2026世界机器人大会（WRC）期间，跨维智能展示了从自研仿真基础设施到多场景机器人落地方案的闭环技术能力，覆盖工业制造、商业服务等多元行业。

同一套技术完成跨任务泛化能力

跨维智能围绕工业制造、零售和商业服务展示了三类具身智能任务：手机装机流水线质检、商超自主扫码分拣，以及冰淇淋与爆米花连续出餐。不同任务对操作精度、环境感知和连续执行能力提出了不同要求，也集中呈现了同一套具身智能技术在多类场景中的高精度、高稳定性与跨任务泛化能力。

智能终端质检产线由两台Dexforce W1 PRO人形机器人协同完成动态追踪、装拆盒及检测上下料。值得注意的是，该质检任务源自跨维智能与蓝思科技合作的真实工业场景。任务要求机器人持续感知传送带和工件状态，在动态环境中准确定位、精细操作，并与另一台机器人及检测设备保持协同，集中考验系统的操作精度、运行稳定性和连续作业能力，直观展现跨维智能人形机器人完成连续工业生产的成熟落地能力。

商超自主扫码分拣面向种类各异的商品，这也是现场唯一能够自主完成全流程零售扫码作业的机器人演示。机器人面向随机摆放、形状各异的瓶装、袋装商品并完成抓取，在不预知条形码位置和朝向的情况下，一边观察、一边调整抓取姿态并重新规划动作，主动寻找条码，完成扫码后再将商品放至指定位置，展现出感知、决策与操作相互闭环的能力。该任务难点就在机器人“如何找到小小的条形码”，无论面对何种商品形态，当商品发生倾倒或姿态变化时，当面对各种形态颜色不一的商品，机器人仍能准确理解商品状态，自主调整最优抓取策略，选择成功率最高的方式完成扫码分拣。

商业服务场景则由另一台W1 PRO人形机器人“打两份工”，连续完成冰淇淋与爆米花出餐任务。机器人W1 PRO融合多源传感器信息，通过具身模型持续理解环境状态和任务目标：当爆米花桶、铲子等工具位置发生变化时，机器人能够动态调整抓取和铲取策略；当纸杯缺失、物料不足或出料异常时，系统可以及时暂停作业并发出提醒，从而提升连续出餐过程中的环境适应与异常处理能力。

支撑这些能力的，不只有机器人本体和模型。跨维还展示了自主研发的实时多物理场仿真引擎DexVerse®与生成式仿真技术。DexVerse®能够在同一环境中统一求解刚体、软体、布料、流体和铰接体等复杂物理形态，并通过图像与自然语言快速生成仿真场景和训练数据，服务于VLA、世界模型及机器人策略训练。

聚焦新能力的“边际成本”

由同期由跨维智能主办的“物理AI引领者论坛”上，跨维智能创始人、CEO贾奎发表《Physical Token经济学》主题演讲，提出以“获取新能力的边际成本”衡量物理AI的规模化进程：随着数据、模型和部署经验不断积累，机器人学习下一项能力所需的数据、算力、试错和工程投入能否持续下降。让下一份智能比上一份更便宜，正是Physical Token经济学所关注的核心问题。

围绕这些问题，贾奎将Physical Token经济学概括为一条面向规模化的能力生产范式：

人类经验×合成杠杆×能力聚合×飞轮扩张=新能力边际成本的持续下降。

他提到，以机器人为代表的物理世界智能体，如果想要像人一样做不同的任务，其泛化性有两类。一类是语义泛化性，一类是物理泛化性。前者本质上是在解决人看到不同的场景任务，人看到不同的操作对象，它就知道这个动作该怎么做，这是基于人类认知能力的经验。

他说，跨维希望能够用最低最高效的方式获取更多这样的人类经验。但人类经验还不够，因为机器人不像人一样是一个柔性智能体，这要求机械的任何一个动作都非常精准、稳定，需要解决物理泛化性的问题，物理泛化性非常适合用物理仿真的方式产生海量的数据。

除了高效的数据获取以外，如何处理数据也非常关键。相比于视频、图像这样的生成式AI，机器人有各种传感器，不同的传感器各自维度不同，每一个维度上数值的分布也不同。如果不考虑这些差异化，模型没有学习到真正动作技能的规律。

如果能以某种方式将“数据对齐”，就能大大提升效率。为此，跨维推出自研仿真引擎“Dexterity-BEV”，把不同的传感器数据，无论是二指夹还是灵巧手甚至人手，输入输出的数据对齐，能大幅提升模型对于同样数据学习的效率。

贾奎说，引擎也支持视觉的、力觉、触觉，钢体、软体、流体，以及复杂任务的精确物理仿真。跨维智能强调以Physical Token经济学的基本原理去推动相关工作，希望以此挤压泡沫，真正穿越周期，实现物理AI可持续规模化发展。

南方+记者 郜小平