2026 年 6 月 24 日，深圳。

通用具身智能企业 RoboScience 机器科学正式发布自研通用具身大模型 Visics，并首次完整披露其底层技术架构 VLOA（Vision-Language-Object-Action）。发布会在深圳举办，创始人兼 CEO 田野、联合创始人兼执行总裁汪涛深度解读了 Visics 大模型、底层技术架构 VLOA 和数据体系，并展示了模型在多项真实场景的应用——包括全球最复杂具身操作任务家具拼装。

如果说过去两年是 GPT 时刻让语言大模型站稳脚跟，那这两天可能是具身智能的”分水岭时刻”。RoboScience 用 Visics + VLOA 这套组合，第一次在公开场合证明一件事：机器人要真正进入工厂和家庭，必须先学会”以物为本”——不是让机器人模仿人类动作，而是让它真正理解物体在三维空间里到底要怎么运动。

一、为什么这件事值得特别关注

具身智能不是新概念。Figure、Apptronik、宇树、智元、星动纪元等玩家过去两年都在演示机器人搬运、组装、拧螺丝。但这些演示背后有一个共同尴尬：机器人能干的事非常窄，换个物体、换个场景就崩溃。

RoboScience 把这个现象归结为机器人操作的三大核心瓶颈：

  • 泛化能力差：换一个物体、换一个机械臂就需要重新训练
  • 精细操作难：柔性物体、可形变物体、铰链物体几乎没有通用方案
  • 长程任务误差累积：抓杯子做得到，但让它打领带、做麻婆豆腐、家具拼装就崩了

Visics 是国内首批直接对标这三个瓶颈的通用具身大模型。它的发布，标志着国内具身智能竞争从”单点演示能力比拼”切换到”通用架构 + 通用模型 + 通用数据体系”的全栈较量。

二、Visics 是什么：把”物体轨迹”定义成具身智能的核心 token

Visics 这个名字来自 Vision 与 Physics 的组合——但这里的 Vision 并不是传统意义上的计算机视觉，而是指机器人对未来任务过程的”想象”与”预演”；Physics 对应的则是机器人在真实物理世界中的执行能力。

团队最关键的创新，是把 Object Trajectory（物体 3D 点云轨迹） 定义为具身智能的核心 token。

这个定义背后的逻辑很清楚：机器人真正需要学习的，不是某个本体的动作本身，而是物体在任务执行过程中如何发生位置、姿态、形变等状态变化。抓杯子不是”手往某个方向动”，而是”杯子在 0.8 秒内从位置 A 平移到位置 B”；打领带不是”手臂做某个轨迹”，而是”领带在三维空间里完成穿环、扭结、收紧的状态序列”。

通过以物体为中心的统一表征，Visics 试图实现跨本体、跨物体、跨任务的泛化操作能力——这是 VLA 路线一直想做到但没真正做到的事。

三、VLOA 架构：在 VLA 中间塞了一个”O”

行业过去两年最常被讨论的技术路线是 VLA（Vision-Language-Action）：模型根据视觉输入和语言指令，直接生成机器人动作。通俗说就是”看到环境、听懂指令、输出动作”。

RoboScience 提出的 VLOA，则是在 VLA 中间加入了一个”O”，即 Object。这里的 Object 并不是简单指”物体”这一模态，而是 Object Trajectory——被操作物体的 3D 点云轨迹。按照 RoboScience 的定义，它指的是被操作物体在三维空间中的运动轨迹和状态变化，包括位置变化和形变。

田野解释称：”Object 这个词同时包含物体、目标两层含义，能够精准定义机器人与物件的交互关系，以及操作后物体需要达成的运动变化状态。”

这意味着，VLOA 实际上把整个具身智能系统分成了三个清晰的模块：

  • 上层的具身世界模型：负责认知和预演物理轨迹（基于海量互联网视频做预训练）
  • 中间的 Object Trajectory 中间接口：把”高层语义”翻译成”底层物理”
  • 下层的通用操作模型：负责把物体轨迹转化为不同机器人的物理控制信号（基于海量仿真数据做预训练）

这条路径的核心好处是认知与执行彻底解耦——以后换机械臂、换末端执行器、换传感器，都不需要重新训练高层认知模型，只需要微调下层执行模型。

四、双引擎分工：世界模型 + 操作模型

Visics 大模型由两大核心引擎组成：

具身世界模型——负责理解世界、预演未来。它处理的核心问题是”如果我现在执行某个动作，物体下一秒会出现在哪里、变成什么形状”。这是当前业界主流的视频预测世界模型的升级版，但 Roboscience 的世界模型是以物体交互为中心且 3D 动态的，架构更接近机器人真实执行所需的底层表示，而不是像传统视频预测模型那样以整张图像为中心。

通用操作模型——负责把物体轨迹转化为机器人可执行的接触点、接触力和关节控制指令。它解决的是”看到物体接下来该到哪、需要变成什么状态之后，到底怎么控制机械臂的每一个关节”这个难题。

两大引擎分别用海量互联网视频及仿真数据进行预训练——这也是为什么 RoboScience 数据体系的关键命题是”算力即产能”，而不是传统真机采集。

五、数据飞轮：把成本压到”几分钱一条”

具身智能过去两年最贵的不是模型，是数据。传统真机采集方案月产能仅为万条级，远不能满足大模型对数据规模的指数级需求；单任务的复杂操作演示需要上万条人工标注数据，人力与时间成本随任务数量线性累加。

RoboScience 的解法是「仿真 + 视频」数据飞轮：

  • 把”物体在三维空间中的运动轨迹（Object Trajectory）”作为统一数据格式
  • 搭建全自动数据管线
  • 数据成本被压缩至”几分钱一条“，仅为真机采集的几十分之一
  • 产能则完全取决于算力，”理论没有上限”

