7.4
深览指数
科技微博·量子位··AI 生成
一周连发6个模型！这家公司把具身智能的闭环跑通了
文章以安努智能一周连发六款工业具身智能模型为切入点，核心论点并非技术先进性，而是强调「真实产线部署经验」才是护城河。作者认为，相比家用场景，工业场景因任务边界固定、重复度高，是具身智能最先批量落地的领域。文章详细拆解了安努从数据生成(Helios/SimLab)、动作预测(ActiWorld)、强化学习(RoHIL/EvoHIL)到端侧模型(AnuVerse-0.5)与部署系统(Nexus)的技术闭环。区别于追求通用基模的同行，安努选择先扎进富临精工产线积累部署经验，再基于开源模型补齐模型层。适合关注具身智能落地路径、机器人产业投资或工业自动化转型的深度读者，可提供批判视角——是否过度神话了「部署经验」而低估基模演进速度。原文 ↗
核心观点
- ▍具身智能的最终壁垒不是基座模型参数，而是基于真实产线的部署经验与数据飞轮。模型会随行业开源而普及，但产线上积累的工程化know-how会越攒越深，成为拉开身位的制胜武器。
- 012026年1-5月，全国工业企业购进具身智能机器人的总金额同比增长2.3倍（国家税务总局数据），表明企业采购正从「买demo」转向「上产线」。
- 02安努智能在富临精工的第一个工位花了4个月跑通部署；沉淀技能包后，同类型工位现在3天即可搞定，设备平均故障间隔时间超300小时。
- 03高盛2026年8月发布的全球具身智能研究报告指出，柔性物体操作、工具使用等任务「本质上无法仿真」，部署产生的专有数据才是机器人公司真正的长期护城河。
- 04安努的ActiWorld世界模型通过逆动力学头、双向预测、运动加权三条约束（仅训练阶段），使预判动作成败的偏差低于3.25%；配合预演后，分拣任务相对失败率降低13.6%。
- 05RoHIL/EvoHIL强化学习系统使机器人训练30分钟达满分，跨光照部署成功率100%，交叉光照下人工介入仅1.32%（不到旧方法十分之一），同等规模部署成本降低约80%。
- 06安努的Nexus端到端部署系统已打通SAP的EWM和Joule系统，内置动作安全盾；AnuVerse-0.5端侧模型一张桌面级显卡即可跑，推理速度百毫秒级。
- 07安努的部分模块（如世界模型基座、3D视频生成、强化学习框架）并非自研，而是联合北京大学、香港科技大学（广州）、重庆大学等机构共同研发，核心自研聚焦端侧模型与部署系统。
反方 / 局限
- — 文章未充分展开的风险：安努依赖开源或外部基座模型，若基座模型的技术路线发生颠覆性变化（如更先进的世界模型架构），其当前积累的部署经验（高度绑定当前模型技术栈）可能快速贬值。
- — 文章暗示安努的壁垒是「先发部署经验」，但未讨论本体厂商（如发那科、库卡）或云巨头（如英伟达）基于更强大的资源与渠道优势，直接下场整合垂直场景部署的可能——届时安努的「中间层」定位可能受到双向挤压。
16 分钟 · 3 卡片 · 8 资料
读原文 →