安努智能发布六款模型覆盖工业具身智能全流程
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载工业场景为何先落地
工业场景的动作重复度较高，任务边界相对固定，这使得具身智能技术更容易在有限范围内实现集中突破。相比之下，家用场景的开放性和多样性对系统提出了更复杂的要求。从实际采购数据看，2026年1月至5月，全国工业企业购进具身智能机器人的金额同比增长了2.3倍，反映出工业领域对这类设备的接纳速度正在加快。传统工业机器人依赖预先编程完成动作，硬件结构固定，一旦需要更换工位或调整物料，往往要重新进行设计，缺乏对场景和指令的理解能力。这种刚性限制了产线的柔性，而具身智能的引入正是为了弥补这一短板。安努智能将自身定位为专注工业具身智能商业化落地的公司，其技术布局围绕认知判断、动作执行和长期稳定运行三个环节展开，试图让机器在真实生产环境中持续发挥作用。
六款模型的分工
安努智能在一周内发布了六款模型，覆盖从数据生成到端到端部署的完整链条。这六款模型分别是Helios、SimLab、ActiWorld、EvoHIL、AnuVerse-0.5和Nexus。其中，Helios能够实时生成分钟级长视频，在单张H100上推理速度达到19.5 FPS，这一性能使其被多家头部具身智能与世界模型团队采用。SimLab则聚焦软物体操作仿真，使用百元级机械臂、在零真实标注的条件下跑通全流程，并已在物流软包裹分拣和工业设备热视觉数据生成项目中完成验收落地。ActiWorld的设计思路是让世界模型关注动作后果的可验证性，同时兼顾动作、时间、空间三个角度。这些模型各有侧重，共同构成从仿真数据生成到实际部署的支撑体系。
与传统方案的差异
传统工业机器人依靠预先编程执行固定动作，硬件结构难以调整，换工位或换物料都需要重新设计，无法理解场景与指令。安努智能的模型组合则试图改变这一模式：SimLab用低成本机械臂和零真实标注完成仿真全流程，降低了数据采集的门槛；Helios以较高的推理速度生成长视频，为世界模型提供更丰富的动态场景；ActiWorld强调动作后果的可验证性，从动作、时间、空间三个维度约束模型输出。这些做法与传统方案的区别在于，不再依赖固定硬件和预设程序，而是通过模型对场景和指令的理解来适应变化。对于工业用户而言，这意味着产线调整的灵活性可能提升，但适用范围仍集中在动作重复度高、任务边界固定的工业场景，家用等开放环境尚未覆盖。
融资热度与落地节奏
截至2026年6月12日，国内具身智能赛道融资约438亿元，达到2025年全年融资额的近八成，显示出资本对该领域的持续关注。安努智能的模型发布节奏与这一热度相呼应，一周内推出六款模型，覆盖数据生成、仿真、世界模型到端到端部署的多个环节。从落地进展看，SimLab已在物流软包裹分拣和工业设备热视觉数据生成项目中验收，Helios也被多家头部团队采用。这些事实表明，具身智能在工业场景的落地正在从技术验证走向实际应用，但整体仍处于早期阶段，需要覆盖认知判断、动作执行和长期稳定运行三个环节才能实现规模化。对读者而言，这意味着工业具身智能的商业化路径正逐步清晰，但距离全面普及仍有距离。
为什么值得看
提供从仿真到部署的全套技术底座，解决工业具身智能落地数据难、验证难痛点。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。