近期，随着大模型与机器人技术加速融合，具身智能领域的产业热度持续攀升。但如何从实验室走向真实的工业场景，仍是行业普遍面对的挑战。道通科技近日接连发布两项具身智能相关技术成果——机器人平台AutelClaw与轻量化模型SimVLA，分别从系统集成与模型架构两个方向，回应当前行业在落地效率与算力门槛上的核心难题。

　　道通科技推出的具身智能机器人平台AutelClaw，聚焦工业场景中“感知与决策脱节”“安全门槛高”“多机型适配难”等现实问题。该平台构建了一套“感知—理解—决策—执行—优化”的自动化闭环，将传感器与视觉数据接入大模型决策链路，并通过执行结果反馈驱动策略优化，旨在使工业巡检等场景下的机器人减少对人工全程介入的依赖。

　　在安全性方面，AutelClaw设计了“仅观测、人工审批、完全自主”三档可切换的自主度控制，并叠加沙箱隔离、紧急停机、指令检测等多层防护机制。硬件与模型适配层面，平台采用插件架构，支持多品牌机器人控制接口与不同大模型API的快速集成。

　　在技术路线上，AutelClaw采取机械臂Skill自优化与仿真验证—代码执行并行的策略，前者聚焦真实场景下的原子动作组合优化，后者在高保真仿真环境中完成技能验证后，再向实体机器人迁移，以降低真实场景试错成本。

　　由道通科技旗下Frontier Robotics团队推出的SimVLA，则是一款面向通用机器人操作的视觉-语言-动作基准模型。该模型以0.5B参数量，在多项基准测试中与数亿至数十亿参数规模的主流模型表现持平或更优，旨在缓解当前行业因模型参数膨胀带来的算力与部署门槛问题。

　　SimVLA采用VLM骨干编码器加轻量级动作头的二元架构，将感知与控制模块深度解耦，训练显存压缩至9.3GB，可在普通消费级显卡上完成训练与微调。在实际机器人场景中，该模型已实现零样本部署，在收纳、插花、擦桌子等多阶段操作任务中成功率与更大规模模型相当，部分任务接近100%。

　　不过，SimVLA目前主要在结构化场景中完成验证，其在复杂非结构化工业环境中的泛化能力仍有待进一步测试。同时，在真实机器人部署中，端侧算力、实时性与能耗之间的平衡，仍是商业化落地过程中需要持续解决的问题。

　　从两项成果的定位来看，AutelClaw更侧重构建面向工业场景的系统级能力，涵盖安全、适配、仿真与执行优化；SimVLA则从模型层面对“少即是多”的技术路径进行验证，力图降低中小型机构参与具身智能研发的硬件门槛。道通科技同时采取开源策略推动技术生态发展，但工业级应用对稳定性、安全性以及场景适配的要求，决定了上述方案在真实场景中的运维成本与实际效能，仍需要通过规模化部署持续检验。对于企业而言，如何将技术突破转化为可复用的商业能力，将是下一阶段的关键命题。