按规划，今年年初的视频数据量超过百万小时，仿真数据达到了十亿、百亿量级；今年目标视频数据体量要超过千万小时，仿真数据要做到TB 级别，基本上接近 ChatGPT 数据量的十分之一。

这条数据飞轮如果跑通，意味着具身智能第一次有可能走出”数据贵、数据少、数据窄”的死循环。

六、落地节奏：年内机器人本体量产

发布会披露的商业化路径相当激进——

RoboScience 已与多家零售、物流、康养服务企业及机器人本体、灵巧手公司开展试点合作，并计划于今年实现面向工业与商业场景的标准化机器人本体产品量产。

演示任务包括两条腿（机械臂）的核心场景验证：

  • 家具拼装：控制机器人读取说明书后即可自主启动拼装，且当拼装过程中人为拆解已装好的部件时，机器人能够自动恢复状态并接续完成后续步骤。这是被业内视为”登月级”挑战的任务。
  • 打领带：演示两台机械臂协同完成柔性物体的连续形变、穿环、扭结以及中途失败后的状态恢复——这一任务没有使用任何真机数据，是在仿真环境中学习完成。

这两项任务的共同点是：长程、柔性、对误差累积高度敏感——过去两年绝大多数具身演示都在这几条上翻车过。

七、为什么国内玩家必须关注 Visics

把视角拉远一点，Visics 发布其实是中国具身智能产业进入”分水岭”的标志性事件。

第一，通用架构路线正式确立。过去两年国内具身智能公司大多停留在”机械臂 + 视觉模型 + 强化学习脚本”的工程路线。Visics 是国内首批明确把”通用具身大模型 + 通用中间表征 + 通用数据体系”作为公开路线的玩家。这条路线一旦走通，国内具身智能将从”项目交付时代”切换到”模型驱动时代”。

第二，数据路线之争正在收官。传统真机采集路线在产能和成本上都没有继续优化空间。仿真 + 视频的数据飞轮正在成为新主流。RoboScience 的数据成本压到”几分钱一条”，意味着模型迭代速度会比同行快一个数量级。

第三，竞争维度正在升级。从比拼”机械臂抓杯子成功率 95%”切换到比拼”通用大模型能否完成柔性物体长程任务”。前者是工程问题，后者是基础研究问题。

对国内具身智能公司来说，未来 6 个月的核心命题只有一个——有没有自己的 Visics 或者对标的通用架构。如果答案是否，那在 2027 年通用具身大模型量产时代到来时，大概率会失去话语权。

八、未来 90 天观察点

Visics 发布只是起点。判断这套架构是否真正走通，需要在接下来 90 天看三个关键节点：

第一个节点：第三方对比测试结果。能不能经得住独立测试方的盲测，特别是和 Figure 02、Apptronik Apollo、星动纪元等海外通用机器人在同一组复杂任务上正面 PK。

第二个节点：本体量产节奏。计划于今年实现机器人本体量产——这个承诺的兑现节奏决定了它能不能跑赢同行。

第三个节点：场景泛化深度。家具拼装、打领带只是演示任务，零售、物流、康养的实际场景比演示任务复杂得多。如果 90 天内能在 1-2 个真实工业场景稳定交付，VLOA 架构的价值就真正立住了。

如果这三个节点都能给出积极答案，那 RoboScience Visics 很可能就是 2026 年中国具身智能最关键的那块拼图。

九、商业化背后的隐忧与不确定性

任何技术架构的成熟都需要时间，Visics 也并不例外。

首先，演示任务和真实场景之间仍有距离。家具拼装、打领带这类演示任务虽然复杂，但环境是受控的、任务是封闭的、评分是明确的。在零售、物流、康养等真实场景里，光线变化、物体多样性、用户交互、突发事件都是变量。要把这些变量都吸收到通用模型里，Visics 还需在三到六个月里证明自己。

其次，本体量产计划能否兑现仍是问号。RoboScience 计划今年实现面向工业与商业场景的标准化机器人本体量产，但机器人本体涉及供应链、产线、品控、售后等环节，比”训练一个大模型”复杂得多。即便模型能力达标，本体能否按时交付仍要看工程化能力。

第三，生态构建速度直接决定通用性的边界。通用具身大模型的价值在于生态——能否吸引足够多的机械臂厂商、末端执行器厂商、传感器厂商、系统集成商加入，决定了 Visics 的护城河是“技术领先”还是“事实标准”。

这三条，都不是 Visics 发布会本身能解决的。但作为整个行业少数几家把“通用架构 + 通用模型 + 通用数据体系”拉通的企业，RoboScience 至少给出了一个明确方向。

互动话题

你身边是否已经有用上具身智能机器人的场景？你认为”以物体为中心”的 VLOA 架构会成为国内具身智能的主流方向吗？欢迎在评论区聊聊你的看法。

参考资料

  • 新浪财经：《RoboScience 机器科学发布通用具身大模型 Visics：从定义具身 token，到实现数据的”算力即产能”》（2026/06/27）
  • 雷峰网：《RoboScience 机器科学发布通用具身大模型 Visics，首次完整展示 VLOA 双引擎架构》（2026/06/26）
  • 新浪科技：《RoboScience 机器科学发布通用具身大模型 Visics，计划年内实现机器人本体量产》（2026/06/26）
  • 第一财经：《机器人为什么还不够聪明？具身智能不缺融资、缺数据》（2026/06/25）
  • 澎湃科技（网易转载）：《前苹果 AI 平台技术负责人发布具身模型，演示机器人打领带》（2026/06/26）