ChatGPT 和 Claude 成為科技行業的主流敘事關鍵詞之後，人們對於新科技從 PPT 到大規模應用，再到商業化轉折點的期待，也就從「iPhone 時刻」變成了「ChatGPT 時刻」和「Claude 時刻」。
ChatGPT 時刻代表技術獲得了大規模的用戶，而 Claude 時刻則意味著技術找到了可以持續的商業模式。
過去一年，具身智能行業最常被追問的問題，大概是：機器人什麼時候迎來自己的 ChatGPT 時刻？
這個問題帶著一種典型的 AI 產業想像，大語言模型曾在一夜之間走向大眾視野，也讓許多人相信，機器人同樣可能在某個時刻突然跨過臨界點，從實驗室、展台和短影片裡走出來，進入真實世界，接管那些重複、繁瑣、危險或高精度的工作。
具身智能的行業敘事，正在從「未來會怎樣」轉向「今天能做什麼」。
7 月 6 日，至簡動力在蘇州舉行場景落地暨百台交付儀式，宣布首款全場景機器人 i7 Pro 完成首批 100 台交付，並落成全球首個 CNC 智能化具身機器人產線。按照公司披露的資訊，從成立到百台交付，至簡動力用時不到一年，也由此創下其所稱的具身智能行業最快百台交付紀錄。
從「GPT 時刻」到「Coding 場景」
至簡動力內部一直在復盤大語言模型的發展。賈鵬說，團隊從公司成立之初就在學習大語言模型的產業演進：ChatGPT 的爆發看上去像是一個瞬間，背後卻是預訓練、數據、算力、基礎設施和產品場景長期積累後的結果。
機器人行業當然需要屬於自己的「GPT 時刻」，但這個時刻大概率不會像一個按鈕被突然按下。它更可能是一系列基礎能力持續堆疊之後，某些場景率先跑通，再通過數據、模型、工程和商業閉環逐步擴散。
所以，比「具身 GPT 何時到來」更現實的問題，是具身智能的「Coding 場景」在哪裡。
對大語言模型來說，編程是一個足夠高頻、足夠剛需、反饋鏈路足夠清晰的場景。開發者會不斷提出任務，模型不斷生成代碼，人類立即驗證結果，再反過來推動模型和產品疊代。需求、數據、工具鏈和付費意願在這裡形成閉環。
具身智能也需要這樣的場景。
它可能不止一個。CNC 上下料、倉儲分揀、商超補貨、柔性 PCB、光電模組、AI 儲存、生物醫藥實驗室，都可能是機器人尋找「產品化抓手」的早期場景。它們未必像科幻電影裡的通用機器人那樣抓人眼球，卻有更清晰的任務邊界、更真實的客戶需求，也更容易形成數據回流。
至簡動力這次選擇的起點，是 CNC 產線。
CNC 上下料看起來並不性感，甚至還有點傳統：機器人需要在多台工具機之間移動，完成上料、取料、定位、插入等連續動作。但這個場景對機器人能力的要求並不算低：它既需要移動能力，又需要高精度操作；既要應對真實工廠環境，又要滿足長時間穩定運行和安全要求。
尤其是「移動 + 高精操作」的疊加，讓它比固定工位的機械臂抓取任務更複雜。底盤移動會帶來誤差，機械臂操作也會帶來誤差，兩者疊加之後，機器人仍然需要完成 0.1 mm 級別的定位、插入和對齊。對於一台樣機來說，跑通一次任務已經不容易；對於一批機器人來說，保持多機一致性和連續穩定運行，才是真正進入交付階段的門檻。
這也是百台交付的行業意義：它把具身智能從「演示一次」推進到「批量進入現場」。
至簡動力對外強調，百台交付的核心不在某個單點技術，而在一套系統能力。這套系統可以拆成四個部分：模型、本體、數據和軟體平台。
模型，是機器人的大腦。至簡動力選擇的路線，是原生具身基座模型。行業目前主要有兩條技術路線：一條是基於 VLM 的 VLA，另一條是基於影片生成的世界模型。至簡動力的判斷是，具身智能需要的不只是看懂世界，還要理解物理規律，並預測行為與環境之間的閉環交互。
因此，至簡動力提出了 LaST 系列具身基座模型，嘗試把多模態理解與生成整合進一套統一架構。LaST 定位為「理解與生成合一」的具身基座模型，圍繞它，至簡動力還推出了 TMR 3D 視覺感知模型、人類數據訓練方法 LaST-HD，以及強化學習算法 LaST-R1，逐步建立從預訓練到後訓練的技術體系。
從行業觀察角度看，這條路線的關鍵詞不是「更大的模型」，而是「更適合部署的模型」。機器人面對的是連續、實時、有物理約束的世界，它不能只在雲端慢慢推理，也不能把每一個任務拆成複雜的手工工程。因此，能否把空間理解、任務規劃、動作輸出和世界建模能力壓縮進端側可用的模型形態，會直接影響機器人能不能真正進入現場。
數據，是機器人的經驗。大語言模型依賴網際網路文本和代碼語料，機器人則缺少這樣天然存在的大規模數據源。真實世界裡的手、物體、力、摩擦、遮擋、位姿和環境變化，都很難通過低成本方式持續獲得。至簡動力的解法，是自研便攜式數據採集設備，走眾包採集路線，並在 11 個月內完成三代數據採集手套研發。
按照賈鵬披露的數據，至簡動力的數據規模從 0 增長到近 3 萬小時、2 PB，GPU 從幾十張擴展到 1200 張，系統設計目標是支撐每月 10 萬小時的數據生產能力。這個數字當然還需要在更長期的場景中驗證其質量和有效性，但它至少說明，至簡動力對具身智能的判斷並不只停留在模型結構，而是把數據生產能力視為底層基礎設施。
