27148 道拒答测试:具身模型拿备案,比的不是参数量,是「判断错了会不会真动手」
5 个月安全评估、超 20 万次语料与生成内容抽检、27148 道高风险拒答。大湾区第一个拿到备案的通用具身大模型,把「合规」这件看起来最不像技术的事,变成了具身智能的第一道交付门槛。
- 事实:自变量机器人科技(深圳)的 GreatWall 通用具身大模型通过「广东省生成式人工智能服务备案」,成为大湾区首家完成备案的通用具身大模型。
- 三组数字:备案前完成历时 5 个月的安全评估,累计 超 20 万次语料与生成内容抽检,完成 27148 道高风险拒答测试。
- 区域口径:截至 11 月 11 日,广东本批新增 3 款完成备案的生成式人工智能服务,累计达 230 款,继续位居全国前列。
- 全国参照:《中国互联网发展报告 2026》口径,截至 2026 年 8 月底全国累计 1112 款生成式人工智能服务完成备案、731 款应用或功能完成登记。广东约占全国的五分之一。
- 技术路线:官方表述为端到端 + 通用具身大模型,把视觉、语言、触觉、动作与物理预测融合进统一模型,具备跨本体、跨任务、跨场景复用能力,已在家庭服务、物流分拣等场景应用。
- 判断:27148 道拒答题,本质是 27148 个「该不该动」的判断点。文本模型答错的代价是少答一句,具身模型答错的代价是机械臂真的伸出去。这条差别,才是具身模型备案比语言模型备案更值得关注的原因——它不是合规流程的加长版,是动作前的一道实体闸门。
一份备案证书本身没什么可说的。真正有信息量的是它背后那串数:5 个月、超 20 万次抽检、27148 道高风险拒答测试。
把这三个数放在一起,会发现前两个是工作量,第三个是门槛。
5 个月,按 150 个工作日算。27148 道拒答题 ÷ 150 ≈ 每天 181 道;20 万次抽检 ÷ 150 ≈ 每天 1333 次。
这个密度说明什么?说明安全评估不是提交材料等审批,是一个持续五个月、每天要跑几百到上千个测试用例的工程过程。对一个几十人的模型团队,这意味着要有专人、专用环境、专用流程长期投入。
27148 这个数在语言模型备案里可能是常规量级。但对一个要驱动物理动作的模型,它的含义完全不同。
文本模型面对一句有问题的请求,答错的后果是输出了一段不该输出的文字。删掉、道歉、补一句说明,事情基本可控。
具身模型面对一句含混的指令,判断错的后果是一个动作。一台在厨房里的机器人,听到「把那个拿过来」,是先问一句「你指哪一个」,还是直接伸手?一条分拣线上的机械臂,遇到包裹姿态变了、抓取失败了、有人走进作业区,是停下来等人,还是继续把流程走完?
这些场景在安规里都有对应条款,但要落到模型里,得有人一条一条写进去、再一条一条测出来。所谓「高风险拒答测试」,测的正是这一步。
判断:这就解释了为什么具身模型的安全评估周期普遍偏长。语言模型的拒答是「语义层」的,规则可以靠关键词加分类器堆出来;具身模型的拒答是「动作层」的,同一个语义在不同场景下的正确答案可能相反——空房间里「继续走完流程」是对的,有人进入作业区时「继续走完流程」就是事故。27148 道题里有相当一部分,测的不是「会不会拒绝」,是「在这个状态下该不该拒绝」。
截至 11 月 11 日,广东本批新增 3 款完成备案的生成式人工智能服务,累计 230 款。作为参照,《中国互联网发展报告 2026》给出的全国数字是:截至 2026 年 8 月底,累计 1112 款生成式人工智能服务完成备案,731 款应用或功能完成登记。
两个数时间基准不同——一个是 8 月底的全国,一个是 11 月 11 日的广东——所以只能做量级比较:广东一省约占全国的五分之一。这个比例本身不算意外,广东是全国生成式 AI 产业最密集的区域之一。
更有信息量的是「本批新增 3 款」这个数。一批只新增三款,说明备案不是批量放行,是逐个体审。一个省累计 230 款、全国 1112 款,意味着这条通道已经跑顺了:流程清楚、周期可预期、不是给某一家开的特例。
报道里公司方的表述很克制:安全、合规与可靠不是附加项,而是走向规模化应用的基础。这句话是对的,但它容易被读成「拿到备案就安全了」。
两者不是一回事。备案管的是「模型作为一项服务对外提供,是否合规」——训练语料来源、生成内容、知识产权、个人信息保护、准确性、可靠性、风险拦截。它管不到的是三件更具体的事:这台机器人在这个车间里是否安全、这个任务在来料波动时是否可靠、出了事由谁负责。
换句话说,备案证明的是「模型可以对外提供服务」,不是「设备可以在你的现场运行」。前者是国家标准,后者是客户验收单。
判断:这两张纸之间的距离,恰恰是行业现在最缺的东西。客户买机器人,问的不是参数量,也不是备案号,是「出了事谁兜」。而「谁兜」这个问题,目前只能靠一条款一条款谈合同、一次一次跑现场来回答。所以真正的门槛不在备案,在把安全流程拆成客户能签字的一行行条款——这件事没有统一标准,谁先做完,谁就能先拿到订单。
官方表述的技术路线是端到端加通用具身大模型:把视觉、语言、触觉、动作和物理预测融合进一个统一模型,让机器人理解环境、物体与任务之间的关系,自主完成感知、判断、操作。能力特征是跨本体、跨任务、跨场景复用。
「跨本体」这三个字值得单独拎。它的意思是同一个模型能驱动不同构型的机器人——不同自由度、不同臂长、不同末端。这在工程上意味着模型的输出必须抽象到「任务意图」这一层,而不是直接输出关节角;再由一层适配器把意图翻译成具体本体的动作。
这个架构的好处是复用,坏处是每一层翻译都会损失精度。所以「跨本体」通常伴随一个代价:在单一本体上的极限性能,不如专门为它训的模型。这不是缺陷,是取舍。
报道还提到模型已经用在家庭服务和物流分拣这些真实场景。这两个场景的共同点是:任务边界相对清晰、失败代价可控。而工业装配、精密插接这类场景,报道没有提。
判断:「跨本体、跨任务、跨场景」是一组很好的融资语言,但它同时是一个很难验收的承诺——因为你没法用一个数字证明它。可验收的做法是反过来:指定三个构型、三个任务、三个场景,报九组成功率。这个测试目前没有人公开做,包括这家。所以对这条路线,合理的态度是:承认它的方向对,等它的九宫格。