北京
记者 何畅
当下，具身智能的行业热度持续攀升。2026年举办的各个行业大会上，展台前的机器人不再只是以表演的方式出现，而是通过分拣快递、打包货物、叠衣服等展示自己的能力。然而，围观之外，技术路线并未收敛，有效数据存在巨大缺口，产品范式和商业模式也处于早期探索阶段。
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，三场圆桌讨论先后进行，多位具身智能领域的科学家与企业家齐聚，围绕通用大脑、数据飞轮与场景落地分享了他们的思考。
关于模型路线，蚂蚁灵波首席科学家沈宇军认为，与其争论VLA还是WAM，不如先回答机器人究竟需要什么能力。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，有阶段性价值，但不是终局。毕竟，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。
谈及模型进步的判断标准，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表示，今天单个机器人demo能够传递的信息已经越来越少，评测首先应该服务研发，而不只是比较榜单名次。
沈宇军认为，可以从两个方面来评判：一是合作伙伴将模型部署到具体场景需要付出多少成本，是否能随着模型升级下降；二是机器人能否在开放场景下与人、环境持续相处一整天而不出问题。比单次成功更难的能力是在变化的环境中长期安全稳定运行。
那么，怎样的数据能推动模型真正进步？蚂蚁灵波首席数据科学家黄用韬认为，目前大量机器人仍用于科研、数采或展示，进入真实生产和服务场景的机器人太少，导致数据飞轮没有真正转起来。在这样的背景下，需要将模型的问题转化为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——有效地使用数据至关重要。
光轮智能副总裁张建伟强调了评测的作用。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，再通过真实部署与反馈检验模型效果，并把新的失败案例继续带回训练。
觅蜂科技副总裁李茂青的看法是：精确标注的数据可以服务模仿学习，场景和语义丰富的数据可以帮助模型理解世界。判断一种数据是否有价值，重点在于它能帮助模型学到什么？
于是，新的问题出现了，谁来提供场景，又是谁来把模型、本体、数据和客户彼此连接？
蚂蚁灵波CEO朱兴认为，“下场干活”让机器人的学习过程变得完整，但场景选择可以优先从安全性较高、环境较可控、任务链条较短的领域开始。如果每增加一个场景都需要大量重新适配，就很难真正形成规模。
地瓜机器人CEO王丛提到，具身智能现阶段解决的主要还是单场景、单任务甚至单一末端执行器下的泛化。相比直接进入完全开放的家庭环境，他更关注能否率先出现覆盖多个操作任务的“小基模”。
共识之上，细分的判断并不完全一致，但行业参与者都在关注稳定性、客户的使用意愿，以及商业化与成本之间的平衡。
在大晓机器人董事长、商汤联合创始人王晓刚看来，只有当一个场景中出现数千台机器人，购买机器人的客户能够实现盈亏平衡，才意味着形成可持续的商业模式。他将具身智能拆成硬件、模型、数据和场景四个要素，认为任何一家公司都难以独立完成闭环。某种程度上来说，具身智能的规模化，不是所有公司选择同一种模式，而是让各自擅长的能力真正连接起来，在真实场景中创造真实价值。没有标准答案，唯有在尝试中摸索。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
