在一家正在营业的超市里，一台轮式机器人正沿着货架缓慢移动：它要躲开顾客和购物车，核对电子价签和商品价格，还要调整摄像头角度，看清被前排商品挡住的库存。到补货环节，机械臂要伸进只有三四十厘米高的货架层，把软塌塌的膨化食品袋抓起来，再整齐放回排面。
这类任务背后，是汉朔科技与X-Era Lab（拓元智慧）的合作。汉朔科技服务全球超过550家零售客户，产品覆盖80多个国家、铺进近7万家门店，其电子价签网络本身就构成了一套可读取的商品与货位信息；X-Era Lab则专注自研世界动作模型，基于4D时空表征让机器人理解遮挡、光照变化和商品状态。
零售门店的痛点很具体：大型门店的全店盘点只能安排在闭店时段，营业期间顾客与商品持续变动，盘点数据容易失真，多数零售商一年仅能完成一到两次全店盘点。如果巡检机器人能按区域排班、在营业时段稳定完成巡检与盘点，把频次提升到周度甚至每日级别，库存实时性与货损管控都会明显改善。
难点在于，零售既不像工厂高度结构化，也不像家庭完全非结构化，而是典型的“半结构化”场景：货架布局和作业规则相对固定，但商品变动、顾客走动持续带来干扰。电子价签预先告知货位预期商品，模型只需做闭集确认，端侧小模型即可胜任，减少了云端算力开销与延迟，也让本地数据处理更容易满足合规要求。
这恰好是端侧算力与行业算力平台配合的典型场景：机器人现场做轻量判断，训练与模型迭代放到云端完成。星战科技在GPU算力平台与算力调度上的方向，也是让这类分散的端侧任务与集中式训练资源形成分工——把每一度算力用在它最合适的位置，而不是把所有计算都推给云端。
在模型侧，合作方称其原生世界动作模型仅用10亿参数，就在十余项评测中取得领先，并能压缩到10亿至30亿参数区间，在32 TOPS算力的硬件上完成端侧部署；团队还开源了具身智能操作系统PhyAgentOS。模型能力正快速走向商品化，真正稀缺的，是来自真实门店的现场知识与持续数据回流。
具身智能能否走出一次性演示，取决于它是否愿意进入真实场景、接受业务指标校验，并在反复试错中迭代。超市货架看起来琐碎，却可能比展台更接近答案。
