Sei robot costruiscono la Grande Muraglia con 81.920 mattoncini al WAIC 2026
Alla Shanghai World Artificial Intelligence Conference 2026, sei robot hanno accettato una sfida pubblica straordinaria: assemblare un modello in grande scala della Grande Muraglia utilizzando 81.920 mattoncini microscopici in 15 ore.
Sei robot costruiscono la Grande Muraglia con 81.920 mattoncini al WAIC 2026
Introduzione
Alla Shanghai World Artificial Intelligence Conference 2026, sei robot hanno accettato una sfida pubblica straordinaria: assemblare un modello in grande scala della Grande Muraglia utilizzando 81.920 mattoncini microscopici in 15 ore.
La struttura finale misura circa 3,5 metri di lunghezza, 1,5 metri di larghezza e raggiunge un'altezza massima di circa 1,1 metri. Quattro robot da tavolo e due robot umanoidi su ruote hanno lavorato insieme, occupandosi di tutto, dal posizionamento preciso dei mattoncini al trasporto e all'assemblaggio di moduli più grandi.
Secondo le fonti originali, questi robot hanno operato in modo autonomo, senza bisogno di controllo remoto o di script di movimenti predefiniti. Dovevano percepire lo spazio di lavoro, decidere l'azione successiva, coordinarsi tra loro, rilevare errori di posizionamento e correggere le deviazioni durante la costruzione.
Un robot opera accanto alla grande esposizione della Muraglia in mattoncini.
Questa sfida è stata organizzata da Dexmal (nome cinese: 元力灵机). L'azienda l'ha presentata come un test pubblico per verificare se l'intelligenza incarnata potesse superare i limiti delle brevi dimostrazioni ed eseguire compiti di lunga durata, ad alta precisione e che richiedono coordinazione fisica in un ambiente espositivo reale.
Nota sulla precisione: Descrizioni come "prima mondiale", "completamente autonomo" e "leader di settore" provengono da Dexmal o dalle fonti originali. Le dimostrazioni pubbliche e i materiali tecnici supportano l'impostazione generale, ma le fonti non forniscono una verifica indipendente completa di ogni dettaglio operativo.
80.000 mattoncini e un test pubblico senza script
La Muraglia di mattoncini potrebbe sembrare a prima vista una trovata pensata appositamente per la fiera. Ma scomponendo i requisiti tecnici, questo compito tocca tre difficoltà che da tempo impediscono ai robot di passare dalle dimostrazioni in laboratorio alle applicazioni pratiche in produzione.
Operazioni di precisione submillimetrica
I mattoncini devono incastrarsi in modo stretto e uniforme. Pertanto, i robot devono eseguire movimenti controllati in un range compreso tra circa 0,1 e 1 millimetro.
Questa precisione richiede la collaborazione di diverse capacità:
- Percezione visiva e spaziale accurata
- Controllo motorio fine
- Azionamento stabile
- Rilevamento affidabile del contatto
- Capacità di correggere piccoli errori di posizionamento
La sfida non consiste semplicemente nello spostare un oggetto da un punto all'altro. Ogni mattoncino deve essere allineato, premuto in posizione e integrato nella struttura circostante, senza danneggiare quelli già posizionati.
Le fonti originali hanno confrontato la stabilità richiesta con il tremore naturale della mano umana a riposo (che potrebbe raggiungere scale simili). Il punto essenziale è diretto: il robot deve mantenere precisione e coerenza per migliaia di azioni ripetitive.
Sei robot senza un singolo operatore visibile
La seconda difficoltà è il coordinamento.
Il sistema è composto da sei robot di due diverse tipologie. Condividono lo stesso spazio di lavoro fisico e devono dividersi i compiti senza entrare in collisione tra loro o ripetere le stesse operazioni.
I report indicano che nessun operatore umano ha supervisionato continuamente l'intero team da una console centrale. Ogni robot percepiva autonomamente l'ambiente circostante, prendeva decisioni locali e comunicava con gli altri per negoziare l'assegnazione dei compiti.
Le operazioni più fini e precise potevano essere assegnate ai robot da tavolo, mentre i robot umanoidi su ruote si occupavano di movimento, trasporto e fasi di assemblaggio più grandi.
