炒股配资排名智元把「上班用」的机器人拉去比赛，拿了双榜第一

炒股配资排名

编辑｜张倩、杨文

2026 世界人形机器人运动会，最会「上班」的机器人赢了。

首次参赛，智元拿下 18 金 16 银 12 铜，以 46 枚奖牌总数收官。根据赛事组委会公布的榜单，智元的金牌数和奖牌总数均位列第一。

本次运动会共设 51 个赛项，分为竞技赛、灵巧手专项赛和场景赛三大板块，几乎覆盖人形机器人的主要能力维度。

其中，智元 OmniHand 在灵巧手专项 8 个赛事拿下 7 金，精灵 G2 在酒店、室内应急、图书馆等 12 个作业场景赛中收入 6 金，远征 A3 在舞蹈、武术、乒乓等竞技项目中夺得 5 金，灵犀 X2 则在田径 100 米障碍赛斩获金牌，400 米障碍赛再添银铜。

单项成绩能够体现某个动作或某类任务的能力，总榜则考验综合实力。机器人要在精细操作、场景作业、高动态运动等多个项目中持续拿分，任何明显的能力短板都会影响最终排名。智元同时登顶金牌榜和奖牌总数榜，说明其优势覆盖多个能力维度，也让这份成绩具备更强的综合参考价值。

此外，智元派出的参赛机型全部为量产版本，没有针对比赛单独打造定制本体。

专用样机可以围绕特定规则调整硬件设计，量产产品还要兼顾成本、可靠性、维护效率和批量一致性，无法单纯为某个项目追求极限参数。因此，量产机在公开赛场取得的成绩，更接近产品在现实条件下可以达到的能力边界。

加之本届运动会专门设置了多个直接取自真实工作场景的赛项，量产机型在真实场景赛事中持续胜出，这场比赛更像一次公开的部署能力压力测试。

这场运动会

更像是一次上岗考试

在三大板块中，场景赛与人形机器人的商业落地距离最近。

参赛机器人须在 20 至 30 分钟内按序完成多个作业环节，某个环节未达标便无法得分，也不能直接跳到下一项。任务链越长，感知误差、抓取失败和定位偏差越容易累积。

酒店赛中，智元精灵 G2 采用自主方案，要连续完成行李搬运、客房补货和房间整理。过程中，它还要穿过窄门和狭窄过道，准确识别门把手、电梯按钮等小型目标，不同酒店的物体外观和摆放位置各不相同，现场光线和人员走动，也会持续干扰感知结果。

智元用 GO 系列大模型增强视觉特征提取，并融合 RGB 与深度信息，帮助机器人判断目标的位置和姿态。系统还会加入空间约束，降低环境变化对后续决策的影响。识别、导航和操作连续衔接，机器人才能在复杂室内环境中稳定推进任务。

园林赛是纯室外自主赛道。精灵 G2 需要自主完成违禁品识别、不文明行为巡检和垃圾拾取，三项任务串联执行。光照、天气和地面干湿都会改变感知条件，复杂地形还会考验底盘通过性与运动控制。

长时间室外运行要求机械结构、传感器、电池和通信持续稳定，智元通过 Genie Agent 规划整条任务链，并针对不同时段、晴阴雨天气和干湿地面开展覆盖测试。正式比赛只有一次执行机会，最终比拼的是整套系统能否在不断变化的环境中稳定交付。

所有作业最终都要落到「手」上。OmniHand 以同一款量产产品进入 8 个专项赛决赛，拿下 7 金。积木搭建、粉末称重、镊子夹豆、开瓶撬盖等项目，分别考验精细夹取、稳定施力、工具使用和双手协同。

以粉末称重为例，机器人需要自主找到勺子和盐罐，将粉末逐步加入电子秤，最终称出 20 克，误差不能超过 0.5 克。武大智元联合队用时 27 秒完成任务。

OmniHand 有 3 个项目以全自主方式夺金，说明同一套硬件能够适配多种任务。

远征 A3 和灵犀 X2 把考验从双手扩展到全身。

远征 A3 在太极拳、国标舞等项目中，需连续完成腾空、转体、单腿支撑和低重心姿态切换，动作幅度大，节奏变化快，对全身协调控制要求极高。

乒乓球项目更进一步引入高速视觉感知与实时响应，机器人需在极短时间内判断球的速度与轨迹，随即完成移动与挥拍。

远征 A3 与丁宁、李昀锐打乒乓球

灵犀 X2 参加的 100 米障碍赛中，台阶、窄通道和起伏路面接连出现，机器人一边保持高速移动，一边识别地形并调整步态。重心一偏移，就可能导致减速、碰撞或摔倒。

有的项目甚至还要机器人匍匐前进。

这场运动会把机器人的能力变成了一项项具体工作，能够连续、稳定地做完，才更接近真实上岗，由此可见智元双榜登顶的含金量。

长脑子、全身协调

智元的奖牌是这么来的

如果把这次运动会的项目摊开来看，会发现智元拿到的这些奖牌，分布得相当散，而且项目之间差别很大，非常考验机器人的综合素质。有些全自主完成的项目还考验「泛化」能力。

就说图书馆理书。书架是主办方临时摆的，书怎么放，赛前没人告诉机器人，连现场的光照都跟训练时不一样。机器人到了书架跟前，得自己看，自己想办法。也就是说，得长脑子。这恰好是智元投入最重的地方。

