外滩大会具身智能讨论：数据质量重于规模，专用模型或优于通用大模型

事件概述

2026年9月10日，在Inclusion·外滩大会圆桌论坛《物理智能——分歧与抉择》上，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等专家，就具身智能的数据路线、模型选择及商业化落地展开深入讨论。与会者达成一项核心共识：具身智能的发展逻辑不同于大语言模型，真正的竞争壁垒在于数据、模型、硬件、系统及场景的完整闭环能力。

核心信息

1. 数据路线：质量优先与“Real to Sim”

• 反思数据规模崇拜：行业开始纠正对数据量的过度高估。简单的工厂式重复采集（如反复拿放水瓶）价值有限，而长程复杂任务在实景下的采集更具意义。高质量的结构化真实世界数据存在上限，需通过自上而下的系统分配高质量任务来优化。
• 仿真与真实的融合：苏度科技虽长期押注仿真强化学习以实现泛化，但承认真实数据的必要性。蚂蚁灵波科技提出“Real to Sim”关键路径，即把真实世界中传感器噪声、误差及细碎物理特征规模化地引入仿真器，以解决真实环境中的不确定性问题，这比传统的“Sim to Real”更为关键。
• 脏数据的价值：香港大学马毅教授指出，早期采集的“脏数据”是进步过程中的必要代价，经过清洗和迭代后仍具价值，但未来需更规范的数据处理流程。

2. 模型路线：专用模型 vs 通用大模型

• 通用模型无降维打击优势：自变量机器人CEO王潜认为，“智能的本体存在于数据中”。通用大模型若进入具身智能领域，仍需面对机器人数据获取、现实评测、硬件适配及部署等基础设施难题，其难度并未因基础模型的优势而降低。
• 专用模型更高效：考虑到机器人对推理速度和部署效率的高要求，面向具身领域构建专用模型可能比强行融入通用模型更为高效。通用模型公司仅是将机器人数据融入其体系，而具身智能企业则专注于垂直领域的深度优化。

3. 商业化前景：泛化能力与持续付费

• 成功标准：本代机器人的商业价值不在于复制传统自动化，而在于解决过去无法解决的问题，并形成优于人工或传统自动化的投资回报率（ROI）。
• 关键门槛：实现通用具身服务需跨过四道门槛：模型具备强泛化能力（避免新场景需重新过拟合）、执行足够可靠、系统成本合理、客户愿意持续付费。
• 时间预测：许华哲预计，通用具身服务可能在三年内开始在多地提供服务；王潜则认为，只有当AI获得改造物理世界的能力，人工智能对生产体系的改造才能形成完整闭环。

值得关注

当前具身智能赛道正从单一的模型能力比拼，转向涵盖数据采集质量、仿真技术深度、专用模型效率及商业闭环能力的综合竞争。行业焦点已从“有多少数据”转向“数据是否包含物理智能”，以及“如何低成本、高可靠地交付物理世界服务”。