果实进化:具身智能从服务业切入,AI巡检已落地餐饮与食品工厂
来源 | Tech星球文 | 华卫具身智能行业,正在经历一场微妙而又深刻的变化。过去,机器人公司热衷于展示自己的技术上限:能跳多高、跑多快,又能完成多少复杂动作。但到了下半年,行业开始出现另一种声音。比起证明机器人有多聪明,越来越多人开始关心它们走进真实场景后的表现。最近30天里,行业接连发生了几件具有风向标意义的事情
具身智能这个行业,眼下正悄悄变着。以前机器人公司爱秀技术天花板,跳得多高、跑得多快、能做多少套复杂动作,都是谈资。到了下半年,另一种声音冒了出来:机器人聪不聪明没那么要紧,进了真实场景能不能干活,才是更多人盯的事。
最近30天里,几件事接连发生,都带点风向标的意味:OpenAI和DeepSeek被报道正在向物理世界探索;部分投资机构开始收紧具身投资;智元提出用”
这些动向看着各不相同,指向的却是同一件事:具身智能的比拼,正从展示技术上限转到验证实际作业能力,真实场景的商业化落地才是真正的考验。
今年
这也是
行业都在赶时间教机器人干活,果实进化没有一上来就追通用能力。它先把机器人送进餐饮门店、食品工厂这些真实场景,找那些能规模化落地的任务。最先推向市场的是
从视觉巡检到具身进场,果实进化想试的是一条路:AI先辅助人工作业,再由具身真正接管实际作业。
”通用大脑”什么时候到,行业还在争。果实进化已经让机器人在一个个具体场景里学着干活,还在后厨领到了第一笔”工资”。
大模型厂商下场,具身竞争规则正在被改写
具身智能赛道的”技术路线之争”,一直没停过。
从实验室走向真实世界,机器人得先弄清自己面对的是什么、要完成什么任务,才能决定怎么做、做完会怎样。目前,以
具身模型分三层:S2是推理层,管环境感知和高层决策,像大脑;S1是执行层,把大脑的指令转成具体动作输出;S0是机器人本体层,负责动作平稳执行。当前大模型公司在训练
上周日(11月9日),Anthropic发布
可在最新测试里,这些模型在仿真环境中表现已经相当好,一到真实世界,效率和成功率还是大幅下滑,且
果实进化CEO张媛认为,这条鸿沟正揭示出下一轮竞争的焦点——真实场景。她的判断是,未来竞争很重要的一层,是比谁能基于通用模型的认知能力,结合真实场景,把执行能力训练得更好。
果实进化选的正是这条路。门店等服务业的落地网络,让它有了持续进入真实场景的入口:1.0阶段的AI巡检产品攒下第一手场景理解,2.0的真实作业则成了模型的训练场和验证场。每做一次真实作业,就是模型深度训练的下一课。
不搞炫技,扎进服务业,下沉是不是机会?
具身智能要商业化,先得进真实的业务场景。找突破口时,多数机器人公司选的是工业场景或家庭。果实进化走了另一条路:从服务业切入。
工业场景自动化程度高,服务业面对的却是高度动态、非标准化的环境,顾客、员工、商品、设备和空间都在不停变化。工业场景中偶发的
果实进化的看法是,服务业场景的劳动类型丰富度是工业场景的十倍以上,同一家门店每天产生的有效行为交互数据,也远超一条工业生产线。场景越复杂,越容易建立以”泛化”为第一性的竞争壁垒。所以它的长远判断是:服务业可能是具身机器人走向通用能力的最短路径,先把这些场景里的具体工作做稳,再逐步扩展任务范围。
这家公司从诞生之初就明确,要做服务业具身智能的模型公司——从真实门店和工作场景里长出来,让机器人学会在具体岗位上”干活”,靠这个持续积累模型能力。
这条路线之下,果实进化做出了两代产品:1.0 视觉巡检,把总部那套标准改造成能在现场复制的管理智能;2.0 具身智能,则是让机器人走进场景里干具体的活。
果实进化 COO 王柯君对 Tech星球说,“现场管理是服务业客户的刚需”。头部餐饮品牌对 AI 的态度是积极的,它们最清楚自己哪一环最难管,也愿意主动去试。客户在 1.0 上买的是现场安全风险控制和管理智能化,到了 2.0,买的是稳定的现场生产力。
据了解,果实进化1.0的
食品工厂方面,”一米八”的酸菜和泡菜生产用上了这套方案,已上线云南昆明和江西宜春工厂,更多工厂近期会陆续上线。连锁餐饮方面,AI巡检系统加快覆盖喜家德门店的门迎、前厅服务、食品安全等具体场景。”原来是人找问题,现在是问题找人”,最明显的变化是,原来一个月一次人工抽检巡店,变成7×24小时实时管理,推动门店持续提升食品安全和服务水平。
场景模型在创造行业价值的同时,能力也在往上走。对果实进化来说,这构成了后续具身模型训练的物理基础。
