【中国 · 杭州，2026 年 3 月 6 日】NEXFORM 新元体机器人（以下简称 "NEXFORM 新元体 "）正式发布全球首款面向规模化部署的通用作业级游戏化软件遥操作系统（Universal Operational-level Gamified Teleoperation System, U-GSTS）—— ORBIT 系统。ORBIT 作为专为规模化部署打造的作业级遥操作平台，无需依赖昂贵穿戴式设备，以Software-Defined Teleoperation（SDT，软件定义遥操作）为核心，构建Human-in-the-Loop（HITL，人在回环）作业体系，针对人形机器人产业 "AI 物理智能弱—数据匮乏—规模化部署受阻 " 相互制约的结构性约束，构建 " 规模化部署—全场景接管—决策数据沉淀—行业模型迭代 " 的工程化商业闭环路径，并提出 " 作业即采集 " 的高层语义级真实场景数据生产与回流机制新范式，建立数据—模型—部署正向飞轮，实现 " 机器人越干越聪明 "；

NEXFORM 新元体已与多家酒店集团及物业管理公司签署合作协议，累计签约金额达数亿元人民币，覆盖物业面积超过 1 亿平方米。率先实现规模化数据采集、商业应用场景规模化落地及跨国远程作业的技术突破，为全球人形机器人产业规模化应用开辟全新路径。

图：ORBIT 遥操作系统概念图

1. 产品发布与产业核心问题整合

01 模型—数据—规模化部署的制约困境

( 1 ) 模型侧约束：泛化能力受限

· 根因：缺乏覆盖真实作业分布的高质量作业数据（尤其是长尾事件与异常处置数据）。

· 结果：模型在开放环境下的稳定性、鲁棒性与任务迁移能力不足。

( 2 ) 部署侧约束：规模化部署受阻

· 根因：AI 物理智能仍处早期阶段，难以在多类型作业场景实现稳定全自动化。

· 表现：常规任务与长尾场景均存在 AI 失效区间，需要高频人工介入与高成本运维。

· 结果：部署成本偏高、场景适配性不足，难以形成可复制的规模化交付。

( 3 ) 数据侧约束：高质量数据持续匮乏

· 根因：部署规模受限导致真实场景数据获取不足，且长尾数据采集不可持续。

· 结果：数据供给不足进一步限制模型迭代速度与上限。

( 4 ) 闭环失效：商业化闭环难以构建

· 逻辑链：模型能力不足 → 部署规模受限 → 数据获取不足 → 模型迭代受限 → 部署仍受限。

· 结论：形成自强化的负反馈回路，使作业场景商业闭环长期难以成立。

图：模型—数据—部署三角制约关系示意

02 HITL 闭环驱动的工程化正向飞轮

针对人形机器人产业 " 模型—数据—部署 " 结构性约束，NEXFORM 新元体构建并推行标准化 Human-in-the-Loop（HITL，人在回环）作业体系，以规模化部署为核心抓手，整合数据生产、模型迭代与商业交付三大环节形成可落地可复制的商业闭环，构建" 在部署中接管 → 在接管中沉淀 → 在沉淀后迭代 "的工程化正向飞轮（Engineering Flywheel）：

图：HITL 工程化正向飞轮示意

( 1 ) 规模化部署起点：夯实可规模化扩展的商业部署基座

以酒店、商超等典型 B 端商业应用为核心切入点，优先选取任务可分解、SLA 可度量、运维边界可控的场景，保障机器人稳定运行，构建可低成本复制、可规模化扩展的物理部署基座。

( 2 ) 全场景决策接管：跨越 AI 失效区间与服务兜底

覆盖常规作业与长尾场景，当机器人遭遇长尾事件（Corner Cases）时，人类操作员无缝接管其关键决策及操作环节，以人类智能为早期 AI 物理智能提供兜底支撑，保障复杂开放环境下的任务连续性与服务稳定性。

( 3 ) 高语义数据沉淀：" 作业即采集 " 驱动模型优化

化 " 人工接管痛点 " 为 " 高质量数据资产富矿 "。操作员接管时，系统无感沉淀 " 决策—动作配对（Decision – Action Pairing）" 及关键上下文数据，数据回流后靶向提升行业大模型规划层（Planning）能力及异常处置水平。

( 4 ) 弱网与跨地域人力配置：释放 " 劳动力套利 " 红利

依托 SDT（软件定义遥操作）弱网兼容能力，实现低成本区域操作员远程控制高成本区域（含跨国）机器人，跑通劳动力套利（Labor Arbitrage）闭环，降低综合成本。

