六台机器人在WAIC 2026用81,920块积木搭建长城
在2026年上海世界人工智能大会上，六台机器人接受了一项非同寻常的公开挑战：在15小时内用81920块微型积木组装出一座大型长城模型。
六台机器人在WAIC 2026用81,920块积木搭建长城
引言
在2026年上海世界人工智能大会上，六台机器人接受了一项非同寻常的公开挑战：在15小时内用81920块微型积木组装出一座大型长城模型。
最终完成的建筑结构长约3.5米，宽约1.5米，最高点约1.1米。四台桌面机器人和两台轮式人形机器人共同参与作业，从精细的积木放置到运输和组装较大模块，全程负责。
据原始报道，这些机器人无需远程控制或预设的固定动作脚本即可自主运行。它们需要感知工作空间、决定下一步行动、相互协调、检测放置错误，并在搭建过程中纠正偏差。
一台机器人在大型积木长城展示旁作业。
这项挑战由Dexmal（中文名：元力灵机）组织。该公司将其作为一项公开测试，考察具身智能能否突破短时演示的局限，在真实展览环境中执行长时间、高精度、需物理协同的任务。
准确性说明： 诸如"世界首创""完全自主""行业领先"等描述均来自Dexmal或原始报道。公开演示和技术材料支持整体设定，但信息来源未对每个操作细节提供完整的独立审核。
八万块积木与无脚本的公开测试
积木长城乍听起来像是专为展览现场设计的噱头。但分解其技术要求后，这一任务触及了三个长期阻碍机器人从实验室演示走向实际生产应用的难点。
亚毫米级精细操作
积木需要紧密且一致地连接。因此，机器人必须在约0.1至1毫米的范围内执行受控动作。
这种精度要求多种能力协同配合：
- 精确的视觉与空间感知能力
- 精细运动控制能力
- 稳定的驱动能力
- 可靠的接触检测能力
- 修正微小定位误差的能力
挑战并非简单地将物体从一个位置移动到另一个位置。每块积木都需对齐、按压到位，并与周围结构融为一体，同时不能破坏已放置的积木。
原始报道将所需的稳定性与放松状态下人类手部的自然颤抖（可能达到类似尺度）进行了对比。实际要点很直接：机器人必须在数千次重复动作中保持精确性和一致性。
六台机器人无单点可见
操作员
第二个难点是协调。
这套系统由六台机器人组成，有两种不同的机体类型。它们共享同一个物理工作空间，必须分工协作，既不能相互碰撞，也不能重复执行同一操作。
报告指出，没有人类操作员在中央控制台持续指挥整个团队。相反，每台机器人自主感知周围环境，做出本地决策，并通过相互通信来协商任务分配。
更精细、更精确的操作可以分配给桌面机器人，而轮式人形机器人则负责移动、运输和更大规模的装配步骤。
多智能体协调在仿真和研究论文中很常见。但在拥挤的展览环境中，让异构机器人长时间协同运行要困难得多，因为通信延迟、感知误差、物理障碍和累积的定位漂移都会影响整个过程。
十五小时连续运行
最后的难点是时长。
一台机器人在几分钟内执行精心挑选的动作可能令人印象深刻。但15小时的任务提出了一个不同的问题：随着动作数量的增加，系统能否保持精度，并从微小错误中恢复？
每一块积木都带来了新的错位风险。建造早期的一个微小错误可能会影响后续部分，因此系统需要一个闭环：
- 观察当前状态。
- 选择下一个动作。
- 执行放置。
- 检查结果是否与预期状态一致。
- 必要时纠正动作。
- 从更新后的状态继续。
对精度、协调和时长的综合测试，旨在检验具身AI是否能产出有用的工作时长，而不仅仅是一个短暂的、孤立的演示。
多机器人挑战在WAIC 2026展览会上吸引了众多观众。
挑战中使用的硬件包括 Dexmal Apex，该公司将其描述为一款具身原生的通用机器人。Dexmal表示，Apex将其硬件设计与具身基础模型相结合，以支持长时间运行、精细操作、更广泛的任务泛化以及在人群中安全交互。
机器人是演示中可见的部分。其底层的智能来自Dexmal最新的具身基础模型 DM0.5。
DM0.5 与泛化能力的涌现
Dexmal在7月初的Action 2026开发者活动上推出了DM0.5。该模型是DM0的后继者，专为开放世界的机器人控制而设计，而非一系列固定的脚本化任务。
DM0.5 旨在泛化处理开放世界中的机器人任务。
Dexmal 官方技术博客表示，该模型采用了视觉-语言-动作架构，具体包括：
- 一个 Gemma 3 4B 视觉-语言骨干网络
- 一个 6.8亿参数的 Action Expert
- 连续的机器人动作生成
- 多机器人、多任务训练
