6机器人便利店极限挑战

过去24小时，全网超200万人在线监工，围观6台智元精灵G2在真实便利店打工。 6台搭载智元最新具身Agent框架Genie Master的精灵G2机器人，以「便利店试用期员工」的身份，开启一场连续24小时的「转正考核」。 全程直播，全网监工。 6台精灵G2机器人累计完成1730项任务，包括接待顾客683次、商品取送369件、咖啡制作147次、早餐服务126次、补货巡检277次及桌面清洁128次。 这次直播，标志着一个分水岭——具身智能跳出了仿真环境、实验室，能在真实场景打工了。

6位性格各异的G2「实习生」：咖少负责饮品制作，阿豪负责接待顾客，火宝负责取货与打包，倦王负责巡视与补货，冷姐负责清理桌面，叮酱负责加热熟食。 6位实习生在11月2日早上10点准时打卡，迎接它们的，不是单次任务的Demo演示，而是连续24小时、四班倒的魔鬼拉练。 为了接住这个副本，智元派出了6位性格各异的G2「实习生」。 它们不仅分工明确，甚至被赋予了真实的职场人设。 这次直播，我们见证了不少惊心动魄的场面，看到机器人险些翻车。 好在，它们大多数都顺利完成了任务！

比如在取货时，火宝会自己识别挂钩角度，以巧妙的角度抬起工具，方便自己抓取，最终稳稳地把货物放到篮子里。 然后，它丝滑地给人类送了过来。 技术人员爆料：发现火宝干活时会偷懒，所以给它加了定时巡检的功能。 接着，就是冷姐登场了。 它识别出来，旁边桌子是干净的，所以略过了。 来到充满人类垃圾的桌前，它挑拣出该扔的垃圾，开始清理。 遗憾的是，冷姐在这个过程中被小扣了几分，因为误把人类的食物当垃圾扔掉了。 最终，它会打扫到认为桌面没有垃圾，才结束。

直播了大半天，到快晚上的时候，智元具身研究中心副总裁任广辉带着外国小哥体验官来探店了。 火宝给送来一瓶可乐，但是动作小扣分——递东西时不够轻柔。 什么任务对火宝最难？ 广辉老师透露说，就是开柜子。 人类的小孩，可能到三四岁才会开柜子，而机器人跟小孩子一样，一开始只会抓握，经过训练后才能学会的开柜门。 在便利店门口，社牛门面阿豪侃侃而谈，一会飙英文，一会说上海话，把小哥逗得哈哈大笑。 辛勤的倦王全场巡视，货物放得不对，就会立刻纠正。

外国小哥很皮地把口香糖调换了位置，倦王火眼金睛，立马发现不对，用夹爪重新摆放了货物，在背后，都是Genie Master大脑在指挥。 随后，小哥来到咖少这里，人生第一次尝试了机器人给做的咖啡。 旁边的叮酱，轻车熟路地给小哥递上了热包子。 第二重拷问：单次任务背后，需要多恐怖的全栈技术支撑？ 外行看热闹，内行看门道。 观众在直播间看到的是：机器人咖少平稳地做了一杯咖啡，火宝把一袋薯片装进了塑料袋。 动作看似简单，但在技术圈，这叫「跨越鸿沟」。

这就是著名的「莫拉维克悖论」：对人类来说极难的高阶逻辑推理，对计算机来说易如反掌； 但对人类来说极易的无意识技能，比如抓取软体物体、感知空间，对机器人来说却难于登天。 以「给货架补货」为例。 当「倦王」走向货架，它至少要完成三大任务。 首先，它需要空间理解与环境感知。 便利店的光线在变，顾客在随意走动，货架上的商品可能被放歪了。 它必须通过视觉模型，实时构建3D空间，认出「这是薯片，那是挂钩」。 其次，它需要任务规划。 Agent大脑要决定先拿哪一包，用什么角度拿，拿到之后手腕怎么旋转。

最后，它需要动作执行与反馈。 底层的大模型（如GO-3 Preview）将规划转化为机械臂的扭矩和关节角度，并根据抓取时的触觉和视觉反馈，实时微调力度。 如果没有全栈协同，机器人只会像个瞎子一样乱抓，或者直接撞翻货架。 机器人真正上岗，绝不是靠攒几个硬件、套一个开源模型就能实现的。 它需要底层算力、通用大模型、具身智能体框架的深度咬合。 一个便利店里的普通动作，背后一整套全栈技术体系。 机器人大规模落地，靠的是全栈协同：完成任务，需要模型与本体配合； 稳定运行，需要适应环境、处理异常；

规模化应用，还要降低训练成本、加快部署、复用能力。 智元AI WAVE全栈布局的核心价值就在于此：把便利店作为应用入口，展现冰山下的庞大系统：数据、平台、本体、Agent、仿真、模型，缺一不可。 AGIBOT WORLD 2026 第四期，首个真实场景的 Physical Agent 数据集，专攻决策，覆盖九类逻辑推理场景； 作业平台Genie Studio 2.0完整覆盖「采‑训‑测‑推‑编‑管」全生命周期，最快7天即可完成全新作业场景从0到1的部署验证；

重载具身工业机器人精灵 G2 Max，在行业内率先实现长程、多任务作业； Genie Master 让机器人在真实场景中持续进化； Genie Sim 仿真平台承担后训练和部署前的预演验证； GO-3 Preview 是智元新一代基础模型，采用具身原生的WRAM(World Reasoning Action Model)架构，将任务推理、未来预测与动作生成连接起来，可利用少量示范进一步学习，完成长程精细任务；

群体经验学习（CEL）范式，打通经验获取、经验利用、规模化在线学习完整链路，把真实作业中的每一次成功与失败都变成群体共同的学习素材。 第三重拷问：一旦翻车，怎么办？ 把教训变成经验在真实世界里，错误无法回避，没有不出错的机器人。 如果部署100家便利店，需要100支工程师团队去现场当「保姆」，那机器人有何商业价值？ 如何打破这个魔咒？ 智元给出的杀手锏是：Genie Master具身Agent框架。 10月27日，智元正式发布了这款Genie Master框架。

它的核心使命只有一个：让机器人实现「边上岗，边解锁新技能」。 它不仅能组织长程任务、维护进度，还能在异常处理后自主接续任务。 当G2遇到没见过的状况，它不需要人类来救场。 它能自己定位失败原因，自己调整策略。 它是怎么做到的？ 核心在于，Genie Master框架在机器人的「大脑」和「肢体」之间，搭起了一座桥梁——具身执行协议 EEP（Embodied Execution Protocol）。 肢体执行的结果与反馈，将直接成为后续决策与能力优化的燃料。 过去，AI大脑和机械肢体相互割裂。

大脑下达指令「把货挂上去」，肢体照做。 但要是没挂上，肢体无法告诉大脑「为什么没挂上」，大脑也无法给出更微观的指导。 执行完全是开盲盒。 EEP协议打通了任督二脉。 它统一了「能力、引导、反馈、连续性」四类接口。 现在，肢体的执行结果会实时、精准地反馈给大脑。 第四重拷问：能不能越干越好？ 揭秘双线进化机制一次失败，能不能让机器人下一次做得更好？ 这就涉及这场直播最硬核的技术落点：Physical RSI，从部署到迭代的持续进化。

在Genie Master框架和底层模型GO-3 Preview的支撑下，智元为机器人打造了独有的双线进化机制。 一条路线让机器人「记住经验」； 另一条路线让机器人「长出肌肉记忆」。 第一条进化路线：Harness RSI（让经验可积累）你可以把它理解为机器人的「