做地图的公司，也能做机器人「大脑」吗？7 月 22 日，阿里巴巴旗下高德给出肯定回答：宣布 ABot 具身智能体系完成全栈升级，一口气发布 ABot-N1、ABot-M0.5、ABot-ER、ABot-AgentOS、ABot-C0 五款模型，覆盖机器人导航、操作、决策、记忆与运动控制全环节，并宣称在 17 项基准测试中取得 SOTA。这不仅是一次模型发布，更像是高德把多年来在地图、定位、路径规划上积累的能力，系统性地转译成了机器人的具身智能底座。
一、从地图公司到机器人公司？高德的具身转身
高德的入场方式很特别。它不是从零造一个通用机器人大模型，而是把「让Agent理解空间、规划路径、安全行动」这套在导航场景里被千锤百炼的能力，迁移到机器人身上。机器人要解决的「我在哪、怎么去、怎么动」三大问题，本质上与地图 App 规划一条不堵车的路线同源。区别只在于：地图服务的是人眼与手机屏幕，具身模型服务的是机械臂、轮式底盘与四足躯干。高德把这套空间理解能力封装为具身基座模型，等于把一个高频验证过的成熟能力，嫁接到了尚处早期的具身赛道。
二、五款模型各司其职：导航、操作、决策、系统、运动
五款模型构成了一条清晰的分工链。通用导航基座 ABot-N1 采用快慢双系统架构：慢系统负责长程逻辑推理，快系统负责实时运动控制，并用视觉判断修正导航偏差，在点位导航、目标导航、指令跟随等任务中取得领先成绩，室外导航成功率达 92.9%。通用操作基座 ABot-M0.5 把机器人的移动与操作拆为两条动作流，提升长程任务里的协同能力，在 RoboCasa-365 测试中复杂任务表现较前代 SOTA 提升 20.4%、基础任务提升 10.6%。具身大脑 ABot-ER 负责从感知到行动的决策；ABot-AgentOS 把规划、调用、执行、验证解耦，以插件式 Skill 适配人形、四足、轮式等不同形态机器人，并支持跨任务、跨时间的多模态记忆；ABot-C0 则专注四足机器人的运动控制，把上层决策转译为具体动作。从「看懂空间」到「迈出脚步」，高德试图把具身智能的每一层都握在自己手里。
三、闭环逻辑：世界模型 + 数据回流 + 记忆调度
五款模型背后，是一套自我喂养的闭环。高德称 ABot 通过世界模型、具身基座模型与 Agent 架构之间的数据回流，形成从仿真训练、物理交互到记忆调度的完整循环。简单说，机器人在仿真里练、在真实里跑、把跑出来的经验沉淀进记忆，再反哺下一次决策——这正是今年 WAIC 上被反复提及的「自进化」思路在具身侧的具体落地。ABot-AgentOS 的多模态记忆与插件式 Skill，让这套系统不必为每个新任务从头训练，而是像搭积木一样复用既有能力。对机器人这类数据稀疏、试错成本高的领域，这种「仿真—现实—记忆」的飞轮，比单纯堆参数更要紧。
四、客观看：全栈很美，通用落地仍看真实场景
高德的全栈打法，与腾讯 Hy-Embodied 矩阵、宇树的运动控制积累形成了有趣的对照：一个从空间智能切入、一个从云与模型切入、一个从本体与运动切入。客观说，17 项 SOTA 与 92.9% 的室外导航成功率固然亮眼，但具身智能的终极考题从来不是单项基准，而是「在没人兜底的真实环境里，连续干成一件有用的事」。机器人要面对的是光照突变、地面湿滑、物体堆叠等非标准状况，仿真与实验室数据能走多远，仍需大规模真实部署来验证。高德已表示后续将继续适配更多形态机器人，并用真实任务数据推动迭代——全栈只是起点，能否在工厂、仓储、配送等场景跑出闭环，才是下一关。