上个月南京软件大会上，一个消息让医药物流圈讨论了好几天：智往未来的二代具身智能机器人 Armstrong Pro，正式入驻一家世界500强外资药企的物流中心。这次部署直指一个老难题——药企仓库里那些形状不一的药瓶和药盒，怎么用机器自动分拣？
传统自动化方案对标准纸箱很在行，但遇到圆柱形、旋盖瓶、异形泡罩包装、加厚瓶身的药盒，基本就歇菜了。精度取决于预编程的坐标点，一旦线体改个版本或包装换材质，机械臂就可能抓空或捏碎。这背后是药品 SKU 天然的非标属性：同样剂量的药瓶，不同批次可能换包材；同一订单里的胰岛素笔、吸入剂胶囊盒、仿制药瓶，规格差异极大。据中国医药商业协会 2026 年 5 月的数据，大型药企物流中心的非标包裹占比已超 40%，而准确率要求接近 100%，报废一箱疫苗可能损失数十万元。
不做坐标记忆，改做实时感知
Armstrong Pro 的解法路径和传统工业机器人完全不同。智往未来在公告中强调，它没有像传统方案那样测绘每个品种的抓取坐标，而是靠一个叫“灵境”的大模型实时理解物体。简单说，机器人看一次药瓶——不管它立着、倒着还是半遮挡——立刻估计出三维形状、材质硬度、重心偏移，再动态生成一个抓取策略：捏瓶身还是托底部，用吸盘还是柔性夹爪，力度多大。
这依赖两部分能力：一是视觉感知上的“一次建模”，二是决策上的“实时动作”。灵境大模型基于视觉 Transformer 架构，能在几百毫秒内处理深度点云数据。根据现场实测，它仅靠几帧 RGB-D 图像便能重建物体轮廓，并给出抓取置信度。遇到透明药瓶或反光锡箔泡罩，模型还加了偏振光补偿训练，避免玻璃材质造成的光斑干扰。据现场了解，该模型在 36 类不同包材上的通过率均超过 98%，综合准确率达到 99.2%。
异常比例从 1.5% 降到 0.8%，但还缺不了人
部署前这家药企的物流中心单班需要 15 名拣选工，旺季还要加人。上 Armstrong Pro 后，一线拣选人员压缩到 3 名，主要工作变成了“异常处理员”——当机器人识别置信度低于阈值或遇到破损包裹时，人工介入判断。
这和《AI接管动作，人类负责决策：2026年职场生存法则》里提到的趋势完全一致：AI 执行具体动作，人类负责审视和决策。操作员不需要拖拽药瓶，而是看着界面上的置信度标签，点“放行”或“重试”。一位现场主管说，员工抱怨最多的是“不用弯腰了，但心理压力反而更大，因为现在你是最后一道防线。”
99.2% 的准确率意味着仍有 0.8% 的异常需要兜底。对于单日 2 万件处理的枢纽来说，每日约 160 件异常包裹，恰好支撑起一个“人机协同”的稳态。
为什么选药企？高价值、高波动、高壁垒
智往未来把 Armstrong Pro 的第一个行业深度标杆选在制药业，不是偶然。相比电商仓库，药企 SKU 虽然少一些，但包装波动大、单品价值高、合规要求严。GMP 对操作可追溯、环境温度、异物管控都有明确条文。Armstrong Pro 的每一次抓取都有日志记录，完整匹配 GMP 审计追踪逻辑，这比传统人工操作更有合规优势。
此外，药企仓库的冷库环境对电子设备是苛刻考验——零下 20 度的疫苗仓库，锂电池续航和镜头起雾是必修课。据现场技术人员透露，他们在冷冻工况下的抓取准确率从常温的 99.2% 下滑到 98.5%，但已经优于人工作业的 97% 以下。
小模型端侧跑，新算力需求诞生
灵境大模型的推理并非跑在云端。为了满足药企数据不出内网的合规要求，Armstrong Pro 将模型量化并部署在车载边缘计算单元上。据现场介绍，单次推理延迟约 250 毫秒，功耗控制在 35W 以内，正好覆盖一个工业工位的供电上限。
这让我想起我们在《70B模型本地实测：iPhone 17 Pro的0.8秒与10分钟》里记录的边缘端困境——算力和散热总在打架。不过 Armstrong Pro 对模型规模做减法：只保留视觉感知和抓取决策两个核心模块，剪枝掉对话、文本等分支。专有场景的端侧部署，远比通用模型的本地化跑得踏实。
未来的路：从拣选到全流程
目前 Armstrong Pro 只负责拣选环节的出库分拣。但按照智往未来的路线图，2026 年底它将尝试覆盖入库拆垛和复核打包。如果“灵境”大模型能持续学习新的包装形态，药企仓库里剩下的 0.8% 异常也可能逐步被压缩。
具身智能终于从实验室走到了药企的货架前。它解决的不是“能不能抓”的问题，而是“怎么抓得准、抓得快、还能适应变化”。这条路上，机器人负责动作，人类负责规则和边界，分工从未像现在这样清晰，也从未如此微妙。
