WAIC最狠展台打爆工业「深水区」！它石智航首发具身原生大脑AWE 3.5，具身Scaling全面释放
内容提要
它石智航发布具身原生基座模型AWE 3.5，在WAIC展示多机器人线束装配等实战。该模型采用One Model架构，从预训练起融合视觉、语言、动作，实现世界模型内强化学习，基于百万小时数据训练。首席科学家丁文超称具身Scaling已释放，2027年或现分水岭，并强调灵巧手是未来关键。
延伸解读
One Model架构：从预训练到后训练的自闭环
AWE 3.5采用One Model架构，从预训练阶段就融合视觉、语言、动作，避免了VLA路线中动作模态后接入的先天裂缝。模型本身不变，通过改变输入输出组合，可切换为Base Policy或Action Condition World Model，形成强化学习闭环。这种设计使模型能自我模拟物理交互，如拉拉链的毫米级操作，无需真机试错，大幅提升训练效率。
百万小时数据：规模与效率并重
AWE 3.5基于超百万小时human-centric数据训练，量级与主流视频生成模型相当。但具身数据价值分布不均，重复数据对模型提升有限。它石智航正将重心从数据量转向数据质量，强调Data Efficiency。目前新任务仅需小时级数据采集即可跑通，验证了预训练能力的扎实，也凸显了数据筛选和Infra建设的重要性。
灵巧手：具身智能的下一个里程碑
丁文超认为，夹爪能解决约80%的问题，但剩余20%需依赖灵巧手。灵巧手增加约20个自由度，双手配合引入约42个自由度，可能催生新技术挑战和能力涌现。它石智航采用Top-Down路径，从人类动作和数据需求反向定义硬件设计。乐观预期12到18个月内可见明显产业趋势，灵巧手或成为检验公司综合实力的关键。
行业分水岭：多场景可靠落地成评判标准
丁文超预测，2027年上半年到年中将出现分水岭，评判标准从单场景任务转向多场景可靠落地。未来12个月内，机器人将进入更多大众可触达场景，评判将更直观：完成哪些任务、扩展新任务的速度和成本。这类似自动驾驶早期轨迹，从演示路线到开城速度，最终进入存量竞争。
Q&A
它石智航在WAIC 2026上展示了什么？
它石智航在WAIC 2026上展示了基于具身原生基座模型AWE 3.5的多机器人线束装配流水线，以及观众可交互的世界模型演示，机器人还能完成整理桌面、打包手机、插网线、零件分拣等多种任务。
AWE 3.5模型的核心架构是什么？
AWE 3.5采用One Model架构，从预训练阶段就融合视觉、语言、动作等多种模态，同一套架构既能输出动作也能预测未来，通过改变输入输出组合实现不同功能，如Base Policy和Action Condition World Model。
AWE 3.5如何实现世界模型内的强化学习？
AWE 3.5依托human-centric数据强化长时记忆和空间理解，能在数分钟内保持环境稳定，后训练可从连续过程中切出动作片段，在模型内部模拟物理交互，进行自我对弈和强化，无需手工搭建仿真环境。
它石智航的训练数据规模有多大？
AWE 3.5基于超百万小时human-centric数据训练，与主流视频生成模型和自动驾驶数据量级相当，但更注重数据质量和效率，通过数据筛选和Infra优化提升Data Efficiency。
丁文超对具身智能Scaling和行业分水岭有何判断？
丁文超认为具身Scaling已全面释放，2027年上半年到年中可能出现分水岭，评判标准将是能否以一定可靠率完成多场景任务，实现多场景可靠落地。
灵巧手在具身智能中扮演什么角色？
灵巧手被认为是未来关键，夹爪只能解决约80%的问题，剩余20%需要灵巧手。它石智航采用Top-Down思路自研灵巧手，乐观预期12到18个月内能看到明显产业趋势。
它石智航如何解决实时部署和推理算力约束？
丁文超认为大模型可以推得很快，感知和动作生成可以异步解耦，感知低频更新，动作高频输出，参数量大的模型经过工程优化也能极速推理。
它石智航对具身智能领域的Research有何看法？
丁文超认为传统学术研究机会收窄，前沿研究向产业侧转移，企业需要重新定义Research，解决数据采集、预训练Infra、后训练流程等系统性问题，研究与工程紧密咬合。
