智元精灵G2便利店24小时直播：6台机器人4台转正

机器人圈里那场「令人心动的offer」，这两天是真的火了。

过去24小时，超过200万网友在线盯着屏幕，看6台智元精灵G2在真实便利店里干活。到今天上午十点，这批「新员工」在24小时便利店里的「转正」挑战正式收尾。

整场直播持续了24小时，我们从头追到尾。

这场直播想弄清楚的其实只有一件事：真实世界里的那些麻烦，机器人接不接得住？

11月2日，智元决定啃下这块硬骨头。

6台精灵G2机器人装的是智元最新的具身Agent框架Genie Master，它们以「便利店试用期员工」的身份，开始了一场连续24小时的「转正考核」。

全程直播，网友在线监工，不加滤镜，也不做剪辑。

结果刚刚出来——挑战结束，4台顺利「转正」！

「机器人打工不能停」这场24小时便利店直播，直接刷新了纪录。

6台精灵G2机器人一共完成1730项任务：接待顾客683次、商品取送369件、咖啡制作147次、早餐服务126次、补货巡检277次、桌面清洁128次。

这场直播划出了一道分水岭——具身智能走出了仿真环境和实验室，能在真实场景里干活了。

第一道考题：干得了吗？能连着干吗？

把机器人塞进一家正在营业的便利店，这决定本身就冒风险。

不到 100 平米的空间里，装的全是真实世界的物理混乱：机械臂要抓硬瓶、捏软袋、穿挂孔；系统得同时处理补货、做咖啡、拖地这些任务；顾客还会随时走动、插话、改单。

更麻烦的是多台机器之间的冲突。

补货机停在货架前，顾客想拿饮料就被挡住；保洁机拐进窄道，外卖动线当场堵死。调度一旦出错，机器在过道里「死锁」，门店立刻瘫痪。

所以「24 小时连续作业」是硬性要求。这不光是为了测电池，更是要用时间把隐患放大：10 分钟看不出来的偶发卡顿，一天下来会不会滚成任务雪崩？机器死机了，系统怎么排队补位？

