至简动力交付百台机器人，具身智能告别PPT

ChatGPT 与 Claude 成为主流话题后，大众对新技术的期待已从“iPhone 时刻”转变为“ChatGPT 时刻”或“Claude 时刻”。

ChatGPT 时刻意味着技术获得了海量用户，而 Claude 时刻则代表技术找到了可持续的商业模式。

过去一年，具身智能行业最常被问及的问题大概是：机器人何时能迎来属于自己的 ChatGPT 时刻？

这个问题带有典型的 AI 行业想象色彩。大语言模型曾一夜成名，许多人因此相信机器人也能在某刻突然跨过临界点，走出实验室、展台和短视频，进入现实世界，接管那些重复、繁琐、危险或高精度的工作。

具身智能的行业叙事，正从“未来会怎样”转向“今天能做什么”。

7 月 6 日，至简动力在苏州举办场景落地暨百台交付仪式，宣布首款全场景机器人 i7 Pro 完成首批 100 台交付，并建成全球首个 CNC 智能化具身机器人产线。据公司披露，从成立到百台交付，至简动力用时不到一年，创下该行业最快百台交付纪录。

至简动力内部一直在复盘大语言模型的发展。贾鹏表示，团队从公司成立之初就在研究大语言模型的产业演进：ChatGPT 的爆发看似瞬间，实则源于预训练、数据、算力、基础设施和产品场景的长期积累。

机器人行业当然需要自己的“GPT 时刻”，但这不会像按下一个按钮那样突然发生。它更可能是一系列基础能力持续叠加后，某些场景率先跑通，再通过数据、模型、工程和商业闭环逐步扩散。

因此，比“具身 GPT 何时到来”更现实的问题，是具身智能的“Coding 场景”在哪里。

对于大语言模型，编程是一个高频、刚需且反馈链路清晰的任务。开发者提出任务，模型生成代码，人类验证结果，推动模型和产品迭代。需求、数据、工具链和付费意愿在此形成闭环。

具身智能同样需要此类场景。

这种场景不止一种。CNC 上下料、仓储分拣、商超补货、柔性 PCB、光电模组、AI 存储、生物医药实验室，都可能是机器人寻找“产品化抓手”的早期场景。它们未必像科幻电影里的通用机器人那样吸睛，但任务边界更清晰，客户需求更真实，也更容易形成数据回流。

至简动力此次选择的起点，是 CNC 产线。

CNC 上下料看似传统甚至不起眼：机器人需在多台机床间移动，完成上料、取料、定位、插入等连续动作。但这场景对机器人能力要求不低：既需移动能力，又需高精度操作；既要适应真实工厂环境，又要满足长时间稳定运行和安全要求。

尤其是“移动 + 高精操作”的叠加，使其比固定工位机械臂更复杂。底盘移动和机械臂操作都会带来误差，两者叠加后，机器人仍需完成 0.1 mm 级别的定位、插入和对齐。对样机而言，跑通一次尚且不易；对批量机器人而言，保持多机一致性和连续稳定运行，才是真正进入交付阶段的门槛。

这正是百台交付的行业意义：它将具身智能从“演示一次”推进到了“批量进入现场”。

至简动力强调，百台交付的核心不在于单点技术，而在于一套系统能力。这套系统可拆分为四个部分：模型、本体、数据和软件平台。

模型是机器人的大脑。至简动力选择原生具身基座模型路线。行业目前主要有 VLM 的 VLA 和基于视频生成的世界模型两条路径。至简动力的判断是，具身智能不仅需要看懂世界，还需理解物理规律并预测行为与环境的闭环交互。

因此，至简动力推出 LaST 系列具身基座模型，尝试将多模态理解与生成整合进统一架构。LaST 定位为“理解与生成合一”的具身基座模型，围绕它，公司还推出了 TMR 3D 视觉感知模型、人类数据训练方法 LaST-HD 以及强化学习算法 LaST-R1，逐步建立从预训练到后训练的技术体系。

从行业观察看，这条路线的关键词不是“更大的模型”，而是“更适合部署的模型”。机器人面对的是连续、实时、有物理约束的世界，既不能只在云端慢慢推理，也不能把每个任务拆成复杂的手工工程。能否将空间理解、任务规划、动作输出和世界建模能力压缩进端侧可用模型形态，直接影响机器人能否真正进入现场。

数据是机器人的经验。大语言模型依赖互联网文本和代码语料，机器人则缺乏这种天然大规模数据源。真实世界中的手、物体、力、摩擦、遮挡、位姿和环境变化，难以低成本持续获取。至简动力的解法是自研便携式数据采集设备，走众包采集路线，并在 11 个月内完成了三代数据采集手套的研发。

据贾鹏披露，至简动力的数据规模从 0 增长到近 3 万小时、2 PB，GPU 从几十张扩展到 1200 张，系统设计目标是支撑每月 10 万小时的数据生产能力。这虽需长期场景验证，但至少说明至简动力将数据生产能力视为底层基础设施，而不仅仅是模型结构。