Il coordinamento multi-agente è comune nelle simulazioni e negli articoli di ricerca. Ma far funzionare robot eterogenei in modo coordinato per lunghi periodi in un ambiente espositivo affollato è molto più difficile, poiché ritardi di comunicazione, errori di percezione, ostacoli fisici e derive di posizionamento accumulate influenzano l'intero processo.
Quindici ore di funzionamento continuo
L'ultima difficoltà è la durata.
Un robot che esegue azioni selezionate con cura in pochi minuti può essere impressionante. Ma un compito di 15 ore pone una domanda diversa: all'aumentare del numero di azioni, il sistema riesce a mantenere la precisione e a recuperare dai piccoli errori?
Ogni mattoncino introduce un nuovo rischio di disallineamento. Un piccolo errore nelle fasi iniziali della costruzione può influenzare le parti successive, quindi il sistema necessita di un ciclo chiuso:
- Osservare lo stato attuale.
- Scegliere l'azione successiva.
- Eseguire il posizionamento.
- Verificare se il risultato corrisponde allo stato previsto.
- Correggere l'azione se necessario.
- Procedere dallo stato aggiornato.
Il test combinato di precisione, coordinamento e durata mira a verificare se l'AI incarnata possa produrre ore di lavoro utili, e non solo una breve dimostrazione isolata.
La sfida multi-robot ha attirato molti visitatori alla fiera WAIC 2026.
L'hardware utilizzato nella sfida include Dexmal Apex, che l'azienda descrive come un robot universale nativamente incarnato. Dexmal afferma che Apex combina il suo design hardware con un modello fondamentale incarnato per supportare operazioni di lunga durata, manipolazione fine, una più ampia generalizzazione dei compiti e interazioni sicure in mezzo alla folla.
I robot sono la parte visibile della dimostrazione. L'intelligenza sottostante proviene dall'ultimo modello fondamentale incarnato di Dexmal, DM0.5.
DM0.5 e l'emergere della generalizzazione
Dexmal ha presentato DM0.5 all'evento per sviluppatori Action 2026 all'inizio di luglio. Il modello è il successore di DM0 ed è progettato per il controllo robotico in un mondo aperto, non per una serie di compiti scriptati e fissi.
DM0.5 è progettato per generalizzare la gestione di compiti robotici in un mondo aperto.
Il blog tecnico ufficiale di Dexmal afferma che il modello adotta un'architettura visione-linguaggio-azione, che include:
- Un backbone visivo-linguistico Gemma 3 4B
- Un Action Expert da 680 milioni di parametri
- Generazione di azioni robotiche continue
- Addestramento multi-robot e multi-compito
- Contesto visivo storico fino a 60 secondi
I report originali indicano che il modello è stato addestrato su circa 150.000 ore di dati multi-fonte, inclusi dati da operazioni robotiche reali, attività umane in prima persona, navigazione, ambienti ricostruiti e dati visivo-linguistici generici.
Secondo i report, rispetto a DM0, la quantità di dati è aumentata del 400%, mentre il numero di parametri è circa raddoppiato.
Tuttavia, il cambiamento più importante non è solo l'aumento di scala. Dexmal ha aggiunto diversi meccanismi progettati per aiutare il modello a comprendere lo stato di avanzamento del compito, ragionare sull'ambiente fisico e apprendere azioni senza replicare le deviazioni temporali individuali di un operatore umano.
Diagramma ufficiale dell'architettura DM0.5, che mostra la rete neurale VLM, gli strati contestuali, i compiti di inferenza e Action Expert.
Tre nuove strutture per aiutare il robot a comprendere il mondo
L'articolo originale evidenzia tre nuovi componenti architetturali. Ciascuno affronta diversi punti deboli nei compiti di manipolazione a lungo raggio.
Strato di astrazione contestuale: memoria fino a 60 secondi
I modelli VLA tradizionali solitamente prendono decisioni basandosi solo sull'immagine corrente della telecamera e sullo stato attuale del robot. Questo funziona per azioni a breve termine, ma diventa fragile quando le informazioni necessarie per il seguito del compito non sono visibili.
DM0.5 aggiunge uno strato di astrazione contestuale, che combina l'osservazione corrente con informazioni visive selezionate dalla storia recente. Secondo Dexmal, il modello può integrare fino a 60 secondi di contesto del compito.
Durante l'addestramento, la lunghezza e la disponibilità delle informazioni storiche variano. Se le informazioni passate mancano o non sono utili, il modello viene addestrato a basarsi sull'osservazione corrente, anziché fallire completamente.
