模块化具身智能服务空间：智立方给智慧城市与汽车座舱的三点启发

2025-12-29，AI² Robotics 在北京与深圳同步发布并落地了“智立方（ZhiCube）”：一个把人形机器人“放进”可拼装服务空间里的标准化服务单元。公司给出的目标也很明确——三年内在全国部署 1000 个。这不是又一个“会走路的机器人”新闻，而是一个更现实的信号：具身智能开始用产品化、模块化的方式进入城市公共空间。

我更在意的点在于：智立方把“AI 的能力”从屏幕里拎出来，落到可运营的商业与公共服务场景里——咖啡、冰淇淋、零售、娱乐，都是高频、可复制、对体验敏感的场景。它像一个“城市版智能座舱”：同样强调多模块、同样要在人流高峰与低谷中动态调度、同样需要人机协作把体验做到稳定。

这篇文章放在《人工智能在智慧城市建设》系列里，我想借智立方做一个案例，讲清楚三件事：模块化具身智能到底解决什么问题、它和汽车软件/用户体验的共性是什么、以及如果你是做城市运营或车载体验，该怎么把它落到指标与流程上。

智立方到底“新”在哪：把具身智能做成可复制的城市基础单元

智立方的新，不是“机器人能做咖啡”——这个行业早就见过。真正的新在于：它把机器人能力封装进一个可拼装、可部署、可运营的空间单元里，让具身智能第一次像“基础设施”一样被规划。

AI² Robotics 的做法是：在模块化空间里部署自研的 AlphaBot 2 人形机器人，并以全身具身大模型 GOVLA 为核心，让机器人具备环境感知、任务理解与角色切换能力。更关键的是，它不是单机表演，而是围绕“日常运营”设计了系统级智能：人流少时分工做服务与引流，人流高时协作分担高负载任务，遇到复杂需求（例如精品咖啡）由人负责创意、机器人负责标准化执行。

“模块化”带来的三种确定性

对智慧城市项目来说，最怕的是“样板间很好看，规模化很难”。模块化的意义就在于，它把不确定性压缩到可控范围：

1. 空间确定性：咖啡/零售/娱乐/冰淇淋四个模块自由组合，面向商圈、景区、综合体可快速适配。
2. 能力确定性：标准流程由机器人稳定执行，减少对“高手员工”的依赖。
3. 交付确定性：从“单点试点”变成“可复制交付”，才有可能谈 1000 台这种规模。

可靠性不是宣传点，是能不能活下去的门槛

源内容提到其核心部件累计 50,000 小时无故障运行，并且有自建产线保障一致性、还有跨十多个行业的数据反馈闭环。对城市公共空间而言，这些指标比“模型有多大”更重要：

• 在景区/商场这类场景，宕机 10 分钟就会直接影响排队与口碑。
• 一致性决定了规模化运维成本，决定了城市合作方是否敢买单。

人机协作运营模型：智慧城市的“调度系统”，也是智能座舱的“体验大脑”

我对智立方最认可的部分，是它没有把“无人化”当目标，而是把“人机协作”当常态。现实世界的服务体验，永远不是一个模型就能兜底的。

从“排班”到“算法调度”：高峰与低谷决定体验成败

智立方会依据客流变化自动调整协作策略：低峰时一部分机器人负责服务，另一部分负责吸引顾客；高峰时机器人协同完成高负载任务。这其实就是智慧城市常见的思路：

• 交通管理靠动态信控适配流量波动
• 城市治理靠事件分级与资源编排
• 公共服务靠峰谷调度保障体验

把这个逻辑映射到汽车软件与用户体验，你会发现几乎一致：

• 通勤早高峰：导航、拥堵预测、车内提醒要更“强干预”，减少驾驶分心
• 夜间/低频场景：语音助手更偏“陪伴与轻交互”，不要频繁打断
• 复杂场景（例如陌生城市、雨雪路况）：人（驾驶员）负责判断，系统负责信息整合与执行辅助

一句话概括：好的 AI 不是一直抢镜，而是在合适的时机接手合适的环节。

“角色切换”是体验系统的核心能力

智立方强调机器人可动态切换角色：服务员、引导员、执行者、协作者。这对车载智能座舱同样关键。很多车企做 AI 助手做不出差异，问题往往不是 ASR/TTS，而是没有“角色体系”：