智元的技术架构叫「三智一体」，也就是一个本体，承载三种智能 —— 运动智能算小脑，管走稳跑快；交互智能管人机交流，负责理解人与环境；真正管干活的是作业智能，从理解任务到动手执行，中间全归它。

三个智能里，作业智能是智元投入最狠的一块，人力和钱都给得最多，磨的时间也最长。所以智元这次拿那么多「干活」相关的奖牌丝毫不令人意外。

这套作业智能系统里有三个核心模型，学名叫 GO、GE 和 RW-RL。拆开来看，它们分别负责三件事：

第一件是理解。具身基座大模型 GO 负责「看懂题」：比如接到「整理客房」这种指令，它知道这意味着先找到散落的物品，再判断每样东西该归置到哪，最后排出一个合理的动手顺序。

第二件是推演。世界模型 GE 相当于装在脑子里的模拟器，动作还没做，先在「脑海」里推算后果。这一把抓下去，瓶子是稳还是倒，心里先有数。

第三件是手感。大规模分布式真机强化学习 RW-RL，让机器人在真实世界里反复练习，把「看着会做」练成「出手就成」。

三件事合起来，换来一个关键能力：泛化。在酒店场景学会的整理，换到图书馆不用从头再学。在精灵 G2 身上练出的技能，换个本体也能迁移过去。这也解释了为什么智元敢拿量产机直接上赛场，全凭大脑的通用性。

当然，知道要干什么之后，机器人还得真正把身体控制住，这是运动智能的事。远征 A3 打太极、跳国标舞，腾空、大角度转体、单腿支撑，非常考验重心、躯干、四肢之间的实时协调。A3 能做到毫秒级的全身姿态调整，腾空过程中随时校准躯干和四肢的角度，动态调节重心。这些动作也没法全靠真机一遍遍摔出来，所以 A3 走了 Sim2Real 的路子，先在仿真环境里大量学习，再把练出来的运动能力迁移到真机身上。

灵犀 X2 又把这个逻辑往前推了一步：从感知自己的身体，到看着环境运动。现在多数运控方案只靠关节本体感知，机器人知道自己的腿在哪，却不知道前面有什么。X2 在障碍赛里加上了视觉，靠自研的 AGILE 生成式通用小脑引擎，一边看不规则的障碍，一边实时决定怎么过，不同地形上都能自主或半自主决策。过去的运控是把一个动作练熟，现在则是一边感知环境，一边实时生成和调整运动策略。

大脑和小脑到位了，还差最后一关：手。机器人再聪明，真正干活的时候，智能都得通过手和物理世界发生接触。粉末称重、开瓶撬盖、拆箱、搭积木，难就难在它们远不是「把手移动到坐标 X」那么简单。碰没碰到，力气大了还是小了，有没有滑动，要不要临时调整，都得在抓取过程中随时感知、随时反应。OmniHand 的 DUET 架构就是干这个的：外层管位置和姿态，内层管触觉，两层配合，才撑得起这么多项目的顺利操作。

到这里，可以把这几块放在一起看了。大脑、小脑、手，单拎出来，行业里都能找到做得不错的公司。难的是连同身体在内，全都攥在同一家公司手里，还得长在一起：模型清楚这具身体能做到什么、做不到什么，本体设计也知道该给智能留多少余地，迭代的时候一起往前走。所谓协同进化，说的就是这个状态。拆开做也不是不行，但各部分之间配合起来肯定要打点折扣。

这正是「炫技」和「干活」之间的那道坎。赢一两个项目，靠单点突破就行。一口气拿那么多赛项的奖牌，只能靠一整套深度融合的完整技术栈。这也是智元这家公司让人印象深刻的地方。

机器人真正难的

是没有明显短板

刷多了社交媒体上的机器人视频，很容易留下一个印象：人形机器人的竞争，比的就是谁的动作更难、更炫。

但机器人这门学问真正麻烦的地方在于，它很难靠一个单点能力走向实用。最近，UC Berkeley 教授、Physical Intelligence 联合创始人 Sergey Levine 在一次访谈里提到，机器人学和语言模型、视觉模型最大的不同，是它首先是一门「构建超复杂综合系统」的学科：从最底层的机身、能源、执行器，一路到感知、控制和高层决策，所有软硬件拼图都得完整，缺了哪一块，到了真实世界里都会露馅。