「机器人奥运」加冕双冠王，不「偏科」的智元是如何炼成的？

“机器人奥运”狂揽18金，智元要做不“偏科”的全能选手。

18金、16银、12铜，金牌榜、奖牌榜双第一，这是智元首次参加2026世界人形机器人运动会、业内人称“机器人奥运会”上交出的成绩单。

其中，量产版灵巧手OmniHand拿下8个灵巧手专项中的7枚金牌；精灵G2在场景赛获得12枚金牌中的6枚；远征A3、灵犀X2则分别在舞蹈、武术、乒乓球和障碍赛等项目中取得多枚奖牌。另外值得一提的是，智元这次派出的参赛机型都是量产机，并未为比赛单独定制本体。

奖牌是赛事最直观的结果，但比奖牌数量更值得关注的，是其背后呈现出的跨赛道能力。这也对应着当前人形机器人竞争焦点的变化：产业进入部署阶段后，竞争正在由单项长板转向系统能力。

过去两年，人形机器人最容易被看见的进步，通常来自跑、跳、翻跟头或拟人交互等单项能力。机器人厂商也由此形成了不同标签：有的长于本体和运动控制，有的强调大模型和交互，有的主攻灵巧操作。但当机器人真正进入工厂、商场和公共服务场所等应用场景，任务不会按照技术模块分别出现，机器人必须同时完成环境感知、任务规划、身体移动和物体操作，并应对碰撞、误差与临时变化。

这意味着，明显“偏科”的人形机器人已经很难适应部署阶段的要求。单项能力的峰值，或许决定了人形机器人能否制造高光时刻；而感知、决策、操作、运动与工程体系能否形成稳定闭环，才最终决定着它能否持续上岗。

一场人形机器人的系统压力测试

这也是这届运动会新增场景赛的意义所在。面对图书整理、酒店服务、消防应急等场景项目，机器人需要连续完成一整套贴近真实作业的流程。如果各项能力之间缺乏协同，即便在单一环节中表现出色，后续也可能因定位偏差、抓取失败或决策中断而无法完成任务。

以消防应急场景为例，人形机器人要完成危险品识别、异常阀门关断、灭火器抓取与灭火等一连串任务。这个过程的难点不仅在于识别目标和规划动作，还包括让机器人在移动、接触和负重状态下，把各个环节顺利衔接起来。

面对重达4.5至5公斤、超过多数人形机器人末端夹爪负载能力的灭火器，智元的解法是，在手腕处加装结构件，利用手腕的结构强度将灭火器勾起，再将其放入带有20度倾角的底盘承载桶，由底盘完成后续转运。本质是将抓取并持续负重，拆解为勾取、承载和移动，降低了末端执行器的负担。

在操作环节，智元采用基于VR和逆运动学映射的超视距遥操系统，将人的动作转换为机器人指令，并通过全身控制实现操作者身体运动向机器人全身的映射。力控策略则提升了机器人与环境接触时的柔顺性和容错性，减少轻微碰撞导致任务中断的概率。

图书整理场景则包括出库运输、上架归位、错放图书识别与纠正。智元的方案是预先建立高精度地图并标定点位，通过定位导航计算路径，再以视觉模型识别书脊标签，由任务决策系统串联各个环节。这里真正困难的不是让机器人完成一次抓取，而是避免任何一个小误差在长流程中被不断放大。

可以看到，当下人形机器人行业热议的“场景为王”，强调的不仅仅是机器人企业开始争夺更多应用场景，更本质的含义在于，场景已经在事实上成为了技术能力的组织方：过去通常被分别展示的视觉、运控、灵巧操作和模型能力，只有进入一项具体任务，才能形成稳定持续的、具有社会和经济价值的生产力。

对于人形机器人企业而言，参加赛事目的也由此发生改变。

赛事无疑还是难以跟真实商业部署划等号，因为实际的作业部署还包括经济性、安全性以及长期可靠性等更多维度的考验，但赛事可以在有限时间内集中制造高扰动和异常情况，成为人形机器人一次高密度的系统压力测试。所谓“以赛促研、以赛促练”，本质上是把部署中可能分散出现的问题集中暴露，再把形成的适配、控制与决策经验带回到真实应用场景。

同一底座上的全维度协同

从这个角度看，智元横跨灵巧手、场景作业和高动态运动的成绩，比单一项目冠军具有更高的含金量。因为它体现的不只是某一台机器人的单项长板，更是智元现有产品与技术体系对运动、操作和场景作业等多类能力的覆盖。

