首页 / 资讯详情
具身智能还有哪些硬门槛？外滩大会主论坛圆桌回应“降维打击”之问
摘要
过去一年具身智能很火热，却一直没有回答关键问题：训练机器人到底更应该依赖真实数据还是仿真数据？通用大模型会不会“降维打击”具身模型？机器人什么时候才能真正跨过Demo，进入可持续商业化？在2026 Inclusion·外滩大会圆桌论坛《物理智能——分歧与抉择》上，苏度科技联合创始人、CEO韩铮，蚂蚁灵波科技首席科学家沈宇军，自变量机器人创始人、CEO王潜，以及破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲，就数据、智能和场景三场“路线之争”展开讨论。 （图说：2026 Inclusion·外滩大会主论坛物理智能圆桌）争论背后，一个共识正在形成：具身智能不会简单复制语言大模型的发展路径。真正的竞争，正在从单一模型能力，转向数据、模型、硬件、系统和场景共同构成的完整能力。一、数据之争：不是“仿真还是真实”，而是谁能获得有效的物理经验具身智能的第一个分歧来自数据。韩铮认为，真实世界的数据采集效率有限、质量也不总是稳定，仿真因此是绕不过去的一环。苏度科技长期押注仿真，希望通过大规模强化学习，让机器人在不同物体和环境中获得泛化能力。但他同时强调，仿真与真实数据并不是非此即彼，最终更可能形成分层和组合。 （图说：苏度科技联合创始人、CEO韩铮）沈宇军则把问题进一步推向了物理世界本身。在他看来，机器人未来真正进入现实环境后，所有信息都只能来自机身上的摄像头、触觉、力觉等传感器。而真实传感器天然存在噪声、误差和个体差异，这些“不完美”恰恰构成了现实世界的一部分。因此，比“Sim to Real”更值得关注的，可能是“Real to Sim”：真实世界中复杂而细碎的物理特征，究竟能否被规模化地搬进仿真器。例如触觉传感器，真实信号在频率、幅值和一致性上都存在大量复杂变化，并不容易被仿真系统完整复刻。这意味着，未来真正有价值的数据竞争，可能不是简单比谁拥有更多小时的数据，而是谁能够获得并组织那些真正包含“物理智能”的经验。 （图说：蚂蚁灵波科技首席科学家沈宇军）许华哲也提醒，当前行业对数据量本身存在一定程度的高估。“一百万小时”“几百万小时”并不天然意味着更好的模型。数据规模之外，质量、分布和训练方式可能更加重要。二、智能之争：通用大模型不会消灭具身模型，更可能与它分层协同近期GPT-6 Astra在机器人控制上的表现，让行业重新讨论一个问题：通用大模型是否会直接进入机器人，甚至“降维打击”具身智能公司？王潜并不认同这一判断。他的核心观点是，“智能的本体存在于数据里”。模型更像训练阶段的蒸馏器和部署阶段的容器。Coding之所以率先快速进步，并不是因为语言模型自然获得了编程能力，而是因为代码数据更容易生成、验证和反馈。同样，如果通用模型要真正进入具身智能，它依然必须面对机器人数据、现实世界评测、硬件、仿真和部署等基础设施问题。这些难度不会因为拥有一个更强的语言模型而自动消失。 （图说：自变量机器人创始人、CEO王潜）许华哲对Astra进行测试后也观察到，它在语义理解和三维空间能力上表现突出，能够识别物体、抓取筷子，甚至完成一定程度的递送操作；但到了叠衣服、复杂接触等“Contact-rich”任务，物理交互能力依然存在明显不足。因此，更可能出现的未来不是谁取代谁，而是分层。上层大模型负责语义、推理、规划和任务拆解，底层具身模型负责实时感知、连续控制和高可靠执行。沈宇军认为，这种分层甚至可能反过来改变大模型。机器人必须在行动过程中持续接收传感器输入，并根据环境实时改变决策，它不能像今天的聊天模型一样“一问一答”。这意味着具身智能最终可能形成一套属于物理世界自己的