机器人产业的下一程竞争，不在硬件的姿态控制，而在芯片之上的那一层工程化能力。

2026年的具身智能赛道的一个共性问题在于，当所有人都在训练VLA模型，所有人都能跑通π0、千寻、Qwen-VL，所有人都能去刷榜，胜负手究竟落在哪里？

地瓜机器人软件平台副总裁秦玉森在2026张江EAI演讲中给出的答案，来到了这场赛跑最隐秘的那一层——基础设施。

在他看来，谁能把芯片、工具链、数据流、仿真验证、端侧部署、运行时迭代这六件事打成一条标准化流水线，本质上谁才拿到了具身智能规模化的入场券。

这是一场关于开发者体验的战争。它的胜负，决定了五到八个人的小团队，未来能不能跑赢过去需要二三十人才能搭起来的研发体系，能不能真正走向未来。

01.

一颗芯片背后的两条路线图

具身智能要什么？秦玉森给出了一个并不浪漫的路线图：和人类奥林匹克精神一样，更高、更快、更强。

这句话翻译成工程语言意味着非常多东西，意味着端侧算力要在功耗、成本、实时性之间反复折返跑。

消费类机器人追求的是低功耗下的可用算力，具身智能追求的是模型能在几瓦的功耗预算下，跑出足够的决策频率。这两条路径在技术指标上是冲突的。

地瓜的应对是把芯片路线拆成两条，一条路上，旭日X系列服务扫地机、智能音箱一类的消费场景，把功耗压到极致，把单位成本压到极致；另一条路上，旭日S系列则承接具身智能这条更陡峭的需求曲线。

S100是过渡形态，把低功耗和多样化算力组合进同一颗SoC，能跑通约7B参数的模型，完成每秒140帧左右的视觉感知任务。这一代产品已经在上海具身企业里大规模出货。

真正承载行业期待的是S600。基于地平线BPU自研IP架构，多核CPU、GPU齐备，Qwen3-VL 8B可以跑到约35 TPS，Qwen3 8B语言模型可以跑到约31 TPS。落到具体的VLA模型上，π0能跑约10帧，π0.5约6.5帧，千寻约6.7帧，地瓜自研的运控模型能跑到约40帧。

这组数字不是秀肌肉。它试图回答的是产业里一个最焦虑的问题，那就是8B级别的视觉语言模型，能不能在机器人端侧真正跑得动？答案是可以，但前提是芯片架构要从一开始就为Transformer和混合精度计算做过定制。

芯片从来不是孤立的产品。它是地瓜整套战略的物理底座。

02.

从熟练工的脚手架到创新者的瑞士军刀

秦玉森用了一个颇有意思的说法：以前工程师需要多年经验、试错和踩坑，才能搭起一套可用的开发工具链。这套工具链是熟练工的“脚手架”，离开它，工程师寸步难行。

今天，AI把这件事彻底改写了。

工具链不应该再是脚手架，而应该是一把瑞士军刀，更小、更快、更易上手，让开发者把精力从工程化本身，挪到真正的产品创新上。

这是AI native时代的开发范式革命。

开发者不再需要读两三千页文档，不再需要两到三年的算法工程化经验，才能跑通一个完整的训练—部署闭环。

因此，今天地瓜的目标是让这一切通过单一窗口完成：从设备连接，到开发，到落地，到使用，全部一体化。

这更类似一种生态重建的范式迁移。它的影响，或许比芯片本身更深远。

地瓜云边端协同的战略架构由此浮出水面。

云端依托百度智能云等头部云厂商的算力，地瓜搭建了一站式开发环境，开箱即用，不再需要和IT经理讨论服务器选型；边缘侧把触手可得的电脑作为入口；端侧则是地瓜的芯片，作为整体解决方案中不可或缺的一环。

这也使得这套架构输出的，已经不再是单单的应用解决方案，更多是开发解决方案。这也使得机器人时代的开发中枢，正在重新定义。

03.

