知识卡片：安努智能工业具身智能闭环

一句话结论

材料称，安努智能通过一周内发布六款模型，试图把工业具身智能的“数据生成—认知理解—训练进化—动作执行—端到端部署”串成闭环；其核心论点是“模型可以开源，部署经验不能”。

事件概述或研究问题

• 量子位 2026-09-10 报道，安努智能面向工业具身智能商业化落地，发布六款模型：Helios、SimLab、ActiWorld、EvoHIL、AnuVerse-0.5、Nexus。
• 报道提出的问题是：具身智能从 demo 到批量部署之间存在鸿沟，哪个场景离批量落地最近。材料判断，工业场景因动作重复度高、任务边界相对固定，可能比家用场景更早突破。
• 背景数据：材料引用量子位不完全统计称，截至 2026 年 6 月 12 日，国内具身智能赛道融资约 438 亿元，达到 2025 年全年近八成；并引用国家税务总局数据显示，2026 年 1—5 月全国工业企业购进具身智能机器人总金额同比增长 2.3 倍。
• 传统工业机器人能完成焊接、搬运、喷涂等固定动作，但仍受硬件结构固定、软件依赖预编程限制。材料认为，这一轮要解决的是机器人自己看懂场景、执行动作，并在无人盯梢下长期稳定运行。

方法/产品要点

• Helios：实时长视频生成模型。材料称其可实时生成分钟级长视频，在单张 H100 GPU 上实现 19.5 FPS 推理速度；最初并非专为机器人设计，但长时序建模、持续生成、实时推理等能力被具身智能与世界模型团队采用。
• SimLab：软物体仿真平台。面向软体物体难建模问题，包含自研软体和热学物理求解器、基于 Isaac Sim 的合成数据工厂、sim2real 迁移方法，并配合自研数采套件。材料称其在物流软包裹分拣、工业设备热视觉数据生成等项目中完成验收落地，并用百元级机械臂、零真实标注跑通全流程。
• ActiWorld：让世界模型对动作后果负责。训练阶段使用逆动力学头、双向预测、运动加权三条约束，强调动作、时间、空间信息；推理阶段走标准接口，兼容现有动作条件扩散骨干。材料称其对成败判断与真实结果偏差低于 3.25%。
• RoHIL / EvoHIL：材料将其叙述为两代真机强化学习技术，六款模型清单中列出 EvoHIL。目标是在光照、工位、任务变化时减少重新采集数据、离线标注和停线重训。材料称 RoHIL 可将世界模型重新打光，跨光照部署成功率做到 100%；EvoHIL 让奖励模型、动作生成器、视觉感知具备自适应能力。
• AnuVerse-0.5：工业垂类模型。采用视频专家预测画面、动作专家输出动作的 MoT 架构，基于 14B 参数的 Helios 开发；材料称推理速度为百毫秒级，一张桌面级显卡即可运行。
• Nexus：端到端部署系统。材料称具备快速部署、自主调度、资源汇聚三大优势，内置基于动作层面的安全盾，并已打通 SAP 的 EWM 和 Joule 系统，使机器人嵌入工厂原有生产管理流程。
• 闭环逻辑：Helios/SimLab 生成数据，ActiWorld 负责预测，RoHIL/EvoHIL 负责技能进化，AnuVerse-0.5 负责执行；真实数据回流底层数据基座，用于下一轮训练。
• 研发路径：材料称安努没有一味追求通用基模，而是先让工程师进入富临精工真实产线；内部用 FDE（前沿部署工程）类比驻场工作方式，把踩坑经验沉淀为可复用技能包。Q&A 中称，部分模块通过生态联合研发，核心聚焦 AnuVerse-0.5 端侧垂直小模型与 Nexus 部署系统。

