{"id":93258,"topic":"ai","source":"36kr.com","title":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 - 36kr.com","url":"https://www.36kr.com/p/4004307010490244","url_hash":"01bd44aad74ae467f534cebaacee14fe94f7b126","author":"","summary":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 36kr.com","content":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","image_url":"https://img.36krcdn.com/hsossms/20260929/v2_d5dd01a9cf164e34a3f82eb57bf63a38@5925182_oswg480372oswg600oswg400_img_png","lang":"zh","published_at":"2026-09-30T02:22:51+00:00","fetched_at":"2026-09-30T03:15:08+00:00","status":"read","starred":0,"extract_state":"ok","summary_auto":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","cluster_id":null,"extract_retries":0,"extract_error":null,"contract_version":"news_item.v1","format_contract_version":"news_item_formats.v1","dedup_url":"https://www.36kr.com/p/4004307010490244","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3909 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3909,"summary_length":3909,"usable_text_length":3909,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3909,"summary_length":3909}},"news_item":{"id":93258,"canonical_url":"https://www.36kr.com/p/4004307010490244","source_url":"https://www.36kr.com/p/4004307010490244","title":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 - 36kr.com","source_name":"36kr.com","author":null,"published_at":"2026-09-30T02:22:51+00:00","locale":"zh","topic":"ai","tags":[],"rss_summary":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 36kr.com","full_text":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","excerpt":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 3909 characters.","diagnostics_url":"/api/diagnose?url=https%3A//www.36kr.com/p/4004307010490244","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3909 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3909,"summary_length":3909,"usable_text_length":3909,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3909,"summary_length":3909}}},"display_formats":["compact","card","full","digest_section","json"]},"daily_stack_record":{"title":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 - 36kr.com","url":"https://www.36kr.com/p/4004307010490244","summary":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","source":"36kr.com","date":"2026-09-30T02:22:51+00:00","content":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//www.36kr.com/p/4004307010490244","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 3909 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3909 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3909,"summary_length":3909,"usable_text_length":3909,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3909,"summary_length":3909}},"tags":[]},"fallback_formats":["markdown","json","html"],"actions":{"read":"/item/93258","export_markdown":"/api/items/93258/export?format=markdown","export_json":"/api/items/93258/export?format=json","diagnose":"/api/diagnose?url=https%3A//www.36kr.com/p/4004307010490244"},"formats":{"full":{"id":93258,"title":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 - 