机器之心发布 11 月 2 日 10 时起，上海徐汇区一家正常营业的便利店里，店里的员工换成了 6 台智元精灵 G2 人形机器人。 它们各有分工：阿豪负责迎宾接待与顾客咨询，火宝承担取货补货，倦王巡视货架，咖少是专职咖啡师，叮酱负责收银与熟食服务，冷姐负责桌面清洁。 直播期间，门店照常营业，顾客照常进店，机器人连续作业 24 小时，从午高峰到晚间客流，从深夜值守到次日早高峰，四个班次一个不落。 考核标准完全比照真实门店：在岗时长、业务完成量、顾客评价，加上任务成功率、响应时间、异常处理能力，共同构成转正评分。 整体上看，机器人面对刁钻任务仍能应付自如，偶尔也有失手时刻。最终，四台机器人成功转正，冷姐和倦王因在岗积极性、岗位稳定性上的小瑕疵，暂未转正。 在习惯了 “完美收官” 的行业语境中，这个不加修饰的结果有些少见。机器人演示与部署之间的鸿沟，此前少有公开丈量。便利店 24 小时直播，正是智元将完整技术栈置于真实营业环境、接受全网监督的一次公开压力测试。 真实门店中的感知、操作与调度挑战 具身智能的评测长期面临一个结构性难题：实验室可控，真实世界不可控；而多数评测环境是 "半真实" 的 —— 光线可控、位置可标定、流程可预设，与部署环境存在系统性偏差。 便利店，恰恰是城市商业中开放性最强、又被严重低估的场景之一。从技术角度来看，真实门店至少在三个层面给机器人 “上了强度”。 一是柔性物体的精细操作。软包装商品在抓取中发生形变，要求系统基于力觉与触觉反馈实时调整控制参数；夹取黄金糕一类易损物体，对力控精度提出了更高要求 —— 施加的力不足会滑落，反之会碎裂。 二是长程任务的规划与耦合。以补货为例，完整流程涉及目标识别、库存判断、路径规划与状态维护等多个子任务，子任务之间存在严格的依赖关系：取货前须评估操作可行性，目标被遮挡则须先执行清障。多任务并行时，系统还需维持长时状态记忆。 三是开放动态环境下的避障。门店内，顾客、宠物的移动具有不可预测性，系统须在严格的安全约束下完成实时感知与避障决策，必要时主动降速甚至中止动作。 与之相对，实验室环境的光照、物体位姿与作业流程均可预先标定，属于分布内条件；真实门店则持续产生分布外样本 —— 一次抓取成功，不代表同一动作在新的空间条件下可以复现。 直播还设置了特邀体验官巡场环节，他们的现场任务只有一个：给机器人上点强度。比如让机器人从有糖和无糖可乐中辨认并取出指定商品；在路线上临时安排人和箱子挡路；在机器人夹取熟食时故意晃动箱子。 直播中，机器人一边语音抱怨 “工作好难”，一边完成了辨认取货、遇障绕行、在晃动中调整动作完成夹取等一系列操作。 构建部署后的能力迭代闭环 24 小时作业中，机器人并非百发百中，现场也偶有失手。 评估具身智能系统，业界惯用的指标是成功率、节拍等硬指标。但在开放环境中，更重要的指标是恢复力 —— 出错之后，系统能否自主归因、自主调整，并将教训转化为可复用的经验。 智元的探索是，一个叫 Genie Master 的具身 Agent 框架。按照智元此前公布的信息，它是 6 台机器人共同的 “大脑”：既负责任务调度，也连接执行结果与后续学习。其核心的具身执行协议把 “判断 — 执行 — 反馈” 连成闭环 ——Agent 掌握每台机器人的能力并给出执行引导，执行结果实时回传，成为下一轮判断的依据。 这可以让机器人不依赖人工示范与调试，自己定位失败原因、调整策略。在前期测试中，搭载 Genie Master 的精灵 G2 在熟食打包、取货、补货等任务上，流程成功率从首日的 28.6%，到第五天提升至 85.7%，并趋于稳定。 机器人新掌握的技能，会被逐步沉淀为可复用经验：成功与失败的轨迹经每日总结进入长期记忆，遇到同类任务直接调用；有效的调整过程转化为训练数据，反哺动作策略优化。 两条路径配合，让每一轮作业都为下一轮学习提供反馈 —— 也就是 “边上岗、边解锁新技能”。 这带来的一个直接变化是：机器人越多、上岗时间越长，积累的经验就越多，改进的速度也越快。 视角抬高一些，对具身智能的大规模落地而言，这解决了具身智能最现实的一个瓶颈。靠人工遥操作和工程师调试来兜底，机器人部署越多，人力成本越高，商业模型很难成立；而 Genie Master 代表的路线，是把这些工作交给机器人自己 —— 执行结果自动回流，策略自动调整。 至少从便利店的数据看，这条路径已经初步跑通了闭环。 全栈协同是 Physical AI 落地的前提 如果把便利店中的任务逐层拆开，会发现没有任何一个问题，仅靠某一长板能解决。 抓取得准，依赖本体性能 —— 关节精度、力控能力、硬件一致性；动作流畅，依赖策略与控制的协同；经验可复用，依赖完整的数据记录与评测体系。 单点技术的突破，无法替代全栈能力的协同，这是具身智能