主要结果或产业意义

• 材料/公司称：
  • 分拣任务原执行策略成功率 56%，加入 ActiWorld 引导的预演后，相对失败率下降约 13.6%。
  • RoHIL/EvoHIL 框架下，机器人训练 30 分钟可达满分水准；USB 插入类精密任务成功率 100%，光照完全偏移时人工介入比例 1.32%，不到旧方法十分之一。
  • 有了 EvoHIL，机器人在 6 类典型工业任务中成功率大幅提升，训练、迁移、奖励设计三块成本叠加后，同等规模部署整体成本可降低约 80%。
  • 富临精工第一个工位 4 个月跑通部署，同类工位现在 3 天可完成，设备平均故障间隔时间做到 300 小时以上。
  • 富临精工绵阳工厂料箱搬运场景已有批量订单，不是 POC；公司称单班回本周期可压到 12—18 个月，比传统工业机器人便宜 40% 以上。
• 产业判断：材料引用高盛报告观点称，机器人走路、导航等能力可较大程度靠仿真训练解决，但柔性物体操作、工具使用、精细抓取等任务“本质上无法仿真”，稀缺的是真实产线与真实场景的部署数据；这类“部署产生的专有数据”被视为机器人公司长期护城河。
• 产业意义：竞争焦点从单纯模型参数和论文指标，转向谁先把机器人送进工厂、连续稳定运行，并形成数据回流与部署经验积累。

为什么重要

• 本条材料把具身智能的落地问题具体化为工业产线闭环：不仅要有模型，还要有数据生成、动作后果预测、持续进化、端侧执行和部署调度。
• “模型可以开源，部署经验不能”是材料的核心产业叙事：开源基座会持续外溢，但真实产线上的光照、工位、物料、停机成本等 know-how 难以复制。
• 如果材料中的订单、ROI、稳定性与成本数据成立，工业具身智能的商业化验证标准将从 demo 演示转向产线连续运行、回本周期和故障间隔。
• 与已有 OpenRouter 卡片所记录的 LLM 网关/模型路由中间层平台化不同，本条增量在于：把“中间层产品化”命题推进到工业具身智能领域，关注真实产线部署、仿真到真机迁移、数据回流飞轮，而非 API 聚合与路由本身。

局限与不确定性

• 本条主要基于量子位单一报道，且包含大量公司自述、内部测试和客户案例，第三方独立验证情况待核实。
• 模型具体发布日期、是否全部开源、授权方式与可用范围待核实。
• Helios、SimLab、ActiWorld、EvoHIL、AnuVerse-0.5、Nexus 的性能数字测试条件、基准对比和可复现性待核实。
• 高盛报告全名、发布时间年份、样本与具体数据口径待核实。
• 富临精工订单金额、部署工位数量、客户数量、付费规模待核实。
• Nexus 与 SAP EWM/Joule 的集成深度、安全盾技术机制、合规责任边界待核实。
• 安努智能英文名、成立时间、融资轮次、团队规模等公司基础信息，材料未完整给出，待核实。
• “一周连发 6 个模型”的具体日期范围与“一周”口径待核实。

可用于图书/PPT/简报的角度

• 从“会聊天”到“会干活”：AI 产业叙事向工业具身智能迁移。
• 六层闭环图：数据生成—认知预测—训练进化—动作执行—部署调度—数据回流。
• 模型开源 vs 部署经验：护城河从代码转向真实产线 know-how。
• 合成数据 + 真机回流：工业长尾数据飞轮如何降低数据采集成本。
• 中间层创业定位：不重造通用基座，做“检验—学习—执行—落地”的闭环。
• ROI 视角：一机多岗、换线不重新示教、12—18 个月回本、比传统工业机器人便宜 40% 以上。
• 工厂集成视角：机器人接入 SAP EWM/Joule，动作层安全盾，停机成本与责任边界。
• 风险提示页：单来源、公司自述、待第三方复现、客户与订单信息待核实。

原始材料

• 中文标题：一周连发6个模型！这家公司把具身智能的闭环跑通了
• 英文标题：待核实（原始材料未提供）
• 来源：量子位（QbitAI）
• 作者：克雷西
• 发布日期：2026-09-10 12:55:38
• URL：https://www.qbitai.com/2026/09/486625.html
• 英文关键词：Helios; SimLab; ActiWorld; EvoHIL; RoHIL; AnuVerse-0.5; Nexus; FDE; sim2real; MoT; VLA; SAP EWM; Joule; H100; ROI; POC; ICL; Cosmos 3