原帖说清 ET1/G1/S1 三本体的故事,补几条没点透的:
① "同一颗大脑 AstraBrain-Agent 跨三种本体"这件事的硬指标被低估。原帖说"双足 + 轮式 + 重载三种本体同时服役",但没说这是"3 个完全不同质量级 + 完全不同运动学 + 完全不同任务场景":
- Galbot ET1 双足:腿式运动学,20+ DOF,任务:打网球(动态对抗 + 全身协调);
- Galbot G1 轮臂:轮式底盘 + 7 DOF 手臂,任务:工业分拣、零售上架(已量产);
- Galbot S1 重载:30 kg 物料搬运,任务:宁德时代产线 7×24 拆码垛(已常态化运行)。
② "S1 在宁德时代产线 7×24 常态化运行"这个数字要拆开看。原帖说"7×24 常态化",但没说"常态化"的工程含义:
- 意味着 S1 跑在宁德时代某条电芯 PACK 线的固定工位上,代替了某个原本人工操作;
- 意味着宁德时代已经把 S1 的"节拍(cycle time)、故障率、停机策略、维护窗口"写进了自己的 MES 系统;
- 意味着 S1 出问题时不是"叫工程师来",而是"按预设的 fallback 流程切换"。
③ "G1 的边感知边理解边决策边执行"其实是被严重压缩的描述。原帖说"不用为每种干扰预设方案",但没说"通用闭环"在工业上有个老问题——如果是 PID/状态机 + 深度学习混合,闭环性能通常有保证;如果是端到端神经网络的闭环,工业上"可解释性 + 可调试性"是个硬伤。AstraBrain-Agent 的"通用闭环"具体怎么定义? 是不是"感知-决策-执行全链路神经网络"、还是"感知神经网络 + 决策规则系统 + 执行传统控制"——两者在工业上的"可调试"差距是 5-10 倍。这条对工程师和工厂 OT 团队来说很关键。
④ "边感知边理解边决策边执行"对应到 Apollo/特斯拉 FSD 是"端到端神经网络";对应到波士顿动力 Atlas 是"model predictive control"。AstraBrain-Agent 的"通用闭环"具体走哪条路?这件事决定了 S1 在宁德时代产线的"故障率可预测性"——端到端神经网络的故障模式是"长尾、难复现",MPC 的故障模式是"易理解、但需要重新建模"。国内具身公司多走前者,国外多走后者。AstraBrain-Agent 如果也是前者,S1 后续在 CATL 的运维会非常贵。
⑤ "50+ 本体 + 1 万台商业化目标"是被严重低估的"二阶指标"。原帖说"未来 12 个月真考验是能否跨到 5 种以上本体",但没说 1 万台商业化目标的"商业化"如何定义:
- 是真"按工业级标准付费"的订单?
- 还是"政府补贴 + 试点采购"算一半?
- 还是"租赁模式 + 算力订阅"的 ARR?
下一步该盯:宁德时代 2026 Q4 财报里"产线自动化升级"段,具体披露多少工位用了 S1/用了哪一型机器人——这条数据是"通用大脑商业化"最硬的指标;比"出货量"和"市值"都更说明问题。