• 它什么时候应该像“副驾驶”（提醒、规划、复述）
• 什么时候应该像“管家”（一键执行、无感完成）
• 什么时候必须退后（不在驾驶关键期打扰）

把角色做清楚，才能把体验稳定做出来。

模块化服务空间与智能座舱的共同命题：生态拼装，而不是功能堆叠

智立方给智慧城市的启发是：城市服务正在从“一个柜台”变成“可插拔的体验节点”。而汽车行业正在经历相似转变：从“硬件定义功能”走向“软件定义体验”，从单一车机走向“生态系统”。

共同点一：模块是产品策略，不是工程拆分

智立方的咖啡/零售/娱乐模块，本质是把服务拆成可组合的“业务积木”。汽车座舱也一样：导航、娱乐、支付、充电、停车、售后，如果只是堆在一个大屏里，用户感受是混乱的；只有当它们可被场景化编排，才像“一个系统”。

我见过有效的做法通常包含两层：

• 能力模块化：语音、推荐、支付、身份、内容、地图等基础能力统一封装
• 场景编排：通勤/长途/亲子/露营/商务等场景调用不同组合

共同点二：数据闭环决定迭代速度

智立方强调多行业场景数据的持续反馈。具身智能与车载 AI 都有一个共同难题：离线训练很强，不代表线上好用。真正的门槛是：

• 数据采集是否合规可持续
• 标注与回流是否自动化
• 版本发布是否可灰度、可回滚

对智慧城市项目而言，这会直接影响“第二年还能不能续约”；对汽车而言，这会直接影响 OTA 之后口碑是上升还是翻车。

共同点三：体验 KPI 必须可量化

“看起来很聪明”不是 KPI。智立方如果要跑通规模化，最终要回到可量化指标：出杯时间、峰值吞吐、故障恢复时间、客诉率、复购率等。智能座舱同样需要从“功能有无”转向“体验指标”：

• 任务完成率：一句话能不能把导航/空调/媒体设置成功
• 平均交互轮次：从 5 轮降到 2 轮，体验会差很多
• 关键场景打扰率：驾驶关键期的无意义打断要接近 0

现实落地：给城市运营方与汽车团队的四个可执行清单

如果你在做智慧商圈、景区数字化，或做智能座舱/车载软件体验，智立方这个案例可以直接转成行动项。

1）先选“高频、低争议、可标准化”的服务

优先从咖啡、零售这类流程清晰的业务切入。原因很直白：先用标准化场景把可靠性跑出来，再谈体验创新。

2）把“峰谷调度”写进方案，而不是写进 PPT

建议明确三类策略并落到规则：

• 低峰：引流/讲解/互动优先
• 高峰：吞吐/排队/容错优先
• 异常：降级服务与人工接管路径优先

这套逻辑迁移到座舱也成立：高负载（导航+电话+驾驶）时减少花哨交互，保证关键功能稳定。

3）建立“人机交接点”，避免责任模糊

人机协作最怕“谁都以为对方会处理”。有效的做法是把交接点制度化：

• 哪些任务必须人工确认（例如定制化口味、敏感支付）
• 哪些异常必须人工介入（例如连续失败 N 次）
• 人工介入后系统如何记录并反哺模型

4）用最小指标集做第一轮验收

我建议第一阶段别贪多，抓住 6 个指标就够：

• 吞吐：高峰每小时可完成订单数
• 时延：平均出杯/出货时间
• 稳定性：MTBF/无故障运行时长
• 恢复：故障平均恢复时间（MTTR）
• 体验：客诉率/差评率
• 成本：单笔订单人力占比

这些指标一旦跑顺，你才有资格谈“城市级复制”。

智慧城市的下一步：从“智能点位”走向“可复制的体验网络”

智立方这种模块化具身智能服务空间，代表了一种更务实的智慧城市路径：不是先做宏大平台，而是先把一个个可运营的智能单元铺进真实人流里，然后用数据与运维把它们连成网。城市体验会因此变得更一致，管理也会更可控。

对汽车行业来说，这同样是个提醒：智能座舱的竞争，最后拼的是“模块化能力 + 场景编排 + 人机协作 + 可量化体验指标”。功能堆得再多，只要在关键时刻不稳定，用户就会给你一次性判死刑。

如果你的团队正在评估具身智能在园区/商圈/交通枢纽的落地，或者在做车载 AI 助手与座舱体验体系，我建议把智立方当作一个“对照样本”：**先把可复制的模块跑通，再把系统级智能做深，最后用数据闭环把体验做稳。**下一次你走进商场看到机器人在忙碌，不妨想想：车里那套 AI，也应该学会同样的“峰谷调度”和“角色切换”。