- 长达 60 秒的历史视觉上下文
原始报告指出，该模型基于约 15 万小时的多源数据 进行训练，数据来源包括真实机器人操作、第一人称人类活动、导航、重建环境以及通用视觉-语言数据。
报告称，与 DM0 相比，数据量增加了 400%，而参数量大约翻了一番。
然而，更重要的变化并非只是规模上的提升。Dexmal 增加了若干机制，旨在帮助模型理解任务进度、推理物理环境，并在不复制人类操作员个体时间偏差的情况下学习动作。
官方的 DM0.5 架构图，展示了 VLM 骨干网络、上下文层、推理任务以及 Action Expert。
三种帮助机器人理解世界的新结构
原文重点介绍了三个新增的架构组件。每一个都针对长程具身任务中不同的弱点。
上下文抽象层：长达 60 秒的记忆
传统的 VLA 模型通常仅根据当前摄像头画面和当前机器人状态做出决策。这适用于短时动作，但当任务后续所需的信息不可见时，这种方法会变得脆弱。
DM0.5 增加了一个 上下文抽象层，它将当前观测与近期历史中选定的视觉信息相结合。根据 Dexmal 的说法，该模型可以整合长达 60 秒的任务上下文。
在训练过程中，历史信息的长度和可用性会有所变化。如果过去的信息缺失或无帮助，模型会被训练为回退到当前观测，而非完全失败。
Dexmal 用一个简单的实验来解释这一点：拿起一个杯子，擦拭杯子下方的区域，然后将杯子放回原位。
一旦杯子被拿起，其起始位置就从当前画面中消失了。一个只关注当下的模型可能会将其放回任意位置。而一个拥有历史上下文的模型则能记住杯子在被移动前的位置。
对于“长城”任务，同样的原理在更大规模上至关重要。机器人需要理解已经组装了哪些部分，局部结构发生了怎样的变化，以及流程中的下一步应该是什么。
具身思维链：
推理与行动并行
DM0.5 还在机器人数据训练中新增了 11 个自回归推理任务。
该模型经过训练，能够利用当前图像、机器人状态、指令和历史上下文来回答受约束的问题。这些问题涵盖以下方面：
- 当前任务阶段
- 已完成的内容
- 接下来应执行的操作
- 环境可能发生的变化
- 下一步动作背后的意图
- 对即将进行的动作的语义描述
这将训练信号从单纯的动作预测转变为以下内容的结合：
- 指令理解
- 时间推理
- 环境预测
- 动作生成
在实际应用中，机器人不仅要理解在特定图像下应执行哪个电机指令，还要表达为何该动作是合适的。
这对于包含 81,920 个积木块的任务尤为关键。系统不能将每个放置动作视为独立事件，而必须将单个动作与整个建造过程的进度联系起来。
轨迹对齐层：学习任务而非操作员的节奏
大多数机器人演示数据通过人类远程操作收集。不同的人以不同的速度、停顿和运动风格执行相同任务。
如果模型被迫将每个预测动作与演示记录中的固定时间戳对齐，它可能会学习操作员的节奏，而非底层任务。
DM0.5 的轨迹对齐层根据任务进度而非精确时间对齐动作。
每个预测动作与真实轨迹中的合适点匹配。匹配必须单调向前推进，因此后续预测动作不能与演示早期部分配对。随后使用动态规划在整个序列中寻找低损失的对应关系。
这种方法旨在强调重要的物理事件，例如：
- 抓取
- 对齐
- 接触
- 按压
- 释放
操作员的个人速度变得不那么重要，而任务的有意义结构则更加清晰。
Dexmal 表示，这提高了在不同演示者和执行速度下的泛化能力。
DM0.5 在 RoboChallenge Table30 V2 上的结果
长城演示是一项开放式的公开测试。Dexmal 还在标准化机器人基准上评估了 DM0.5。
在 RoboChallenge Table30 V2 上，该公司报告：
- 43% 的整体成功率
- 54.42 的综合得分
- 在已发布的比较中达到最先进的整体性能
Table30 V2 包含 30 个真实机器人操作任务，涵盖四种机器人形态。该基准包括长时记忆、多步执行、目标定位、精确拾取与放置、工具使用以及双手协调。
数据集和评估框架通过 RoboChallenge 和 Hugging Face 公开记录，而 Table30 V2 方法也已通过 CVPR 2026 研讨会论文发表。
这些结果与长城挑战相关，因为两种场景都测试模型是否能够协调感知、任务进度、精细动作和物理执行，而不仅仅是识别物体或
生成文本指令。
在真实机器人使用前在世界模型中进行练习
仅凭一个强大的基础模型不足以支撑一场长达15小时的公开演示。
