WAIC 刷屏这一周，看清了 3 件事

WAIC 刷屏的这一周，我朋友圈里一半人都在上海。

世博中心、世博展览馆、徐汇西岸、张江科学会堂，四个场馆同时开。1100 多家企业，3000 多项展品。具身智能赛道来了 200 多家公司，近 60 台人形机器人在现场导览、讲解、做零售员。

一、今年 WAIC 有三个信号，值得认真看

第一个信号：机器人开始干活了

环球网记者有句话写得很准：过去两年，人形机器人总在证明“我能动”，跳舞、翻跟头、写毛笔字。今年的机器人开始集体证明“我有用”。

这句话基本概括了本届 WAIC 的变化。

智元的精灵 G2 Max 已经在京东真实仓储场景里跑，24 小时搬运、码垛。千寻智能的 Moz1 接到“整理客厅”的指令后，会自己识别环境、拆任务、分类归位；中途有人扔进一团纸巾，它会临时调整路线，先清理干扰物，再回到原任务。

戴盟机器人的展台反而更有意思。没有舞蹈，没有翻跟头，只有一台机器人慢慢打包水果。夹重了会破，夹轻了会滑，透明塑料盖还会干扰视觉判断，只能靠夹爪上的触觉传感器找力道。真实世界里的难，常常就藏在这种看起来不起眼的动作里。

行业正在过一道坎：过去问“能不能做”，现在要问“能不能一直做、批量做、换个场景还能做”。

第二个信号：机器人开始摆脱“金鱼记忆”

过去具身智能做复杂任务，最大的问题是链条太短。它能完成一个动作，但记不住长期目标，也很难在中途遇到变化时重新规划。

今年看到了一些变化。Moz1 执行“整理客厅”时，屏幕会同步显示它的推理过程：任务怎么拆，当前做到哪一步，下一步走哪条动线，遇到干扰怎么调整。自然语言指令会被拆成连续动作序列，不再只触发一个动作。

飒智智能发布的“玄枢”世界模型，也在往这个方向走。它把视觉、动作、力控、工艺等多模态数据揉在一起，让机器人不只理解当前状态，还能预判下一步动作带来的结果。

这在工业场景里很关键。工厂需要的是一整条工艺链的稳定执行，仅能执行单步操作是远远不够的。VLA 模型和世界模型融合之后，机器人从“看到什么做什么”，往“知道做了会怎样”迈了一步。

只有把这一步跨过去，企业才会开始考虑信任它。

第三个信号：AI 的价值开始用“能不能用”来衡量

这次变化不只发生在具身智能上。

西门子在 WAIC 上首发 Eigen 工程智能体，可以独立完成 PLC 编程、HMI 可视化等端到端任务，工程效率提升 2-5 倍。罗克韦尔自动化继续强调 IT/OT 融合和 AI 带来的全局优化。

但比单个产品更值得看的是行业共识。环球网那句话说得很直接：AI 的价值，最终要拿“能不能用、好不好用、有没有人用”来量。

这个共识，我们等了四年。

二、现场很热闹，但有三个问题展台回答不了

信号变清楚了，问题也更清楚。站在从业者角度看，我在公开报道、论坛总结和同行讨论里，没有找到三个答案。

这并不说明展台做得不好。这些问题本来就很难靠展台讲清楚。

问题一：具身智能的数据飞轮怎么转起来？

WAIC 上几乎每家具身智能公司都能拿出单机 Demo：抓取、分拣、巡检、导览。都很顺，都很漂亮。

但一旦聊到规模化部署，问题马上变尖：数据飞轮怎么转？

单台机器人在一个场景里跑通，靠的是工程师反复调试、标注、优化。到了 200 台、2000 台、20000 台，每台机器所在的物理环境、任务参数、磨损程度都不一样。你不可能给每台机器配一个调试工程师。

光轮智能展示的 Real2Sim2Real 持续学习闭环，方向是对的：甚至可以认为----仿真不是数据循环的辅助，而是核心驱动力。

实体产线没法靠机器人反复碰撞试错，难收集极端工况数据，人工标注成本高昂，这三类难题只有仿真能解决。 核心难点不在于用不用仿真，而是仿真与产线实时同步。单次仿真实景校准容易，难在搭建双向自动闭环：仿真指导产线，产线数据反哺仿真，只有像这样持续互相修正，数据循环才能持续运转。

问题二：企业级智能体的安全边界谁来画？

WAIC 上 Agent 概念很多。西门子的工程智能体可以独立编程，飒智的世界模型能自主决策。这当然是进步，但也带来一个现场不太愿意展开的问题：Agent 自己做事以后，做错了谁负责？

