具身智能開始進入「下半場」：從會幹活到幹完活

拉格朗日用 Agentic OS 和工序重構，讓機器人在工廠把任務閉環跑完。作者丨鄧哲敏 編輯丨齊鋮湧 近日，兩臺輪式雙臂機器人、一隻機器狗和一臺 AGV，第一次被推進汽車物流產線，開始它們為期至少一個月的連續調試。陣容談不上驚豔，機器人的任務也很樸素。引起我們注意的，是整個工序架構：三種設備同時進場，圍繞同一條任務鏈路運轉，一臺機器人做零件分揀上料，另一臺機器人做滿箱搬運和空箱回收，機器狗和 AGV 負責中間的運輸和調度。

和過去兩年大多數機器人進工廠不一樣，這套系統似乎不是為了把機器人塞進去幹活而找一個工位，而是從工廠真實任務出發，把工序重新拆解，把技能重新排序，把不同設備的調度邏輯重新設計，然後讓整套系統圍繞一個目標運轉——任務結果，有沒有被驗證？這種務實的評判方法，戳中了具身行業被長期忽視的工程問題。01一場 935 億的交付焦慮具身智能正處在它最熱的時點。今年上半年，國內具身智能賽道融資額衝到 935 億元，是去年同期的 5 倍，超過去年全年總量；融資事件 322 筆，同比增長 137%。Demo 視頻的刷屏頻率，不亞於任何一輪 AI 浪潮。

但錢與落地之間，隔著一道明顯的落差：頭部企業人形機器人出貨量剛過萬臺，全年預計難超 10 萬臺，商業化投入佔比僅約三成。這道落差的來源，行業通常歸結為模型不夠強、數據不夠多。但如果在真實工廠裡待過一段時間，會發現問題遠不止於此。模型做出正確判斷，指令下發，機器人執行，任務完成。這套鏈路在仿真環境裡基本成立，進了工廠就開始漏洞百出。設備回執不等於現場結果，單機動作跑通不等於跨設備鏈路閉環。更麻煩的是，來料擺放偏了、上游堵線了、傳感器瞬間丟幀，這些異常情況發生時，大多數系統的處理方式，是停下來等人。誰來持續觀察現場狀態、判斷執行有沒有偏差、在出錯後診斷和恢復、從中斷處繼續？

去年在杭州成立的拉格朗日具身技術，把這層工程當作創業的核心命題。他們自研的 Agentic OS，為 Agent 提供統一的環境狀態感知、機器人技能調度、安全邊界約束、運行記錄和人工接管機制。Agent 圍繞目標，在一條循環裡推進：理解場景、組織技能、觀察結果、判斷偏差、恢復或繼續，直到業務目標被驗證，而不是命令被下發。每一次成功、失敗和恢復，都被記錄為可覆盤的任務日誌，驅動後續系統優化。02大模型全權負責，為什麼行不通為什麼不乾脆讓更強的大模型來處理這一切？行業裡也有人在嘗試這條路，但工廠場景裡，讓通用大模型直接成為工業執行器，面臨兩個樸素的障礙。第一個是推理速度。

工業現場的很多操作有實時性要求，每一個執行決策都要調用雲端大模型推理一次，延遲本身就會拖垮整個系統，在工廠裡會直接體現為跟不上節拍。第二個是幻覺風險。大模型存在幻覺是已知事實，在文本任務裡寫錯一行字可以修改，在工廠裡控制錯一個動作可能損毀工件、傷到人。工廠裡機器人需要和人共處同一個空間，安全約束不是可以靠模型能力繞過去的。拉格朗日聯創兼 CTO 趙立晨的判斷是：Agent 可以做上層規劃和任務調度，但不能讓一個開放式大模型直接成為工業執行器。

