机器人又来挑战“打工人”了。
(资料图片仅供参考)
本周，智元机器人进行了一场持续24小时的直播挑战。在上海徐汇区的一家便利店，六台精灵G2机器人被安排在不同岗位，承担商品上架、货架整理、熟食制作、清洁等工作。据智元方面最终公布的数据，24小时内，六台机器人累计完成1730项任务，包括接待顾客、商品取送、咖啡制作等。
此前，智元已经陆续发布数据、仿真、模型、本体与作业系统等技术成果。便利店成为验证这些成果的首个场景：和以往展示机器人完成单项任务的Demo不同，这场测试要持续24小时，机器人不仅要完成任务，还要面对客流变化、商品位置变动、任务冲突，以及随时可能出现的意外情况。
这对背后的技术来说是个新的考验。
据界面新闻了解，此次直播中，智元使用的共同模型基础是作业基座模型GO-3 Preview。它采用自研的WRAM架构，即世界推理动作模型，试图将环境理解、结果预测和动作生成统一起来。
此外，整个便利店的任务调度则由具身Agent框架Genie Master负责——它相当于六台机器人的共同大脑，通过具身执行协议EEP连接任务分配、能力调用、动作执行和结果反馈。
在具体作业中，系统需要综合考虑订单优先级、机器人当前状态和门店空间情况。例如，如果两项任务可能占用同一个货架位置，系统就要安排错开执行。如果一台机器人出现故障或延迟，系统就需要判断另一台机器人是否具备相应的末端工具、操作能力和空闲时间，再安排接管或者人工介入。
图片来源：界面新闻拍摄
在比拼出货量之后，机器人行业开始回应更多来自真实应用的拷问。在10月底的一场活动中，智元联合创始人、总裁兼CTO彭志辉公布，2026年上半年，智元收入接近20亿元，机器人出货9700台。他同时表示，“万台下线只是制造业的胜利，万台能够上岗才是物理AI的胜利。”
但为什么便利店成为第一个试验田？
真实门店能提供更复杂的测试条件。智元具身研究中心副总裁任广辉在接受界面新闻等媒体采访时表示，选择便利店作为全栈技术的第一个考场，是因为它足够真实，也足够复杂，能够直观观察机器人能否将多种能力组织起来，持续完成任务。
任广辉称，相比工业和分拣场景强调的节拍、精度与可靠性，便利店更考验机器人应对随机变化的能力，包括柔性操作、顾客交互等等。以夹取糕点为例，机器人需要先握稳夹子，再控制夹子的开合程度、接触位置和力度。
完成实验室之外的测试，才是机器人商用的前提。一位机器人行业专家向界面新闻解释称，零售场景中的机器人需要处理大量非标准情况。因此，机器人零售需要同时具备感知、交互、决策和执行四种能力，才能真正进入一个有人互动的商业空间。
从这一角度来看，24小时直播之外的意义是观察机器人在下一阶段的实际纠错和应用能力。
在真实作业中，人和机器人一样会犯错，但区别在于纠错能力。机器人是否真正具备工作能力不仅取决于单次任务的成功率，还要看它能否根据现场反馈不断调整。
这也是智元推出Genie Master的一个出发点。作为Agent大脑的Genie Master不仅负责调度任务，也连接了机器人的执行结果与后续学习。据智元方面介绍，过去一段时间，精灵G2已经在多个复杂精细任务上持续改进，深夜空闲时，机器人会主动加练。随着相关能力在更多任务中得到验证，他们希望将同一套技术和经验向其他岗位和场景复制。
但从一次便利店测试走向真正的商业应用，中间仍有不少距离。
首先是技术成熟度。界面新闻在现场观察到，与熟练的便利店员工相比，机器人在现场工作速度、操作节拍以及处理特殊情况的能力上还有较大差距。从识别情况、判断原因再到规划动作，机器人的工作效率有待提升。
安全问题也是一个现实的挑战。开放场景对于机器人的动作提出了更高要求，便利店是典型的人机混行环境，顾客可能突然进入机器人作业区域，儿童也可能出于好奇触碰机器人。机器人一方面需要确保自身动作不对人造成伤害，另一方面也要避免碰撞货架、损坏商品。尤其在熟食制作这样的环节，卫生标准也是实操中十分重要的考虑因素。
图片来源：界面新闻拍摄
更长远的挑战是商业账如何计算。除了智元，市场上已经有相当一部分厂商尝试将机器人引入咖啡店、景区、便利店等场景。而便利店的运营相对复杂，机器人不仅需要达到技术上的要求，还要匹配上运营和商业要求。此外，机器人在便利店的后续部署还涉及场景适配、设备维护、系统管理等一系列问题，它们都会影响最终的“可复制性”。
关于未来一两年如何验证这条技术路线的成效，任广辉表示，智元希望看到四类能持续核验的结果：第一，同样任务和服务标准下，合格产出提高，重试、人工接管和异常恢复的耗时下降。第二，换商品、换布局、换门店之后，需要补的数据、调试时间和工程投入减少，已有能力能直接复用。第三，部署后的改进在独立评测里站得住，不以原有能力退化为代价。第四，长周期运行覆盖不同班次和客流，成本随运营成熟度持续下降。
对智元而言，这场24小时直播更像是一次技术路线的阶段性测试。对于机器人行业而言，类似的商业化入口还只是规模化应用的起点。从完成任务到稳定承担岗位，再到让企业拥有持续付费意愿，机器人公司还需要在稳定性、通用性和成本之间找到更多的平衡。