研发速度决定企业生死

在产业爆发的当下，秦玉森抛出了一个反直觉的判断：今天的企业应该更重视研发，而非交付。

他解释，这是因为，更快的研发意味着更快的落地，更快的落地意味着更好的现金流，更好的现金流意味着更好的竞争力。

传统软件平台的形象，是Word、WPS这样的垂类工具，或者是某一类专业领域的专用工具。但今天的机器人软件平台，必须是通用的、横跨数据采集、解析标注、模型训练、仿真平台、推理部署全链条的工具集合体。

地瓜的软件平台因此围绕六个能力矩阵展开，分别对应开发环境、数据生成处理、标注、训练中心与算法参考范例、仿真验证、端侧部署。每个环节都被拆解成可拼接的积木式工具，开发者可以像拼乐高一样，按需搭建自己的工作流。

这套体系的产业意义，是把一个二三十人的团队才能运转的研发体系，压缩到五到八人。

秦玉森在演讲中披露了几个真实的服务案例，例如一家具身智能公司从0到1开发VLA模型，接触地瓜之前跑了三个月，对接地瓜一站式平台后，一周内就跑通了完整流程；S2挑战赛期间，40多支参赛团队没有一个需要购买实体机器人，全部通过网页仿真完成3V3足球赛项目，高校师生终于可以从运维机器人的苦役中抽身，把精力放回策略、博弈和强化学习算法本身。

更简单、更易于开发，这是人才稀缺时代的杠杆解。

04.

数据闭环：仿真驱动的新流水线

数据是具身智能最大的瓶颈，这一点已是行业共识。

地瓜给出的解法，是用仿真环境和自然语言驱动，把数据生产流水线化。

具体路径是先在仿真平台里搭建物理场景，导入模型参数，通过Agent驱动数据生成、清洗、验证、评测。

整个流程由自然语言指令触发。比如一句左手拿起肥皂，就能在仿真环境里生成一个机械臂完成该动作的视频片段，全程无需人工干预。

这是仿真生成式数据的工业化雏形。当数据生产从稀缺的手工劳动，转变为可泛用、可复用的流水线，具身智能的扩展速度才真正有解。

同时，地瓜也在视觉感知管线领域为工业机器人厂商提供完整方案，从物体检测到定位抓取，覆盖最常见的工业AI视觉场景。这是一条相对成熟但市场刚需的赛道，地瓜以芯片能力为支点切入，恰到好处。

05.

产业权力的重新分配

地瓜在演讲中披露，其目前还正在携手产业链上下游伙伴，包括硬件厂商、软件平台解决方案商、运控厂商、云厂商，构建一个开放的协作网络。

这种姿态背后的产业逻辑或许是地瓜机器人意识到，具身智能的终局不会是一家通吃。芯片、模型、运控、数据、云，每一个环节都需要专业玩家。而地瓜选择的角色，恰恰是基础设施提供者和生态连接者，而非垂直整合者。

这种生态位选择，决定了地瓜的对手不是宇树、智元这些本体厂商，而是英伟达、英特尔、高通这些传统的算力霸主。

竞争维度被拉到了开发体验、工具链完整度、生态连接深度这些更上游的位置。

所有头部机器人企业的量产选择，这是地瓜在演讲中给出的定位。这句话翻译过来是，在算力底层，地瓜已经成为中国具身智能产业的默认选项之一。

秦玉森在演讲结尾给出的愿景简洁而克制：加速智能生长，让开发更简单，让机器更智能。

这背后，是中国具身智能产业最朴素也最迫切的渴望。

当芯片、工具链、数据流、运行时迭代被打包成一套开箱即用的基础设施，开发者的注意力才能真正回到产品本身，回到那个让机器人学会理解世界、与世界交互的核心命题。

这是地瓜押注的下一程。也是整个产业必须走过的下一程。