36kr.com","url":"https://www.36kr.com/p/4004307010490244","source":"36kr.com","author":null,"published_at":"2026-09-30T02:22:51+00:00","locale":"zh","topic":"ai","tags":[],"excerpt":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","full_text":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","reading_time_min":1,"extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 3909 characters.","diagnostics_url":"/api/diagnose?url=https%3A//www.36kr.com/p/4004307010490244","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3909 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3909,"summary_length":3909,"usable_text_length":3909,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3909,"summary_length":3909}}},"quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3909 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3909,"summary_length":3909,"usable_text_length":3909,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3909,"summary_length":3909}},"actions":{"read":"/item/93258","export_markdown":"/api/items/93258/export?format=markdown","export_json":"/api/items/93258/export?format=json","diagnose":"/api/diagnose?url=https%3A//www.36kr.com/p/4004307010490244"}},"digest":{"id":93258,"title":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 - 36kr.com","url":"https://www.36kr.com/p/4004307010490244","source":"36kr.com","topic":"ai","published_at":"2026-09-30T02:22:51+00:00","excerpt":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 如今，这一痛点可以通过拍几张照片解决。…","quality_bucket":"high","quality_reason":"High confidence: full text extraction produced 3909 characters.","reading_time_min":1,"cluster_id":null},"card":{"display_title":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 - 36kr.com","subtitle":"36kr.com · 2026-09-30","summary":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 如今，这一痛点可以通过拍几张照片解决。…","badges":["quality:high"],"links":{"read":"/item/93258","original":"https://www.36kr.com/p/4004307010490244","diagnose":"/api/diagnose?url=https%3A//www.36kr.com/p/4004307010490244"},"quality_warning":null},"export":{"title":"工业具身的「最后一厘米」：九年沉淀后的厚积薄发-36氪 - 36kr.com","url":"https://www.36kr.com/p/4004307010490244","summary":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","source":"36kr.com","date":"2026-09-30T02:22:51+00:00","content":"一家公司如果要从头训练一个工业AI大模型，首先要做的可能不是建模，而是等待——等产线故障发生、等缺陷上报、等数据回流，也许一个月，也许一年。没有真实产线数据的工业AI大模型，如同修筑于流沙之上。数据匮乏，长期以来都是这个行业难以逾越的堑壕。 \n 如今，这一痛点可以通过拍几张照片解决。\n 今年9月，工业AI服务商斯睿特智能首次对外展示基于9年沉淀、48TB真实场景数据训练的增广式工业大模型“数翼DataWing”，以及搭载具身大小脑模型CogniMotor与预见式世界行动模型SeerWAM的机器人HaiBot。企业接入后，一句话、一张图就能调用对应Skill，数据生成效率较人工采集提升10倍以上。\n 这家公司在聚光灯外待了很久，但对汽车行业而言绝非无名之辈：它是国内首家进入国际豪华车企供应链的本土工业AI品牌，持有93项以上知识产权；近百家工业终端客户，其中一半以上是头部车企；同时，斯睿特的工业AI解决方案实现冲压、焊装、涂装、总装四大核心工艺全覆盖，这套方案在本土工业AI公司中没有竞争对手，三年复购率超过60%。\n 当下，大模型与具身两大赛道的热潮都在回落，资本与客户都在追问：打榜、跑分之外，谁能带来真实价值？而斯睿特恰好回应了两者商业化的共同命题：如何将模型能力转化为工业级的确定性。\n 九年磨一剑：别人烧钱采数据，它把产线变成“数据油田”\n 看上去，数翼DataWing门槛很低。开箱即用的背后，是它在解决长期困扰工业AI的矛盾：企业亟需AI提效，却难以持续完成高质量多模态数据采集，训练不出适配的模型。\n 相比C端大模型，工业数据更为稀缺：工厂保密程度高，数据只有在客户验收前才开放；哪怕是头部机器人公司，也只能在夜间停工后进场采集有限数据。工业AI数据的持续供给，本质上依赖企业的商誉，这包括客户信任和工程交付能力。这二者加持下，企业持续进入新项目，才能补充一手工况。\n “无论参与者有多少资本，都需要从头开始去现场采数据，所以数据是非常珍贵的资源。”斯睿特董事长贾春英告诉36氪。\n 对此，斯睿特的解法是真实和合成数据驱动的双轮飞轮。\n 其实行业中，数据的绝对数量并不低，但真正缺少的是高质量的数据。这些数据需要覆盖不同场景，同时缺陷数据占比足够低，这样才能保证机器学习的多样性和准确度。\n 而斯睿特采集的48TB数据中，覆盖17类场景、缺陷不足2%的，能持续地给模型供给多元、完整的数据原料。\n 但真实数据存在的问题是，它需要等待某个真实场景实际发生，这会浪费大量时间。所以，斯睿特同时引入VR/AR遥操数据作示教，再搭配世界模型仿真合成，尽可能形成多维度的数字孪生。