它石智航AWE3.7 同一模型覆盖多场景任务

过去，机器人系统大多依赖专有模型，物体、场景或控制方式一旦变化，就得重新采集数据、训练和部署。它石智航近日密集展示通用具身大模型AWE3.7（AI World Engine）的最新进展：同一套“具身大脑”在十天里连续完成多项任务，贯通工业产线、物流作业与家庭生活服务等场景，尝试回答具身智能如何实现“通用泛化”。

工业产线：精度、力度与稳定性缺一不可

工业现场对具身智能的要求最为直接：毫米级对位、实时力控和长时间稳定运行。

零件分拣中，面对随机散落的螺丝螺母，机器人需要识别细微差异，将细小零件分别投入对应铁盒。即使操作受到干扰，系统也能自主纠错，继续完成分拣。

缠胶带考验的是柔性材料操控。线束柔软易变形，机器人左手固定线束，右手持胶带沿轨迹缠绕；当张力或位置出现偏差，系统会实时修正运动轨迹，保证胶带缠绕贴合且不断带。

网线插接则是毫厘之间的较量。机器人双手协作，将水晶头送入网孔，通过理解接触状态实时调整抓握角度，再利用腕部多自由度灵活翻转，完成毫米级插接，全程抗扰动。

手机装盒属于典型的长程操作。机器人先放入手机，再以毫米级对位完成盒盖嵌入与调整，即使存在光照变化等干扰，也能一次性完成整套包装。

拧螺丝则考验“手感”。机器人需要先定位螺丝刀与螺丝的空间关系，下放并精准对准，再根据扭矩反馈实时调整，达到拧紧状态后及时停止，做到对得准、拧得稳、收得住。

动态作业：场景在变，机器人也要跟着变

真实作业场景往往是流动的：传送带不停运转，收纳框可能随时被移动，机器人也要在空间内边走边干。

面对传送带上不断移动的软性玩偶，机器人抓取后会持续观察装袋时机，跟随传送带节拍，双手同步将玩偶准确放入袋中，实时适配动态作业窗口。

积木分拣看起来简单，却藏着规则理解与场景变化的双重考验。彩色积木需要按照“颜色—目标框”的对应关系归置；一旦积木被放错框，机器人能发现异常并取出归位；收纳框被移动时，它也能实时跟踪并动态调整轨迹。

当任务延伸到更大空间，机器人还需要上下肢协同。AWE3.7驱动下，机器人能在办公环境中自主穿行，到目标位置拿起物品，再到投放点放下，移动与操作端到端一气呵成，全程不需要人工干预。

家庭与生活服务：越熟悉，越难迁移

相比结构化的工业环境，家庭场景物体形态多变、流程长、约束少，是通用能力迁移的天然试金石。

整理衣物需要全身控制。衣物放在低处，机器人要先识别形态，弯腰拾起并放入收纳筐。俯身与起身时重心不断变化，动作仍能保持稳定，展现出行业中并不多见的loco-manipulation（移动操作协同）全身控制能力。

擦白板考验力度控制。机器人持板擦轻柔擦除任意字迹，左右手都能执行，还可在任务中交换。它实时感知任务状态，即使遇到干扰也能持续执行，擦净字迹的同时保持白板稳定。

整理书包看似寻常，却是长程任务组合。面对桌面上形态各异的笔、橡皮和文具盒，机器人需要识别归类、规划装入顺序，再逐件抓取放入。

准备早餐时，机器人从橱柜自主拿取碗碟等餐具，再将餐具与食品依次摆上餐盘。整个过程依赖多物体、多类别理解与空间记忆，同时保持抗扰动和任务恢复能力。

制作冰沙对柔性物体操作要求更高。机器人抓取软质塑料杯，对准出冰口后单手按压设备出冰，同时持续观察出冰过程与杯中容量，接近满杯时及时停止，再完成递送，可以连续自主执行。

通用大脑：从方法论到产业验证

这些能力背后，是AWE“原生架构—双先验预训练—世界模型驱动后训练—规模化验证—数据反哺”的方法论闭环。依托超百万小时真实数据与丰富的视触觉信息，AWE3.7让机器人在真实环境中看得懂、摸得准、干得稳。

通用大脑的复利效应已经显现。2026年3月，由AWE赋能的它石A1机器人刷新“一小时内装配亚毫米级线束最多次数”吉尼斯世界纪录；同年WAIC上，AWE获得SAIL之星，是唯一获此奖项的具身基座模型。产业端，AWE已进入真实产线持续运行，在汽车线束精密装配、协同检测等场景落地。

△它石机器人集群落地产线登上新闻联播

具身智能的竞争，正从单点任务的比拼走向基础能力的复用。AWE3.7试图证明，通用落地不是远期愿景，而是一条已经被数据和产业场景验证的工程化路径。