至簡動力在本體設計上強調「模型定義本體」。這句話聽起來像一個技術口號，落到產線里，其實對應的是可靠性、一致性、可維護性和成本。至簡動力 i7 Pro 面向真實場景設計，搭載七自由度模組化力控人形臂，臂展達到 1000 mm；採用車規級電子電氣架構，搭載 2070 TFLOPS FP4 中央計算平台，具備 360° 環境感知、主動避障和近人安全機制。產品還採用模組化力控人形臂，支持快速裝配、更換和標定，末端執行器可根據任務需求在二指夾爪、三指夾爪或靈巧手之間擴展。
過去很多機器人項目卡在「最後一公里」。實驗室里可以工作，到了現場就要重新集成；一個工位可以工作，換一條產線又要重新調試；單台機器可以工作，批量交付之後一致性難以保證。至簡動力強調一小時開箱即用、通用泛化和快速部署，本質上是在回應這一痛點。
僅僅擁有一個基座模型，還不足以真正做好具身智能。機器人同樣需要屬於自己的 Agent 框架，也需要屬於自己的「Claude Code」。至簡動力打造的 Simple Claw 開發者生態，集成 Agent 框架、Skill 庫、底層 SDK、仿真驗證和真機部署工具，希望降低機器人應用開發門檻。
這一點對具身智能尤其關鍵。單家公司不可能覆蓋所有行業和場景，機器人要進入千行百業，就必須讓更多開發者、客戶和合作夥伴參與應用開發。模型負責通用能力，平台負責開發效率，真實場景負責反饋數據，三者之間能否形成正循環，將決定機器人從少數示範項目走向規模化應用的速度。
真實產線，是最好的壓力測試
真實產線不會為機器人降低難度，工具機、料框、通道、工件、節拍和安全規範都有既定要求。機器人進入現場後，必須適應原有生產系統，而不是要求工廠完全圍繞機器人重建。
這也是具身智能區別於傳統自動化設備的地方。
傳統自動化往往擅長結構化、高一致性、高節拍的任務，但面對多品種、小批量、頻繁換線的製造場景時，改造成本和集成周期會明顯上升。具身機器人如果要證明價值，就必須在這類非完全結構化場景里體現靈活性：更輕量地部署，更快地遷移，更低成本地適配新任務。
至簡動力把 i7 Pro 定義為全場景機器人，而 CNC 上下料只是第一步。按照資料披露，公司接下來還將在工業場景中拓展光電模組、柔性 PCB、AI 儲存等人工智慧基建領域應用；同時在商超零售、智慧物流、生物醫藥等領域開展驗證。
這些場景共同指向一個更現實的路徑：通用機器人不會一開始就無所不能，它會先在若干高價值、高頻、邊界相對清晰的場景里完成能力閉環，再逐步擴大邊界。
這與自動駕駛的發展很像。L4 自動駕駛很難從第一天就覆蓋所有道路和天氣條件，所以行業往往從固定路線、港口、礦區、園區、Robotaxi 試點城市等場景切入。具身智能也一樣，早期落地不需要證明機器人什麼都能做，而要證明它能在某些真實場景里穩定創造價值。
機器人是複雜硬體系統，涉及關節、電機、減速器、傳感器、計算平台、末端執行器、整機裝配和現場調試。越接近交付，供應鏈和工程能力的重要性越高。
研發效率很大程度上就是供應鏈效率，產品疊代速度很大程度上就是產業鏈協同速度。至簡動力把研發放在蘇州吳中，一個很現實的原因是當地擁有完整的製造業基礎和機器人產業生態。按照資料表述，吳中及周邊 2 小時製造業經濟圈，為至簡動力提供了關鍵零部件供應、加工製造、整機裝配、調試驗證和真實客戶現場。
過去大模型公司的競爭，常常圍繞算力、數據和算法展開；機器人公司的競爭，則會多一個硬體和製造維度。模型再強，也需要穩定的本體來執行；算法再先進，也需要可靠的關節、線束、傳感器和電氣架構來支撐；場景再清晰，也需要工程團隊在現場反覆調試、驗證、維護。
因此，具身智能的護城河很難只來自論文或 demo。它更像智能汽車產業的延伸：算法、硬體、供應鏈、質量體系、工程交付和場景運營共同構成競爭力。
這也解釋了為什麼至簡動力核心團隊的背景值得關注，至簡動力核心團隊來自智能汽車、自動駕駛、供應鏈和工程量產體系。CEO & CTO 賈鵬曾任理想汽車自動駕駛技術研發主要負責人 ，董事長王凱曾任理想汽車 CTO，COO 王佳佳也有自動駕駛量產研發和輔助駕駛系統工程經驗。
從自動駕駛到具身智能，場景不同，但底層方法論有相通之處：都需要把 AI 能力放進一個高可靠、高安全、可量產、可交付的複雜系統里。
具身智能仍然處在非常早期的階段。
百台交付並不意味著通用機器人已經成熟，也不意味著行業已經找到所有問題的答案。但它至少代表了一個方向變化：行業開始從宏大的 AGI 想像，回到具體的產線、工位、物料和節拍。
這對具身智能反而是一件好事。因為機器人最終要改變的，不是發布會上的想像，而是現實世界裡的工作流。當它能在 CNC 產線上穩定上下料，在倉庫里完成移動分揀，在商超里完成取貨打包，在實驗室里處理標準化流程，它才會真正成為一種生產力，而不是一種被觀看的技術奇觀。
