2026年6月，Automate 2026在芝加哥开幕。展馆里，多个具身智能模型公司都基于同一款机械臂展出了最新demo——非夕的Rizon拂晓。该公司在展会上也面向全球发布了Enlight初昕与MICO两款新品，延续了其从Rizon系列开始的、以仿人化技术为核心的本体系统基座路线。

把镜头拉远一点看，会发现一个可能隐蔽但却不该忽视的情况：海外一批具身大模型公司在过去18到24个月里，把数据采集、模型训练、复现验证、产线试制这一整套工作流，越来越多地落在了非夕的机械臂上。

在具身赛道叙事主题高度集中的今天，公众往往更关注谁做出了更强的模型、谁的模型在仿真里跑通了更多任务。但这其中始终有一个无法忽视的重点：这些大脑往哪装。Automate所呈现出的海外具身模型公司在本体系统端的倾向，不禁让人想问，非夕到底做好了什么，才成了这些具身智能公司的共同选择。

01.

为什么海外大模型公司都选ta

具身大模型的故事，2025年讲的是模型架构，2026年讲的是数据飞轮，软件、算法和系统侧卷到飞起，但作为其载体的机器人本体能力和打造成本却鲜少被拿出来深入探讨。

“全栈自研派”大公司如特斯拉Optimus和Figure AI，从一开始就投入大量研发自己做人形硬件，这其中有软硬件深度耦合的需求使然，也有对产品定义权的长期考量。

但实际情况是，一个具身大模型团队如果从零搭建一支软硬件团队，从搭建供应链到把第一台机械臂送进实验室，普遍需要以年为单位的时间投入，也会消耗掉相当比例的早期融资。

2025年下半年，Physical Intelligence用10亿美元融资把Pi-0模型推到工业试点，团队公开承认，本体准备时间比他们预期的多花了9个月。同一时间，1X Technologies推NEO的Beta版推迟了4个季度，原因是硬件的迭代速度跟不上模型升级。

这其中多出来的时间和人力成本，其实反映的是模型公司擅长的“算法”思维和优势，在打造最优的物理执行体上不一定奏效。

非夕做的事情，本质上是另外一个思路：从本体系统端负责把手臂性能做到最优，替模型公司跑完所有的研发、测试、验证、规模化周期；同时以机器人本身技术的先进性和通用性，帮助实现具身智能想要达到的上限。

现在看来，这条路线上的进展是极为显著的：从2024年起，海外多家具身初创就在实验室大规模部署非夕的Rizon系列，开展具身基础模型训练与真实世界操作验证。2025年，更多团队在不同城市的实验室与产线环境里相继接入。

到了今年4月Generalist AI发布GEN-1的那天，公开论文里那张训练机械臂的特写照片，背景里4台Rizon整齐地排成一列。2025年发布的GEN-0在简易物理操作任务上的平均成功率是64%，不到一年时间，GEN-1推到99%，非夕完整陪伴了这35个百分点的跃升之路。

这次在Automate现场，Generalist AI演示用搭配GEN-1的双臂Rizon给扫地机器人换抹布，在不损坏抹布或扫地机的基础上，模型+机器人力控+双臂协同非常优雅地完成了整个操作；Industrial Next展现了结合模型的单、双臂自适应机器人如何自主完成精密的板卡装配，直接把真实产线上的操作搬上了展台。

总部位于帕洛阿尔托的Rhoda AI专注于DVA（Direct Video-Action Models）路线，选择先利用大规模互联网视频对模型进行预训练，今年3月宣布完成4.5亿美元B轮融资。随即发布的第一支demo视频中，Rizon是主要“演员”，展现经过10小时训练后，流畅完成一系列的柔性协同作业。

在欧洲，在德国工业4.0变革背景下成长起来的Sereact着眼于仓储和制造场景，将使用非夕的自适应机器人搭配具身模型Cortex进厂进行操作处理和打包分拣。

在印度，CynLr从工厂全流程场景出发，创新多样的机器人组合形态，打造“多面手”。

从覆盖范围来看，全球已有数十家具身智能公司与非夕建立合作，分布在不同地区、采用不同技术路线、应对不同应用场景。

这种覆盖，本身也验证了非夕的产品在不同模型框架下的通用能力。

02.

一条为具身智能打底的本体系统技术链

从2019年发布第一款自适应机器人Rizon拂晓开始，非夕一直坚持做的，是能够解决操作难题、通用于不同场景的仿人化机器人技术和产品。

具身智能场景的核心挑战之一即在于接触式操作。在实际执行中，视觉可以告诉机器人物体在哪里，但需要力觉告诉机器人怎么触碰物体、怎么实时调整——能否实现像人一样“巧”的操作，力是核心变量。

因此在本体系统层面，机器人本身就需要具备不同等级的力相关“智能”：最底层是力感知和力控模拟的人类手感，然后是实时力调整带来的“条件反射”能力，再上一层是全身的力觉规划和协调，帮助精准调用“随意肌运动”、并进一步形成肌肉记忆。

不难看出，非夕想用先进力觉感知、实时力调整和全身规划能力所串起来的，是一条为具身智能打底的本体系统技术链。在这之上再去融合不同的具身模型作为大脑，来达成真正仿人、通用的机器人智能。

这次Automate 2026上非夕面向全球正式发布的两款新品Enlight和MICO，是这条链路的两个新载体。

Enlight在每个关节内置多维力传感器，配合10kHz关节控制频率与微牛级力控精度，把力感知和力控做成整臂的原生能力，从而构建了全域的力感知网络。这可以让机器人更深度地感知复杂开放的物理世界、进行多元化的人机交互，并辅助进行更高效的具身数据采集和模型训练。