炸鸡排、摇咖啡,真实门店就是具身模型的训练场。
10月28日,果实进化公开了一次后厨实测:同时炸多块鸡排,18步骤、4块鸡排并行、多轮炸制,机器人全程自主执行,完整任务完成率达到75%。从第一次采集训练数据到真机落地,前后不到3周。
单块鸡排按固定顺序炸就行,多块并行则完全不同。机器人得同时盯着多个任务,自己判断这一刻该放哪块、该取哪块,还要安排不同任务谁先谁后。任务之间互相影响变大,随机决策的比重也明显上升。对机器人来说,单任务执行只是基础,能同时处理多个任务,才有机会真正接手一个完整岗位。
真实现场的任务,对机器人的环境感知和实时决策要求更高。餐饮门店、食品工厂这类地方,现场常有人员走动、物品移动、设备状态变化。针对这些情况,果实进化采用
这套机制离不开一个基础:果实进化的模型用真实门店训练,训练环境和最终部署环境高度一致,所以更能适应现场的“复杂、干扰、多变”。
多线程任务的另一道坎,是长时间执行的稳定性。门店里,人容易因为高温、疲劳被烫伤;多块鸡排并行炸制时,也可能跟丢进度、记错下锅顺序。机器人则能在这些场景里持续、稳定地干活,目前已可完成连续2个小时的持续作业。
在安全层面,机器人按这样的逻辑运行:常规任务自己完成,碰到异常才由人来接手。一旦模型给出的置信度偏低、出现异常状况,或者牵涉到人机安全,机器人就会暂停动作,等待人工介入。至于人工监督,则集中到了
餐饮场景里,果实进化2.0机器人正在摸索门店高频岗位的工作,包括机械操作、原材料分拣、成品炸制等。这些能力不是先造一台通用机器人再找用途,而是照着合作品牌门店的实际岗位工作流来定。冉清说:“用真场景的真需求去激发技术上的真突破,以终为始的研发方式是
还有一点,果实进化坚持不改动原有场景和设备环境,让机器人主动去适应环境,把客户的试错成本压到最低。
从单任务到多线程,从执行预设动作到根据现场变化自主调整,机器人真正要跨过的门槛,是独立承担一个完整岗位的工作。
具身模型拼的是真实场景的闭环转速。
具身智能的竞争已经分成两条路线:一条在实验室里攒论文和参数,一条在真实场景里攒数据和迭代。两条路线的分岔口,就是行业的分水岭。
“基模比的是论文与天才密度,场景模型比的是懂场景、快进化”,果实进化CTO冉清向Tech星球解释道。
据介绍,模型架构上,果实进化采用了
不把所有能力都交给单一VLA,是因为服务业任务的动作链条往往较长。行业实践表明,单一VLA连续执行较长动作序列后,准确性会明显下降。所以其VLA结构由前置
模型架构只是基础,具身智能真正缺的还是高质量真实数据。果实进化的办法是靠多视角的工程化技术与数据处理管线,在保证数据质量的同时,把数据成本结构做到与传统采集方式不在同一量级,还解决了自遮挡盲区的难题,动作规划和路径计算也因此更准确。
具身模型必须在世界里学习,不能只靠数据集:进现场,在一次又一次实际执行中攒经验、找问题、持续修正。这也是果实进化想形成的数据、模型和场景互相促进的闭环。
“客户买的不会是一次性设备,而是一个持续变聪明的系统”,果实进化在商业模式上也给出承诺:已落地项目通过
具身智能的务实派:商业验证与技术积累同频。
自动驾驶行业有个经典论断:攀登珠峰,沿途下蛋。技术密度极高、商业化周期又长的赛道里,企业不能只盯着最终目标,得在攀登技术高峰的过程中找到能提前商业化的应用场景,用阶段性收入支撑长期研发。这句话同样适用于具身智能——从起步阶段,果实进化就开始
张媛强调用“模型”来表述具身智能,而非“大脑”,这背后是一套经营思考。在她看来,“大脑”是指向通用智能终局的叙事词,“模型”则是工程和商业语言,意味着可训练、可验证、可迭代、可计价的能力单元,是商业化的基底。竞争的中间环节是场景选择:技术达不到全泛化水位时,谁能找到技术可行、需求真实、能形成数据飞轮的垂直场景,谁就能活下来。
目前,果实进化不仅与客户共同挖掘场景,也已建立起壁垒:一是速度壁垒,从单任务真机落地到完整岗位胜任,只需8到12周;二是数据迭代壁垒,每落地一家,真实作业数据回流一轮,模型就更聪明一分。
张媛表示,公司眼下每投入一分资源,都得让技术积累和商业化验证两头同时受益,“要具备自我造血的能力”。“AGI是坚持要仰望的星空,而商业化是脚踏的实地,也是行业价值验证的锚点和企业健康度的指针。欢迎带着真实场景的产业伙伴进来共建”。
这轮大浪淘沙过后,谁还能留在场上?答案或许就藏在那些最早把机器人送进真实商业世界的具身智能公司身上——它们可能最先给出结果。