首页 / 资讯详情
外滩大会三问具身智能： 模型、数据、生态如何突围？
摘要
9月11日，蚂蚁灵波科技在2026 Inclusion·外滩大会举行“基座之上：具身智能的场景突围与协同进化”论坛。多位具身智能领域的年轻科学家、数据专家与百亿具身企业掌门人齐聚，围绕通用大脑、数据飞轮与场景落地展开讨论，现场座无虚席。 具身智能正处在一个焦灼时刻：行业热度不断升高，人们对机器人“真干活”的期待也越来越高，但技术路线尚未收敛，真正有效的数据仍然稀缺，能够规模复制的产品形态和商业模式也还在探索。 三场圆桌把讨论落到行业最为关切的具体问题上：机器人如何从完成一次任务，走向长时间稳定工作；又如何从一个场景的成功，走向更多场景的低成本复制？现场没有形成标准答案，但衡量行业进步的尺度正在变得具体：模型是否降低了场景部署成本，数据是否真正带来能力提升，产业链各方又能否形成持续反馈的闭环。 一问模型：终点不是更漂亮的 demo，而是更低的部署成本 （图说：具身科学家论坛） 机器人到底需要怎样的通用大脑？ 蚂蚁灵波首席科学家沈宇军将讨论拉回第一性原理：与其争论VLA还是WAM，不如先回答机器人究竟需要什么能力。在他看来，过去的路线之争一定程度上是在沿用多模态大模型、视频生成模型等数字世界的既有工具寻找捷径。这些路线有阶段性价值，但不是终局。 与对话式模型不同，机器人行动时，视觉、触觉等传感器信号仍在连续涌入。沈宇军将通用大脑的基础能力归纳为三件事：从原始信号中提取有效表征，将视觉、触觉等不同模态融合对齐，再生成可以真正执行的动作。具身模型不能简单复刻数字世界处理信息的方式，还是需要发展真正面向物理世界的模型架构与训练方法。 而当讨论从“模型是什么”进一步转向“模型是否真的进步”，评价标准也开始发生变化。 香港中文大学校长特聘助理教授薛天帆指出，不同本体的传感器和模态各异，需要模型、数据与评测共同迭代。上海交通大学副教授李永露则直言，今天单个机器人demo能够传递的信息已越来越少，评测首先应服务研发，而不只是比较名次。 如何判断模型是否真的进步？沈宇军给出两个尺度：一是合作伙伴将模型部署到具体场景需要付出多少成本，这个成本是否随着模型升级持续下降；二是机器人能否在开放会场里与人和环境持续相处一整天而不出问题。后者并不要求每项任务都成功，它真正考验的是比单次成功更难的能力——长期运行、安全性，以及面对连续变化环境时的稳定性。 这也是具身智能正在发生的一种转变：行业需要证明的，已经不只是机器人“能不能做到”，而是做到这件事究竟需要多大代价，以及能不能持续做到。 二问数据：什么数据能让模型真正进步？ （图说：具身数据先锋论坛） 一旦评价模型的尺度从单次Demo转向持续工作，数据问题也随之改变。 过去行业讨论更多的是“机器人数据不够”。但第二场圆桌追问的是另一个问题：究竟缺什么数据？什么数据能够真正让模型进步？ 蚂蚁灵波首席数据科学家黄用韬认为，数据飞轮尚未真正转起来的一个关键原因，是进入真实生产和服务场景的机器人还太少。大量机器人仍用于科研、数采或展示，真实工作中的失败与反馈没有充分回流。 他把数据质量分成两层：掉帧、画面异常、时钟不同步等属于工程底线；越过这条线后，什么是“好数据”，必须由训练目标决定。关键在于把模型当前的问题变成可量化的数据筛选条件，快速组合出相应数据集，再通过训练结果验证判断是否正确。这种能力，无法靠买一批数据直接获得。在他看来，数据飞轮真正转起来的标志，是行业开始“做减法”：能够判断哪些数据不需要，转向更有效地使用数据。 光轮智能副总裁张建伟将评测放在这一闭环的关键位置：先用仿真评测规模化发现问题，针对问题进行定向补采与优化，再通