從 Token 到扭矩，AI 落地東盟的四道「硬」關｜SEA Frontline

出海參考新加坡站2026.09.01 22:07 · 來自海外全文8022字00:00 / 20:06當 AI 落地沿著產業鏈往下游走，賬會越算越重。AIMX Singapore 2026 現場“客戶用 AI 的時候，會發現花出去的 Token 讓他們好心痛”。潤建股份副總裁趙華在 AI GRAVITY 新加坡站「Talk To The World」直播間裡說，潤建股份在東盟已經有一批按 Token 付費、真會為賬單“肉痛”的客戶。

對這家公司來說，Token 不是修辭，而是寫進財報的商業模式——這家起家於南寧的深交所上市公司，已把旗下的五象雲谷智算中心升級成了Token工廠，按 Token、卡時計費。2025 年潤建股份全年 103.49 億元營收中，算力業務收入 8.1 億元，同比增長 53%。本次直播間設在 AIMX Singapore 2026 的現場——WAIC 以海外品牌 AI GRAVITY 之名、聯合 MP Singapore 在新加坡金沙會展中心辦起的這場大會。之所以設在這裡，是因為東盟正在成為中國 AI 出海最先“算賬”的市場。

算力側，據中國信通院數據，2026 年東南亞重點區域算力中心服務市場規模預計突破 100 億美元。物理側，新加坡這個每萬名工人對應 770 臺機器人、密度全球第二的城市，正由政府親自下場給具身智能遞場景——內政科技局（HTX）宣佈投入 1 億新元，建設全球首個專注公共安全的人形機器人中心，首批人形機器人預計 2027 年中調派至火患、危險品洩漏與搜救現場。正如中科第五紀 COO 曹恩華在直播間中提到，新加坡政府在引進具身智能落地場景上的力度很大，吸引了大批中國具身產業鏈公司南下。

也是循著這條從算力到落地的傳導鏈，我們把直播間的四把椅子，擺在了 AI 落地的四個環節上，推進 Token 出海的潤建股份、具身數據基建的 Ropedia、做具身大腦的中科第五紀、造減速器的永軸智造——這正是AI從比特世界的 Token 到物理世界的扭矩的關鍵節點。四場對話聽下來，會發現當 AI 落地沿著產業鏈往下游走，賬會越算越重，每一環都有必須算的賬、要過的關——而這些關口，沒有一道是僅靠發佈會解決的。Token出海，全棧交付的“硬”門檻第一道關看起來最不像關——把 Token 賣出去，不就是收款嗎？

趙華的說法戳破了這個錯覺：“以前拼的是基礎設施，有多少算力、多少服務器；現在拼的是怎麼把這一系列基礎設施，變成可交付的 Token。”從賣數字化基建到賣 Token 服務，中間隔著一段沒有先例的路。難，首先難在市場本身。蛋糕雖然在脹大，但東盟在趙華眼裡是“割裂的市場”，每個國家各不相同；客戶採購時看三樣東西——安全、時效、性價比，開篇那句"好心痛"正是性價比進前三的原因。但低價買不來訂單，安全不過關，“無論怎麼便宜，客戶也不會接受你的服務”。潤建股份的解法是把電力、算力、調度、模型、Agent，從基礎層到應用層的全棧環節打通。

“不是單點能力強，而是每一環都綜合強，才能打動東盟客戶”，趙華說，潤建股份進入東盟市場已經七年，據其介紹，潤建股份在東盟已交付 500 多個本地化項目，並以南寧作為算力服務節點向東盟輸出。今年 7 月底，其設在馬來西亞的東盟 AI 創新中心剛剛開業。與馬來西亞 PEKAT 集團合資運營的 Rundo 新能源智能運維平臺，已接入該集團旗下 超1600 座分佈式光伏電站、共計 182MWp 光伏容量，整體運維效率提升 20% 以上。比全棧更難複製的，是時間熬出來的信任。

紮根的辦法只有本地化，產品出海、標準出海、人才培養體系出海，一個都不能少，“信任的文化是東盟地區非常重要的文化，當他信任你的時候，才會引你進入他的朋友圈。”趙華還介紹，如今潤建股份向東盟輸出的一線隊伍裡，AI FDE 模式佔了很大比重，由行業專家與技術專家兩組人配合作戰——前者走到客戶一線，後者負責整合模型與網絡。趙華稱這批工程師正在東盟提供貼身服務。對那些正湧向東南亞的中國 AI 公司，她的建議只有一句：“出海不能只是賣產品，更要紮根於本地。長期主義、打持久戰。” （趙華「Talk to The World」@Singapore）數據燃料：從「能採」到「能用」Token 的下一環，是燃料。

