动易科技打破“一机一训”：人形机器人迎来跨场景迁移实践

01.

2026 WRC：机器人走向“复用之战”

8月23日，为期5天的世界机器人大会落下帷幕，一个人们最关心的话题，也逐渐从喧嚣中显现：人形机器人，到底什么时候能在产业中真正地落地、干活？正因这个问题愈发重要，因此今年的世界机器人大会，比往年少了一点“表演感”。

本届大会汇聚300余家企业，展出2000余件展品，首发新品超150件。但比数字更值得注意的是展台的变化：单一物品拾取、收纳等单任务场景依然有人围观，工业上料、仓储搬运、零售服务、自主对打等更复杂、更真实的场景，则开始占据更醒目的位置。

这意味着，机器人的考场正在换题。

过去几年，企业首先要证明的是“能不能做出来”。例如能否抓起某一种物品，能否完成一个足够吸睛的动作。到了今年，问题逐渐变成“能不能反复做、换个地方还能不能做”。一个剪辑流畅的Demo，只能证明能力出现过；真实场景要买的，却是一项可以持续交付的能力。

头部公司的落点各不相同。智元把精灵G1 Max送进汽车产线，从少数点位扩到更多上料工位；银河通用从“银河太空舱”、智慧药房切入，把零售做成可部署的封闭业务单元；优必选继续押注汽车、3C等制造场景，让Walker S系列沿着交付量、连续作业和集群管理往前走；动易科技则把双足人形机器人带进羽毛球、乒乓球等智能对打和体育陪伴场景，检验动态交互中的自主决策与能力迁移。

路线不同，目标却很一致：怎样让一次成功被快速复制，变成一千次、甚至一万次稳定成功。

因为下一阶段的机器人竞争，可能不再只比谁先做出一个技能，而要比谁迁移一个新技能时付出的边际成本更低。

02.

具身智能，为何困在“一机一训”？

机器人能力的迁移、复用，为何那么难？

原因就在于：机器人与LLM相比，后者换一台电脑，输出的仍然是Token；机器人换一副身体，模型输出的每一个参数，物理意义都可能变掉。

同样一句“向右跨一步”，落在不同本体上，要穿过不同的腿长、重量、重心、关节自由度、减速比、力矩上限和控制频率。换一只手、一个夹爪，动作向量的维度也可能改变。原来恰好能站稳的策略，到了另一台机器上，可能就是一次侧翻。

更麻烦的是，身体、任务和环境往往绑在一起。更换本体，要重新适配状态与动作空间；更换任务，要重新采集数据、调整参数；更换环境，还要重新处理光照、摩擦、遮挡、时延以及人类随时闯入的长尾变量。硬件可以沿着BOM快速复制，智能却要一遍遍支付数据采集、仿真、真机试错和工程调优的成本。这就是业内常说的“一机一训”。

而现在的跨本体研究，正在试图拆掉这堵墙。

例如Google DeepMind联合多家机构搭建的Open X-Embodiment，汇集22种机器人、超过100万段真实轨迹，证明不同平台的数据可以产生正迁移；但新的传感器与动作空间依然需要适配。直到2026年，学术界仍在研究统一动作空间、潜变量和本体适配器，本身就说明“一脑多形”远未变成即插即用。

针对这样的现状，行业目前给出的解法，大致有三类。

第一类把通用性押在模型上，Google DeepMind的Gemini Robotics 2、Physical Intelligence的π系列，都是用多任务、多本体数据训练VLA，争取让一套模型跨任务迁移；

第二类把多本体、操作系统和开发工具链做成统一底座，智元的GO-1、灵渠OS较为典型；

第三类先把少数商业场景做深，再复制数据、流程与运维系统，银河通用从智慧药房、银河太空舱向工业物流推进，走的就是这条路。

与上述三类解法相比，动易科技没有把降低迁移成本的希望只押在模型、平台或场景复制上，而是从机器人这副“身体”本身入手，提出“Robot for AI”。

所谓“Robot for AI”，不是在一台定型的机器人身上加个大模型，而是在关节、传感、计算和本体设计阶段，就考虑智能系统要怎样看、怎样算、怎样控制；再用动易科技物理智能体PhyAgents把上层决策与下层运控接在一起。

这一路线的优势，是当任务从羽毛球换到乒乓球时，需要重做的部分有望更少，能够复用的底层能力更多。

但这并不是简单地喊出“软硬协同”就能成立，要让一套智能真正跨任务复用，企业必须同时理解本体、运控与决策，并把三者长期磨成一个系统。

既然如此，动易科技究竟是怎样做到这些的？

答案，要落到PhyAgents的架构上。

03.