圍繞這個判斷，拉格朗日採用分層智能架構：高層 Agent Harness 組織通用模型、Coding Agent 與評測工具，基於真實執行反饋持續演進模型與系統能力；現場 Agentic Runtime 負責任務編排、狀態監控與異常恢復；設備側的專用模型、技能和控制系統負責實時執行，守住精度、節拍與安全邊界。這套分層設計，本質上是把泛化能力和執行穩定性的矛盾，拆開放在不同層次解決，而不是強迫一個模型同時承擔兩件事。代價是工程複雜度，但真正的壁壘，正是把這種複雜度收進一套可控、可驗證的系統。有一個細節值得單獨說：趙立晨在採訪中提到，他認為最有價值的數據不是訓練數據，而是真實場景跑出來的測試數據。

訓練模型、調參、人工調試，本質都是在過訓練集；而真正落地是在過測試集，訓練集和真實世界之間的 gap，才是系統失效的真實位置。這個判斷，讓拉格朗日在數據策略上和大多數堆數據量的路線產生了明顯分叉。03 工廠的工序，原本不是為機器人設計的系統層之外，還有一層更少被提及的障礙，藏在工廠的設計邏輯裡。現有工位、工具、操作流程，幾乎全都圍繞人的身體結構和作業習慣設計。機器人即便有了移動、感知、操作能力，被塞進這套為人設計的框架裡，能發揮的餘地仍然有限。傳統工業自動化的困境提供了一個有力的旁證。

一套自動化設備部署到產線，調試剛完成，客戶說新車型上了；等新車型調完，第三個車型又發生了大設計變更；就這樣始終在調試，陷入死循環。不是設備不行，是產線的工藝設計給出了“人工可以隨時調試”這一假設，讓一切自動化方案都被釘在了調試階段。解法不是讓機器人更像人，而是重新設計工藝，讓機器人以自己的方式完成同一個生產目標。舉個擰螺絲的例子。人工操作一氣呵成，機器人的方案是先預緊到四五十牛，再由專門槍陣對所有螺栓整體擰緊。看上去多了一步，但對機械臂的負載要求大幅降低。歷史上有過更大的類比。1880 年代電氣化之後，美國製造業生產率幾乎沒有任何變化，工廠只是把蒸汽機換成了電機，一切照舊。

直到 20 世紀初，工廠佈局和工藝流程圍繞電力重新組織，現代工廠才真正誕生，生產效率才出現質的飛躍。拉格朗日認為，具身機器人正在推動同一量級的重構，只是這次的關鍵變化進一步發生在軟件層：工業系統將從“以設備為中心”走向“以任務為中心”，工序按機器人可穩定執行的能力重新切分，物料路徑從固化在廠房佈局裡的硬約束，變成可由軟件配置的調度變量。這個轉變，目前還只是開始。04 技能矩陣，和一條排定的時間線把工藝設計的邏輯推到極致，會得到一張技能表。所有制造操作，最終都是十幾種通用技能的排列組合。安裝輪胎看起來是一件事，拆開來是取輪胎、取螺絲、對準、預緊、擰緊，覆蓋了清單裡好幾個技能。

清單上的技能，有的難、有的易、有的頻次高、有的場景窄。拉格朗日把它們做成一張矩陣，橫軸是“機器人實現難度”，縱軸是“在汽車裝配中的使用佔比”，開發順序從右下角往左上角推：先做頻次最高、難度最低的，再往更難的走。邏輯很直白：先摘低垂的果子，讓團隊先活下來，再拿下一步更難的東西的錢。按照這個排序，最基礎的拿取、簡單放置、搬運。擰緊（打螺絲）排在之後的最高優先級，僅這一項操作，就佔到汽車裝配工序的 70% 以上，而且動作邏輯高度一致，泛化性極強。再往後是卡接（精度在 5 毫米之內，靠導向結構輔助）、接插（線束兩端都是活的，難度更高）、密封條按壓（純手感操作，力覺觸覺缺一不可，是現階段技術天花板）。

