启智发布HALO技能服与HumanGPT，构建具身智能真实作业数据闭环

事件概述

在2026年世界机器人大会（WRC）现场，启智展示了一套名为HALO的技能服务系统及基于此训练的HumanGPT模型。该系统的核心逻辑是绕过传统的遥操作数据采集方式，直接让熟练产业工人在真实工作场景中贡献经验，通过多模态传感器记录操作细节，并将这些“隐性知识”转化为机器人可理解的数据资产。

核心技术与数据路径

1. HALO技能服：从遥操作到自然作业
传统具身智能数据采集多依赖遥操作，即人员佩戴头显或手套远程控制机器人。这种方式存在明显局限：数据往往与特定机器人本体的关节数量和机械结构强绑定，硬件迭代后数据复用价值低；且工业场景（如喷涂、焊接）工艺门槛高，懂工艺者未必会遥操作，会遥操作者未必懂工艺。

HALO技能服改变了这一现状，其设计特点包括：

• 无感采集：工人像往常一样使用工具（如喷枪、锅铲），无需额外学习遥操作技巧。
• 多维数据同步：设备同步记录第一人称视觉、空间深度、手部触觉、肌电信号以及全身姿态。
• 经验数字化：捕捉那些难以写入操作手册的细节，例如拐角处的速度控制、易碎品的夹取力度、手腕与身体的配合节奏等。

2. HumanGPT与分层架构：解耦人与机器人
采集到的原始数据并非直接用于控制特定机器人，而是经过以下处理流程：

• 原子技能拆分：完整任务被拆解为抓、拿、取、放、捏、推等原子技能，再组合成切菜、翻炒等复合任务。
• 标准人体表征：HumanGPT采用分层架构，将人类动作映射到SMPL标准人体表征中。这意味着技能以统一的人体形式保存，不直接绑定任何具体机器人的关节。
• RobotGPTs适配：当需要将技能迁移到不同形态的机器人（如双足人形、轮式双臂、工业机械臂）时，由RobotGPTs结合目标本体的运动学与动力学特征进行适配，目前主要采用强化学习完成这一迁移过程。

这种设计实现了数据与硬件的解耦，使得一段真人采集的数据可以保留为通用的人类技能资产，并根据任务需求灵活迁移给不同构型的机器人。

商业化进展与行业影响

1. 数据积累计划
启智认为单纯讨论数据量（如百万小时）参考价值有限，更强调“采集-训练-验证”的迭代循环。公司计划在今年11月前积累约十万小时的真实场景数据，大部分由合作方提供。此外，内部搭建了厨房场景持续记录真人做菜过程，并逐步引入机器人操作以实现人机技能迁移。

2. 交付模式变革
具身智能的竞争焦点已从“跑得快、手指灵”转向“稳定干活、换工件是否适应、学会新技能的成本”。启智的体系包含：

• 大衍数据平台：负责数据治理和模型训练。
• 墨斗IDE：承担任务编排与仿真。
• OpenmindOS：连接机器人本体。
• HumanGPT：提供人类技能模型。

客户最终购买的不仅是机器人硬件，更是包含技能库、场景适配能力及后续训练成本的完整解决方案。

3. 投资回报预期
针对工业客户，启智判断通常可接受约两年的投资回收期，即通过节省人工成本和提升产能收回投入。因此，公司更重视客户的复购率以及跨客户的批量应用能力，将其视为衡量落地效果的关键指标。

值得关注

随着熟练工人经验被采集、标注并转化为模型，具身智能行业可能催生一条新的技能供应链。焊接、喷涂、分拣等领域将逐渐形成各自专属的数据集和技能模型，机器人公司的交付边界将进一步扩展至全生命周期的技能管理服务。