原始报告指出，Dexmal 在后期训练中还使用了 DFOL 2.0 框架。该框架集成了 DW0.5 世界模型，允许在完全部署到物理硬件之前，先在虚拟或模型生成的环境中练习和完善部分任务。
其基本思想是让系统在内部排练成本高昂的动作。
传统的机器人开发往往依赖反复的物理试验：
- 运行机器人。
- 观察失败。
- 收集更多数据。
- 调整模型。
- 在真实机器上重复。
这个过程既缓慢又昂贵。真实的机器人会磨损，物理工作空间必须重置，每一次失败的尝试都在消耗工程时间。
世界模型可以将部分实验转移到模拟或学习预测中。机器人策略可以在占用宝贵的真实机器时间之前，测试可能的动作，估计可能的结果，并改进任务执行。
对于一项大型构建任务来说，这减少了必须在观众面前进行的试错次数。它还为团队提供了一种排练流程、研究可能的失败点，并将真实硬件保留给最终验证的方法。
消息来源并未提供公开的 DFOL 2.0 实现，也没有详细说明长城任务中有多少是在模拟中完成的。因此，应将此描述理解为 Dexmal 对其后期训练过程的解释，而非独立可重复的结果。
从积木到制造业最困难的部分
为什么要使用超过8万块积木？
这些积木创建了一个紧凑的测试，用于衡量灵活制造中至关重要的若干能力：
- 亚毫米级放置
- 长时间重复精度
- 处理视觉上相似的小零件
- 错误检测与纠正
- 动态分工
- 不同类型机器人间的协调
- 在不断变化的物理环境中稳定运行
当任务重复、标准化且受到严格控制时，传统的工业机器人非常高效。但当物体位置变化、材料性能不同，或正确动作取决于视觉判断时，它们的灵活性就较差。
原始报告认为，仍有部分制造业工作依赖人工，因为这些操作是精细的、非标准的、灵活的或高度依赖感知的。例如：
- 精密装配
- 调整柔软或易碎材料
- 修复缺陷
- 检查首批产品
- 在狭小空间工作
- 处理因件而异的任务
关于该类任务代表制造业“最后20%”的确切说法，应视为信息来源中的一种表述，而非普遍的行业统计数据。
尽管如此，其中的联系是清晰的。长城是一个展示对象，但所考察的能力——精细操作、持续运行和多机器人协调——与灵活生产线直接相关。
一家成立16个月的初创公司如何达到
WAIC 展台
Dexmal 成立于2025年3月。原报道称其核心团队包括前旷视研究员和工程师，并已获得多轮投资。
其既定使命是构建智能、有用且值得信赖的机器人。
Dexmal 将其技术方向描述为具身原生开发。该公司并非适配主要面向互联网文本或图像的模型，而是围绕物理世界中机器人运行的需求来训练模型。
DM0 是其首个具身原生基础模型。DM0.5 在此基础上扩展，具备更长的记忆、更强的推理能力、更多训练数据、多形态支持以及改进的开放世界泛化能力。
该公司还围绕该模型开发了基础设施。
Dexbotic
Dexbotic 是一个基于 PyTorch 的开源视觉-语言-动作工具箱。它为训练和评估多种VLA策略提供统一的开发环境。
该框架包括：
- 通用数据格式
- 模型实现
- 训练流水线
- 推理服务
- 支持多种机器人平台
- 仿真与真实世界评估工具
Dexbotic 可通过其官方文档和GitHub仓库公开获取。
RoboChallenge
RoboChallenge 是一个与 Hugging Face 共同开发的大规模真实机器人评估平台。
该平台旨在通过允许模型在共享的物理任务和硬件配置上进行评估，使机器人策略测试更具可复现性。
其 Table30 和 Table30 V2 基准测试涵盖多种机器人形态和实际操作任务。通过 RoboChallenge 和 Hugging Face 可获取公共数据集、论文和评估资源。
Atomix
Dexmal 的商业应用组合还包括 Atomix，一项灵活的仓储自动化业务。
原报道称 Atomix 整合了存储、运输和拣选流程，并与大型零售、饮料和餐饮服务客户有过合作。这些客户和市场排名的主张来自该报道，未经本稿独立核实。
DM0.5、Dexbotic、RoboChallenge 和 Atomix 共同构成了全栈战略：
- 构建具身基础模型。
- 提供训练和部署工具。
- 创建真实机器人评估平台。
- 将技术应用于实际业务场景。
长城装置是WAIC 2026上最引人注目的全栈技术公开展示。
演示的实际内容
公开的机器人挑战赛并不能证明通用具身AI已经解决。
但它确实为通常单独评估的多种能力提供了有用的测试：
- 精细控制
- 长时记忆
- 错误恢复
- 多机器人协作
