当行业共识从"能不能做"转向"能不能用"，一个更棘手的问题浮出水面：给机器人装上"大脑"之后，它还需要一套能把"想法"变成"动作"的"神经系统"。今年的WAIC上，深圳具身智能企业不约而同地在攻克这个"中间层"——缩短从模型能力到真机执行的链路。
▍跨维智能：让不同来源的数据说同一种"物理语言"
机器人训练数据来源五花八门：真人示教、真机遥操、仿真合成。视角不同、本体不同、动作空间不同，简单"堆数据"不仅无效，还可能产生负迁移。跨维智能在WAIC发布并开源的Aligned DexWorld，试图在统一的三维物理空间和时间序列中完成数据对齐。同步展示的DexVerse仿真引擎通过生成式仿真持续产出不同物体姿态和场景布局，为世界模型提供更多样化的训练素材。
现场手机装盒和商超扫码两个Demo，验证了这条技术链路在真机端的效果——机器人需要连续完成取、放、对位、合盖全流程，并在物料偏移或漏抓时重新规划动作。
▍智平方：把控制体系分层，打通"认知—协调—执行"
智平方展示的NeuroVLA类脑大模型将控制体系分为"皮层—小脑—脊髓"三个层次：皮层负责语义理解和任务规划，小脑负责高频运动协调与动态修正，脊髓负责毫秒级运动执行和安全反射。简单说，高层模型的任务规划不能直接转化为关节动作，机器人还需在执行中持续感知、动态调整、维持长程时序信息。
PCB上下料任务展示中，AlphaBot 2面对不同型号PCB和透明反光托盘，连续完成取料、上下料、双臂协同等动作——这比固定抓取更考验感知、规划、修正与执行之间能否形成闭环。
▍乐聚：给机器人开"技校"，用后训练补上岗位技能
乐聚机器人没有选择从头训练通用基座模型，而是由上游模型企业完成通用大脑预训练，再结合自身本体和工业场景开展垂域后训练。技术负责人王强打了个比方："基础模型解决认知广度，后训练让机器人围绕具体岗位学技能。"
以快递分拣为例，蚂蚁灵波的LingBot-VLA 2.0已通过预训练掌握识别物体、理解指令和基础抓放，乐聚再采集300条任务数据做后训练，让模型学习具体环境中包裹的识别、抓取与分类。WAIC展会期间，夸父机器人连续三天每天近10小时不间断完成拆垛任务——"初步的量变突破"。
▍逐际动力：Sys2→Sys1→Sys0三层架构拆解执行链路
逐际动力把认知到执行的链路拆分为Sys2认知层、Sys1技能层和Sys0运控层。此次展示的Oli机器人搭载COSA人形大脑和WBT全身运动基础模型，现场动捕演员完成深蹲、太极、舞蹈等连续动作，Oli实时复现——比单个预设动作更考验长程动作的映射与稳定执行。TRON2双臂机器人则通过视觉和语音交互自主抓取糖果递送，展示从感知、技能生成到底层执行的衔接。
WAIC的演示仍不等于规模化应用。机器人面对新任务需要多少数据、技能能否跨本体复用、长期运行能否保持稳定——仍需更多真实项目验证。但"深圳军团"已经找准了方向：补齐"中间层"，让机器人从"能理解"走向"能干活"。
