上反覆試錯，數據貴、速度慢。AWE 3.5 的做法是先讓模型在「腦海」中模擬不同力度下的結果，再把最優策略告訴基礎策略，速度比真機試錯快了一個數量級。

這套範式意味著模型成了自己的「仿真器」，無需手工搭建仿真環境，預訓練建立通用物理交互能力，後訓練在模型內部世界自我對弈、自我強化，形成自閉環。它石智航是第一個完整跑通這條路徑的具身原生模型公司。要支撐這樣的閉環，需要足夠大的真實數據規模與能消化大規模數據的基礎設施。AWE 3.5 基於超過百萬小時的人類中心數據（human-centric data）訓練，這個量級與市面上主流視頻生成模型或自動駕駛的訓練數據量相當。但百萬小時不是簡單的堆量遊戲，數據的價值分佈不均，如何從中篩選出高質量部分，比採集本身更緊迫。

它石智航的數據系統正從「更多」轉向「更聰明、質量更高」，數據效率（Data Efficiency）成為新的評測維度。丁文超表示，當數據規模與效率同步提升後，Scaling 的威力已經得到印證：目前一個新任務只需要小時級別的數據採集就能跑通通用能力。隨著 AWE 3.5 發佈，它石智航的前置戰略紅利開始顯現。除線束之外，柔性操作、分揀、檢測協同等多個工業場景也已在驗證中。丁文超大膽判斷，具身 Scaling 已全面釋放，2027 年上半年到年中可能出現分水嶺，行業從「機器人文娛舞蹈」正式進入「機器人真幹活」的階段。

今年的 WAIC 上，具身智能企業超過 200 家，機器人展區人潮擁擠，而它石智航的展位從世博展館北門進入即映入眼簾，成為「模登時代·夥伴之城」主題展區中最獨特的亮點之一。在與量子位的對話中，丁文超進一步闡述了團隊的思考。他坦言，研發過程中硬件與軟件協同設計的重要性遠超預期，尤其是靈巧手。夾爪能解決約 80% 的問題，但剩下 20% 需要靈巧手來完成。它石智航從 AWE 3.0 之前就開始自研靈巧手，採用 Top-Down 路線：先梳理需要完成哪些人類動作、匹配哪些人類數據，再反向定義硬件設計。

他預期，靈巧手在 12 到 18 個月內可能出現明顯的產業趨勢，並可能在 AWE 後續版本中看到實質性進展。對於行業路線，丁文超認為判斷具身智能公司的標準很快就會變得直觀：能否以一定的可靠率完成多個任務，能否在多場景中實現規模化落地。他強調，永遠不要低估 AI 模型的能力，質疑的「球門」不斷後移，但行業實際已前進很遠。他相信 Scaling 可以解決一切，需要持續敬畏並重視 Scaling 帶來的能力躍升。它石智航目前最看重的，是在多個場景中形成類似 AI Coding 級別的殺手級應用閉環，讓數據、模型與基礎設施形成穩定、可靠、可擴展的完整鏈路。