Enlight也天然更适合双臂协同操作。传统双臂方案需要两台独立机械臂通过上位机信号协同，逻辑异常复杂，编程困难。Enlight专属的Orion控制器从产品层面实现原生的双臂协同，单一控制器同步驱动双臂，通过中央算法矩阵完成双臂动作的协调控制和最优轨迹规划，让具身场景中的双臂、甚至多臂具备完善的“小脑”，协同操作自然流畅。

安全架构，则是这条链路的全球化通行证。具身智能的商业化障碍之一落在安全合规这一环。算法精度做得再好，没有安全认证也无法进入多样化的场景，更不要说踏足国际市场。非夕全新的自研安全架构符合最高难度的安全本源标准IEC 61508、最新机器人安全标准ISO 10218-1及ISO 13849-1等，实现了从被动停止到主动监控的跨越，具备多元形态的系统级安全。

把这些能力组合起来看，Enlight要完成的技术突破任务很多：要在752毫米的臂展里塞下所有传感器、电机、谐波减速器等零部件、本质安全硬件，要同时做到多关节运动范围可达720度、10kHz关节力控响应，还要在关节内做多圈编码器，还要扛住关节内大几十度范围的传感器温升漂移。任何一个变量失守，整只手臂就废了。

非夕扛住了这个挑战，这背后有最前沿技术的不断深化，也有多年工业场景实测之后的能力积淀。

MICO，则是以Enlight为基础做的类人形模块化产品。它把单臂Enlight、控制器、双臂安全架构、视觉模块、移动底盘，重新打包成多个标准形态。从功能上来看，MICO搭载业内最小尺寸的全功能控制箱，最多同时支持18个自由度联动，除手臂具有全域力感知网络外，腰部也有力控能力。

其实一路从Rizon到Enlight和MICO，非夕回答的都是同一个问题：具身大模型的那一层基座设施，到底长什么样。

经验证明，当AI的底层算力平台足够强大、好用时，上层开发者不需要关心本体系统怎么调度，只需要调用接口。具身智能领域需要的也是这样足够强大、好用的底层平台，让大脑和顶层应用能“各显神通”，灵活生长。

这意味着大模型公司不再需要为不同的实验台拼多套适配代码。意味着产线客户使用一台MICO搭配模型跑通某个精密装配环节，就可以使用多台不同形态的MICO进行跨站复制，换型、换线无缝适应。

这种底层技术的优势和开箱即用的工具链配备，让聚焦在模型构建和算法研究的公司，可以没有后顾之忧地去顺应快速发展的具身模型浪潮。

03.

“背后的角色”

要把具身基座这盘生意做稳，非夕建造的门槛比想象中要高得多。

第一，本体系统的能力和产品力要足够稳定、可靠。从2019年发布的Rizon拂晓，到Moonlight玄晖，到今年发布的Enlight初昕，非夕的每一款自适应机器人都要历经足够长的自研周期、不同应用场景的反复测试、真实工况的长期应用和持续迭代。从满载、满速的10万次全关节循环耐久测试，到在汽车、3C电子、家电、航空、甚至医疗、农业等多样化场景中的连续运行，每一台产品，都通过了反复的验证与考验。

这样的本体系统，才能天然满足模型公司对物理载体的要求。

第二，要做到足够的开放和易用。具身大模型公司对于算法和本体系统的耦合十分看重，要的是硬件可改、能被破解、能实时协同。这意味着非夕的机器人要把所有传感器数据、控制接口、力矩反馈全部开放到开发工具链层面，并且要把工具做得好用、易懂。自2022年开始向客户提供机器人开发工具包Flexiv RDK起，非夕就允许用户对自适应机器人进行底层实时控制，并根据客户的需求不断迭代工具的易用性、稳定性和功能性，这对具身大脑的接入十分关键。

针对如具身数据采集等具体场景，非夕还提供多种专业的集成开发环境，以支持定制化开发与多场景集成。比如用于遥操作场景的软件开发工具包Flexiv TDK，可以帮助用户轻松构建以自适应机器人为基础的遥操作应用，实现主从臂间高透明度、柔顺稳定的运动跟踪和力反馈。

非夕在软件产品侧提供的，是覆盖多语言、多框架的一整套完备的开发工具链，让模型公司可以方便地把自适应机器人本体系统适配进自己的技术栈。

第三，多年现实场景沉淀的能力和经验，能帮助具身智能快速落地。在客户工厂中的数千万次运行，将新的共性能力沉淀到非夕的软硬件体系中，催生出更多的技术和技能突破。打磨场景是一个很明显的实例。在历经大量的客户需求和项目实践后，非夕的自适应机器人打磨操作技能能够稳定覆盖不同曲面、工件材质、作业范围和工况，支撑多样化的打磨工艺策略的实现，这些是经过长期探索后，形成的对打磨场景最有效、最通用的方法论。

结合这类本身成熟的方法论，和自适应机器人的模块化设计、多形态适配、完全满足工厂标准的安全性，具身智能模型和系统可以在真实环境中快速获取数据、优化学习策略、进行自我迭代，并最终规模化作业。这种直接从仿真和实验室到工厂的能力，需要极扎实的本体系统技术链作为基础，这正是非夕所提供的价值。

当2026年及之后越来越多的具身大模型公司都把非夕适配写进自己的技术栈白皮书时，非夕在具身智能产业链里的位置会更加明晰，同时也会更加变成“背后的角色”——成为这个生态中最坚实、最具包容性的支撑层之一。

那一天大概会比想象中来得快。