- 异构硬件协调
- 连续运行
- 真实世界感知
- 任务级推理
演示中最关键的部分并非墙本身。而是试图让六台物理机器协同运行足够长的时间，以暴露细微缺陷和协调问题。
不可避免。
Dexmal 官方发布的 DM0.5 材料最终指出，真实世界应成为机器人最好的老师。在这一愿景中，每一次尝试、成功、失败与修正都将成为帮助系统改进的新信息。
在 2026 年世界人工智能大会上，机器人正在组装微型积木。其长期目标是将同样的闭环学习与执行流程引入制造、物流、服务及其他任务无法完全预先编程的工作环境中。
常见问题
有多少机器人参与了长城挑战？
共有六台机器人参与：四台桌面机器人和两台轮式人形机器人。它们在同一物理区域内协作，处理建造过程中的不同环节。
使用了多少块积木？
模型共使用了 81,920 块微型积木。结构长约 3.5 米，宽约 1.5 米，最高点约 1.1 米。
机器人挑战持续了多长时间？
计划连续工作时长为 15 小时。该挑战旨在测试机器人在长时间物理动作中保持精度与协调性的能力。
机器人是否被远程操控？
原始报告显示，机器人并非持续被远程操控，也未依赖完全固定的动作脚本。它们运用感知、局部决策、通信与纠错能力，但来源未包含对操作设置的独立完整技术审计。
什么是 DM0.5？
DM0.5 是 Dexmal 开发的用于机器人控制的开放世界视觉-语言-动作基础模型。它采用 Gemma 3 4B 视觉-语言骨干网络、680M 动作专家模块、历史语境建模、具身推理任务及轨迹对齐技术。
DM0.5 是开源的么？
Dexmal 已根据 Apache 2.0 许可发布 OpenDM 代码库，并通过 Hugging Face 发布 DM0.5 模型资源。代码库包含模型权重、训练与推理脚本、数据集示例及评估工作流程。
什么是 RoboChallenge Table30 V2？
Table30 V2 是一个真实机器人基准测试，包含四种机器人形态下的 30 项操作任务。评估能力包括长时记忆、顺序执行、精细操作、工具交互及双臂协调。
世界人工智能大会的演示是否证明机器人可替代工厂中剩余的人工操作？
不能。该演示展示了机器人在精度、长时间运行与协调性方面的进步，但并未证明所有柔性制造任务已具备自动化条件。实际生产环境还需额外的安全、可靠性、集成、成本及维护验证。
相关工具
- OpenDM：Dexmal 开源的 DM0.5 模型权重、训练、推理与部署工作流代码库。
- Hugging Face 上的 DM0.5：官方 DM0.5 基础与微调模型资源合集。
- Dexbotic：用于开发与评估视觉-语言-动作模型的开源 PyTorch 工具箱。
Dexbotic 文档：提供官方安装、架构、训练、数据、推理及模型开发指南。
- RoboChallenge：用于评估具身策略的真实机器人基准测试平台。
- Table30 V2 数据集：包含30项任务的更新版真实机器人基准测试公共数据集页面。
相关链接
- 官方 DM0.5 技术博客：Dexmal 关于模型、数据、架构及基准测试结果的详细解读。
- OpenDM GitHub 仓库：官方开源实现与部署文档。
- DM0.5 Hugging Face 合集：官方模型检查点及微调变体。
- RoboChallenge 官方网站：大规模真实机器人评估项目官网。
- Table30 V2 CVPR 2026 研讨会论文：描述更新版真实机器人基准测试的论文。
- Dexbotic 文档：开源 VLA 开发框架官方文档。
- 2026世界人工智能大会必看展品：上海官方确认六台机器人15小时长城展位的概况。
总结
在2026世界人工智能大会上，六台 Dexmal 机器人连续工作15小时，用81,920块微型积木搭建长城模型。这项任务结合了亚毫米级放置、多机器人协作、长周期操作以及闭环纠错能力。
本次演示由 Dexmal 的开源世界具身基础模型 DM0.5 驱动。其关键新增功能包括：最长60秒的历史上下文记忆、具身推理任务，以及能够减少人类遥操作速度差异影响的轨迹对齐技术。
Dexmal 还采用了基于世界模型的后训练技术，并将此次演示与其更广泛的 OpenDM、Dexbotic、RoboChallenge 及仓库自动化产品体系相连接。需注意，部分性能和市场定位声明仍属公司自述，尚未经独立验证。
长城只是展示的载体，真正的考验在于：具身AI能否在整整一个工作班次中保持精准、协同和实用。