工業具身智能的 "最後一公里"，為什麼是埃夫特&啟智在走？

一、90% 的工廠，機器人還進不去具身智能這兩年很熱，但熱的地方大多不在工廠。人形機器人在展會上跳舞、倒酒、疊衣服，視頻傳播量驚人；可一旦走進真實的工業車間，話題就迅速冷下來。原因很簡單，工業現場不是實驗室，它要求機器人在油汙、粉塵、溫差和來料不一致的環境裡，連續、穩定、可核算地幹活。而這恰恰是當前具身智能最薄弱的環節。傳統工業機器人其實已經很強了。高速、高精、大負載，在汽車焊裝線、3C 裝配線上可以做到毫秒級節拍；在防爆、噴塗等特種場景也有成熟方案。但它的強，是 "確定性" 的強 —— 程序寫死、軌跡固定、來料一致，一旦條件發生變化，它就無所適從。這正是問題所在。

全球工業機械臂年增量大約五十萬臺，聽起來不少，但放在整個製造業體量裡只是一小部分。在汽車和 3C 之外的通用製造領域，工業機器人的滲透率至今不到百分之二十。剩下那八成以上的場景，不是不需要自動化，而是 "用不起"。這些場景有一個共同特徵：多品種、小批量、高度差異化。工件每一批都不太一樣，焊縫位置會變，噴塗件的姿態會變，物流分揀的物料種類上百種。傳統機器人的應對方式是，每換一種工件，工程師重新示教、重新編程、重新調試。等調試完，可能生產一週又要換型。設備成本、調試時間、人力成本疊加在一起，ROI 根本算不過來。更底層的矛盾是數據。

具身智能靠模型驅動，模型靠數據餵養，但工業場景的高質量數據極度稀缺。仿真數據可以無限生成，卻始終與真實物理世界存在 gap；遙操作數據受限於本體控制的平滑度，採集質量參差不齊。行業裡動輒宣稱 "百萬小時數據"，但真正能讓模型迭代出可用能力的，是真實產線上、帶有完整物理約束的全模態數據 ，而這類數據，你不把機器人先放進產線，就永遠拿不到。這就形成了一個典型的 "雞生蛋" 困境：客戶要求機器人進場就能解決問題，可模型沒有真實數據就達不到客戶要求；沒有客戶願意先開放場景，數據飛輪就轉不起來。人的問題同樣在倒逼。

願意從事焊接、噴塗、上下料這類底層勞動的人越來越少，這些場景往往伴有煙霧、粉塵、化學汙染和極端溫差；即便招到人，流動性也極大，新員工的培養週期長達一到三個月，剛上手就離職的情況屢見不鮮。年初規劃的產能，年中可能因為人手不足而交付不了。一邊是具身智能 "雷聲大、雨點小"，一邊是工廠裡真實存在、卻遲遲無法被自動化覆蓋的海量需求。缺口已經擺在那裡，問題是：誰來把這件事真正做成？二、埃夫特&啟智的答案：雙輪驅動，底座築基埃夫特&啟智給出的解法，可以概括為四個字：雙輪驅動。一輪是 "自主化"。

埃夫特&啟智做了近二十年工業機器人，核心模塊從控制器、驅控一體電櫃到關節模組、少齒差減速機，做到了百分之百自研，全產業鏈國產。這是底盤，是機器人在工業現場能穩定跑起來的前提。另一輪是 "智能化"。2024 年 5 月，埃夫特孵化成立啟智（蕪湖）智能機器人有限公司，目標很明確：為工業機器人裝上 "大腦"。啟智不只是做一個模型，而是做一套通用技術底座，涵蓋 Openmind OS、墨斗 IDE、大衍數據平臺、HumanGPT 世界模型和 HALO 技能服，被內部類比為 "機器人界的安卓"。這套底座的價值，不在於參數多漂亮，而在於它回答了工業具身落地的幾個根本性問題。

第一個問題：先有場景還是先有技術？埃夫特&啟智的選擇是先有場景。這不是一句口號。埃夫特&啟智每年做戰略規劃和年度經營計劃，看十年、規劃五年、穩穩當當做一年。去年拆解下來，工業場景被確定為核心發力方向，這倒不是因為技術上容易，而是因為埃夫特&啟智有充分的客戶資源，汽車、新能源、電子行業的客戶願意把真實產線開放出來，一起驗證。有了場景需求，再去設計硬件。複合機器人的臂安裝位置、自由度數量、底盤形態，都是在場景調研之後才定下來的。啟智的核心定位也不是做某一款機器人產品，而是把落地經驗沉澱到底座裡，形成可批量複製的技能方案，再賦能不同構型、不同場景的機器人。第二個問題：數據從哪裡來？