燃料不只是數據，而是把真實世界經驗轉化為可用數據的基礎設施。大語言模型的成功給這個行業留下了一個慣性錯覺——數據越多越好。但文本語料是幾十億網民幾十年自然沉澱的，幾乎免費；具身數據沒有這種午餐，只能專門搭一個小環線去採，一條一條攢。更要命的是，行業甚至還沒就“什麼是好數據”達成共識。Ropedia 聯合創始人兼 CTO 洪方舟在直播間算了一筆“數據賬”：今年，不少團隊給流水線工人頭上綁運動相機採數據，但如果場景和動作高度重複，即使數據規模不斷擴大，邊際價值也會快速下降。對機器人而言，重要的不只是“拍到了多少”，而是這些數據是否包含足夠豐富的空間、動作、交互與物理信息，是否真正貼近模型訓練目標。

洪方舟的公司正是衝著這道關來的。去年12月成立於新加坡的Ropedia，定位是“物理智能的數據基建”，它的探索可以概括成一句話：用模型的視角反過來定義採集——不是採完再想怎麼用，而是從模型需要什麼倒推採什麼、怎麼採。第一個動作是選路線。洪方舟把具身數據採集擺成一道光譜：最左端是遙操作，最接近機器人本體，數據最少；最右端是第一人稱（egocentric）數據，離本體最遠，可獲取性最強。“大語言模型用兩三年證明了 Scaling Law，所以在所有數據種類裡，我們相信 scalability 最強的那一種。”Ropedia 押注第一人稱人類數據，如今這條路上“越來越多的玩家進來了”。

第二個動作是造工具鏈。採集員戴上自研頭環設備 HOMIE 進入真實場景，以一段 30 秒的錄像為例，原始數據包含多路視頻與 IMU 等傳感器信號，上傳平臺後經多輪審核，再由自研算法做結構化處理——提取空間運動軌跡、手部與物體交互動作、打上語義標籤，最終在 3D/4D 空間下完成空間與時間的雙重對齊，經人工質檢後交付。“客戶拿到手的是一個 training-ready 的資產，可以直接喂進模型。”第三個動作是全鏈路閉環：硬件、平臺、算法、運營，從 0 到 1 全部自建。

邏輯仍然是那個倒推：“如果只單做其中一環——比如只做數據運營——你對下游需要什麼數據、什麼數據更容易標註、什麼數據可用率更高，是沒有感知的。”第四個動作帶點行業野心。今年3月，Ropedia開源了Xperience-10M 數據集，總量 1PB、覆蓋千萬片段，HuggingFace 累計下載量超過270萬次，已進入 Qwen-VLA、MolmoMotion、ACE-Ego-0 等全球多個主流具身模型、世界模型的研究與訓練體系。

洪方舟打了個比喻，這個開源數據集像是他們商業化數據集產品的試用裝，是一個獲客引流的方式，但更重要的是，希望通過這個數據集在大部分玩家還在採 raw video 的時候，先給這個行業立起標註的標準。至於為什麼把公司放在新加坡而不是 AI 公司扎堆的美國或中國，他的三個理由都很實際：硬件上靠近中國供應鏈；數採運營上，亞洲有更好的基礎設施和更豐富的人力；客戶上，身處新加坡可以同時觸達亞洲與北美。被問到數據這門生意被高估與被低估的各是什麼，他的回答繞回了自己的核心主張：“整個環節的難度都被低估了，運營、硬件、平臺、算法，所有要素加在一起，才能得到一個好的數據生產流。

”至於價值，他不認為被高估：“從上一個時代看，大語言模型的架構、訓練都不是什麼秘密，是秘密的反而是數據。”（洪方舟「Talk to The World」@Singapore）具身大腦：不堆數據的範式之爭燃料再往上一環，是具身大腦。這一環的難，直接由上一環傳導而來：真機數據一小時的採集成本在幾百元量級，想靠堆數據驗證 Scaling Law，“要幾億甚至十幾億元”——中科第五紀 COO 曹恩華試圖通過這筆賬，說明通用大模型依靠海量數據拓展能力的路徑，很難直接照搬到具身智能。中科第五紀是一傢俱身大腦公司，有兩條產品線：具身大腦模型，以及搭載自研大腦的輪式雙臂本體。