Dexmal spiega questo con un semplice esperimento: prendere una tazza, pulire l'area sotto di essa e poi rimettere la tazza al suo posto.
Una volta sollevata la tazza, la sua posizione iniziale scompare dall'immagine corrente. Un modello che guarda solo al presente potrebbe rimetterla in un punto qualsiasi. Un modello con contesto storico può ricordare dove si trovava la tazza prima di essere spostata.
Per il compito "Grande Muraglia", lo stesso principio è cruciale su scala più ampia. Il robot deve capire quali parti sono state assemblate, come è cambiata la struttura locale e qual è il prossimo passo nel processo.
Catena di pensiero incarnata:
Ragionamento e azione in parallelo
DM0.5 aggiunge anche 11 compiti di ragionamento autoregressivo nell'addestramento sui dati robotici.
Il modello è addestrato a rispondere a domande vincolate utilizzando l'immagine corrente, lo stato del robot, le istruzioni e il contesto storico. Queste domande coprono:
- La fase attuale del compito
- Cosa è stato completato
- Quale azione eseguire successivamente
- Come l'ambiente potrebbe cambiare
- L'intenzione dietro la prossima azione
- Una descrizione semantica dell'azione imminente
Questo trasforma il segnale di addestramento da una semplice previsione di azione in una combinazione di:
- Comprensione delle istruzioni
- Ragionamento temporale
- Previsione ambientale
- Generazione di azioni
Nell'uso pratico, il robot non deve solo capire quale comando motorio eseguire data un'immagine specifica, ma anche esprimere perché quell'azione è appropriata.
Questo è particolarmente critico per un compito con 81.920 mattoncini. Il sistema non può trattare ogni singolo posizionamento come un evento isolato, ma deve collegare l'azione singola ai progressi dell'intero processo di costruzione.
Strato di allineamento della traiettoria: apprendere il compito, non il ritmo dell'operatore
La maggior parte dei dati dimostrativi per robot viene raccolta tramite teleoperazione umana. Persone diverse eseguono lo stesso compito a velocità, con pause e stili di movimento diversi.
Se il modello è costretto ad allineare ogni azione prevista a un timestamp fisso nella registrazione della dimostrazione, potrebbe imparare il ritmo dell'operatore, anziché il compito sottostante.
Lo strato di allineamento della traiettoria di DM0.5 allinea le azioni in base ai progressi del compito, non al tempo esatto.
Ogni azione prevista viene abbinata a un punto appropriato nella traiettoria reale. L'abbinamento deve procedere in modo monotono, quindi le azioni previste successive non possono essere accoppiate con parti precedenti della dimostrazione. Successivamente, viene utilizzata la programmazione dinamica per trovare corrispondenze a bassa perdita sull'intera sequenza.
Questo approccio mira a enfatizzare eventi fisici importanti, come:
- Afferrare
- Allineare
- Contattare
- Premere
- Rilasciare
La velocità personale dell'operatore diventa meno importante, mentre la struttura significativa del compito è più chiara.
Dexmal afferma che questo migliora la generalizzazione tra diversi dimostratori e velocità di esecuzione.
Risultati di DM0.5 su RoboChallenge Table30 V2
La dimostrazione della Grande Muraglia è un test pubblico aperto. Dexmal ha anche valutato DM0.5 su un benchmark robotico standardizzato.
Su RoboChallenge Table30 V2, l'azienda riporta:
- 43% di tasso di successo complessivo
- Punteggio composito di 54,42
- Prestazioni complessive all'avanguardia tra i confronti pubblicati
Table30 V2 include 30 compiti di manipolazione robotica reali, che coprono quattro morphologie robotiche. Il benchmark include memoria a lungo termine, esecuzione multi-step, localizzazione degli obiettivi, prelievo e posizionamento di precisione, uso di strumenti e coordinazione bimanuale.
Il set di dati e il framework di valutazione sono documentati pubblicamente tramite RoboChallenge e Hugging Face, mentre il metodo Table30 V2 è stato anche pubblicato come articolo per il workshop CVPR 2026.
Questi risultati sono rilevanti per la sfida della Grande Muraglia, poiché entrambi gli scenari testano la capacità del modello di coordinare percezione, progresso del compito, azioni fini ed esecuzione fisica, non solo di riconoscere oggetti o
generare istruzioni testuali.
