食品夹爪没夹稳，工具“啪”地掉在台面，机器人稍作挺顿，就在我以为会宕机的时候，它重新定位、顺利伸手捡起继续工作；清洁机器人冷姐半夜为找垃圾桶跑出便利店，被工作人员当场“逮捕”带回……
这些情景发生在11月2日上海徐汇一家24小时营业便利店。当天10:00，六台智元精灵G2人形机器人挂工牌上岗，以迎宾员、咖啡师、理货员、保洁员等身份，在这家门店连续工作24小时，接单、制作、补货、打扫，进行《机器人打工不能停》挑战，接受全网观众在线监工。
01.
24小时内，5项成果检验
这场挑战，也是智元AI WAVE全栈技术发布后的收官实战。
自10月22日AI WAVE启动以来，智元陆续发布了数据、仿真、模型、本体与作业系统等多项技术成果。如今，这些成果集中走向同一场检验：在一家真实营业的便利店里，支撑机器人完成作业，并在连续 24 小时中保持稳定输出。
六台精灵G2被分配到六个具体岗位：阿豪迎宾接待与顾客咨询，火宝取货补货、倦王巡视货架，咖少负责咖啡工位，叮酱守收银台并兼做熟食服务，冷姐承担全场桌面清洁。它们不是孤立演示单项技术，而是在Genie Master的统一调度下协同作业——数据系统支撑实时感知与视觉盘点，仿真能力预演抓取与避障，模型理解指令并生成动作，本体完成柔性操作与长时间运行，作业系统串联多机任务与异常处理。
据悉，本次挑战全程模拟真实门店营业节奏：从午高峰到晚间客流，从深夜值守到次日早高峰，四班连轴。体验官从顾客视角出题，把有糖无糖可乐混放、把口香糖货架打乱、用人形路障和纸箱堵路，考察机器人在开放环境下的“听懂—看清—动手—纠错”能力。
经过24小时连续运营，六台机器人累计完成1730项任务，覆盖接待、取送、咖啡制作、早餐服务、补货巡检与桌面清洁；直播期间全网超200万人在线监工。
据了解，本次挑战的考核标准也对齐真实门店运营要求，除任务完成量和顾客体验外，同时记录任务成功率、首次成功率、响应时间、端到端耗时、单位时间合格交付量，以及人工接管频次、异常恢复时间和系统可用率。
最终，四台机器人通过考核，两台在高峰并发、异常恢复与连续交付稳定性上未达真实门店底线。
02.
把机器人赶进便利店，智元想证明什么？
便利店面积不大、流程标准，是城市里最常见的商业场景之一，但对机器人而言，要胜任其中的工作并不轻松。
智元具身研究中心副总裁任广辉表示：“便利店足够真实，也足够难。在便利店，我们能很直观地观测到，机器人能不能把多种能力组织起来，持续完成任务。”
相比Demo，真实门店的变量是连续的：顾客会走动，商品会移位，包装状态随时在变，这意味着机器人要一边理解现场，一边调整操作和任务安排。
“工业和分拣场景的技术要求同样很高，但它们强调的是节拍、精度、可靠性，环境相对固定。便利店更考验随机应变的能力——商品差异、柔性操作、人机混行、顾客交互、多机协作，全被压缩在一个小空间里。”
以夹黄金糕为例：先握稳夹子，再控制开合、接触位置和力度，轻了滑、重了碎；夹起来之后还要对准袋口、放进去、退出夹子，再换一种抓握方式拎起袋子。挂钩商品也一样，取彩虹糖时要让包装挂孔顺利退出挂钩，同时不能勾住包装、不能带倒旁边的商品，软包装一受力变形，后续动作的条件全变了。
“这些活需要视觉判断、动作策略、灵巧手或夹爪、底层运控一起配合。”
而更关键的是，六台机器人共享同一空间，岗位之间环环相扣——补货可能占掉取货的位置，清洁可能堵住通道，某一步延迟，后面一连串交付都要往后推。
对于这样动态复杂场景下如何兼顾人机混行安全与作业效率，智元的原则很明确：所有行为必须在明确的安全边界之内进行。
“比如遇到狭窄通道、顾客突然进入作业区、儿童接近的情况，系统会根据距离、运动趋势和当前动作风险，分级采取减速、暂停、避让或重新规划；感知不确定性变大时，主动降低作业强度，必要时停止动作、请求协助。”任广辉表示，“宁可慢，不能撞。”
在智元看来，效率不靠“抢”，靠Genie Master的调度逻辑。
任广辉进一步举例说明：“调度同时考虑订单优先级、机器人当前状态和作业空间占用情况——两项任务要占同一个货架位置，就错开执行；互不干扰的环节才并行推进。一台机器人故障或延迟，另一台能否接替，取决于它是否具备对应的末端工具、操作能力和空闲状态：条件满足就接管，不满足就重新编排任务，必要时请求人工。”
而对于热食、热咖啡这类高风险交接，则单独设流程约束。倾洒、烫伤和交接稳定性，要求结合容器特性、抓持方式、移动路径和固定交接位置来设计，确认顾客具备接取条件之后再交付，不把风险留在“最后一米”。
如此看来，便利店场景，考的不是单项能力峰值，而是系统下限。
“我们想验证的不只是单项能力，还有系统在遇到变化、中断、异常之后还能不能继续推进，以及这些经历能不能变成可复用的经验。”任广辉表示。
03.