最后，这一模拟场景与真机执行回流拟合，“视、触、力、动作”四模在同一时空轴上绑定，由产线数据优化孪生数据，实现“产线即数据工厂”。这也就是其生成式增广的核心。\n 但这其中最大的挑战在于工艺理解：一道划痕是否构成缺陷，要结合位置、尺寸和客户质量标准判断——生成一张带裂纹的图片，与生成一份有效的工业训练样本之间，隔着工艺经验的距离。\n 斯睿特从2019年就浸泡于汽车产线，在和客户的磨合中逐渐塑造出对工艺数字化处理的方法论，包括去理解工艺背后的原理、缺陷发生的环境等。行业中，汽车产线被称为“工业制造皇冠上的明珠”，四大工艺几乎覆盖所有制造垂类。在这种高强度、高要求、高标准的锻造中，斯睿特逐渐成长为汽车四大工艺的专家。\n 如今，它仅用10张实拍图片，就能启动大模型生成缺陷样本。以头部车企落地的“哑光+亮面”一体化漆面外观检测为例，其AI智能体相比同类方案落地时间缩短一半，识别准确率超过98%。\n 不卷人形卷大脑：与“Demo系”具身机器人拉开代差\n 和AI大模型类似，具身机器人也进入商业化深水区。一位行业人士告诉36氪，如今投资人不再看PPT，而是一批批奔赴工厂，看机器人在厂房里干活，而非在展示间表演设定好的流程；讲愿景、靠Demo融资的模式已经走到尽头。\n 而斯睿特的机器人，已经在客户工厂里穿梭上下货。\n 与当前市面上的具身机器人公司相比，斯睿特不卷本体、卷大脑。它没有跟风人形整机，而是聚焦分拣、搬运、组装、质检四类功能，研发资源集中于数据引擎与具身模型，硬件交伙伴协同。\n 在大脑侧，CogniMotor承担任务理解、分解与规划；世界模型SeerWAM则在动作发生前预演，判断环境可能怎样变化、执行中可能出现哪些干扰。\n 在真实落地中，这些动作都要执行门控“先评分、再放行”。“先想后做”的预测式决策，是工业落地与实验室演示的分水岭。\n 然而，仅仅依靠视觉数据训练的大小脑和世界模型，无法解决工业操作“最后一厘米”的问题。机器人和物理接触之后，经常出现工件偏移、接触形变、装配阻力，这些多维度的物理量，构成了视觉路线的结构性上限。\n 对此，斯睿特的解法是“手眼脑协同”。除了视觉数据，斯睿特引入力触觉与视觉融合感知，让机器人在接触的瞬间“有手感”，真机作业后的力触觉数据最后回流至数据引擎。\n 这一VTLA工业力触觉大模型才是斯睿特具身模型的核心。触觉是唯一能直接映射物理属性的原生感知，无法从互联网获得，只能从真实产线采集。行业调研显示，工业力触觉训推耦合方向尚有约12-18个月的卡位窗口期，可以说，力触觉数据是行业供给为零的空白品类，对于纯视觉玩家而言，这是补不上的课，也是先行者的数据资产。\n 有了力触觉数据后，叠加视觉、语言、声音、语义等多模态数据，最终斯睿特构架起“VLA动作生成—世界模型预演评价—执行门控—真机执行”的物理训推耦合链路，视触力在真实接触中闭环。\n VTLA工业力触觉大模型背后，归根到底还是优质客户场景的密度。斯睿特9年深耕积累近百家工业终端、过半为头部车企的场景网络，且冲、焊、涂、总四大工艺全覆盖，场景蜂窝密度极高。效果也已体现在工艺指标上：HaiBot双臂负载达20kg，落地部署头部车企的行业首套四模态智能作业精度可达0.1mm。\n 其实，在产品推出前，斯睿特将资源集中在大脑和触觉大模型都显得有些不合时宜。因为本体销售是最直观的变现渠道，而大模型需要大量时间训练，短期内无法看到成效。\n 斯睿特主动选择这条更难的路，底气来自检测主业多年的自我造血。它们不靠融资续命，技术投入服从产业规律而非资本节奏。\n 对于斯睿特而言，做大脑背后是更大的雄心，也就是做真正的工业具身生态：不围着自己的本体做全栈封闭，而是让模型与能力开放，输送到不同形态的机器人和生产场景，并计划在2029年推进不同机器人形态的异构适配。\n 这与“通用大脑派”并非消耗战，而是分层竞合。通用大脑横向铺开行业，斯睿特以“VTLA+触觉世界模型”实现行业首套四模对齐的垂直工业具身大脑，最终将具身能力释放到千行百业。\n 在商业模式上，其数据服务、智能工位、模型授权、触觉仿真数据与质检五个变现出口共用一个数据飞轮，让每一元收入同时是收入和数据。\n 四张无法速成的入场券\n 工业具身其实并非新话题，头部公司争相讲述相似叙事，它们的机器人也在龙旗等手机代工厂MMIT工站完成上下料作业。\n 但抛开演示，工业终究是长坡厚雪赛道，以车企供应链为例，其认证周期普遍长达2-3年，对合作方进入产线采集数据也相当谨慎。即便进入产线，要行成斯睿特那样48TB真实产线数据与10万小时样本库，要耗费数年时间。更重要的是，产线上的工程落地实践写不进论文，是经验性资产，也无法通过纸面学习快速习得。加上很多公司缺少造血能力，实际上根本没有能力拿到进入工业AI和具身的长期入场券。\n 行业之中，一些技术路线想用仿真数据补齐短板，但维度单一，难以构建真正的多维数字孪生；而真机数据昂贵、可迁移性低，工业场景又因保密性压缩了采集渠道。这也解释了产业的困局，行业喧嚣，但真实数据仍旧稀缺。\n 斯睿特决定承担这个赋能者的角色。\n 当下，开放能力正成为物理AI的重要方向，英伟达将世界模型与训练评估框架向行业开放，正是平台化技术供给思路。斯睿特也希望成为这样的核心能力供给者：把长期积累的工艺经验，转化为赋能产业的共同底座。\n 更重要的是，工业AI和具身的市场规模天花板足够高。汽车是最严苛的验证场——节拍、精度、安全、认证都要层层筛选，而斯睿特针对复杂工业场景的具身POC，在头部车企7天即完成验收。\n 从最难场景毕业，等于拿到泛工业的通行证。对斯睿特而言，垂直是入口不是边界，它们在汽车产线积累的抓取、涂胶、搬运、检测Know How，依托世界模型增广微调，到新产线适配周期能压缩至数周。斯睿特9年的工业积累，正通过大模型重新组织，从一次性的工程交付，变成可复用、可授权、可跨行业流动的智能资产。\n 对产业而言，这是一条更务实的智能化路径：AI从最懂工艺的地方长出来，把多品种、小批量、频繁换线的柔性制造难题，变成可规模化承接的确定性任务。\n 当这些能力成为千行百业智能化跃迁的底座，工业具身就不再是机器人的销售，而是制造范式的基础设施升级。机器人行业的竞争，正在从“谁的Demo更惊艳”，转向“谁能把场景沉淀为可持续复利的资产”。\n 而真正定义下一个十年的，不是最会讲故事的公司，而是以长期主义将时间沉淀为壁垒、厚积薄发的企业。汽车垂直的千亿级深井只是开始，之后是泛工业的万亿级空间，最终，头部工业具身和AI大模型公司，必然走向开放式的通用+垂直平台。而斯睿特这样有数据资产、有造血能力、有技术Know-How的企业，终将在产业兑现时刻集中释放。","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//www.36kr.com/p/4004307010490244","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 3909 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3909 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3909,"summary_length":3909,"usable_text_length":3909,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3909,"summary_length":3909}},"tags":[],"format_contract_version":"news_item_formats.v1"}}}