智元机器人下线2万台：推出Worken度量衡，物理AI转向交工时

“一台机器开机8小时，不代表它创造了8小时的价值；一次任务成功率高，也不代表它能像人一样连轴稳定干上一个月。”10月29日，2026智元创新日在上海举行，智元联合创始人、总裁兼CTO彭志辉在接受包括《每日经济新闻》记者在内的媒体采访时说了这番话。

2026年的具身智能赛道，正卡在“部署态”这个关口：上半年一级市场融资超过300起，近千亿元资金涌进来，下半年热度却骤然转冷；另一头，相当比例的人形机器人月均开机不到10天，离常态化“上岗”还差得远。

同一天，彭志辉在现场披露了智元的最新数字：通用AI机器人累计下线2万台，今年上半年营收接近20亿元；全球人形机器人市场上，智元占到43%的份额，处在头部位置。

现实落差摆在眼前，“谁能交工时”正取代“下线多少台”，成为具身智能这一轮淘汰赛的筛选门槛。针对这一产业趋势，智元在2026智元创新日给出的打法是：以“三智一体”全栈技术作底座，拿“Worken（有效智能工时）”当新度量衡，把机器人从Demo样机推进真实产线。

彭志辉的原话是：“Token衡量机器思考了多少，Worken衡量机器行动了多少。”对智元来说，下线2万台AI机器人证明的是制造能力；这2万台能不能在真实工位上持续产出，才是物理AI真正的考题。

参数不再“吃香” 机器人开始卷“工时表”

今年以来，“部署态”取代“开发态”，成了具身智能行业被反复提起的关键词。产业判断的标尺也跟着变了：从“下线了多少台”转向“有多少机器人真正进了工厂、仓库和商店，持续把任务完成”。玩家越挤越多，竞争越来越激烈，“谁能交工时”正成为新一轮淘汰赛的筛选门槛。

在具身智能产业一线摸爬多年的彭志辉观察到，产业进入新阶段后有个很自然的变化：以前大家盯的是参数表，越往后走，大家看得更多的是“工时表”。

那机器人的“工时”到底怎么量化？彭志辉和智元给出的答案是Worken。他进一步解释，计算公式为Worken=活跃机器人数量×自主工作时长×产出效能比，用来度量具身智能在部署态下、真实环境中的贡献价值。

彭志辉在活动现场发布“Worken” 图片来源：每经记者 温梦华 摄

未来机器人服务会不会按Worken工时计费？彭志辉告诉每经记者，智能水平不同的机器人干不同任务，Worken的费率也不一样。“收费方式并非‘非此即彼’的关系：可以既卖机器人本体，也可以卖服务，就像软件行业有PaaS（平台即服务）、

彭志辉认为，本体决定人形机器人的下限，模型和智能能力才决定上限，不同客户需要的交互方式可能各不相同。“我们关注的是如何简单地把技术和能力做到足够可以复用，交付给客户，这是我们长期的竞争力。”

上岗才是物理AI的胜利，不能靠“训出来”要靠“干出来”

“万台人形机器人下线只是制造业的胜利，万台人形机器人能够上岗才是物理AI的胜利。”接受采访时，彭志辉这样对每经记者直言。

彭志辉判断，整体物理AI仍处在早期阶段，智元已经迈过第一阶段，眼下正推进第二阶段，也就是垂直细分场景的部署。等到人形机器人进入单机跨场景泛化的第三阶段，才可能迎来“ChatGPT时刻”这一关键节点。

也就是说，这2万台AI机器人能不能在真实工位上持续产出，才是摆在智元面前的物理AI考题。要回答这道题，智元拿出的方法论是“全栈”，这个词在发布会和采访中被反复强调。

每经记者在发布会现场注意到，智元在硬件、模型、生态上都有新动作。硬件侧发布第三代硬件架构AHA3，第一次把运动、作业、交互三种智能融进同一套控制系统；模型侧推出AGILE框架及业界首个运动智能自进化智能体，同时发布第三代基座模型GO-3 Preview，相关指标全球霸榜并计划年内开源；交互智能上发布行业首个具身全模态端到端交互大模型WITA-OMNI，支持100多种语言和29种方言。生态侧，灵渠OS 1.0正式发布并宣布年底全面开源，智元还携手开放原子开源基金会共建中国人形机器人开源社区等。

