首页 / 资讯详情
具身智能开始进入「下半场」：从会干活到干完活
摘要
拉格朗日用 Agentic OS 和工序重构，让机器人在工厂把任务闭环跑完。 作者丨邓哲敏 编辑丨齐铖湧 近日，两台轮式双臂机器人、一只机器狗和一台 AGV，第一次被推进汽车物流产线，开始它们为期至少一个月的连续调试。阵容谈不上惊艳，机器人的任务也很朴素。引起我们雷峰网注意的，是整个工序架构：三种设备同时进场，围绕同一条任务链路运转，一台机器人做零件分拣上料，另一台机器人做满箱搬运和空箱回收，机器狗和 AGV 负责中间的运输和调度。和过去两年大多数机器人进工厂不一样，这套系统似乎不是为了把机器人塞进去干活而找一个工位，而是从工厂真实任务出发，把工序重新拆解，把技能重新排序，把不同设备的调度逻辑重新设计，然后让整套系统围绕一个目标运转——任务结果，有没有被验证？这种务实的评判方法，戳中了具身行业被长期忽视的工程问题。01一场 935 亿的交付焦虑具身智能正处在它最热的时点。今年上半年，国内具身智能赛道融资额冲到 935 亿元，是去年同期的 5 倍，超过去年全年总量；融资事件 322 笔，同比增长 137%。Demo 视频的刷屏频率，不亚于任何一轮 AI 浪潮。但钱与落地之间，隔着一道明显的落差：头部企业人形机器人出货量刚过万台，全年预计难超 10 万台，商业化投入占比仅约三成。这道落差的来源，行业通常归结为模型不够强、数据不够多。但如果在真实工厂里待过一段时间，会发现问题远不止于此。模型做出正确判断，指令下发，机器人执行，任务完成。这套链路在仿真环境里基本成立，进了工厂就开始漏洞百出。设备回执不等于现场结果，单机动作跑通不等于跨设备链路闭环。更麻烦的是，来料摆放偏了、上游堵线了、传感器瞬间丢帧，这些异常情况发生时，大多数系统的处理方式，是停下来等人。谁来持续观察现场状态、判断执行有没有偏差、在出错后诊断和恢复、从中断处继续？去年在杭州成立的拉格朗日具身技术，把这层工程当作创业的核心命题。他们自研的 Agentic OS，为 Agent 提供统一的环境状态感知、机器人技能调度、安全边界约束、运行记录和人工接管机制。Agent 围绕目标，在一条循环里推进：理解场景、组织技能、观察结果、判断偏差、恢复或继续，直到业务目标被验证，而不是命令被下发。每一次成功、失败和恢复，都被记录为可复盘的任务日志，驱动后续系统优化。02大模型全权负责，为什么行不通为什么不干脆让更强的大模型来处理这一切？行业里也有人在尝试这条路，但工厂场景里，让通用大模型直接成为工业执行器，面临两个朴素的障碍。第一个是推理速度。工业现场的很多操作有实时性要求，每一个执行决策都要调用云端大模型推理一次，延迟本身就会拖垮整个系统，在工厂里会直接体现为跟不上节拍。第二个是幻觉风险。大模型存在幻觉是已知事实，在文本任务里写错一行字可以修改，在工厂里控制错一个动作可能损毁工件、伤到人。工厂里机器人需要和人共处同一个空间，安全约束不是可以靠模型能力绕过去的。拉格朗日联创兼 CTO 赵立晨的判断是：Agent 可以做上层规划和任务调度，但不能让一个开放式大模型直接成为工业执行器。围绕这个判断，拉格朗日采用分层智能架构：高层 Agent Harness 组织通用模型、Coding Agent 与评测工具，基于真实执行反馈持续演进模型与系统能力；现场 Agentic Runtime 负责任务编排