工业场景里，一个智能体如果自主判断了某个工艺参数，在 99% 的情况下都没问题，偏偏撞上那 1%，损失谁承担？审计链条怎么追？现场怎么回退？

这已经超出了单纯的技术问题。更准确地说，技术还没有完全成熟时，治理必须先走一步。

展台上的 Demo 通常跑在最顺的路径上。真实企业客户的第一句话往往很朴素：系统能不能给我一个紧急回退按钮？人能不能随时接手？

要做 Agent，先得把 Agent 的安全边界画出来。这件事比算法更难，也更决定能不能落地。

问题三：算力很酷，企业算不算得起？

WAIC 的超节点展区很吸睛，算力大基建的叙事也足够宏大。但企业客户聊需求时，很少先问“你们能接多大的算力”。他们更关心的是：我的场景到底需要多少算力，一年大概要花多少钱。

很多制造企业买不起一整墙机柜。大量真实工厂里的具身智能场景，算力预算有限，对延迟和稳定性非常敏感，对参数规模反而没那么执着。

一个几十亿参数模型，如果能稳定完成拧螺丝、检测瑕疵、识别异常，就够用了。没必要动不动上千亿参数。

算力“修铁路”很重要，但中小企业更需要“村村通”。这个供给侧断层，会直接影响具身智能能不能规模化落地。展台不讨论这个，因为它很难做成漂亮 Demo。

三、这三个问题，正好是我们这一年死磕的方向

说完行业，也该说回我们自己。

我们做具身智能，也做企业级智能体。过去一年，花最多时间、踩最多坑的地方，正好就是数据飞轮、安全边界、算得起的算力。

第一个：我们把仿真当作数据飞轮的发动机

这条路我们走得很坚定。在真实产线里，机器人不能撞坏一万次才学会一个动作，长尾场景的脏数据凑不齐，人工标注贵到不可持续——这三道墙，只有仿真能翻过去。所以我们把工程投入压在了仿真环境本身的建设上，而不是去跟真实产线死磕每一个边角案例。

但"认同仿真"和"把仿真做成基础设施"之间，隔着一整支工程团队。真正难的不是搭一个能跑的仿真场景，而是让仿真环境像一个活的系统——持续吸收真实产线的数据回流，自动校准物理参数，让仿真侧和真实侧始终保持对齐。这条 Sim2Real 的双向通道，才是我们这一年花最多时间的地方。

说"做完了"是骗人。但飞轮已经在转，只是还没转到我们想要的速度。

第二件事：安全边界，我们先保证“随时能停”

企业客户来聊 Agent 时，最认可的一点反而不酷：我们给每个自主决策都加了双层回退。

模型层有置信度阈值兜底，系统层有操作员随时切入的紧急接管机制。

软约束优先，硬规则兜底。我们会先确认哪些操作就是Agent绝对不应该执行的，哪些是执行危险操作前必须检查的，先做硬规则兜底。

这听起来不像发布会上会被鼓掌的功能。但它是企业愿意把 Agent 放进产线的前提。企业级智能体的入场券，首先是“出了事有办法”，然后才轮到“多聪明”。

第三件事：算力，我们选“够用就好”

超大模型很性感，工厂不一定需要。

模型大小刚好能塞进产线边缘设备，推理延迟压到操作员感知不到卡顿，功耗控制在机柜里不用单独加散热。真正的挑战不在模型多大，在"跑得稳"——7×24 小时不掉链子，比单次跑得快重要得多。

我们做的事情很朴素：把模型压到边缘设备能跑，功耗控制在产线能接受的范围，延迟低到操作员感觉不到卡。这些参数在展台上不显眼，在工厂里就是生死线。

写在最后

展台能 Demo 的东西，和工厂里能长期跑的东西，中间隔着一整个真实世界。

这句话不是在否定 WAIC。恰恰相反，WAIC 让更多人看到了 AI 的可能性。只是对我们这些已经在泥里走了一阵子的人来说，知道可能性只是第一步。每天真正要做的，是把可能性一点点变成确定性。

同行的人多了，路会好走一点。

如果你也在做具身智能或企业级智能体的落地，踩过类似的坑，或者在某个方向上跑出了我们的盲区，欢迎留言聊聊。这个方向太大，没人能一个人走完。

本文中关于 WAIC 2026 的现场信息均来源于环球网、上观新闻、WAIC 官方通稿等公开报道，不涉及任何现场私访内容。