专访智元熊彦：让技术走出一家公司的围墙，加速具身行业进化

机器人前瞻（公众号：robot_pro） 作者 许丽思 编辑 漠影 机器人也要开始打卡上班了？ 给机器人算工时、定KPI，一台机器人干一天活到底值多少钱，智元想给这个问题定一个标准答案。 10月29日，2026智元创新日在上海世博中心举行，一场发布会看下来，信息密度真的相当高！ 智元提出了一个全新的度量单位—— Worken（有效智能工时），要用活跃机器人数量、自主工作时长和产出效能比，来衡量机器人到底干了多少活。 紧接着发布的GO-3 Preview具身基座模型 在RoboDojo、RoboTwin、RoboColiseum三项具身智能评测榜单中均位列第一 ，会在年底开源。 随后， 智元合伙人、联席总裁熊彦 登台，一口气抛出了多个成果： 具身全模态端到端交互大模型 WITA-OMNI 正式发布 ，这个模型拿下四项交互相关评测榜单第一； 行业首个具身智能原生操作系统 灵渠OS 1.0 正式亮相并被捐赠给开放原子开源基金会。智元计划在年底把灵渠OS1.0全面开源。 生态侧，AIMA技术生态和元苼计划的最新成果也同步公布，技术底座进一步向全行业开放。 发布会后，我们和熊彦进行了一场对话。一场采访聊下来，我们发现，智元这一连串发布其实指向同一件事：让机器人真正进入工作岗位，把模型能力转化为可持续创造价值的生产力。 一、机器人会察言观色了！WITA-OMNI攻克真实交互难题 机器人站在人群里，听见有人说话，就应该回答吗？未必。 比如在游乐园里，周围有广播、音乐、游客交谈声，还有随时可能插话的小朋友。机器人既要听清声音，还要判断对方是不是在跟自己说话、什么时候该接话，甚至需要用动作和表情回应。 熊彦解释，自然交互难就难在 鲁棒性、情商、交互体验和智商。 WITA-OMNI 1.0，智元把鲁棒性放在第一位，重点改善嘈杂环境、多人交谈中的识别能力，并加强对情绪的理解和回应。 1、听得清、接得住、回应快，原生全模态模型亮相 WITA-OMNI走的是一条原生全模态技术路线： 将语音、视觉、文本等输入，以及语音、表情、动作等输出放进同一个模型， 统一训练和对齐，让机器人能够结合看到、听到的信息作出判断，并协调语言和身体动作。 为什么要这样设计？ “手机、电脑、智能音箱这类设备，通常大家用麦克风就能和它交互了，”熊彦解释，“但机器人需要直接融入真实人群，除了通过视觉感知周围环境，还需要结合语言、视觉等多种信息，持续理解交互过程中的上下文。” 比如，机器人听到有人说话，仅凭语音信息很难判断对方是否在与自己交流，还需要结合视觉信息，识别说话对象及其交互意图。 他透露，团队尝试过在已有大模型后面添加新模态，但容易造成原有能力损失，新增信息也难以与原始训练结果充分对齐。因此，智元选择 在初始训练阶段引入各种模态，让模型更好地掌握交谈时机、理解意图，以及判断什么时候该打断或保持沉默。 交互还得足够快，所以WITA-OMNI采用了 全双工与快慢双模架构 。 谈及这一设计，熊彦举了人类交流的例子： “人的交互系统 天生 就是双工的交互，我边听还可以边表达。” WITA-OMNI的前台负责即时回应，后台负责复杂推理、规划和任务处理，两者共享上下文与时间线。这样，即便后台正在处理任务，机器人也可以保持交流，用户还能随时补充或修改指令。 现场，我们看到WITA-OMNI让远征A3大秀了一把在人机交互上的出色能力。据了解，智元在远征A3上配置多摄像头、激光雷达、8个麦克风及高清面屏，让机器人结合视觉、听觉和身体动作交流。 远征A3学会了察言观色，熊彦问机器人看到了什么，远征A3称他是一位站在舞台上的“叔叔”。熊彦随即反问：“你说谁是你叔叔？”机器人马上改口称他为“帅哥”。 远征A3还能扛住各种“连珠炮”式的追问、多语言同传也是不在话下，据熊彦介绍，模型平均响应速度约600毫秒，最快400毫秒。 另外， WITA-OMNI 还 在Daily-Omni、TimeLens-Bench、EmbSpatialBench和MMAU四项 权威 评测榜单取得第一名 。 2、进入长隆乐园，在真实场景检验交互能力 多个真实场景里，WITA-OMNI带来的交互体验是前所未有的。 以长隆乐园为例，熊彦介绍，有小朋友细声细气不敢开口，站着的机器人听不清，远征A3会主动迎上去打招呼，再单膝跪地、弯下腰拉近距离。“我可以主动贴近交互对象，这是很不一样的交互过程，也是普通模型无法完成的。” 机器人主动靠近人，安全就成了头等大事。长隆乐园每天有大量游客，儿童可能突然跑进机器人的活动范围。 对此，远征A3能够在交互过程中 保持360度环境观察， 有人进入安全区域便主动停止动作；遇到意外接触，柔顺力控会快速减小输出力。电子围栏限制活动路线，异常告警则负责通知运营人员介入。 长隆乐园的机器人已经累计完成 超过