Esercitarsi nel modello del mondo prima dell'uso reale del robot
Un modello di base potente da solo non basta per sostenere una dimostrazione pubblica di 15 ore.
Il rapporto originale indica che Dexmal ha anche utilizzato il framework DFOL 2.0 nell'addestramento successivo. Questo framework integra il modello del mondo DW0.5, consentendo di esercitarsi e perfezionare parti del compito in ambienti virtuali o generati dal modello, prima del completo dispiegamento su hardware fisico.
L'idea di base è permettere al sistema di provare internamente azioni costose.
Lo sviluppo robotico tradizionale spesso si basa su ripetuti tentativi fisici:
- Far funzionare il robot.
- Osservare il fallimento.
- Raccogliere più dati.
- Regolare il modello.
- Ripetere sul robot reale.
Questo processo è lento e costoso. I robot reali si usurano, lo spazio di lavoro fisico deve essere resettato e ogni tentativo fallito consuma tempo di ingegneria.
Un modello del mondo può trasferire parte della sperimentazione in simulazioni o previsioni apprese. La politica del robot può testare azioni possibili, stimare risultati probabili e migliorare l'esecuzione del compito prima di impegnare tempo prezioso sul robot reale.
Per un compito di costruzione su larga scala, questo riduce il numero di tentativi ed errori che devono avvenire davanti al pubblico. Offre anche al team un modo per provare il processo, studiare potenziali punti di fallimento e riservare l'hardware reale per la validazione finale.
La fonte non fornisce un'implementazione pubblica di DFOL 2.0, né dettaglia quanto del compito della Grande Muraglia sia stato completato in simulazione. Pertanto, questa descrizione va intesa come la spiegazione di Dexmal del proprio processo di addestramento successivo, non un risultato indipendente e riproducibile.
Dai mattoncini alla parte più difficile della produzione
Perché usare oltre 80.000 mattoncini?
Questi mattoncini creano un test compatto per diverse capacità cruciali nella produzione flessibile:
- Posizionamento submillimetrico
- Precisione ripetuta per lunghi periodi
- Gestione di piccole parti visivamente simili
- Rilevamento e correzione degli errori
- Divisione dinamica dei compiti
- Coordinazione tra diversi tipi di robot
- Funzionamento stabile in ambienti fisici in cambiamento
I robot industriali tradizionali sono molto efficienti quando i compiti sono ripetitivi, standardizzati e strettamente controllati. Ma sono meno flessibili quando le posizioni degli oggetti variano, le proprietà dei materiali differiscono o l'azione corretta dipende dal giudizio visivo.
Il rapporto originale sostiene che permangono lavori manifatturieri che dipendono dal lavoro umano perché queste operazioni sono delicate, non standard, flessibili o altamente dipendenti dalla percezione. Ad esempio:
- Assemblaggio di precisione
- Regolazione di materiali morbidi o fragili
- Riparazione di difetti
- Ispezione dei primi prodotti
- Lavoro in spazi ristretti
- Gestione di compiti che variano da pezzo a pezzo
L'affermazione esatta che tali compiti rappresentano l'"ultimo 20%" della produzione va considerata come un'espressione della fonte informativa, non come una statistica industriale universale.
Tuttavia, il collegamento è chiaro. La Grande Muraglia è un oggetto dimostrativo, ma le capacità testate—manipolazione fine, funzionamento continuo e coordinazione multi-robot—sono direttamente rilevanti per le linee di produzione flessibili.
Come una startup di 16 mesi ci è riuscita
Stand WAIC
Dexmal è stata fondata nel marzo 2025. Il rapporto originale afferma che il suo team principale include ex ricercatori e ingegneri di Megvii e che ha già ottenuto diversi round di investimenti.
La sua missione dichiarata è costruire robot intelligenti, utili e affidabili.
Dexmal descrive il proprio orientamento tecnologico come sviluppo nativamente embodied. L'azienda non adatta modelli progettati principalmente per testi o immagini di Internet, ma addestra modelli in base alle esigenze operative dei robot nel mondo fisico.
DM0 è il loro primo modello fondamentale nativamente embodied. DM0.5 si basa su di esso, con memoria più lunga, capacità di ragionamento più forti, più dati di addestramento, supporto multimodale e capacità di generalizzazione migliorate nel mondo aperto.
L'azienda ha anche sviluppato un'infrastruttura attorno a questo modello.