埃夫特&啟智的答案是真實場景、真人全模態採集。行業裡有兩條路線：一條是大批量仿真，一條是真實數據。埃夫特&啟智明確選擇了後者。他們的判斷是，真正有價值的數據一定來自真實場景，仿真可以輔助但不能替代。為此，啟智推出了 HALO 技能服，一款穿戴式的全模態數據採集設備，支持 8K 全景、深度視覺、指尖 12 點 / 手掌 60 點觸覺（分辨率低於 0.01N）、sEMG 肌電、27 節點 IMU（延遲不超過 10ms）等九類數據。它的意義在於，把人類操作工在真實場景中的隱性經驗，比如焊工怎麼調整焊槍角度、噴塗工怎麼走槍，轉化為機器人可以學習的數字資產。數據採集也不是一股腦地錄。

啟智建立了分層 SOP：最底層是原子級技能（抓、拿、取、放、捏、推），中間層是組合技能，最上層是任務級技能。訓練時按需檢索標籤數據，先訓原子技能，再訓組合和任務，而不是把所有數據混在一起 "大鍋燉"。這種自底向上的數據組織方式，直接決定了跨場景遷移的效率。第三個問題：模型怎麼用才可靠？埃夫特&啟智的做法是 "模型 + 規則" 混合。端到端模型的泛化能力強，但在工業現場有一個致命問題：不可控。碰撞風險、精度要求、節拍約束，這些環節不能完全交給模型去 "猜"。

埃夫特&啟智的工程策略是：讓模型做它擅長的事，比如長序列規劃、複雜決策、視覺理解；讓傳統算法和物理規則守住底線：碰撞檢測、精度控制、魯棒性保障。以線邊倉分揀場景為例，模型負責長序列的抓取規劃，而涉及到末端精度和碰撞風險的環節，則用基於模型的方法做二次校驗。機器人先進場，把有用的數據整理出來反哺模型，模型越用越聰明，這就是數據飛輪的實際運轉方式。第四個問題：產線不適應機器人怎麼辦？埃夫特&啟智選擇和客戶一起改造場景。複合機器人在真實產線落地時遇到一個現實問題：按照人的工作方式設計的產線，機器人未必能高效執行。比如線邊倉原來人工分選用三層貨架，對人來說緊湊高效，但機器人的抓取空間不夠。

改造方案是把三層改成兩層，雖然移動時間增加了，但整體節拍反而更穩定。料架、料車、物料擺放方式，這些都需要和客戶一起做適當升級。埃夫特&啟智的判斷是，未來具身智能的落地場景，一定是設備廠商和終端客戶共同打造的，甚至部分人工時代的產線設計會朝著 "機器人友好" 的方向演進。三、從產線到產線：落地成果說話方法論講得再好，最終要回到一個問題：埃夫特&啟智到底做成了什麼？複合機器人是最直接的答案。這款產品基於啟智底座實現了 "手（機械臂）、眼（3D 視覺）、腳（移動底盤）" 的高精度協同控制，可以說是一種底層聯動。

它已經在某主機廠的真實產線上完成了長期嚴苛驗證，具備高重複定位精度和優異的動態環境容錯能力，能在產線里長時間穩定連續作業。具體落地有兩個場景。一個是四合一柔性裝配工作站：複合機器人負責上料，雙臂機器人完成智能裝配與鎖附，協作機器人做視覺質檢，三種不同構型的設備在統一底座下協同作業，首次打通了上料→裝配→質檢的全流程閉環。工廠可以像 "拼樂高" 一樣，基於標準化接口快速搭建適配自身產線的工作站。另一個是線邊倉智能分揀工作站，已經在某主機廠正式投產。

這套方案由 "移動 + 抓取 + 智能識別 + 工廠物聯" 組成，機器人能在狹窄通道內靈活移動，利用 3D 智能識別精準抓取上百種不同汽車零部件，打通了自動上料、智能分揀、成品上線、自動回框的全流程無人閉環，並實現任務自動下發與實時數據追溯。這兩個場景形成了可升級、可擴展的標準化黑燈工廠模板一條線跑通後，可以低成本複製到其他工廠和產線，後續擴容的邊際成本極低。智能焊接是另一個已經跑通商業閉環的方向。

針對船舶、鋼結構、橋樑等中厚板行業 "多品種、小批量、高度差異化" 的痛點，埃夫特&啟智的方案融合 3D 視覺、智能學習算法和數字孿生，機器人可以自動識別焊縫位置、角度和偏差，在線生成最優焊接路徑並匹配工藝參數，無需人工編程即可一鍵啟動。底座的賦能體現在效率上：墨斗 IDE 的圖形化界面配合大模型自動識別焊縫生成軌跡，把調試周期從傳統的 72 小時壓縮到 4 小時。硬件層面，±0.05mm 的重複定位精度和 12 萬小時的平均無故障時間，樹立了國產大負載機器人的可靠性標杆。這個方向並非停留在展臺，埃夫特&啟智與合作伙伴合作幾年，每年已有數百臺的落地量。智能噴塗則是埃夫特&啟智的傳統優勢領域。

