货物混堆、包装变形、车厢内壁不规则：工博会这场讨论把「泛化」从算法词换成了工况词
0.1N 的力控精度、日产能近万份的配餐线、每次抓取都预测一次整体稳定性的装卸模型——这三件事的方法论是同一条：泛化能力的训练素材，恰恰是那些不标准的样本。
- 现场：第二十六届中国国际工业博览会（工博会）把具身智能机器人放到具体工种工位上，报道口径是「从搬运料箱、光模块插拔到制作面食、商品包装」。
- 一个硬参数：非夕科技的智能配餐工作站，搭载食品垂类 AI 模型，末端力控精度可达 0.1N；该应用已落地中国东方航空食品生产基地，官方口径为单产线日产能近万份。
- 一个方法：赛那德自研物流装卸垂域模型，每次抓取后预测整体稳定性，以压低碰撞与倒塌风险；客户包括三井物流集团、华润三九（单一信源）。
- 一个边界：中科新松旗下多可智能机器人进入半导体洁净车间，其 AMHS 演示区集成 OHS 空中轨道与地面 AMR 成套输送方案，报道称有利于打破海外对地面、空中一体化设备的长期垄断。
- 共识句：需要立足真实复杂工况验证积累，尤其是货物混堆、包装变形、车厢内壁不规则这类「不完美」场景——报道引述赛那德 CTO 王义山的说法：正是这些不完美状况，是训练泛化能力最有价值的素材。
- 判断：泛化的瓶颈正在从「模型容量」换成「样本分布」。谁手里有不标准样本，谁才真正握着别人复制不了的资产。
报道里对「不完美」给了三个具体例子：货物混堆、包装变形、车厢内壁不规则。这三个词不是形容词，而是三种明确的扰动类型——混堆改的是几何与重心分布，包装变形改的是视觉特征与抓取点，车厢内壁不规则改的是运动规划的空间约束边界。
三者有一个共同点：它们都无法从标准样本里学出来。一个只在标准托盘、标准纸箱上训练过的抓取模型，遇到混堆会出现什么？不是抓不到，而是抓起来之后不知道整体会不会塌。判断：这就是为什么「泛化」这个词在工业现场会被翻译成一句很土的话——「换个箱子还认不认得」。学术讨论里的泛化是分布外性能，工厂里的泛化是「明天来一批不一样的货，产线停不停」。
| 企业 | 工况 | 技术应对 | 公开数字 |
|---|---|---|---|
| 非夕科技 | 食品配餐：食材形态与状态不固定 | 食品垂类 AI 模型 + 视觉/触觉/语言多模态感知 + 双臂精细力控 | 末端力控精度 0.1N；东航食品基地单产线日产能近万份 |
| 赛那德 | 装卸：多品类、多包装混装 | 物流装卸垂域模型，每次抓取后预测整体稳定性 | 客户涉及烟草、酒水、医药、快消；报道点名三井物流、华润三九 |
| 中科新松（多可） | 半导体洁净车间物料转运 | OHS 空中轨道 + 地面 AMR 成套物料输送方案 | 报道称有利于打破海外对地面/空中一体化设备的长期垄断 |
三家用的办法不一样，但方向是一致的：把不确定性从算法里挪到系统里。非夕靠力控容差——用 0.1N 级的力觉分辨率换取「位置有误差也能夹住」；赛那德靠抓取前的预测——不是事后修正，而是动手前先算一次稳定性；中科新松靠架构——把运动空间拆成空中与地面两层，减少相互干扰。
判断：这三条路线的共同前提是「接受误差存在」。这与过去几年工业自动化追求「把环境标准化到没有误差」的思路正好相反。前者的成本花在传感器与算法上，后者的成本花在工装与场地改造上。当单台机器人的传感器成本下降、而改造成本难以下降时，前者会逐渐占优——这也是为什么这几年的落地案例，越来越多出现在「本来就没法标准化」的场景里。
可复制的部分：模型架构、训练方法、算力配置。这些东西论文和开源仓库里都有，追赶成本在下降。
不可复制的部分：真实产线上积累的失败样本——货物怎么歪的、包装怎么塌的、抓取点怎么偏的。这些只在具体客户的现场里长出来。
把这两部分分开之后，一件事就清楚了：当越来越多的团队能用同样的开源基座训练出差不多的策略，差异就只剩数据分布。判断：这也是「垂域模型」这个词在今年变得流行的真实原因——不是垂直行业需要专门的模型结构，而是垂直行业握着别人拿不到的样本。谁先把现场数据回流做成制度（作业即采集、异常样本归档、反哺迭代），谁的数据资产就滚得越快。
三句话来自三类角色——一家国际自动化巨头、一家制造业用户、一家创业公司，但都指向同一件事：能力增长的机制换了。过去一条产线的自动化水平取决于工程师把多少工序写成程序，现在取决于系统把多少现场反馈变成下一次的改进。
判断：这对接下来的验收方式有直接影响。如果能力增长来自学习，那么一份验收报告就不该只写「成功率 98%」，而应该写清三件事——在什么扰动区间内达到的、失败样本怎么分类的、下一轮迭代从哪一类失败开始。缺少这三样的指标，看起来更像展台数据，而不是产线数据。这正是工博会这类场合最值得记录的部分：不是又多了几个 Demo，而是行业开始用工况的语言，而不是算法的语言，来讨论能力。