物理AI与具身智能产业迭代持续推进，行业发展重心逐步从模型参数比拼、实验室场景演示，转向真实物理环境适配、复杂工况调试与连续作业能力打磨。政策层面，8月26日国新办"开局起步'十五五'"系列发布会上，工信部将世界模型列为人工智能前沿技术攻关方向，提出坚持应用牵引、推进人形机器人等智能终端迭代；6月工信部、国资委联合启动的《2026年度人形机器人与具身智能实景实训专项行动》，亦强调推动具身智能在真实生产生活场景中常态化部署，到2026年底形成百个以上高价值应用场景。第三方分析认为，量化派始终锚定真实物理AI场景下的基础模型定位，通过"场景—数据—模型"的持续循环打磨通用能力，这一路径与国家"实景实训""应用牵引"的政策导向高度契合。在此背景下，港股"智能物种"第一股量化派（02685.HK）持续推动物理AI走出实验室、走进真实餐饮后厨，继手打柠檬茶12步精细操作、手抓饼22步长程出餐验证之后，完成"清炒土豆丝"的11步中式热炒实景技术测试，在中式热炒复杂动态场景下的软硬件协同能力取得新突破。
和行业大量停留在标准化环境演示的具身智能解决方案不同，量化派持续将工况复杂、扰动多、具备商业属性的真实餐饮后厨，作为具身智能迭代的测试土壤。中式热炒不同于饮品、简餐制作，烹饪全程食材形态持续改变，湿滑物料转运、热油投料、动态翻炒、双臂协同出锅等环节交织在一起，非结构化变量密集，对机器人世界模型预测、双臂协同、多阶段工序连贯执行构成严苛考验。
11步中式热炒全链路验证，RSI闭环驱动热炒任务持续迭代
本次实景验证完整覆盖11个连续作业动作：抓取土豆完成刨丝、湿滑土豆丝稳定转运、倒油投料、分次投放调味料、锅内持续翻炒、双臂协同操控锅铲、盛菜出锅，直至工具归位，整套工序环环相扣，任意环节出错就会直接影响最终烹饪结果。
（DEMO截图：餐饮后厨・清炒土豆丝实景测试）
其中湿滑土豆丝转运、锅内动态翻炒、双臂协同出锅极具技术代表性。经过清水浸泡的土豆丝表面湿滑，抓取转移极易发生滑落散落；翻炒过程中食材位置不断变化，需要世界模型实时预判锅内物料状态，输出条件化动作指令；出锅环节依靠双臂分工协作，一手控锅、一手持铲配合完成盛菜。整套流程依托少样本任务适配建立食材‑工具操作先验，多模态动作建模支撑刨丝、转运等差异化技能迁移，分层动作架构调度双臂完成分工作业。
（DEMO截图：餐饮后厨・清炒土豆丝实景测试）
每一轮试炼完成之后，自主评测Harness对食材处理、翻炒效果、出锅完整度做系统性评估，低质量与失败执行轨迹回流训练体系，跑通“执行—评测—数据回流—后训练—再验证”的闭环。机器人并非依靠预设脚本完成炒菜，而是在一次次实景实操中沉淀物理世界经验，持续优化热炒场景下的动作策略。
多轮具身智能在餐饮场景的验证持续积累和迭代，从饮品简餐迈向中式热炒新维度
清炒土豆丝是量化派餐饮系列又一重要验证项目。此前公司已经完成三某柔性制作、购物袋分拣、牛排调味、奶茶协同制作、手打柠檬茶、手抓饼全流程出餐多轮实景测试。技术路线上，手打柠檬茶重点打磨单点精细操作的RSI进化闭环；手抓饼22步任务侧重System1/System2双系统Agent长程任务规划记忆与跨工具调度；本次清炒土豆丝，则进一步把技术能力拓展到中式热炒这种状态动态多变的烹饪任务。
从饮品冷制作、简餐煎制，延伸至中式热炒，代表量化派的具身智能验证从静态、半静态任务走向高动态物理交互场景，持续检验世界模型、条件动作生成、多阶段技能组合的综合能力，拓宽物理AI餐饮场景的技术边界。同时行业共性难题依旧存在，中式烹饪扰动变量繁多，长程作业鲁棒性仍有持续提升空间，距离大规模商业化落地尚需持续打磨。
资金加持，物理AI基础模型差异化路径持续推进
资本市场层面，截至10月5日港股收盘，量化派（02685.HK）报收3.965港元，单日上涨4.34%，总市值约22.31亿港元，走势强于当日恒生科技指数（+0.62%），显示投资者对公司物理AI技术迭代进展的持续关注与正向反馈。
值得关注的是，当前具身智能赛道虽热度高涨，但多数企业仍处于一级市场早期阶段，盈利模式尚未清晰。量化派的不同之处在于，其深耕AI领域逾十年，已形成成熟的业务经营能力与稳定的盈利结构——2025年公司实现营收10.35亿元、净利润1.95亿元，同比增长32.6%。这种长期积累的盈利经营能力，使公司在投身具身智能时拥有清晰的战略路径：以"智能物种"为战略方向，坚持不做机器人本体，专注输出物理世界基础模型能力；从早年的AI消费场景，到如今的具身智能商业场景，技术演进与商业落地一以贯之。作为港股主板已上市公司（02685.HK），量化派的稀缺性不仅在于物理AI基础模型的技术定位，更在于"盈利经营力+已上市身份"的双重组合——其手打柠檬茶、手抓饼、清炒土豆丝等实景验证进展，能够通过公开市场被投资者直接感知。
此外，量化派坚持“卖能力”的赛道定位，不涉足机器人硬件制造，输出可跨硬件调用的物理世界基础模型。海外Physical Intelligence、Skild AI同样走模型底座路线，不靠硬件营收，凭借通用机器人大脑获得资本高估值，印证了能力层商业模式的成长空间。相较海外企业多验证仓储等标准化场景，量化派则选择复杂度更高的餐饮后厨开展实景测试，积累非结构化环境下的技术能力。
物理AI正处在从概念走向实景落地的关键阶段，真实场景的持续试炼是技术成熟的必经之路。行业内硬件、项目解决方案模式各有局限，基础模型模式具备跨场景复用的特点。后续量化派还将继续深耕餐饮后厨，完善世界模型、自主评测及数据闭环体系，由单点能力向完整作业链路演进，推进物理AI在民生真实场景开展技术验证。
风险提示：上述技术验证均处于研发测试阶段，尚无明确商业化时间表。