這家公司最出名的標籤“超少樣本”——用 3 到 5 條演示數據讓機器人學會一個新任務——很容易被讀成對 Scaling Law 的背離，曹恩華主動做了校準：“我們不是反 Scaling Law，我們只是反對一味地堆砌數據。”與其在數據量上硬堆，不如從模型範式上改進，“讓模型提升數據利用效率，從更少的數據中學到更多能力”。第五紀的技術回答分為兩層：一層提升數據利用效率，一層提升執行安全性與可靠性。

其一是架構，曹恩華表示，傳統 VLA 模型把三維信息壓縮成一維 token 輸入，天然損失空間信息，第五紀採用 3D 到 3D 的處理方式，儘可能保留三維場景與動作之間的空間關係，提高單條數據的利用效率，計算量則用三維熱力圖只關注操作相關的關鍵信息來壓降。其二，第五紀率先將世界模型引入具身操作的安全評估環節，自研的 BridgeV2W 會在機器人執行動作前先做預演，把不可控軌跡、數據幻覺提前過濾掉。“我們是業內第一個把世界模型引入具身操作安全評估的團隊。操作模型決定怎麼做，世界模型在執行前判斷這樣做是否安全。”第五紀引入世界模型，瞄準的正是安全與可靠性。

“安全、可靠的優先級，一定是高於泛化性的。”曹恩華說，這在客戶那裡得到反覆驗證，歐洲頭部客戶把數據安全放在第一位，國內客戶更關注可靠性與穩定性，“這兩條都是大前提，做不到，客戶不會讓你上設備”。第五紀在歐洲某世界 500 強工業製造巨頭的交付已在真實場景落地，雙方僅圍繞數據安全就進行了五輪以上溝通、相關安全文檔長達幾十頁。第三重難更隱蔽，實驗室與真實場景之間的鴻溝。第五紀在一個電力變電站項目中發現，實驗室裡光照恆定條件下訓練出的模型，到了光照時刻變化的室外現場表現打折；在完成安全驗證並進入現場試運行後，團隊持續採集不同光照條件下的數據並迭代模型，模型穩定性獲得了明顯提升。

現場數據還提升了模型的遷移效率：一個任務在真實場景中得到充分驗證後，再遷移至其他相近場景，多需的適配時間和成本明顯降低。這也決定了第五紀的路線：以真實場景驗證賦能模型迭代，先讓具身機器人在持續運行中積累有效數據。落到場景選擇上，第五紀的原則是對人不友好的環境優先，例如玻璃廠塗底工序——工人需要戴防毒面具作業，部分原料和作業環境可能帶來職業健康風險；冷庫分揀——部分崗位需要定時離開低溫環境進行恢復。

場景的另一端，供給方也在主動遞場景，導語裡那句“政府親自下場”有具體的去處：新加坡內政科技局（HTX）已宣佈投入 1 億新元，建設全球首個專注公共安全的人形機器人中心，首批人形機器人預計 2027 年中調派至火患、危險品洩漏與搜救現場。“新加坡政府在引進具身智能落地場景上的力度很大”，曹恩華說，這也成為中國具身智能企業佈局新加波的重要吸引力之一。機器人落地場景的另一本賬在投入產出比的 ROI 核算上。曹恩華提到，不少國內客戶會把2-3 年收回投入作為評估機器人項目的重要參考。

這套賬在海外會稍有不同——在歐洲部分人力成本較高的項目中，投資回收週期可能壓縮到一年左右；東南亞則提供了另一個角度：這裡要解決的不是人力貴，而是人效低，中國工廠有大量工程師和技工，而東南亞部分國家“關鍵技術工人不是多加錢就能招到的”，具身機器人有望補充關鍵崗位能力，並推動生產流程標準化。第五紀目前兩條腿走路：一方面服務在越南等地設廠的國內頭部家電企業出海，另一方面直接拓展新加坡及東南亞本地客戶，推進機器人項目驗證與交付。什麼時候具身行業能達到“商業化臨界點”？曹恩華給出兩個可驗證的指標：百臺以上的具身機器人穩定可靠地運行；同類能力能夠低成本遷移至十個以上不同場景。

“兩個都達到，才是真正的大規模商業化階段。”第五紀的自我關鍵驗證節點是2027年，“我們希望到明年這個時候，成為業內在真實場景中實際部署並持續運行具身機器人數量最多的公司。”曹恩華有意強調了好幾遍“真實場景”。（曹恩華「Talk to The World」@Singapore）減速器，三十年熬出的一致性AI 落地鏈條的最後一環，回到物理世界本身。這一環的難最為直觀——它決定機器人能不能用得住。“減速器就是機器人最核心的零部件之一，跟汽車的發動機和變速箱一樣。”永軸智造運營總監陳恩偉說，正常情況下減速器佔整機成本 30% 左右，算上關節模組則超過 55%。

