阿米奥机器人刘方：具身智能不是大模型，更不是智驾

来源：环球网

过去两年，阿米奥机具身智能行业深陷两种主流叙事：一是器人将其视为“大模型的下一站”，强调模型、刘方数据规模与泛化能力；二是具身将其看作“自动驾驶向工业场景的迁移”，侧重感知、智能智驾预测、模型规划及端到端闭环。阿米奥机尽管这两种观点各有依据，器人但在阿米奥机器人创始人刘方看来，刘方它们均未触及具身智能的具身本质——我们究竟需要解决什么实际问题？

刘方明确指出：具身智能不是大模型，也不是智能智驾自动驾驶，而是模型一种全新的业态。
* 自动驾驶数字化的阿米奥机是“驾驶能力”；
* 大模型数字化的是“知识”；
* 具身智能真正要数字化的，是器人“劳动能力”。

在刘方的刘方逻辑中，客户购买的并非只会演示动作的硬件，也不是漂亮的模型参数，而是一段能够持续交付产出的劳动服务。机器人必须在工位上确保任务完成、良率达标、节拍匹配，并在经济性上实现对现有劳动力或自动化方案的有效替代或补充。

从“会做”到“能用”：劳动能力是新的数字化对象

互联网将信息的获取与分发转化为可复制的软件能力；基础大模型降低了知识生成、调用与交互的成本；自动驾驶则将驾驶中的感知、判断与操控沉淀为可部署的系统能力。相比之下，具身智能面对的是更贴近生产一线的挑战：将人类在真实物理环境中完成任务的能力，转化为可训练、可验证、可复制的数字能力。

因此，不能简单地将机器人定义为“大模型+机械臂”。云端模型的迭代与分发相对容易，但机器人的每一次升级都必须穿越硬件本体、传感器、末端执行器、控制系统、工装夹具、现场节拍、维护流程及安全边界等多重物理约束。软件的规模化依赖分发，而机器人的规模化则依赖于真实部署中的反复验证。

在工业场景中，“劳动能力”并非抽象的技能标签，而是一组紧密耦合的能力集合：包括对象识别、状态感知、工艺理解、动作规划、接触力控制、误差处理及异常恢复等。以简单的上下料任务为例，零件反光、遮挡、摆放偏差、材料变化、夹具公差及节拍要求等变量，都会动态改变机器人的决策逻辑。

具身智能的目标不应局限于让机器人“做更多动作”，而是将一段劳动流程转化为清晰的、可交付的能力包：它能被部署至特定工位，持续运行，并通过记录、纠偏和升级，在相似任务中实现复用。刘方将此过程概括为“劳动能力数字化”。未来真正的价值，不在于单台机器人完成了多少动作，而在于有多少劳动能力被沉淀下来，并具备反复部署的能力。

HPI：衡量标准从“稳定时长”转向“信任度”

自动驾驶拥有成熟的衡量体系——MPI（Miles Per Intervention，每次干预间的行驶里程）。该指标通过追踪车辆自主行驶的距离，来评估系统在结构化道路上的可靠性。

刘方认为，具身智能同样需要面向真实工作的衡量尺度。为此，阿米奥提出了HPI（Hours Per Intervention，每次干预间的运行小时数）：指机器人在真实生产环境中，在需要人工接管、纠正、复位或重新标定之前，能够连续自主工作的小时数。

虽然HPI与MPI表面相似，但内涵截然不同：
1. 任务复杂度差异：车辆任务相对统一，而工厂机器人面临多品种、小批量、工艺约束复杂的挑战。
2. 价值维度不同：HPI从1小时提升至10小时乃至100小时，不仅代表可靠性提升，更意味着某一段劳动流程开始在真实物理世界中被系统消化。

HPI不应被视为脱离场景的孤立数字。若机器人通过降低节拍或回避难点来减少干预，HPI虽高却无实际价值。真正的HPI必须在相同的SKU、工艺要求、质量标准、安全约束和目标节拍下，结合良率、单位产出、人工投入及维护成本综合评估。

HPI的核心价值在于：它将模型表现、机器人本体与现场运营置于同一张答卷上。对客户而言，高HPI意味着劳动可纳入排班与产能计划；对厂商而言，HPI的持续上升标志着系统从“会做一次”迈向“可长期交付”。HPI的本质，是客户对这段劳动交付能力的信任建立。

