从云蝶窥见具身智能下一阶段竞争，系统级大脑成胜负手

作者：吕鑫燚

出品：具身研习社

基座模型的快速迭代，正在改变具身智能企业建立优势的方式。当感知、推理和规划能力越来越容易获取，单靠模型参数和单项Demo，已经不足以支撑企业的长期价值。在基座模型不断升级之后，企业自己的竞争力留在哪里？

2026 年初，远在GPT-6Astra问世之前，云蝶科技就给出了自己的答案：不卷基座模型，而是做系统级大脑，把不断升级的模型组织成实际工作能力，并让任务中的成功与失败经验持续沉淀。

这是一套更具进攻性的布局。向上，承接每一代通用模型的进步；向下，它把交付经验变成系统能力。

9 月云蝶科技与新加坡南洋理工大学等机构联合研究的最新成果 RoboFoundry ，已经证明了该思路的可行性。同一个 GPT-5.5，参数不动，只让模型周围的系统持续进化，EmbodiedBench 平均成功率便从 56.9% 提高到 72.7%，超过未经进化的 GPT-6 Astra。接入 RoboFoundry 后，GPT-6 Astra 本身的性能也能继续提升。

系统组织能力第一次清晰展现出了跨越模型代际的价值。

这与RSI（Recursive Self-Improvement，递归自我改进）指向同一个目标，让智能体不只完成任务，还能根据任务反馈改进自身，把经验变成下一次行动的能力。

由此也能看清云蝶技术的价值锚点，以“系统级大脑”的前瞻预判，为行业点出新的发展路线，既规避了企业因基座模型迭代而重新计价的风险，将每一次技术上扬都变成可沉淀的技术资产。

理解云蝶的系统级大脑，要从RoboFoundry核心特点“System-as-Policy，系统即策略”讲起。

具身智能长期存在一个“偷懒结论”，机器人表现不好就说“模型不够聪明”。

但真正进入环境的，从来不只是一个模型。模型看到什么信息，由上下文决定；失败之后记住什么，由记忆机制决定；目标如何拆成动作，由技能系统决定；决策如何变成某台机器人的动作，由执行接口决定。

RoboFoundry 做的就是把外围系统从工程附属物变成明确的优化对象，基座模型冻结，执行轨迹告诉系统应该改哪里；每次修改先在当前任务上验证，再经过其他任务检验，才会沉淀为通用能力。

RoboFoundry跑的是“执行—反思—修复—晋升”的闭环，主要在两个层面上进化。

一个是上下文，决定记录什么，什么时候取用，以及怎么用；另一个是技能层面。失败后，从哪里开始重新规划，而不是整条任务重新开始。所有修改都记录在进化账本里，可回溯、可审计。

一次成功只是经验，多次验证才能形成能力。

这就像工厂来了位新员工，他有通用基础能力，但真正决定工作成果的，是公司给他看什么信息、留下什么操作手册、提供什么工具，以及出错后如何复盘，这是一套完整的运作系统。

实验结果也说明了这套机制的潜力。EmbodiedBench 上，五个基座模型接入 RoboFoundry 后全部提升；模型间差距从原本19.6 个百分点缩小到约 11.5 个百分点。长程记忆任务至少高出基线39.0%；真机套娃任务中，系统加入对准检查与进度追踪后，成功率从单独使用执行后端π 0.5的30%提升至70%。

Better long-term memory

这与Physical AI领域的Harness架构理念相通：模型保持固定，只调整提示词、工具、中间件与执行流程，智能体表现便能显著提升。

这些结果不是说基座模型不重要。而是云蝶希望建立的一种结构：通用模型负责抬高能力上限，系统负责把能力转化为任务成功率，并把真实经验保留下来。

论文之外，更现实的问题是：机器人如何进入真实场景？

大多数企业选择把本体、模型、解决方案分别打磨，再把它们拼起来。现场看起来能用，却往往不是现场真正需要的最优解。云蝶选择的是另一条路：构建“系统能力—执行载体—行业工作流—持续服务”的全链路组织能力，核心是让机器人在真实场景里“真能上岗”。

