记者 何畅

编辑 高宇雷

近一年来，无论从媒体声量还是融资进展，都能看出具身智能赛道的火热。然而，行业内外依然存在诸多尚未得到确定答案的问题：真实世界数据和仿真数据的选择，通用模型与具身模型可能存在的竞争，以及产品量产背后备受关注的——花样繁多的Demo之外，机器人何时才能真正走进日常使用场景并迈入可持续的商业化落地阶段？

9月10日，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、智能和场景的“路线之争”展开讨论。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。

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。韩铮认为，真实世界的数据采集效率有限、质量也无法保证始终稳定，仿真是很难绕过的一环。但他同时强调，仿真与真实数据并不是非此即彼。在论坛后进行的采访中，他进一步告诉电厂，苏度科技一直不排斥任何一种有效的数据来源。不过，商业公司能够取得的高质量结构化的真实世界数据存在上限，怎么选择和推进，最终更可能随任务而变化、形成分层和组合。

沈宇军则谈到了物理世界本身。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。因此，比“Sim to Real”更值得关注的或许是“Real to Sim”：能否将真实世界中复杂而细碎的物理特征，规模化地搬进仿真器。这意味着，未来真正有价值的数据竞争，可能不是简单比较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。

身处行业之中，没有人能够离开数据这个话题。许华哲提到，当前行业对数据量本身存在一定程度的高估，在探索中逐渐意识到追求量可能没有那么重要。毕竟，扩充量是很容易的，但就数据来讲，追求质才更重要。否则，如果最后这些数据没有派上用场，将造成巨大的资源浪费。

在行业对数据的需求下，越来越多的数据采集联盟、数据采集工厂开始运转，当然，这其中存在大量的“脏数据”。许华哲在采访中对电厂表示，相比在实景下进行的复杂任务采集，重复的工厂式采集可能并不具备多么高的价值。当然，数据工厂本身还是有价值的，但要采得足够丰富、足够认真，筛选得足够仔细。他举了一个例子：“一瓶水拿上来、拿下去这样干一天，也不清洗，这一定是不太合理的。你想做的肯定是长程、复杂的任务，在实景下会倒逼它的实现，但在数据工厂里，就需要自上向下的人或系统分配高质量任务。”

也就是说，“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，需要升级和规范。

香港大学计算与数据科学学院创始院长、人工智能讲席教授马毅则对电厂表示，“摸着石头过河”是最好的态度，只要在进步就是好事情。他提到，早期出于采集设备等方面的限制，数据难以达到理想状态，但随着方法的升级，即使存在一些泡沫，部分数据经过清洗也能够起到一定作用。对于期间出现的“脏数据”，他称之为“进步过程中的代价”，因为无法一步到位地找到最优解，属于必然经历的“交学费”过程。“我想今后也会有很多数据模型和硬件整体的迭代，就和大语言模型一样，只是速度可能更慢一点。”

值得一提的是，近期GPT-6 Astra在机器人控制上的表现，也让一个问题的讨论颇为热烈：通用大模型会不会直接进入机器人，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：训练时提炼数据中的能力，部署时承载这些能力。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。

“如果它还是要做这些事情的话，我认为其实它只是另外一个具身智能公司而已。”王潜表示，这些工作的难度不会因为基础模型的优势而降低，具身智能企业反而可能拥有实质性优势。

在他看来，通用大模型公司与具身智能企业的区别，可能更多地在于前者将机器人数据和相关基础设施融入通用模型，后者则面向具身领域构建专用模型。考虑到机器人对推理速度和部署效率的要求，专用具身模型可能是更为高效的选择。

当然，机器人能否稳定、规模化地创造真实价值，指向了其商业化的前景。在真实场景下，成功率至关重要，较强的泛化能力也是关键——不能每进入一个新场景，都依靠大量后训练重新“过拟合”一次。除此之外，对价值的判断也不能只依靠模型性能给出结论，而需要综合各个因素考量。

王潜给出的判断标准更加直接：客户能否持续付钱，而且付得越来越多。他认为，本代机器人真正的商业价值，不应该只是复制上一代自动化，而应该解决过去解决不了的问题，并在真实场景里形成比人工或传统自动化更好的ROI。具身智能公司一旦能够通过前沿技术持续创造客户价值，商业化收入又会反过来支持更大的模型和更多研发投入，形成技术与商业的飞轮。

许华哲认为，真正属于这一代具身智能的跃迁，是基础模型面对大量未知任务时，也能不断提高成功率——从50%、60%、70%，最终走向工业场景所需要的99.99%。因此，这场“场景之争”的答案可能并不是寻找某一个杀手级应用，而是同时跨过几道门槛：模型要有泛化能力，执行要足够可靠，系统成本要成立，客户还要愿意持续付费。

他预计，通用具身服务的出现可能不需要五年、十年，“三年内就可以在很多地方开始服务”；王潜则认为，今天人们甚至低估了具身智能本身的重要性——数字世界的Agent已经开始重构软件生产，而只有当AI真正获得改造物理世界的能力，人工智能对生产体系的改造才可能形成完整闭环。