为了接住这个副本，智元派出了6位性格完全不同的G2「实习生」。

它们分工清楚，每个人还被安上了真实的职场人设：

咖少：早八人的续命主理人，精准操作咖啡机，负责做饮品。

阿豪：社牛门面担当，主攻语言交互，接待顾客，提供情绪价值。

火宝：无情搬砖机，负责取货与打包，讲究效率，动作利落。

倦王：摸鱼式理货员，负责全店巡视与货架补货，默默把空缺填上。

冷姐：赛博卫生委员，专属技能是清理桌面，让就餐区保持整洁。

叮酱管的是热食区，负责把熟食加热，火候和出餐节奏都得拿捏准。

11月2日早上10点，这6位实习生准点打卡上岗。

等着它们的不是跑一遍就完事的单次Demo，而是连轴24小时、分四班倒的高强度拉练。

午间高峰在13:00-14:25，周边白领一涌进来，订单量猛增，取货、打包、出餐每一步都得接得严丝合缝。

到了19:00-20:00的晚高峰，白天已经消耗了一整天，硬件和算力都进入疲劳期。

夜班实验安排在22:00-06:55，店里没有人类店长盯着，机器人得自己把整间店守下来。

07:00-09:00的早高峰是「咖少」和「叮酱」的终极战场，咖啡和热食需求量都冲到顶，对机械臂的执行精度和节拍速度是一场极限压榨。

为了让这次考核足够真实，直播现场还请来了一组严格的「考官天团」。

主播当起「HR总监」，四个转正KPI盯得死死的：连续在岗时间、真实服务数量、四班次抗压能力、顾客好评率。

技术专家坐在「带教Mentor」的位置上，各路达人则演起难缠顾客，随时丢出刁钻问题。

表现好，现场给你贴纸点赞；表现差，弹幕直接在公屏上处刑。

从「实验室里单次完成」走到「真实便利店连续运转」，连续客流、突发需求、长时间的物理磨损都摆在面前，它们能不能不掉线、不摸鱼？

6位实习生联手干活，围观的人类看得直惊叹

这家特别的便利店刚开门，就引来不少人围观，好多小姐姐跑来合影。

说到底，大家盼了很久的「人类享受、机器人干活」总算出现了，看着确实极度舒爽。

整整24小时的直播里，惊心动魄的场面不少，也看到机器人差点翻车。

好在多数任务它们都顺利完成了。

拿取货来说，火宝会自己判断挂钩角度，用一个巧妙的角度把工具抬起来，方便抓取，最后稳稳当当把货物放进篮子。

随后，它一路顺滑地把东西送到人手里。

有意思的是，技术人员爆料：他们发现火宝干活时会偷懒，于是给它加了定时巡检的功能。

接下来上场的是冷姐。

它判断旁边那张桌子是干净的，就跳了过去；到了堆满人类垃圾的桌前，它把该扔的挑出来，开始清理。

遗憾的是，冷姐这一轮被扣了几分，原因是它误把人类的食物当垃圾扔了。最后它会一直打扫到自己认为桌面没有垃圾才收手。

直播过了大半天，快到晚上的时候，智元具身研究中心副总裁任广辉带着外国小哥体验官来探店了。

火宝递过来一瓶可乐，动作上却吃了亏——给东西的时候手劲不够轻。

要让火宝干哪件事最费劲？广辉老师点出答案：开柜子。人类小孩往往到三四岁才学会开柜子，机器人也像孩子一样，起初只会抓握，得经过训练才拿得下开门这一关。

便利店门口，社牛门面阿豪聊得兴起，英文上海话轮着来，把小哥逗得直乐；倦王则全场转悠，哪批货摆得不对，马上就出手纠正。

外国小哥起了玩心，把口香糖挪了位置，倦王一眼看出不对，夹爪一伸重新摆好。这背后指挥的，是Genie Master大脑。

接着小哥走到咖少跟前，人生头一回喝上机器人做的咖啡。旁边的叮酱也没闲着，熟门熟路递来热包子。

第二个问题来了：一次简单任务，底下要压多少全栈技术？

外行看热闹，内行看门道。直播间里观众瞧见的是：咖少稳稳当当做完一杯咖啡，火宝把一袋薯片塞进塑料袋。

动作看着不难，技术圈里却管这叫「跨越鸿沟」。背后是著名的「莫拉维克悖论」：高阶逻辑推理对人类极难，对计算机却易如反掌；抓软体物体、感知空间这类人不用想就会的无意识技能，换到机器人身上就难于登天。

拿「给货架补货」来说。倦王走向货架时，至少得闯过三道关。

头一关是空间理解与环境感知。便利店光线不断变化，顾客随意走动，货架上的商品还可能被放歪。它得靠视觉模型实时搭出3D空间，分清「这是薯片，那是挂钩」。

第二关是任务规划。Agent大脑要定下先取哪一包、从什么角度取、取到之后手腕怎么转。

第三关落在动作执行与反馈。底层大模型（如GO-3 Preview）把规划翻译成机械臂的扭矩和关节角度，再依据抓取时的触觉、视觉反馈实时调整力度。

缺少全栈协同，机器人只能像瞎子一样乱抓，甚至直接把货架撞翻。真正上岗，靠的不是攒几件硬件、套一个开源模型，而是底层算力、通用大模型、具身智能体框架深度咬合。

便利店里的一个寻常动作，撑起它的是一整套全栈技术体系。机器人要大规模落地，拼的就是全栈协同：

把任务做成，模型和本体得配合；

想稳定运行，还得适应环境、处理异常。

要铺开到规模化，训练成本得降下来，部署速度要提上去，能力还得能反复用。

真上岗不是把硬件攒一攒就行。智元AI WAVE全栈布局要解的正是这道题：便利店只是入口，水下那套系统才是大盘，数据、平台、本体、Agent、仿真、模型，哪一块都不能少。

这套系统里，AGIBOT WORLD 2026 第四期是首个真实场景的 Physical Agent 数据集，专攻决策，覆盖九类逻辑推理场景。作业平台 Genie Studio 2.0 把「采‑训‑测‑推‑编‑管」全生命周期都管起来，全新作业场景从0到1的部署验证，最快7天能跑完。重载具身工业机器人精灵 G2 Max 在行业内率先做到长程、多任务作业。Genie Master 负责让机器人在真实场景里持续进化。Genie Sim 仿真平台则扛下后训练和部署前的预演验证。