以酒店送物为例。机器人配送一样物品，不是简单的“抓取&放置”单一任务，而是一个多环节的完整任务链条：理解任务、查询位置、导航、取物、乘梯、送物、确认。云蝶系统级大脑负责拆解任务、调用模型能力、调度技能、记录进度。在已完成商业化验证的初代系统RoboForge基础上，RoboFoundry进一步回答系统本身如何自进化，并将有效经验用于后续任务。

本体设计则反过来：“先定义岗位，再定义机器人”。根据任务频率、难度、时长、异常和成本，决定本体需要什么能力。WING Air 面向清洁、巡检等任务，可换末端工具；WING One 定位“通用型”，面向复杂服务操作任务。

真正困难的是，机器人如何应对突发情况？

还是那个酒店送物，任务范围内，走廊堆满的杂物，电梯在等人，设备出现临时故障……机器人不仅要识别变量，更需要知道如何处理、交给谁、怎么避免下次再犯。为此云蝶提出“EEI”，把环境空间和业务规则变成系统可调用的资源。

真实场景就成为了机器人的训练场，具身智能的数据含金量也随之产生了变化。未来更有价值的数据，未必只是采了多少数据，而是企业是否拥有明确、可追溯、能够推动下一次改变的真实反馈。

这套组织方式，决定了云蝶和其他玩家的差异，也注定这条路不轻松。它考验的是对“边界”的探索，哪些工作流可能复用？进入新场景如何避免增加冗余？这都只能在现场一点一点打磨。

这套全链路让云蝶具备了交付产品矩阵的基础。但它的重心并不只是“卖出去多少”，还有“回来多少”。

机器人带回系统的，是任务结果、异常类型、人工接管与环境反馈。这些信息决定系统下一次该改什么，也决定项目制交付能不能变成持续积累的能力。

具身智能的商业化难点，常常不在第一次部署，而在第十次、第一百次部署。第一次部署可以靠工程师驻场和反复调试；规模化之后，企业必须回答，新增客户还要不要同等研发投入，异常要不要频繁远程接管，机器人停工时谁负责恢复？

云蝶采用FDE，即前线部署工程模式。工程师不仅安装机器人，还要改造流程、连接门禁、工单，并处理各种非标准异常。这项工作短期内很难漂亮。但却是获得真实经验绕不开的路，也是云蝶区别于纯模型公司的地方，不只研究机器人如何改进，还要进入那些会让机器人失败的真实现场。

落地不再是模型训练完成后的下游环节，而成为系统变强的一部分。每一个新场景既增加交付成本，也可能增加可复用的规则和恢复能力。二者谁增长得更快，将决定云蝶的规模效应能不能成立。最终要形成交付更快、接管更少、成本更低的正向飞轮。

商业模式上，云蝶也匹配了RaaS 模式，客户购买的是持续完成任务的能力，而不是某一代硬件。系统每减少一次无效干预，就能同时改善客户体验与服务成本。技术进步不再只体现为下一代参数，而可以体现存量机器人越用越稳定，相同人力能服务更多设备。

从商业化思维能窥见，云蝶不是一家只有技术故事、没有业务底盘的新公司。它成立于2019 年，早期从产业数字化、行业模型与智能体业务延伸而来，云蝶积累了大量B 端客户的触达及服务经验。对机器人公司而言，这些能力并不比模型更容易获得。

从模型、产品到落地，云蝶有一条完整清晰的主线：系统根据任务反馈持续改进，能力被组织进真实岗位，新的结果和异常再推动下一轮进化。

飞轮一旦转起来，云蝶卖的就不只是机器人工作时长，而是一套会随运行持续改进的生产系统。

下一个Astra还会来，模型的代差会继续被磨平。到那时候，具身智能行业可能不再谈论自身基模的护城河有多长，而会问另一个更尖锐的问题：当模型能力越来越接近，系统还能把任务成功率提高多少？又留下多少属于自己的经验？