這張矩陣最有價值的地方，在於它把一個模糊的行業方向變成了一張可以排期的工程計劃。這次進工廠，只做三件事：抓取、放置、搬運；年底將進一步驗證精度放置；明年上半年將逐步引入擰緊操作。這是可以對照檢驗的時間線，不是路線圖上的願景。工藝解決精度的說法，有一個最硬核的實證案例支撐：全景天窗安裝的產品設計精度要求 0.15 毫米，機器人累積精度只有 0.25 毫米，純靠堆精度是死路。但靠工藝方案，拉格朗日核心團隊此前曾打造出全球首套在不停線狀態下安裝全景天窗的方案，已在極氪工廠穩定運行超兩年。內部測試的數據也已經有了，搬運場景的人效，從約 40% 提升到 70%—80%，整體系統效率接近翻倍。

不過，當前的節奏是，完成長穩調試後，才逐步進入長期部署階段。這種謹慎，本身就是一種判斷。05懂工廠的和懂模型的，在同一張桌前坐下成立不到一年的拉格朗日，為什麼能在落地路徑上提出如此反直覺的判斷？我們看了下初創團隊的核心成員，幾乎把具身智能落地最難湊齊的幾塊拼圖佔全了：CEO 李撼碑有半導體與汽車產業鏈背景，長期浸在整車製造和供應鏈體系裡。聯創兼 CTO 趙立晨的履歷橫跨商湯、華為，做過 3D 視覺、多模態和千億參數大模型訓練。另一位聯創張明明，是國內最早一批做仿生四足機器狗與人形機器人研究的人，在阿里雲帶過具身團隊，把千問多模態模型落地到商品分揀、小蠻驢物流配送等項目。

工業落地負責人徐俊是整車廠總裝線出身，參與過優必選、帕西尼、宇樹等公司的進廠 POC，幾乎是過去兩年裡，國內汽車工廠機器人 POC 現場最熟悉的人之一。四人的分工，恰好對應具身智能落地最難同時湊齊的四種能力：產業資源與產品理解、模型與架構、具身本體、工廠交付與工藝。多數創業公司能佔其一，四者兼備的很少。往深一層看，真正稀缺的，是“技術 × 產業”的交叉。技術側，核心成員在華為、字節、阿里、商湯做過千億參數大模型訓練和端雲協同 Agent 架構，累計落地超 1000 臺機器人；產業側，有整車、三電、半導體背景，曾把業務從零做到數百億規模、參與十餘家汽車工廠設計建設、管理數百家供應商體系。

這組背景，直接決定了一件事：拉格朗日沒有單純站在本體公司的視角去定義問題，而是從工廠落地的角度去解決問題。所以它從一開始就以系統為核心，而不是圍繞單一本體定義產品，這或許是一個被團隊經驗“逼”出來的選擇。公司的名字，也是一處耐人尋味的伏筆。拉格朗日點，是日地、地月引力系統中的穩定點，小型飛船可以在那裡以極低的能耗長時間保持位置。取名的邏輯，指向的是一種長時間、不折騰的系統能力。無論是工業落地還是太空場景，安全穩定才是第一位。06行業需要一個穩定點當 Figure 在寶馬斯帕坦堡裝填了 9 萬件鈑金、Physical Intelligence 把 π 模型迭代到 π0.

7 仍堅持不造本體、英偉達把 GR00T 系列推向 GR00T N2 世界動作模型，整個行業的敘事依然高度集中在模型更強、本體更靈巧。而拉格朗日賭的，是一條被低估的路徑：讓機器人真正把活幹完。這個夏天，Agent 炙手可熱，行業內一些工作把分層架構、解鎖邏輯重新包裝成 Agent，拉格朗日選擇用真實工廠中的任務閉環，檢驗 Agent 究竟是一個新名詞，還是一種新的生產系統。拉格朗日留下的懸念是：當技能真的泛化、模型真的能端到端控制一切時，系統層和工序重構的價值邊界在哪？具身智能最缺的，或許正是一個穩定點——不是一臺更聰明的機器人，而是一套能讓人放心把活交給它的系統。拉格朗日是否就是那個點？

未來真實場景的連續運行數據會逐步給出答案。（AI科技評論）上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。