后训练：通用模型通往产线级能力的必经之路

如果说HPI是劳动能力数字化的刻度，那么后训练（Post-training）就是推动刻度增长的引擎。

刘方承认通用具身模型提供了理解环境、遵循指令和生成动作的基础能力，但在产线中，“看得懂”不等于“靠得住”。工业现场的难点往往源于预训练数据中罕见的长尾细节：
* 材料与光照导致的视觉偏移；
* 零件微小公差变化；
* 接触时的摩擦与力反馈；
* 工装累积误差；
* 偶发但致命的异常流程。

阿米奥的技术路径是将通用模型视为中间态，而非终点：
1. 第一视角现场数据：提供人类完成任务的先验知识；
2. 遥操作与真机调试数据：将先验与机器人本体运动学、末端执行器及真实接触过程对齐；
3. 失败与干预数据：补全系统边界样本，提供最具价值的工程反馈。

关键在于将数据转化为可处理的工程反馈：分析失败根源（视觉误检、姿态不稳、力控不当、工艺错误或恢复策略缺失），并针对性修正。此外，纯数据驱动难以应对长尾情况，必须引入推理（Reasoning）能力，使机器人能在未见场景中基于状态进行推理与决策，弥补后训练泛化能力的上限。

刘方指出，真正的壁垒不是拥有更大的模型，而是能否将每一次现场干预转化为下一次更少干预。具身智能的飞轮由此形成：部署越多 → 真实劳动数据越多 → 后训练越有效 → HPI越高 → 客户越愿意扩大部署。模型、数据与商业化在这一闭环中互相强化。

形态服务于任务：工业现场需要“能交付”，而非“像人”

人形机器人虽受关注，但刘方认为其并非工业制造的首选。现阶段工业客户的核心诉求是精度、节拍、稳定性、维护便利性以及可计算的ROI，而非形态的拟人化。

阿米奥选择轮式双臂路线，基于以下工程判断：
* 在固定或半固定工位中，轮式底盘与双臂协同能在覆盖范围、移动效率、稳定性和能耗间取得最佳平衡；
* 工业产品需在明确任务边界内减少不必要的自由度，将系统能力聚焦于“看、想、做”的闭环。

这并非否定人形机器人的价值，而是强调产品形态应从任务出发，而非从想象出发。若任务涉及上下楼、复杂地形或专用工具，人形具备优势；但若任务核心是高速、精密、重复且需长期稳定运行，结构约束往往比形态通用更具价值。

未来工业机器人的定义应基于三个问题：
1. 它能替代哪一段劳动？
2. HPI能做到多少？
3. 客户是否愿意持续付费？

这三个问题将反向决定本体、末端、传感器、模型及部署方案的设计。

复购：数字劳动力真正成立的时刻

具身智能行业不缺Demo和试点，稀缺的是从单工位到多产线、从短期观察到长期预算的复购行为。

刘方严格区分“意向订单”与“真实订单”：
* 演示仅证明系统在某时刻完成任务；
* 试点仅证明客户愿意继续观察；
* 复购才证明机器人交付的是可采购的数字劳动力。

对制造企业而言，采购机器人是一笔经营账，需回答：
* 能否覆盖完整流程而非仅替代孤立动作？
* 能否适应换线、换型及现场波动？
* 运维与恢复成本是否可控？

最终结果必须体现为：单位产出、良率、人工投入及资本回报的改善。

阿米奥不等待“机器人版ChatGPT时刻”。工业具身智能的进步，是通过一条条产线、一段段劳动、一轮轮后训练推动的HPI曲线提升。先在能兑现ROI的场景中建立能力，再随部署和数据扩张，这条路径虽慢，却更接近产业规模化真相。

结语：机器人没有奇迹，只有积累

当劳动能力被记录、训练、验证、复用并持续改善时，机器人公司经营的便不再是单纯的硬件销量，而是一套不断增长的数字能力资产。其价值不仅存在于单台设备，更沉淀于未来的每一次部署、换线与复购中。

这或许才是具身智能区别于大模型与自动驾驶的根本所在：它最终回答的不是“机器人有多聪明”，而是“有多少真实劳动，已经可以被可靠地数字化”。

(责任编辑：休闲)