智元一天发两款模型，机器人「边看边想边动」：数据堆100倍，成功率翻了近两倍

9月9日，智元机器人一天之内甩出两款新模型：AGILE 2.0和GE-Act 2.0。一个管机器人「边看边想边动」，一个管机器人「越学越会」。我盯具身智能这么久，很少看到一家公司同一天把「运动」和「学习」两件事都往前推一步。

让「看见」和「动起来」连成一体

传统机器人系统里，视觉感知、运动规划和执行控制是分开的几个模块。相机先拍画面，AI再识别目标、算位置，最后把指令传给运动系统。这一套链路有个硬伤：一旦环境变化快，视觉信息和身体动作之间就有时差，机器人会晃动、失稳，甚至动作直接中断。

AGILE 2.0要解决的就是这个。它在上一代打通感知和运动链路的基础上，把环境观测、地形理解、动态可通行性分析、全身运动控制、接触状态切换、末端操作这些环节进一步耦合，做成了一个统一的闭环。说人话就是，机器人「看」到的东西，能直接变成身体的动作，中间不再隔着一层翻译。

踩球走、跳长绳，炫技背后是真难点

为了展示这个能力，智元没做常规的技术演示，而是拍了一支叫《杂技BOT》的短片。片子里灵犀X2干了这么几件事：钻火圈、抖空竹、跳长绳、跳山羊、协作上高台、抛三球、搬箱子。

最抓眼球的是「踩球走」——灵犀X2双脚站在一个大球上，滚动大球往前行进，跟真的杂技演员一样。这是行业里第一次有双足人形机器人自主完成踩球动作。这个动作的难点不在于保持平衡本身，而在于机器人要一边用视觉实时判断球体、身体和周围环境的变化，一边连续调整姿态和脚步，在动态里维持稳定。

跳长绳那段也很有意思：两台机器人负责甩绳，另一台要观察绳子的运动状态，自己判断什么时候进、什么时候出。这些在人类看来稀松平常的事，对机器人来说，本质是「看见变化，立刻把看见的东西变成动作」。

数据堆100倍，机器人开始「越学越会」

如果说AGILE 2.0给的是运动能力，那GE-Act 2.0回答的是一个更底层的问题：具身智能模型，能不能像大语言模型一样走通Scaling路径——数据堆得越多，能力越强。

有意思的是，GE-Act 2.0没有偷懒，没有拿现成的视频生成模型当底座再接动作模块，而是把视觉表征、未来生成、动作预测这些核心组件都从随机初始化开始，在具身数据上从头训练。

团队用了300小时、1200小时、5000小时、3万小时四档数据分别训练，然后不做额外微调，直接让机器人面对陌生场景做零样本测试。结果挺硬：在G1-OP机器人上，能拿到非零成功率的任务从39项涨到76项，整体成功率从17.1%提到44.1%；G2-90D从24项涨到72项，成功率从13.4%提到31.1%。折叠毛巾、嵌套纸杯、拔插笔盖、插花这些精细操作，小数据量模型基本做不了，堆到3万小时才明显冒出来。

具身智能能不能复刻大模型的Scaling曲线

更值得注意的一个细节是：从5000小时加到3万小时，模型能力还没出现明显的饱和。这意味着「堆数据」在具身智能这里，可能不是简单堆重复样本，而是真的能持续解锁新技能、扩大泛化范围。

对正在加速进入工厂、物流、服务场景的人形机器人来说，这个底层能力的提升，可能比单个炫技动作更有分量。因为机器人最终要面对的不是设计好的测试环境，而是不断变化、充满意外的真实世界。如果Scaling路径真的能走通，那这个赛道的竞争重点，会从「谁家机器人翻跟头更溜」，转向「谁的数据管线和训练体系先跑起来」。

代码说话，其他都是噪音。这组数据，比任何发布会口号都值得认真盯一盯。