PhyAgents：从一次学会到多次复用

以自主与人对打乒乓球为例，双足人形机器人PHYBOT C2首先要连续感知球的位置，再用扩展卡尔曼滤波（EKF）一类状态估计方法，融合连续观测，推算速度、轨迹和落点；PhyAgent决定身体移到哪里、何时挥拍，PhyCore则要在击球的一瞬间，同时处理落脚、平衡、转体和手臂动作。任何一层慢半拍，球都已经落桌。

动易科技官方报道指出：其自研的物理智能体PhyAgens由决策智能体PhyAgent与运动控制模型PhyCore协同构成。

前者负责回答“该做什么”：识别目标、理解任务、估计状态并生成策略；后者负责回答“身体怎样做到”：把策略翻译成平衡、步态、关节与力矩控制。一个偏快思考，一个管稳执行，过程中再通过实时反馈不断纠偏，才构成感知—决策—执行—反馈的闭环。

C2的智能对战能力，是通过多阶段智能学习自主习得的：先由人类示教提供初始策略，再通过多阶段强化学习在仿真中扩大训练量，最后进入真机和开放环境校正。仿真负责快速试错，真机则把摩擦、时延、结构误差和人类的不确定性补回来。

所谓“复用”，其实并非将羽毛球策略原封不动复制到乒乓球，两种运动的球速、拍面、击球时机和奖励函数都不同，任务层仍需训练和调参；真正能够被带走的是动态目标感知、轨迹预测、全身平衡、移动控制、训练管线，以及决策层和运控层之间已经打通的接口。

这层区别很重要：前者是“零成本复制”的营销想象，后者才是工程上可验证的复利。

动易科技从去年底自主对打羽毛球的研发成果，到近期羽毛球、乒乓球能力迁移亮相，他的验证路径，都印证了这一架构的可行性：2025年先在实验室完成双足机器人对打羽毛球的关键技术佐证；2026年4月走到广交会现场，海内外观众争相体验；7-8月机器人又走进广州商场和近万人次市民轮番过招。本届WRC，把底层能力，在不足1月的时间内，迁往节奏更快、击球窗口更短的乒乓球场景。

一次次场景的变化、互动频率、难度的升级，已经证明了，动易科技物理智能体PhyAgents能让机器人在无遥操、无预设轨迹的前提下，实现了真正的智能复用与高效迁移。

04.

隐藏冠军的“内功”

此次WRC，似乎揭示了这样一件事：

如果机器人的竞争从单次展示转向能力复制，那么一家公司的技术含金量，就不能只看本体有多少自由度、能做什么动作，还要看新增一个任务、适配一种身体、进入一个场景，需要重新付出多少成本。

而动易科技开始被看见，就在于其突破了“一机一训”的症结，降低了这笔痛苦的迁移成本。

它以 PhyArc 关节模组、PHYBOT 本体和 PhyCore 运控模型构成底层工程体系，再通过 PhyAgents 连接决策与执行，构筑一体化技术底座。PHYBOT M1的拟人态后空翻，验证的是硬件与运控上限；PHYBOT C2从羽毛球走向乒乓球，检验的则是这套智能能力，能否承接新的实时决策任务。

这种让机器人更低成本迁移技能的能力，无疑是下一阶段的行业竞争中，含金量最高的“桂冠”。

因为它决定了，机器人能否将感知、预测、平衡、运控和训练管线沉淀下来，将迁移成本不断摊薄，从而走进更广阔的业务场景。

根据波士顿咨询集团（BCG）的数据，目前训练/部署单台机器人进新场景所需要的成本，已经达到了硬件价格的3–5倍，而根据国内行情，进行一次中等规模型号的基础训练，也就是覆盖几十到上百个场景，能进工厂/商场做有限任务的训练，所需成本至少在一亿元以上。

这说明，机器人进行"任务迁移"的成本，目前远高于机器人本身的硬件成本。

而成立不足2年的动易科技，虽未在声量、融资额，或规模上成为行业巨星，但它却正在攻克这样一个让机器人能否规模化复用的核心难题。

这样的特点，也让其成为了行业中颇具潜力的“隐藏冠军”。