不是Demo！优必选把客户产线1:1搬进WRC，解锁具身智能真落地路径
内容提要
优必选在WRC展示工业、商用、家庭三条产品线，强调真实场景作业能力。其“具身大脑”分理解、预测、执行三层，端侧部署提升效率。通过真实数据闭环和生态合作，推动机器人从实验室走向工厂，以客户订单验证技术，实现商业化与进化同步。
延伸解读
真实产线是检验人形机器人的试金石
优必选在WRC上1:1复刻客户工厂的作业场景，包括汽车上下料、拆码垛、分拣等工位，并让机器人从开馆到闭馆持续作业。这种展示方式比Demo或宣传片更有说服力，因为产线不会配合表演，任何细节失误都会当场暴露。这反映出行业竞争正从单点技术展示转向真实场景下的系统能力验证，客户更看重硬件稳定性、任务成功率、节拍效率等实际指标。
端侧部署是具身智能落地的关键门槛
优必选强调将具身大脑的实时推理能力部署在端侧，而非依赖云端。其Thinker-VLA经过优化后，推理效率提升176%，存储需求从64GB降至32GB，并迁移到低功耗ARM平台。端侧部署解决了延迟、通信稳定性、成本和功耗等问题，是机器人能否在工厂连续作业的关键。云端则负责慢推理和多机调度，形成端云协同的架构。
真实数据闭环是具身智能的核心壁垒
优必选训练数据中真机数据占比高达60%-70%，仿真数据仅占10%。其自建数据闭环让机器人在真实生产中持续产生数据，经清洗标注后用于模型迭代。这种数据积累能力比出货量更重要，因为真实场景中的摩擦力、负载形变等物理反馈难以仿真获得。客户订单不仅是收入，更是验证技术路线和获取高质量数据的关键。
生态合作决定规模化落地速度
优必选通过合作布局芯片、零部件、制造和场景交付全链路，如与沐曦股份成立合资公司研发端侧芯片，收购锋龙股份推进核心零部件，与西门子共建超级工厂。这种生态策略旨在降低成本和提升交付能力，因为单靠一家公司难以覆盖完整产业链。合作伙伴提供的真实生产现场，也为模型迭代提供了持续的数据来源。
Q&A
优必选在WRC上展示了哪些产品线？
优必选在WRC上展示了工业、商用和家庭消费三条产品线。工业端包括Cruzr S2和Cruzr Y1，用于汽车上下料、搬运、拆码垛、分拣等；商用端是全新商用服务人形机器人Walker C1，主打迎宾导览、文娱展演、科研开发和智能助教；家庭端是搭载情感大模型的超仿生人形机器人U1，主打情绪支持和情感陪伴。
优必选在WRC上如何展示其工业机器人的真实作业能力？
优必选将客户工厂的真实作业场景1:1复刻到展台，包括汽车钣金件和机加件的上下料、物流小件分拣等。机器人如Cruzr S2和Cruzr Y1在展台上持续进行高强度、无人工干预的连续作业，例如双机协同搬运大尺寸工件，定位精度小于1mm，物流分拣平均抓取节拍接近1100件/小时。
优必选的“具身大脑”分为哪三层？各自的作用是什么？
优必选的“具身大脑”分为理解、预测、执行三层。第一层是Thinker基座大模型，负责让机器人“看懂”世界，建立对视觉、语言、空间环境的理解；第二层是Thinker-WM世界模型，负责预测动作后果，确保动作符合物理规律；第三层是Thinker-VLA，负责执行，将任务理解转换为连续控制信号，实时决定机械臂轨迹、末端姿态、抓取力度和放置位置。
优必选如何解决具身大脑在机器人本体上的实时运行问题？
优必选通过端侧部署解决实时运行问题。他们将高实时性的能力压到端侧，将大量算法从x86平台迁移到低功耗ARM平台，并优化底层软件、算子和域控，使整套软件系统能在嵌入式板卡上运行。经过优化，Thinker-VLA推理效率提升176%，存储用量降低60%，GPU存储需求从64GB降至32GB。云端则承担慢推理、多机调度和模型管理。
优必选在数据闭环方面是如何构建的？真机数据占比多少？
优必选搭建了自建数据闭环：机器人进入生产环境后持续产生任务数据，经过上传解析、清洗标注、模型训练、部署验证，再反馈到下一轮数据采集。训练模型的数据中，真机数据占比高达60%～70%，Ego（第一视角）数据约占20%，仿真数据仅占10%。目前，优必选日均可产生千小时级原始数据，经清洗后每8小时数据约留下1.5～2小时有效数据。
优必选在生态合作方面有哪些布局？
优必选正扩展“朋友圈”，覆盖芯片、核心零部件、整机制造和场景交付。芯片层面，与沐曦股份成立“曦选创智”，布局端侧芯片研发，计划2027年流片、2028年量产；零部件层面，收购锋龙股份推进灵巧手、伺服驱动器等研发制造；制造端，与西门子合作建设万台产能超级智慧工厂，2025年8月投产；应用端，覆盖日立中国、富士康、比亚迪、吉利等智能制造和汽车产业伙伴，以及德马科技等智慧物流伙伴。
优必选认为人形机器人行业竞争的关键是什么？
优必选认为，人形机器人行业竞争的关键不再是展示能力，而是谁能真正留在客户现场持续创造价值。客户订单是验证技术路线最直接的一票，机器人进入真实场景后，需要每天数小时、数百次甚至数万次重复作业，考验的是硬件可靠性、模型泛化能力、数据闭环效率以及厂商理解真实业务的能力。商业化和技术进化在这里变成同一条曲线。