再往下走，智元不想让机器人什么都会
把镜头拉远，便利店的24小时，不是一次单点演示，而是智元 AI WAVE全栈技术发布的一个缩影。
从系列技术发布，到六台精灵G2走进便利店，智元正在把数据、模型、仿真、本体与作业系统的全栈具身 AI 的能力，塞进“服务能否完成、异常能否处理、经验能否复用”这些具体营业问题里检验。
任广辉以挂钩商品为例拆解过全栈的必要性：价签挡住挂钩时，本体要够得着、感知要换视角确认目标、动作策略完成对位挂放，执行完还要判断挂稳没有、失败如何安全退出。这几步分别涉及本体、感知、模型、控制、任务系统和数据反馈，任一环节断链，看似简单的任务就完不成。
具身智能的各个环节高度耦合，任何一处短板都可能制约落地闭环。因此，全栈布局不是为了炫技，是为了让技术突破能落进完整、稳定、可复制的作业闭环里。
这一判断也决定了智元下一步的走法：不是把便利店的脚本复制粘贴到更多地方，而是把已验证的飞轮往外扩。
先让能力在部署后继续长。预训练给GO-3 Preview打底，后训练由Genie Evolver用真机、仿真和世界模型一起磨，部署后由Genie Master把真实任务里的失败、恢复、中断轨迹收回去反哺策略——模型不封存，门店即训练场。直播期间产生的长尾异常数据，经去标识化和质控后进入队列，正常一到两周就能体现到下一版能力里。
再让经验按岗位边界复制。任广辉判断岗位能否稳定上岗有三条标准：任务边界清不清、结果好不好核验、异常率能不能靠系统自己恢复。
按这个标准，他判断理货、补货、清洁辅助等环境规范、对象标准、流程固定的岗位有望率先跑通；而涉及身份核验、复杂交互、开放式操作的岗位，验证周期要长得多。
然后是“从一家店到上千家店”。机型与工具标准化、商品和业务系统接入、快速部署、远程运维、跨店经验复用，是这一阶段必须逐个解决的工程问题。
智元的解法是全栈打通，“每部署一个新门店，重复开发的工作越来越少”。
而当能力开始以体系的方式沉淀、跨店复用，评价标尺也随之切换。
行业过去数“下了多少台”，但开机不等于在岗、在岗不等于自主、自主不等于产出合格。于是，智元用Worken（有效智能工时）=活跃机器人数×自主工作时长×产出效能比，把锚点从硬件出货移到“自主交付了多少合格工时”。
再往下，是跨场景复用。
零售之后，同套能力将向工业作业、公共空间迁移，但卫生、工艺、节拍、安全约束都要重新对齐。对此，智元的方向不是让机器人“什么都会”，而是把已沉淀的岗位模块，按新场景的边界重新组装。
或许，AI WAVE 的真正落点，不是“机器人会打工”，而是“机器人会带着错题本跳槽”。
如今，AI WAVE已经书写了它在便利店的第一章，下一章要看的是这套全栈体系，能不能在另一家店、另一条产线、另一类客流里，把同样的经验变成同样的进化。