采访中，智元联合创始人、联席总裁、具身业务体系总裁姚卯青对“全栈”布局做了进一步解释：“全栈是我们在很多实践过程中发现的非常耦合的效应。”

姚卯青观察到，很多行业应用里，第一关是稳定的本体，这一关其实已经拦住了绝大多数具身公司；第二关是数据，第三关是模型，而模型之外还牵扯系统性的集成、联调、工艺、现场布局改造等。“这些环节属于‘木桶效应’，缺一个很可能整个完整闭环落地无法快速推进下去”。

机器人现场互动表演搭积木 图片来源：每经记者 温梦华 摄

这套逻辑在部署端得到了验证。复盘长隆乐园项目时，智元合伙人、高级副总裁、通用业务部总裁王闯很有感触：300多台机器人分布在100多个点位，环境不同、任务不同，最开始机器人跟工程师的配比几乎就是1:1。

王闯在接受采访时把这笔账算得很直白：比例已经从1:1压到3:1，年底要冲10:1，明年再做到20:1。他接着解释，20:1等于5%，也就是说他这个岗位只需多掏出5%的人力预算，这个幅度对不少客户而言已经能接受。

姚卯青的看法是，物理AI要实现智能涌现，光把模型做大不够，还得把数据、模型、本体和场景串成一个完整的学习闭环。他的说法是，具身模型没法只靠“训”出来，更得靠“干”出来；产业走到下一阶段，重点不再是孤立能力一层层往上堆，而是让每次真实作业都产出数据、积累经验，再回头喂给系统。

大模型会打穿具身智能吗？“可规模化的优质本体将更重要”

2026年，具身智能赛道已经迈入“部署态”，如今正停在一个新的岔路口上。

上半年一级市场热闹得很，融资超过300起，金额逼近千亿元，比去年同期多出一大截；可到了下半年，投资热乎劲突然就冷了。信通院相关报告还显示，人形机器人里相当一部分月均开机天数不到10天，出货结构中文娱商演和科教数采合起来占六成以上，智能制造只占13%。另一边，随着具身智能在模型上不断布局、通用大模型又“不断刷新”，市场也开始盯上一个问题：通用大模型会不会对具身模型形成降维打击。

姚卯青坦言，通用大模型确实做了很多仿真Benchmark（基准）上的测试，也具备了Encounter learning（通过接触来学习）之后在闭环任务上的闭环能力，但局限同样非常大。他注意到，大模型的平均推理很慢——人做30秒、1分钟的事，让大模型一点点试，可能要一两个小时才有一定概率做成，还要烧掉大量Token。

他的判断是：往后大模型能力提升，会更多在System2（系统2）上帮系统抬高长程和规划的上限；可任何Agentic（智能体）系统都是分层的。VLA（视觉—语言—动作模型）下面还有控制层，得做100Hz~1000Hz（赫兹）的实时电机控制，这些跟本体、任务耦合得很紧，也要靠真正的机器人公司去不断抬高这些层的上限。通用模型想在数字世界或物理世界做到专家级，都离不开大量高质量后训练，最后才能有很高的Coding（编程能力）表现。

彭志辉的看法是，不管通用模型最后通不通用，可规模化的优质本体都会越来越重要。他说智元从第一天起就没在本体和模型之间二选一，而是挑了条更难的路，最大的竞争优势仍是全栈的“三智一体”机器人架构。

今年具身智能数据的价格走势，也能看出行业在变。姚卯青观察到，这不是单一价格的问题，“我们现在发现数据品类在变得越来越丰富、越来越多元化”。但有些数据同质化严重、附加值不高，像单目、室内场景的裸手数据，尤其家居叠衣服这类，太容易拿到，已经泛滥，价格肯定往下走。反过来，细分真实场景里的双目、触觉、手套、腕部相机数据需求很旺，价格还比较坚挺。

聊到资本市场对具身智能的态度变化，姚卯青没有回避：“资本市场跟产业也不是完全映射关系，也有情绪存在。但我们的投资人、股东大部分还是非常坚定地相信具身智能必须做，也肯定会做好。”

在他看来，每个行业特别是大热的科技型赛道，都有个普遍规律：资本和人才大量涌进来，同质化发展；到某个阶段，真实落地中暴露的问题需要相应的技术储备、资金储备去接，行业再收敛，这些都会发生。“未来，全行业至少在中国能看到1万台机器人在工厂里稳定长时间作业，才是行业重要的里程碑拐点。”

每日经济新闻