Dexbotic
Dexbotic è un toolbox open-source visione-linguaggio-azione basato su PyTorch. Fornisce un ambiente di sviluppo unificato per addestrare e valutare varie strategie VLA.
Il framework include:
- Formato dati universale
- Implementazione del modello
- Pipeline di addestramento
- Servizio di inferenza
- Supporto per diverse piattaforme robotiche
- Strumenti di valutazione per simulazione e mondo reale
Dexbotic è disponibile pubblicamente tramite la sua documentazione ufficiale e il repository GitHub.
RoboChallenge
RoboChallenge è una piattaforma di valutazione robotica su larga scala nel mondo reale, sviluppata in collaborazione con Hugging Face.
La piattaforma mira a rendere i test delle strategie robotiche più riproducibili, consentendo la valutazione dei modelli su compiti fisici e configurazioni hardware condivisi.
I suoi benchmark Table30 e Table30 V2 coprono varie forme robotiche e compiti operativi reali. Set di dati pubblici, articoli e risorse di valutazione sono disponibili tramite RoboChallenge e Hugging Face.
Atomix
Il portafoglio di applicazioni commerciali di Dexmal include anche Atomix, un'attività flessibile di automazione di magazzino.
Il rapporto originale afferma che Atomix integra i processi di stoccaggio, trasporto e prelievo e ha collaborato con grandi clienti nel settore della vendita al dettaglio, delle bevande e della ristorazione. Queste affermazioni su clienti e posizionamento di mercato provengono dal rapporto originale e non sono state verificate indipendentemente da questo articolo.
DM0.5, Dexbotic, RoboChallenge e Atomix costituiscono insieme una strategia full-stack:
- Costruire modelli fondamentali embodied.
- Fornire strumenti di addestramento e implementazione.
- Creare una piattaforma di valutazione robotica nel mondo reale.
- Applicare la tecnologia a scenari aziendali concreti.
La Grande Muraglia robotica è stata la dimostrazione pubblica full-stack più straordinaria al WAIC 2026.
Contenuto effettivo della dimostrazione
La sfida robotica pubblica non dimostra che l'IA embodied generale sia stata risolta.
Tuttavia, fornisce test utili per molteplici capacità solitamente valutate separatamente:
- Controllo fine
- Memoria a lungo termine
- Recupero da errori
- Collaborazione multi-robot
- Coordinamento hardware eterogeneo
- Funzionamento continuo
- Percezione del mondo reale
- Ragionamento a livello di compito
La parte più critica della dimostrazione non è il muro in sé. È il tentativo di far funzionare sei macchine fisiche in modo coordinato per un tempo sufficiente a far emergere difetti sottili e problemi di coordinazione.
Inevitabile.
Il materiale ufficiale rilasciato da Dexmal per DM0.5 conclude che il mondo reale dovrebbe essere il miglior insegnante per i robot. In questa visione, ogni tentativo, successo, fallimento e correzione diventa una nuova informazione che aiuta il sistema a migliorare.
Al WAIC 2026, i robot stavano assemblando mattoncini microscopici. L'obiettivo a lungo termine è introdurre lo stesso processo di apprendimento ed esecuzione a ciclo chiuso in ambienti di lavoro come produzione, logistica e servizi, dove i compiti non possono essere completamente pre-programmati.
Domande frequenti
Quanti robot hanno partecipato alla sfida della Grande Muraglia?
Hanno partecipato sei robot: quattro robot da tavolo e due robot umanoidi su ruote. Collaboravano nella stessa area fisica, gestendo diverse fasi del processo di costruzione.
Quanti mattoncini sono stati utilizzati?
Il modello ha utilizzato 81.920 mattoncini microscopici. La struttura era lunga circa 3,5 metri, larga circa 1,5 metri e alta al massimo circa 1,1 metri.
Quanto è durata la sfida robotica?
La durata di funzionamento continuo prevista era di 15 ore. La sfida mirava a testare la capacità dei robot di mantenere precisione e coordinazione durante azioni fisiche prolungate.
I robot erano controllati a distanza?
Il rapporto originale mostra che i robot non erano costantemente controllati a distanza né si affidavano esclusivamente a script di movimento fissi. Utilizzavano percezione, decisioni locali, comunicazione e capacità di correzione degli errori, ma la fonte non includeva un audit tecnico indipendente e completo della configurazione operativa.
Cos'è DM0.5?
