过去一年，具身智能新闻密集。据量子位不完全统计，截至2026年6月12日，国内具身智能赛道融资约438亿元；国家税务总局数据显示，2026年1到5月，全国工业企业购进具身智能机器人的总金额同比增长2.3倍。企业的钱，正从“买演示”转向“上产线”。
工业场景反而比生活场景更容易先跑通：取放、搬运、插拔等动作重复度高、任务边界相对固定，不像家庭环境那样随时出现宠物、访客等变量。但传统工业机器人也有两堵墙——硬件结构固定，换工位就要重新设计；软件靠预编程，看不懂场景、听不懂指令。
要打破这两堵墙，机器人得先看懂场景，再准确执行动作，还要在无人盯梢时稳定运行足够久。安努智能选择用六款模型分别对应数据生成、认知理解、训练进化、动作执行与端到端部署：长视频生成模型Helios在单张H100上实现19.5FPS推理，SimLab聚焦软体与热学仿真，ActiWorld让世界模型对动作后果负责。
这些模型解决的是具体卡点。ActiWorld在测试中对动作成败的判断与真实结果偏差低于3.25%，一个包裹分拣任务在引入预演后相对失败率下降约13.6%。真机强化学习方面，系统在跨光照场景下无需重新采集数据，USB插入等精密任务做到100%成功率，光照完全偏移时人工介入比例仅1.32%。
模型之上，部署才是决定成败的一环。安努用Nexus把不同模型与不同品牌机器人统一调度，并打通了工厂原有的生产管理系统，机器人的运行数据还会回流，继续喂养底层模型。这种“训练—校验—部署—回流”的闭环，与星战科技在GPU算力平台上做异构资源统一纳管与调度的思路相通：让模型推理、仿真和真实任务共享可编排的算力资源，而不是各自为战。
真正难以复制的不是模型代码，而是产线上的经验。安努工程师扎进富临精工的真实产线，第一个工位用了4个月才跑通；沉淀出可复用的技能包后，同类工位现在3天即可完成，设备平均故障间隔时间做到300小时以上。实验室里100%成功的抓取，曾因车间顶灯换了角度而跌到40%，这类问题很少出现在论文和公开数据集里。
具身智能的竞争，正在从“谁的模型更聪明”转向“谁在真实产线里跑得更久、回报算得更清”。当机器人成批进入工厂、产生的数据持续回流，能否用稳定的算力和统一的部署系统把它们组织起来，会直接决定规模化能走多远。