而它之所以關鍵，不只因為貴：“一般零部件的損壞概率非常低，出問題的其實都在減速器——減速器決定了機器人的壽命。”換句話說，這一環的門檻叫產品質量的一致性：不是做得出，而是每一件都做得出同樣水準。格局上，這道關還疊著壟斷。諧波與行星兩大路線已經把市場分完了，工業級大型減速器則是納博特斯克等日系巨頭的主場——“日本的技術很成熟，產品非常優秀”。而需求端的爆發又來得猝不及防，永軸1994 年以軸承起家，2008 年開始做減速器，給納博特斯克、ABB 都供過貨，2023、2024 年人形機器人需求起來後客戶找上門做微型減速器，一年內完成了幾個款型的開發。永軸的探索是三個動作。

第一，路線卡位：選擇擺線，一條介於諧波與行星之間的第三條路。“諧波精度高，用在醫療、電子這類高精度場景；行星結構簡單、成本低、效率高；擺線精度能到 6 角分左右、效率 80%-85%，它的優勢是剛性特別好、抗衝擊能力特別強、精度保持能力特別強。”陳恩偉的定位說得直白：“我們卡在中間，可以提供諧波和行星之外的第三種選擇。”這條路同時避開了與日系巨頭的正面競爭——對方在工業級大型減速器上技術成熟，“還沒有回過頭來做這些外經的產品”。本屆展會帶來的 15 毫米外徑微型擺線減速器，面向靈巧手場景，同等尺寸下握力、抓取空間數量會更高一些。第二，工藝變現。

永軸的底氣來自軸承時代的沉澱——熱處理、供應鏈、尺寸鏈把控，這些能力直接決定了做擺線時的良率與試錯成本。陳恩偉沒有迴避與壟斷頭部的距離，但三十年工藝就是三十年工藝，這條路沒有捷徑，“沒有穩定性和質量一致性的保證，客戶跟你談價格沒有意義。”而這條穩定生產鏈的准入門檻本身就高：“一年五六萬臺的產能，至少要兩三個億的投入，都不一定能出東西”，這還不含設計與研發。齒輪行業的人才本就稀缺，大家都在搶。第三，客戶分層。在目前減速器基本供不應求、產能還在爬坡的情況下，優先服務有落地場景的——工業機械臂、消防特種、替代“蜘蛛人”高空擦玻璃的設備、排雷機器人這類剛需，人形機器人被排在更後面。

但陳恩偉馬上補充，雖然落地有先後順序，但是具身的規模化商用比我們想象中要快得多。陳恩偉列了一組數字，2024 年永軸的出貨還在打樣驗證階段，“一年也就幾百臺”；2025 年翻了十多倍；2026 年僅第一季度，就接近 2025 年全年的五倍。

（陳恩偉「Talk to The World」@Singapore）結語：從「想做」到「能做」四筆賬算完，四道關的形狀也就出來了：算力環節的門檻是全棧交付——單一環節的強不足以讓客戶買單，安全、時效、性價比要同時成立，還要加上用七年時間換來的本地信任；具身數據環節的門檻是工程密度——從採集硬件、算法管線到運營體系缺一不可，開源 1PB 可以定標準，但真正的壁壘在於讓每一條數據的有效率最大化；模型環節的門檻是訓練範式——在堆數據與提效率之間，第三條路是用世界模型給安全兜底，先讓機器人在真實場景穩定跑起來；硬件環節的門檻是一致性——佔整機成本 30%、決定機器人壽命的部件，需要的是幾十年工藝積累和真金白銀的產能投入。

四道關口，分別屬於四家規模、路線、階段都不同的公司，但把它們串起來看，這是同一場考試的四張考卷——考官是同一批人：既會為 Token 賬單“心痛”、又絕不肯為便宜妥協安全的東盟客戶。四家公司對同一件事的判斷也高度一致：AI 落地沒有捷徑，安全與可靠先於炫技，真實場景先於實驗室，時間與產品先於發佈會。Token 的熱潮，終歸要經過這樣一節一節的傳導，才能變成物理世界裡看得見的扭矩。用陳恩偉的話說，AI 告訴機器人“我想做什麼”，減速器告訴機器人“我能做什麼”。從想做到能做之間的每一環，此刻都有人在自己的位置上使勁。傳導到哪一環、傳導得多快？

曹恩華給出了一個可以驗證的時間點：“我們希望到明年第一季度，成為業內真實場景中出貨量最多的公司。”明年3月，這道題的答案就會揭曉。（作者｜楊秀娟 ，編輯｜羅文琴 ，本文首發APP）