DM0.5 è un modello fondamentale visione-linguaggio-azione per il controllo robotico sviluppato da Dexmal. Utilizza un backbone visione-linguaggio Gemma 3 4B, un modulo esperto di azione da 680M, modellazione del contesto storico, compiti di ragionamento embodied e tecniche di allineamento delle traiettorie.
DM0.5 è open-source?
Dexmal ha rilasciato il codice della libreria OpenDM con licenza Apache 2.0 e le risorse del modello DM0.5 tramite Hugging Face. La libreria include pesi del modello, script di addestramento e inferenza, esempi di dataset e flussi di lavoro di valutazione.
Cos'è RoboChallenge Table30 V2?
Table30 V2 è un benchmark robotico nel mondo reale che include 30 compiti operativi su quattro forme robotiche. Le capacità valutate includono memoria a lungo termine, esecuzione sequenziale, operazioni fini, interazione con strumenti e coordinamento bimanuale.
La dimostrazione al WAIC dimostra che i robot possono sostituire il lavoro manuale rimanente nelle fabbriche?
No. La dimostrazione mostra progressi in termini di precisione, funzionamento prolungato e coordinazione, ma non prova che tutti i compiti di produzione flessibile siano pronti per l'automazione. Gli ambienti di produzione reali richiedono ulteriori verifiche di sicurezza, affidabilità, integrazione, costi e manutenzione.
Strumenti correlati
- OpenDM: Libreria del codice open-source di Dexmal per pesi del modello DM0.5, addestramento, inferenza e flussi di lavoro di distribuzione.
- DM0.5 su Hugging Face: Raccolta ufficiale di risorse del modello base e ottimizzato DM0.5.
- Dexbotic: Toolbox open-source PyTorch per lo sviluppo e la valutazione di modelli visione-linguaggio-azione.
Documentazione Dexbotic: Guide ufficiali per installazione, architettura, addestramento, dati, inferenza e sviluppo del modello.
- RoboChallenge: Piattaforma di benchmark robotico nel mondo reale per la valutazione di strategie embodied.
- Dataset Table30 V2: Pagina del dataset pubblico del benchmark robotico nel mondo reale aggiornato con 30 compiti.
Link correlati
- Blog tecnico ufficiale DM0.5: Spiegazione dettagliata di Dexmal su modello, dati, architettura e risultati dei benchmark.
- Repository GitHub OpenDM: Implementazione open-source ufficiale e documentazione di distribuzione.
- Raccolta Hugging Face DM0.5: Checkpoint ufficiali del modello e varianti ottimizzate.
- Sito ufficiale RoboChallenge: Sito web del progetto di valutazione robotica su larga scala nel mondo reale.
- Articolo del workshop CVPR 2026 su Table30 V2: Articolo che descrive il benchmark robotico nel mondo reale aggiornato.
- Documentazione Dexbotic: Documentazione ufficiale del framework di sviluppo VLA open-source.
- [Esposizioni imperdibili al WAIC 2026](https://english.shanghai.gov.
cn/en-ParticipateExplore/20260717/36193160d9d94efb9c0aa5fa4fbed5fd.html): Shanghai ha confermato ufficialmente che sei robot hanno costruito una riproduzione della Grande Muraglia in 15 ore, utilizzando 81.920 mattoncini microscopici. Questa impresa ha richiesto capacità di posizionamento submillimetrico, collaborazione tra più robot, operazioni a lungo ciclo e correzione degli errori in circuito chiuso.
La dimostrazione è stata guidata da DM0.5, il modello fondamentale embodied open-source di Dexmal. Le sue principali nuove funzionalità includono: memoria contestuale storica fino a 60 secondi, compiti di ragionamento embodied e una tecnologia di allineamento delle traiettorie in grado di ridurre l'impatto delle differenze di velocità nel telecontrollo umano.
Dexmal ha inoltre adottato tecniche di post-training basate su modelli del mondo, collegando questa dimostrazione alla sua più ampia gamma di prodotti OpenDM, Dexbotic, RoboChallenge e automazione dei magazzini. Va notato che alcune dichiarazioni sulle prestazioni e sul posizionamento sul mercato sono ancora auto-dichiarazioni dell'azienda e non sono state verificate in modo indipendente.
La Grande Muraglia è solo il veicolo della dimostrazione; la vera prova è: l'IA embodied può mantenere precisione, coordinazione e utilità pratica per un intero turno di lavoro?