外滩大会圆桌：具身智能非“降维打击”，核心在于数据、分层与系统工程

事件概述

在2026 Inclusion·外滩大会主论坛《物理智能——分歧与抉择》圆桌讨论中，苏度科技CEO韩铮、蚂蚁灵波科技首席科学家沈宇军、自变量机器人CEO王潜及破壳机器人创始人许华哲，围绕具身智能的数据路线、智能架构及商业化场景展开深入探讨。行业共识逐渐清晰：具身智能无法复制语言大模型路径，其核心竞争力正从单一模型能力转向数据、模型、硬件、系统及场景的综合博弈。

核心信息

1. 数据之争：从“仿真vs真实”到“有效物理经验”

• 仿真与真实的互补：苏度科技韩铮指出，真实数据采集效率有限且质量不稳定，仿真不可或缺。未来趋势并非二选一，而是形成仿真与真实数据的分层组合，通过大规模强化学习提升泛化能力。
• Real to Sim 的挑战：蚂蚁灵波科技沈宇军强调，真实传感器（如触觉、力觉）存在噪声、误差和个体差异，这些“不完美”是现实世界的一部分。相比Sim to Real，更关键的挑战是如何将复杂细碎的物理特征规模化地搬进仿真器。
• 质量优于数量：清华许华哲提醒，行业高估了数据量（如百万小时级）的价值。数据的质量、分布及训练方式比单纯规模更重要，真正的竞争在于谁能组织并获取包含“物理智能”的有效经验。

2. 智能之争：通用大模型与具身模型的“分层协同”

• 拒绝“降维打击”论：自变量机器人王潜认为，智能本体存在于数据中。通用大模型进入具身领域仍面临机器人数据、硬件适配、仿真及部署等基础设施难题，这些难度不会因语言模型增强而自动消失。
• 能力边界与分工：测试显示，GPT-6 Astra等通用模型在语义理解和三维空间识别上表现优异，但在叠衣服等“接触丰富型”（Contact-rich）任务中物理交互能力不足。因此，未来架构将是分层的：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。
• 独立的物理训练范式：沈宇军指出，具身智能需在行动中持续接收传感器输入并实时决策，这与聊天模型的“一问一答”模式不同。具身智能可能遵循与数字世界相似的模式，但技术路线必然独立。

3. 场景之争：从Demo到产业化的系统工程

• 成功率与泛化性门槛：韩铮强调，工业场景要求首次执行接近100%的成功率，且需具备强泛化能力，避免对新场景过度依赖后训练。
• 系统化商业考量：沈宇军警示，客户购买的是能工作的系统而非模型指标。商业化成立取决于人形/双臂形态选择、硬件成本、传感器可靠性、长期稳定性及维护成本。必须综合考虑硬件、模型、系统鲁棒性及最终ROI。
• 价值飞轮：王潜提出，本代机器人的核心价值应解决传统自动化无法解决的问题，形成优于人工或旧方案的ROI。持续的客户付费将反哺研发，形成技术与商业的飞轮。
• 跃迁标准：许华哲认为，具身智能的跃迁标志是基础模型面对未知任务时，成功率能从50%-70%提升至工业所需的99.99%。这需要同时跨过模型泛化、执行可靠、成本可控及客户付费意愿等多重门槛。

值得关注

• 时间预期：多位嘉宾对短期前景持乐观态度。许华哲预测通用具身服务可能在三年内开始广泛落地；王潜认为AI改造物理世界的能力将补齐生产体系重构的闭环。
• 行业终局：五年后衡量行业成败的标准，将不再是惊艳的Demo展示，而是哪条技术路线率先将“物理智能”转化为稳定、可复制、可规模化的生产力。