( 5 ) 能力外溢与场景扩展：实现商业向家庭跨越

随着行业大模型在海量长尾决策数据的迭代升级，机器人自主执行率提升，人工接管频次及边际成本同步下降，推动其通用能力从 B 端商业场景向非结构化 C 端家庭场景外溢。

2.ORBIT 系统技术对比与核心优势

01 范式与数据

图：传统遥操作 vs. ORBIT（SDT）范式对比

传统遥操作（如 VR 遥操作、外骨骼遥操作、同构映射 / 示教式遥操作）通常以低层连续动作映射为核心，数据产出以 " 状态—动作 "（连续控制量 / 轨迹，Trajectories）为主，难以显式携带可迁移的任务语义、决策因果链条与异常处置逻辑；同时，对稳定高速网络、专用穿戴设备与标定流程依赖较强，不利于长时作业与跨地域规模化部署。ORBIT 在 HITL（Human-in-the-Loop）框架下，将人类参与从 " 持续低层操控 " 上移至任务级决策与任务分解：操作员主要给出任务意图、关键选择与步骤拆解，由机器人侧原子技能库（Skill Library）与共享自主机制完成具体执行。由此沉淀的数据不仅记录 " 做了什么 "，同时记录 " 目标是什么、受哪些约束、为何这样选择 "，可直接作为行业模型训练的高信息密度样本，并持续驱动" 部署—采集—迭代 "的数据飞轮（Data Flywheel）运转。

02 部署经济性与协同效率革新

传统遥操作的人机耦合度高，作业组织通常呈 1:1（单人单机）形态：操作员需要持续介入低层控制，沉浸式 / 穿戴式操作在长时作业下易引发疲劳累积与操作一致性漂移；同时，跨本体迁移往往需要额外的接口适配、标定与运维投入。ORBIT 基于SDT ( Software-Defined Teleoperation ) 范式，将遥操作能力抽象为软件层的任务接口 ( Task Interface ) 与技能调度策略（Skill Orchestration / Scheduling），实现硬件解耦（Hardware Agnostic）与跨本体复用；并通过弱网条件下的高鲁棒性（High Robustness）通信与事件驱动接管（Event-driven Takeover）机制，将操作员从持续闭环控制中解耦为" 监控—介入（Supervise-and-Intervene）"模式，支持 1:N 单人多机协同（One-to-Many Scalability）并提升人力投入产出比。结合非沉浸式的游戏化交互（Gamified Interaction）与面向长时作业的人机工效设计，实现极低疲劳度（Ergonomic Sustainability），使遥操作在工程上同时承担作业连续性保障（Operational Continuity Assurance）与真实场景数据生产（In-operation Data Production）两类功能。

03 SDT 驱动的 HITL 分层架构

SDT 指一种无需依赖穿戴式设备、以软件指令级控制为核心的遥操作方法：系统传输高层任务 / 意图指令（例如 " 整理客房床铺 "），由机器人侧原子技能执行层完成轨迹与力控闭环，从而降低对高带宽与端到端低时延链路的依赖，为 HITL 在环协同提供底层技术支撑。

注：SDT 与传统遥操作的关键差异在于控制层级（高层指令 vs 低层轨迹），该差异直接影响网络需求、可持续作业形态与数据结构。

图：ORBIT 五层模块化架构示意

ORBIT 五层模块化架构与 7 大核心优势对齐

04 优势对比：传统遥操作 vs. ORBIT

3. 数据采集优势与差异化价值

图：" 作业即采集 " ——高语义决策数据沉淀示意

ORBIT 系统的核心数据资产竞争力，不在于盲目堆砌低层物理运动轨迹（Trajectories），而是聚焦沉淀覆盖全局作业分布的高语义密度决策数据——这也是破解当前人形机器人产业 " 高质量数据匮乏 " 瓶颈的关键。

依托 HITL（人机协同闭环）作业体系，在全场景的真实业务中，人类操作员展现出的高阶语义理解与约束权衡（例如 " 为何选择标准床单而非毛巾 "" 为何将目标物投放至垃圾桶而非收纳柜 "），将被系统无感且结构化地记录为核心数据单元——" 决策—动作配单（Decision-Action Pairing）"。这一 " 作业即采集 " 的创新数据生产模式，构筑了三大差异化核心壁垒：

01 逻辑显式化，突破训练瓶颈

该类配对数据不仅记录了底层的执行动作与轨迹，更深度封装了任务目标、物理约束、环境上下文，以及极其珍贵的选择逻辑与决策依据（Decision Rationale / Why-to-do）等隐性信息。相较于仅含空间位姿的低语义轨迹数据，这种带有 " 认知因果 " 的高阶资产，能为行业大模型提供极高信息密度的监督信号与偏好信号，使其训练的边际增益呈指数级跃升。