GO-3 Preview 是智元新一代基础模型，用的是具身原生的 WRAM(World Reasoning Action Model) 架构，把任务推理、未来预测和动作生成串在一起，少量示范就能继续学，长程精细任务也拿得下。群体经验学习（CEL）范式把经验获取、经验利用、规模化在线学习整条链路走通，真实作业里每一次成功和失败，都成了整个群体共用的学习素材。

第三重拷问：翻车了怎么收场？把教训变成经验。真实世界里出错躲不掉，没有哪台机器人能保证不出错。可要是铺100家便利店，就得配100支工程师团队守在现场当「保姆」，机器人还剩多少商业价值？

怎么破？智元拿出的杀手锏是 Genie Master 具身 Agent 框架。10月27日，智元正式发布了这款框架，它要干的事就一件：机器人「边上岗，边解锁新技能」。

长程任务由它来组织，进度由它来维护，异常处理完还能自己把任务接回去。G2 碰上没见过的状况，不用等人来救，它能自己找到失败原因，自己换策略。

靠什么做到？关键在 Genie Master 框架给机器人的「大脑」和「肢体」之间架了一座桥——具身执行协议 EEP（Embodied Execution Protocol）。肢体干完活的结果和反馈，直接变成后面决策与能力优化的燃料。

从前 AI 大脑和机械肢体是两张皮。大脑说「把货挂上去」，肢体照着做；没挂上，肢体说不清为什么没挂上，大脑也给不出更细的指导。执行结果如何，全靠开盲盒。

EEP协议把原来的断点接上了。能力、引导、反馈、连续性这四类接口，被它统一到一套标准里。

肢体那边干完活，结果现在能实时、准确地回传给大脑。

第四重拷问：机器人能不能越干越好？双线进化机制就此揭开

失败一次，下一回它能不能做得更漂亮？这场直播里最硬的技术落点就在这儿——Physical RSI，从部署到迭代一路持续进化。

智元给机器人搭了一套独有的双线进化机制，靠的是Genie Master框架和底层模型GO-3 Preview撑着。

一条路线管「记住经验」，另一条路线管「长出肌肉记忆」。

先说第一条进化路线：Harness RSI，让经验可以积累。

不妨把它看成机器人的「工作日记」，也是它的「大脑记忆库」。

白天干活时，G2把成功和失败的案例随手记下来。哪儿顺、哪儿卡，全都以数据形式留着。

到了深夜便利店打烊，系统背后的大模型开始干活。它把一天的数据统一梳理，挑出能复用的规律，沉进长期记忆里。

拿「挂钩被挡住」这个案例来说。夜间总结之后，系统生成了一条可复用的策略提示：「遇到视线受阻的细小目标，优先调用腕部相机进行辅助定位。」

第二天换另一台机器人去挂毛巾、挂耳机线，它就不用再走一遍「失败-分析-调整-重试」的老路。

第二条进化路线是Policy RSI，让能力可以固化。

这一轮执行与恢复的过程里，系统攒下了大量真实反馈数据，里面都带着「问题、调整、结果」。

这些高质量的「纠错数据」经过后处理，会直接回流，拿去重新训练动作策略模型。

有效的改进不再只是挂在大脑里的一句「提示语」，而是烙进了模型的底层权重，变成后续能直接调用的「基础操作能力」。

原先得靠大脑「思考分析」才能完成的恢复动作，如今成了底层模型的「肌肉记忆」。

两条路线合到一处，互相补位。

昨天失败的记录，是今天进化的养料；今天攒下的经验，是明天进化的起点。

这说明机器人不是只会把预设流程跑得更熟，它真的学会了「如何改进自己」。

真实场景里的24小时，是具身智能的生死局

具身智能能不能落地，不看资本市场PPT画得多漂亮，也不看宣传视频剪得多花哨。

只看三件事：

真实任务能不能稳定完成？人工干预的成本能不能压下来？改进能力能不能搬到新任务上？

这场直播从11月2日开播，连续跑了24小时。三个问题被直接摊到所有人面前，没有遮掩。

关注的焦点也跟着变了：从“怎么上岗”，转到“上岗之后怎么一直进步”。

货架上的商品要挂准位置，一杯热咖啡要稳稳递出去，掉在地上的残渣要收拾干净。

这些动作人做起来不费劲，机器人却走了半个世纪才走到这一步。

直播里能看到的是，机器人把出错当成往上走的台阶。具身智能的“打工时代”，就此硬核开场。