國內噴塗機器人市場，埃夫特&啟智的市佔率位居第一，全球範圍內也處於前列。無標記智能噴塗方案已經在贛州傢俱共享工廠實現批量商用：3D 相機毫秒級點雲建模，噴塗大模型自動生成軌跡，墨斗 IDE 仿真微調，實現 "所見即所得" 的低代碼範式。中小企業不需要 "重複造輪子"，換型時機器人自主識別工件、重新規劃路徑，柔性化程度大幅提升。EXR 防爆機器人是硬核實力的體現。全系摒棄行業常見的 "防爆改裝" 思路，從源頭消除點火源，搭載機械多圈無電池編碼器，通過氣體防爆和粉塵防爆雙重最高等級認證，已在軍工、民爆、化工等高危領域批量應用，是國產替代的標杆產品。

從經營數據看，埃夫特&啟智的增長曲線也在驗證這條路的正確性。2020 年科創板上市時，工業機器人年銷量兩千多臺；2025 年達到一萬六千多臺；2026 年目標突破兩萬臺，上半年已經完成一萬臺，全年百分之二十以上的增長確定性較強。五六年時間，銷量增長近十倍。生態層面，啟智聯合哈工大、清華等八所 985 高校及六家頭部工業機器人企業（合計佔國內銷量百分之七十以上）共同攻關，目前工業機器人接入四家、人形機器人接入三家。國家先進製造產業投資基金已連續兩輪投資啟智。四、為什麼是埃夫特&啟智？回到最初的問題：工業具身智能的 "最後一公里"，為什麼是埃夫特&啟智在走？答案藏在這家公司的基因裡。

埃夫特&啟智 2007 年成立，最初是奇瑞的子公司，專門做面向汽車行業的工業機器人；2014 年從奇瑞獨立運營；2020 年登陸科創板，成為 "工業機器人第一股"。近二十年的工業積澱，背後是實打實的工程能力：核心模塊百分之百自研，全產業鏈國產，牽頭承擔國家科技重大專項並獲得本輪次單體最大支持，同時也是承擔本輪次攻關任務最多的機器人企業。認為，這種積澱帶來了兩個關鍵優勢。第一是客戶資源。埃夫特&啟智長期服務汽車、電子、新能源行業，客戶願意把真實產線開放出來一起做驗證。這意味著埃夫特&啟智不需要 "先做機器人再找場景"，而是在源源不斷導入的客戶需求中選擇最合適的切入點。

這在具身智能 "雞生蛋" 的困境裡，是決定性的先手優勢 —— 你有場景，才能拿到數據；有數據，模型才能迭代；模型迭代了，客戶才願意買單。第二是本體能力。工業現場對機器人本體的要求極高 —— 汙染、粉塵、溫差、長時間連續運行，本體不穩定，再聰明的大腦也沒用。埃夫特&啟智近二十年積累的軟硬件全棧自研能力，是啟智做具身智能最堅實的底盤。噴塗機器人國內第一、防爆機器人國產替代標杆、大負載機器人 12 萬小時 MTBF，這些都是本體能力的證明。而啟智的獨立運營戰略，則體現了埃夫特&啟智的格局。據報道，啟智未來將從埃夫特剝離獨立運營，採用 "開源 + 獨立運營" 模式。

這樣做的目的很明確：消除同行對於被 "卡脖子" 的顧慮，避免全行業 "重複造輪子"，確保通用技術底座從成立之初就面向全行業開放。一個做本體的公司，願意把智能化底座獨立出來開放給全行業，本身就是對 "為什麼是埃夫特&啟智" 的最好回答。還有戰略定力。埃夫特&啟智做規劃的方式是 "看十年、規劃五年、穩穩當當做一年"，不追風口、不炒概念。

當行業都在比拼誰的人形機器人動作更花哨時，埃夫特&啟智選擇把資源砸進焊接、噴塗、物流分揀這些 "不性感" 但真實存在需求的工業場景；當行業都在宣稱 "百萬小時數據" 時，埃夫特&啟智坦誠目標是今年十一月積累到十萬小時，並且強調 "籠統說多少小時沒有意義，數據要和模型訓練閉環"。這種剋制，在一個狂熱的行業裡反而稀缺。在看來，工業具身智能的落地，從來不是靠某一個技術突破就能完成的。它需要本體的穩定、底座的開放、數據的真實、場景的深耕，以及和客戶一起改造產線的耐心。埃夫特&啟智用近二十年的工業積澱做底盤，用啟智的通用技術底座做引擎，用真實產線的批量落地做驗證。

這條 "雙輪驅動" 的路，未必是最熱鬧的，但可能是最接近終點的。當具身智能從炫技走向考核，從展臺走向產線，真正能走到最後的，一定是那些願意蹲在工廠裡、和客戶一起把每一個細節摳到位的公司。埃夫特&啟智已經在這條路上走了很遠，而它的故事，或許才剛剛開始。