02 全域覆盖长尾，靶向跨场景泛化

ORBIT 的高质量真机数据池实现了作业分布的全维度覆盖：不仅横向囊括了酒店客房整理、餐饮服务、商超货架陈列与商品补货等高频常规任务；更系统性精准捕获了突发环境干扰、动态视觉遮挡、非标物体属性变异等极度稀缺的长尾事件（Corner Cases）。这些真实的接管数据直接靶向强化模型的规划层（Planning）与异常处置能力，显著提升其在边缘条件下的鲁棒性，从根本上扩大了机器人跨任务、跨场景的泛化边界。

03 驱动工程飞轮，破解产业制约

高阶决策数据持续回流，驱动 " 规模化部署 ➔ 高质量数据采集 ➔ 行业模型跃升 ➔ 部署边界扩展 " 的工程化正向闭环运转，该飞轮将真机级数据生产嵌入商业交付，实现模型与部署双向自驱，破解 " 模型—数据—部署 " 掣肘。

4. 商业战略布局与跨场景演进路径

01 B 端商业先行，向 C 端家庭迁移扩展

图：从 B 端商业场景到 C 端家庭场景的演进路径

遵循 " 先聚焦边界可控场景，再拓展开放非标场景 " 的工程化落地规律，NEXFORM 确立了阶梯式的演进路线：优先在酒店、商超等典型 B 端商业场景部署（覆盖客房清洁与整理、餐饮服务、货架陈列、商品补货等高频任务），在任务可分解、SLA 可度量、运维可控前提下，构建稳定交付、规模化部署与数据回流的闭环基座；待商业场景完成规模化部署、数据资产沉淀及单位成本优化后，逐步推动通用作业能力向高度非结构化的 C 端家庭场景迁移延伸。

02 部署经济性与协同效率革新

形成 " 商业场景验证→数据资产沉淀→成本优化→家庭场景延伸 " 的闭环路径：

( 1 ) " 任务同构性（Isomorphism）" 驱动数据跨域复用

B 端商业与 C 端家庭场景在底层任务形态上具有显著的同构性：二者在任务执行序列、环境扰动模式与关键的物体操作原语（Manipulation Primitives）上高度相似。由此，在商业场景中规模化沉淀的高语义决策数据（含常规与长尾），可有效复用于家庭场景相关能力的训练与评估，大幅降低跨域冷启动阶段对重复采集与高成本试错的依赖。

( 2 ) 人力供给与机器人部署分离：释放跨地域人力配置红利（Labor Arbitrage）

依托 SDT（软件定义遥操作）的弱网兼容能力，系统实现了 " 低成本区域的人力供给 " 与 " 高运营成本区域的机器人部署 " 在物理空间上的有效解耦。通过构建跨地域的分布式远程劳动网络（Distributed Remote Labor Network），在保障服务质量的前提下优化全球用工结构，显著压降综合人力与单点运维成本，为跨场景的大规模扩展提供经济性支撑。

5. 产业里程碑与核心行业影响

图：全球远程作业网络与产业影响示意

ORBIT 系统的规模化落地，对应的不仅是产品形态的升级，更从路径、成本、标准三大维度，对人形机器人产业的落地体系产生了深远的结构性影响：

01 从全自动化前置转向可交付闭环优先

通过 HITL 作业体系提供可持续交付的工程化路径，通过人机协同跨越 AI 失效区间、保障服务稳定，印证规模化商业应用无需以 100% 完全自动化为前提，加速产业向规模化实用转化。

02 以远程协同替代现场用工

构建跨地域远程作业组织，实现 " 人不必在现场 " 的规模化作业模式。人力供给网络与机器人物理部署区域的分离，不仅在全球范围内优化了综合运营成本，更为应对劳动力紧缺地区的服务供给，提供了一种具备高扩展性的柔性组织形态。

03 确立 " 真机高语义数据 " 评估新基准

以覆盖常规与长尾任务的高语义密度决策数据作为行业大模型训练的关键输入，推动数据评价标准在 " 规模堆叠（Scale）" 的基础之上，深度融入" 信息密度（Information Density）与跨场景可迁移性（Transferability）"等核心指标，为具身智能大模型的迭代提供更可解释、更具泛化性的真实作业数据底座。

关于 NEXFORM 新元体机器人

NEXFORM 新元体机器人以 " 为人类创造无限生产力 " 为核心使命，遵循数据优先（Data-First）的理念，确立以 " 硬件—数据—行业模型 " 三位一体为核心的战略体系，形成 " 部署—作业—数据—模型 " 的正向飞轮，驱动具身智能在真实商业场景中的规模化部署与持续进化。