至简动力在本体设计上强调“模型定义本体”。落实到产线，这对应着可靠性、一致性、可维护性和成本。i7 Pro 面向真实场景，搭载七自由度模块化力控人形臂，臂展达 1000 mm；采用车规级电子电气架构，配备 2070 TFLOPS FP4 中央计算平台，具备 360° 环境感知、主动避障和近人安全机制。产品还支持模块化力控人形臂，可快速装配、更换和标定，末端执行器可根据任务在二指夹爪、三指夹爪或灵巧手间扩展。

过去许多机器人项目卡在“最后一公里”：实验室能跑，现场需重新集成；一个工位能跑，换产线需重新调试；单机能跑，批量交付后一致性难保。至简动力强调一小时开箱即用、通用泛化和快速部署，本质上是在回应这一痛点。

仅拥有基座模型不足以做好具身智能。机器人同样需要自己的 Agent 框架和“Claude Code”。至简动力打造的 Simple Claw 开发者生态，集成 Agent 框架、Skill 库、底层 SDK、仿真验证和真机部署工具，旨在降低机器人应用开发门槛。

这一点对具身智能尤为关键。单家公司无法覆盖所有行业场景，机器人要进入千行百业，就必须让更多开发者、客户和合作伙伴参与开发。模型提供通用能力，平台提供开发效率，真实场景提供反馈数据，三者能否形成正循环，将决定机器人从示范项目走向规模化应用的速度。

真实产线不会为机器人降低难度，机床、料框、通道、工件、节拍和安全规范都有既定要求。机器人进入现场后，必须适应原有生产系统，而非要求工厂完全围绕机器人重建。

这也是具身智能区别于传统自动化设备的地方。

传统自动化擅长结构化、高一致性、高节拍的任务，但在多品种、小批量、频繁换线的制造场景下，改造成本和集成周期会明显上升。具身机器人若要证明价值，就必须在这些非完全结构化场景中体现灵活性：更轻量部署、更快迁移、更低成本适配新任务。

至简动力将 i7 Pro 定义为全场景机器人，CNC 上下料只是第一步。据披露，公司后续将在工业场景拓展光电模组、柔性 PCB、AI 存储等人工智能基建领域应用；同时在商超零售、智慧物流、生物医药等领域开展验证。

这些场景共同指向一个更现实的路径：通用机器人不会一开始就无所不能，它会先在若干高价值、高频、边界相对清晰的场景里完成能力闭环，再逐步扩大边界。

这与自动驾驶发展类似。L4 自动驾驶很难从第一天覆盖所有道路和天气，所以行业往往从固定路线、港口、矿区、园区、Robotaxi 试点城市切入。具身智能亦是如此，早期落地无需证明机器人什么都能做，而要证明它能在某些真实场景里稳定创造价值。

机器人是复杂硬件系统，涉及关节、电机、减速器、传感器、计算平台、末端执行器、整机装配和现场调试。越接近交付，供应链和工程能力的重要性越高。

研发效率很大程度上就是供应链效率，产品迭代速度很大程度上就是产业链协同速度。至简动力将研发放在苏州吴中，一个现实原因是当地拥有完整的制造业基础和机器人产业生态。据表述，吴中及周边 2 小时制造业经济圈，为至简动力提供了关键零部件供应、加工制造、整机装配、调试验证和真实客户现场。

过去大模型公司的竞争常围绕算力、数据和算法展开；机器人公司的竞争则会多一个硬件和制造维度。模型再强，也需要稳定本体执行；算法再先进，也需要可靠关节、线束、传感器和电气架构支撑；场景再清晰，也需要工程团队在现场反复调试、验证、维护。

因此，具身智能的护城河很难只来自论文或 demo。它更像智能汽车产业的延伸：算法、硬件、供应链、质量体系、工程交付和场景运营共同构成竞争力。

这也解释了为何至简动力核心团队的背景值得关注：团队来自智能汽车、自动驾驶、供应链和工程量产体系。CEO & CTO 贾鹏曾任理想汽车自动驾驶技术研发主要负责人，董事长王凯曾任理想汽车 CTO，COO 王佳佳也有自动驾驶量产研发和辅助驾驶系统工程经验。

从自动驾驶到具身智能，场景虽异，但底层方法论相通：都需要把 AI 能力放进一个高可靠、高安全、可量产、可交付的复杂系统里。

具身智能仍处在非常早期的阶段。百台交付并不意味着通用机器人已成熟，也不代表行业已找到所有答案。但它至少代表了一个方向变化：行业开始从宏大的 AGI 想象，回到具体的产线、工位、物料和节拍。

这对具身智能反而是一件好事。因为机器人最终改变的，不是发布会上的想象，而是现实世界里的工作流。当它能在 CNC 产线上稳定上下料，在仓库完成移动分拣，在商超取货打包，在实验室处理标准化流程，它才会真正成为一种生产力，而非被观看的技术奇观。