如何让具身智能从展台上的表演明星，变成能够为企业真正创造价值的生产力？智元正在让整个梦想成为现实。

从“惊艳演示”到“持续作业”：一场更现实的考试

10月29日下午，2026智元创新日（A.I. Day）具身作业生产力分论坛在上海世博中心举行。论坛围绕“具身智能如何真正释放生产力”这一主题，集中呈现了具身基座模型GO-3 Preview、具身Agent框架Genie Master以及重载具身工业机器人精灵G2 Max等成果，展示出了一套可部署、可运营、可持续优化的Physical AI技术闭环。智元联合创始人、联席总裁、具身业务体系总裁姚卯青出席了本次论坛并发表致辞，随后又在媒体采访环节详细阐述了智元是如何将机器人送进企业的真实工位。

“演示考验的是单点能力的上限，但生产力考验的是系统的下限。”姚卯青在开场致辞中给出了这样一个判断。在他看来，具身智能正在进入一场更现实的考试：衡量机器人的标准，不再是能否完成一次令人惊艳的演示，而是能否在真实工位上持续承担完整任务，并把经过验证的能力复制到更多产线。

姚卯青把“作业生产力”拆解为三条严苛的工程标准：一是可衡量——成功率、节拍、MTBF（平均故障间隔时间）全部有数；二是可复制——不是一条示范线，而是成千上百条产线；三是可持续——不是交付即终点，而是越用越好。只有同时具备这三项能力，具身智能才能真正走进产业现场。

全链路Scaling，让机器人“越干越会干”

论坛上，智元具身研究中心副总裁任广辉介绍了覆盖预训练、后训练与部署后的全链路Scaling路径。

作为本次重点发布的具身基座模型，GO-3 Preview通过理解、预测、动作生成统一的WRAM（World Reasoning Action Model，世界推理行动模型）架构，实现跨场景泛化与精细操作。现场公布的实验显示：在训练数据规模扩展实验中，模型在20类技能100个任务上的Zero-Shot（零样本）平均成功率由13.4%提升至56.4%；在模型规模扩展实验中，平均成功率由56.2%提升至73.2%，分别展现了数据规模与模型规模扩展带来的能力提升趋势。日前，GO-3 Preview已登顶RoboDojo、RoboTwin、RoboColiseum三大具身智能评测榜单。

模型能力的提升并不止于预训练。Genie Evolver把真机、仿真和世界模型结合起来，提升真实任务中的策略可靠性——手机包装任务中，96台真机组成的群体经验学习系统实现98.3%的任务成功率；手机充电任务中，成功率由60.0%提升至97.5%。

更受关注的是部署后的持续进化。此次推出的具身Agent框架Genie Master，能够组织长程任务、维护进度、检查执行结果，并支持异常后的中断续接。在上海的一家便利店中，搭载Genie Master的精灵G2已在熟食打包、取货、补货等复杂精细任务中持续改进，完成任务流程的成功率从首日的28.6%提升至第五天后稳定在85.7%；在一些难度较大的任务上，部署后的持续改进相比仅依靠监督微调的方式提升17.7%。

在面对采访媒体时，姚卯青进一步解释了后训练为何同样存在Scaling。他透露，最近智元携手清华大学、无问芯穹正式发布群体经验学习范式CEL(Collective Experience Learning)。在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务上，CEL训练的策略全部超过6名人类远程操作员的平均水平，最高反超16.7个百分点——在相同物理训练时间内，参与学习的机器人从16台扩至96台，成功率从86.7%升至98.3%。机器人数量的增加，第一次直接转化为任务执行能力的提升。

本体与部署：G2 Max亮相，龙旗工厂走向“1到N”

本体是模型进入产业现场的第一步。智元Genie业务部副总裁彭思崴认为，机器人需要在可靠性、能效、灵巧性、安全性、规模制造上具备均衡能力；当部署规模持续扩大，本体还需要具备高一致性。

本次分论坛上，智元带来G2系列最新力作——重载具身工业机器人精灵G2 Max。面向重载搬运与精细作业并行的需求，G2 Max将大负载能力与双臂力控结合：双臂额定负载40kg、峰值负载50kg，覆盖0.1至2.5米的垂直作业范围，手臂重复定位精度≤±0.5mm，可适配码垛入库、拆垛下料、架间搬运、立体库等作业任务。为跨越工程与规模门槛，智元同步升级了GDK、Genie Studio Agent、RL、Hub、Monitor等生态产品，让开发、交付、运行、学习和共享形成闭环。

部署态解决方案负责人王宽把落地路径概括为“0到1”和“1到N”：“0到1”是首个场景的突破，围绕真实工位完成关键技能验证、完整工作流与设备接口联调，并沉淀训练方法、工程文件和验收资料；“1到N”则是在已有方法基础上，识别不同工位在物料、工序、接口和环境上的差异，完成适配、部署与验收，逐步形成持续交付能力。

这条路径已经在真实产线中得到应用。2026年3月，智元精灵G2在龙旗工厂平板测试上下料工位规模化投产并稳定运行，方案随后扩展至完整平板测试产线，并适配到其他客户的手机测试上下料场景。目前，除3C电子制造外，精灵G2还应用于芯片封测、地铁安检、零售仓服务、货物拣选、拆码垛等多类场景。

姚卯青透露，在龙旗这家企业里，智元还做了其他品牌平板电脑的上下料，并延伸到手机新品类的上下料；譬如智元创新日发布的G2 Max机器人，就已经落地了了非常好的搬运和拆垛应用。他还表示，3C电子领域已有超过三家其他企业正在与智元合作，其中有些已经完成并线。

全栈逻辑、大模型边界与数据生态

谈到智元为什么如此看重“全栈”时，姚卯青将本体、数据、模型视为高度耦合的整体：稳定的本体决定了多机运行的一致性，数据又必须在本体侧获取，而模型从预训练、后训练、部署后持续学习到场景落地，每一环都涉及系统集成、联调、工艺改造与设备通信。“这些环节属于‘木桶效应’，缺一个，整个闭环落地就很难快速推进。”姚卯青表示。

“当中国能出现1万台以上机器人在工厂稳定、长时间作业时，对整个行业将是重要的里程碑。”姚卯青给出了这样一个重要的观察节点。

从产线上的上下料，到便利店里的打包补货，具身智能的价值正在被重新定义。正如姚卯青所说，具身智能的下一阶段，不是继续堆叠孤立能力，而是让每一次真实作业都产生数据、沉淀经验并反哺系统；只有这条闭环持续运转，机器人才可能从“能做一次”走向“长期做好”。