在场景任务中，首先发挥作用的是智元的作业智能体系，主要负责机器人的任务理解、规划与技能学习。

其中，具身基座模型GO负责视觉理解、指令解析与任务泛化，世界模型GE提供符合物理规律的生成式交互环境，分布式强化学习框架Genie Evolver用于技能学习和迭代，Genie Studio Agent则负责理解任务、拆解步骤和编排能力。具体到酒店服务、图书整理和应急处置等长流程任务，这套体系可以让机器人理解要做什么、分几步做，再根据任务进展调用相应技能。

对任务的理解和规划，最终还要转化为机器人本体能够执行的动作。面对抓取、开瓶、拆包等精细操作，灵巧手OmniHand采用DUET双层具身接触智能架构，将外层位姿控制与内层触觉控制结合，根据物体形状、摩擦和受力变化调整力度与位置。

而对于舞蹈、武术和障碍赛等高动态任务，则由运动预训练模型、全身协同控制算法及Sim2Real体系，负责将仿真中形成的动作策略迁移至实体机器人，并协调躯干与四肢完成运动。

但技术具备复用基础，并不意味着它就可以自然复制到每一台机器人上。模型和控制策略要在不同本体上稳定运行，还依赖硬件性能与生产一致性。以精灵G2为例，其域控制器搭载2070 TFLOPS算力，让模型和算法可以在端侧运行，减少对外部算力与网络的依赖；同时，智元通过控制产品的一致性，让算法能够在不同本体之间迁移，减少针对单机差异反复调试的工作。只有模型、控制算法与量产本体相互配合，技术上的通用性才可能进一步转化为部署效率。

智元把这套囊括软硬件能力的完整体系概括为“三智一体”：以机器人本体为基础，融合运动智能、交互智能和作业智能。这事实上也隐含了人形机器人规模化部署的核心要点：真实任务的问题会跨越模型、控制和本体，必须跨层迭代，同时还要通过本体量产的一致性将能力大规模复制。

赛场之外，部署是真正的长期考验

赛场，最终仍是一次对机器人进入真实作业环境的前瞻验证。在今年4月的智元合作伙伴大会上，智元创始人、董事长兼CEO邓泰华用“XYZ曲线”，描述了智元对人形机器人产业演进过程的判断：

X曲线是开发尝鲜期，机器人可以在科研机构提供开发或者通过文娱表演提供情绪价值，这个支撑了过去三年整个行业的快速发展；Y曲线则是部署成长期，机器人开始像人一样干活，成为一种生产力，当更多生产力被部署，就形成了部署态的数据飞轮；随着数据持续积累，再结合算法持续创新，就迎来量变到质变的关键时刻，进入第三阶段的Z曲线——ChatGPT3.5时刻。

按照邓泰华的定义，部署并不只是把机器人交付到客户现场，机器人能够自主工作、自主运维和自主补能，尽量减少人工干预，并独立创造价值，才意味着生产力真正落地。

可以看到，按照这一标准，当前多数人形机器人距离真正成熟的部署态仍有距离。现阶段的机器人已经可以完成部分生产和服务任务，但自主作业范围仍然有限，面对环境变化和异常情况时往往需要人工调试或接管；自主运维、自主补能以及长期稳定运行等能力，也尚未得到大规模验证。

智元目前也正沿着从量产走向部署的路径推进。公司的第15000台具身机器人已于六月底下线，形成了一定的规模化生产基础。此次参加场景赛的精灵G2，此前也已进入龙旗、上汽等工厂。围绕真实作业需求，智元还推出了产线上下料、工业搬运、物流分拣、导览导购、安防巡检和工商业清洁等生产力解决方案。

这些初步的量产和场景部署，为智元积累了走向成熟部署态所需的工程与数据基础。面对工位、物料和作业流程各不相同的真实环境，新任务的适配周期、人工介入程度、长期运行稳定性和投入产出比，将进一步检验其技术体系的部署效率，并决定现有解决方案的规模化速度。

这事实上也是本届运动会释放出的比金牌榜更值得关注的信号。人形机器人仍然需要追求更快、更高、更强，但进入真实场景后，单项能力的上限已经不足以决定最终表现，感知、决策、操作、运动、可靠性和成本相互牵制，任何一项长期存在短板，都可能影响机器人持续稳定作业。

18枚金牌、双榜第一，智元在“机器人奥运”上呈现的优异成绩背后，是技术体系从“单点极致”向“全面发展”的成功跨越。奖牌全部由量产机斩获也验证了其运动、交互与作业三大智能在同一底座上的深度融合。更深一层的意义是，这次比赛宣告着，人形机器人的竞技已转向系统能力的较量，而智元已率先站上了这一高地。