阿米奥机器人刘方：具身智能是数字化劳动能力的新业态

背景

过去两年，具身智能领域逐渐形成两种主流叙事：一是将其视为“大模型的下一站”，强调模型、数据和规模效应；二是将其类比为“自动驾驶向工厂的迁移”，强调感知、预测、规划与端到端闭环。两种说法各有道理，但在阿米奥机器人创始人刘方看来，它们都未能回答一个更根本的问题：我们究竟需要具身智能解决什么问题？刘方认为，具身既不是大模型，也不是自动驾驶，而是一种新业态——其核心目标是对人类劳动能力进行数字化。

核心内容

刘方指出，具身智能真正的数字化对象是“劳动能力”。互联网数字化了信息获取与分发，基础大模型数字化了知识的生成与调用，自动驾驶数字化了驾驶能力，而具身智能要数字化的是人类在真实物理环境中完成任务、持续产出劳动的能力。这一判断将问题拉回最务实的工业现场：客户购买的不是一个会演示动作的机器，也不是一组漂亮的模型参数，而是一段可以持续交付产出的劳动。机器人必须在工位上完成任务、保证良率、跟上节拍，并在经济性上替代或补充现有的人力与自动化方案。

劳动能力数字化的内涵

在工业场景中，劳动能力由一组相互耦合的能力组成：看清对象与状态、理解工艺目标、规划动作、控制接触力、处理误差、识别异常，并在必要时完成恢复。以简单的上下料任务为例，零件的反光、遮挡、摆放偏差、材料变化、夹具公差和节拍要求，都可能改变机器人下一步的行动。因此，具身智能的目标不是让机器人“能做更多动作”，而是让一段劳动流程在清晰的边界内成为可交付的能力包：可部署到一个工位，可持续运行，可记录、纠偏和升级，并在相近任务中复用。

HPI：衡量劳动能力的新尺度

受自动驾驶领域MPI（Miles Per Intervention，一次人工干预间自主行驶英里数）的启发，刘方提出具身智能的衡量指标——HPI（Hours Per Intervention）：机器人在真实生产环境中，每经历一次需要人工接管、纠正、复位或重新标定的干预之前，能够连续自主工作的小时数。与MPI不同，工厂中机器人面对大量不同零件、工序和工艺约束，HPI从1小时提升到10小时、再到100小时，意味着某段劳动流程开始在真实物理世界中被系统消化。

HPI必须在相同SKU、工艺要求、质量标准、安全约束和目标节拍下观察，并与良率、单位产出、人工投入和维护成本一起衡量。客户真正需要的是：HPI足够高，使这段劳动能被纳入排班和产能计划；对机器人公司而言，HPI持续上升意味着系统从“会做一次”接近“可以长期交付”。其本质不是机器人“坚持得更久”，而是客户开始相信“这段劳动可以交给它”。

后训练：从通用模型到产线级能力

刘方不否认通用具身模型的价值——它们提供了理解环境、遵循指令和生成动作的能力基础。但在产线中，模型“看得懂”并不等于系统“靠得住”。工业现场的难点在于模型预训练阶段很少见到的细节：材料与光照造成的视觉偏移、零件间微小的公差变化、接触时的摩擦与力反馈、工装位置的累积误差，以及偶发但必须处理的异常。因此，阿米奥将通用模型视为中间态，通过后训练将现场数据（包括第一视角操作数据、遥操作数据、真机调试数据、失败与人工干预记录）转化为工程反馈。只有将失败拆解到可处理的层面（视觉误检、抓取姿态不稳、接触力不合适、工艺判断错误或异常恢复策略缺失），数据才能转化为下一轮HPI的提升。此外，阿米奥还引入reasoning能力，使机器人能在未见场景中进行一定推理与决策，弥补后训练泛化能力的天然上限。

刘方认为，真正的壁垒不是拥有一个更大的模型，而是能否把每一次现场干预转化为下一次更少干预。具身智能的飞轮由此变得具体：部署越多 → 真实劳动数据越多 → 后训练越有效 → HPI越高 → 客户越愿意扩大部署。模型、数据与商业化在同一条闭环里互相强化。

形态服务于任务

刘方对工业机器人形态的判断是：人形并非没有价值，但现阶段客户首要需求是精度、节拍、稳定性、维护便利性及可计算的ROI，“像人”不是第一诉求。阿米奥选择轮式双臂路线（如AMI-01机器人），在许多固定或半固定工位中，轮式底盘与双臂协同能在覆盖范围、移动效率、稳定性和能耗之间取得更直接的工程平衡。产品形态应从任务出发，而非从想象出发。若任务核心是高速、精密、重复且需长期稳定运行，结构约束往往比形态通用更有价值。未来的机器人产品应被三个问题定义：它能替代哪一段劳动？HPI能做到多少？客户是否愿意为它持续付费？

复购：数字劳动力真正成立的时刻

刘方区分“意向订单”和“真实订单”。一次现场演示只说明系统在某个时刻完成过任务；短期试点只说明客户愿意继续观察；只有稳定产出、可计算成本收益和持续复购，才能证明机器人交付的是可被采购的数字劳动力。对于制造企业，购买机器人是一笔经营账：它能否覆盖完整流程？能否适应换线、换型和现场波动？发生问题后恢复和运维成本是否可控？单位产出、良率、人工投入和资本回报是否改善？阿米奥并不等待某个“机器人版ChatGPT时刻”，而是通过一条条产线、一段段劳动、一轮轮后训练推动HPI曲线，先在能兑现ROI的场景中建立能力，再让能力随部署和数据不断扩张。

关键要点

• 具身智能的本质是劳动能力数字化，而非大模型或自动驾驶的简单延伸。
• HPI（Hours Per Intervention） 是衡量机器人真实生产能力的核心指标，需结合场景参数综合评估。
• 后训练 是将通用模型转化为产线级能力的关键，需将每一次干预转化为数据反馈和工程改进。
• 机器人形态应 从任务出发，而非追求通用人形，轮式双臂在工业场景中具有工程优势。
• 复购 是数字劳动力真正成立的标志，证明机器人交付的不是演示能力，而是可采购的劳动力资产。
• 具身智能的进步是 渐进积累 的过程，依赖于部署、数据、后训练和HPI改善的闭环飞轮。

意义与影响

刘方的观点为具身智能行业提供了务实、可操作的方向。他呼吁业界跳出“大模型下一站”或“自动驾驶迁移”的宏大叙事，回归工业现场的本质需求：劳动能力的可记录、可训练、可验证、可复用、可持续改善。HPI的提出为评估机器人真实部署价值提供了量化尺度，有助于客户理性决策和行业标准形成。后训练闭环思路强调数据质量和工程反馈，而非单纯追求模型规模，为中小型机器人公司指出差异化路径。形态服务于任务的原则，则能避免产业过度追逐人形机器人而忽视实际ROI。若这些理念被广泛采纳，具身智能的产业化将从“Demo驱动”转向“劳动交付驱动”，加速数字劳动力在制造业的规模化落地。