“（具身智能行業(yè)）有人在賣數(shù)據(jù)，有人在賣硬件，有人在訓(xùn)模型……各種各樣的人都在里面�！苯衲晖鉃┐髸�期間，破殼機器人創(chuàng)始人、清華大學(xué)交叉信息研究院助理教授許華哲在接受界面新聞等媒體采訪時說，真正看具身智能的內(nèi)核，“歸根到底還是泛化兩個字”。

相較于去年，在今年外灘大會現(xiàn)場，機器人已經(jīng)被放進越來越多具體場景。9月9日至12日，2026Inclusion·外灘大會在上海舉行。1.5萬平方米主題科技展吸引300余家企業(yè)參展，其中40多家具身智能廠商集中亮相。

在科技展區(qū)里，機器人集中展示了取藥、工業(yè)裝配、洗衣折疊等任務(wù)，一些應(yīng)用也已經(jīng)從展臺進入真實經(jīng)營場景。

不過，能在一個展臺完成一項任務(wù)，與能否在不同場景里使用同一套模型，仍是兩件事。許華哲預(yù)計，今年會批量看到真正意義上的泛化，同一個模型在不同地方做一系列任務(wù)，“這一件事情，在過去的三年里面，是沒有看到的”。

但要做到這一點，行業(yè)還沒有統(tǒng)一答案：需要多少數(shù)據(jù)，仿真和真機數(shù)據(jù)各自能解決什么問題，以及已經(jīng)能夠完成Demo的機器人，距離長期穩(wěn)定工作還有多遠。

數(shù)據(jù)越多，機器人就越聰明嗎？

數(shù)據(jù)之所以成為關(guān)注重點，也與今年機器人本體迅速放量相關(guān)。

SmartAnalyticsGlobal（SAG）數(shù)據(jù)顯示，今年上半年全球人形機器人出貨約1.91萬臺，同比增長272%，去年同期為5100臺；中國廠商占比超過97%。工業(yè)和商業(yè)應(yīng)用占出貨量的比例已經(jīng)超過70%。

但SAG同時指出，機器人硬件放量速度已經(jīng)快于技術(shù)成熟度，真實世界數(shù)據(jù)、模型能力、可靠性、操作精度、安全和成本仍在限制更大規(guī)模的部署。

機器人賣得更多，需要的數(shù)據(jù)也越來越多。過去一年，幾十萬小時、百萬小時開始頻繁出現(xiàn)在具身智能公司的數(shù)據(jù)集和模型發(fā)布中。

許華哲認為，這恰恰是目前被高估的部分。他在接受界面新聞等媒體采訪時表示，百萬小時數(shù)據(jù)比十萬小時多一個數(shù)量級，很容易比較，但目前并沒有看到數(shù)據(jù)數(shù)字越高，模型效果就一定越好。

按照當(dāng)前市場價格，一小時數(shù)據(jù)可能要數(shù)百元，一百萬小時投入可能達到數(shù)億元，如果最終不能用于模型訓(xùn)練，代價并不小。

許華哲反對的并不是繼續(xù)擴大數(shù)據(jù)規(guī)模，而是先追求數(shù)字，再考慮數(shù)據(jù)有沒有用。他認為應(yīng)該“邊擴邊找，邊找邊擴”，先確認什么樣的數(shù)據(jù)有效，再繼續(xù)放量。

對此，蘇度科技聯(lián)合創(chuàng)始人、CEO韓錚的判斷是，具身需要的是結(jié)構(gòu)化、多樣和高質(zhì)量的數(shù)據(jù)，仿真與真機數(shù)據(jù)也并非二選一。

不同任務(wù)需要的數(shù)據(jù)也不一樣。韓錚舉例稱，部分抓取技能可以主要依靠仿真訓(xùn)練，再遷移到真機。但到了電池組裝這類有明確工序和規(guī)則的任務(wù)，或者折疊布料等柔性物體操作，仍需要真實世界中的演示提供指引。

螞蟻靈波科技首席科學(xué)家沈宇軍在9月10日主論壇圓桌上提出了另一個問題。行業(yè)過去談得更多的是Sim-to-Real，即如何讓仿真訓(xùn)練結(jié)果遷移到現(xiàn)實，但真正困難的也可能是Real-to-Sim。也就是說，現(xiàn)實傳感器中的噪聲、誤差以及觸覺信號差異，能不能規(guī)模化地被搬進仿真系統(tǒng)。

他以觸覺為例，真實傳感器在頻率、幅值和一致性上的變化，并不容易完整復(fù)刻。

但真實數(shù)據(jù)也并非采回來就能直接使用。香港大學(xué)計算與數(shù)據(jù)科學(xué)學(xué)院副院長羅平在接受媒體采訪時提到，他們曾嘗試直接采集真實藥劑師工作的數(shù)據(jù)，任務(wù)足夠真實，但人工作業(yè)時的運動并不以數(shù)據(jù)采集為目標，“采回來的數(shù)據(jù)質(zhì)量差到離譜”。

極佳視界聯(lián)合創(chuàng)始人兼首席科學(xué)家朱政則稱，此前與地方合作的一些數(shù)采項目中，由于采集過程缺乏模型公司直接控制，大約90%的數(shù)據(jù)被浪費。

真機數(shù)據(jù)難采，仿真又無法覆蓋現(xiàn)實中的所有細節(jié)，世界模型因此成為另一條被頻繁討論的技術(shù)路線。一個直接的問題是，機器人能不能在動手之前先預(yù)測動作的后果。

在外灘大會世界模型論壇上，憶生科技聯(lián)合創(chuàng)始人兼CTO、香港大學(xué)計算與數(shù)據(jù)科學(xué)學(xué)院助理教授楊言超把世界模型需要具備的能力概括為理解和預(yù)測未來、從數(shù)據(jù)中提取結(jié)構(gòu)并形成記憶，以及依靠記憶持續(xù)學(xué)習(xí)。

他認為，當(dāng)現(xiàn)實試錯昂貴、訓(xùn)練數(shù)據(jù)難以獲得時，讓模型先預(yù)測動作后果更有價值；但如果任務(wù)簡單、試錯成本很低，并不一定每次都需要調(diào)用世界模型。

而在世界模型之外，通用大模型也開始可以控制機器人。9月3日，OpenAI發(fā)布GPT-6Astra，并開始向部分機構(gòu)開放。隨后，社交媒體上出現(xiàn)了Astra直接控制機械臂完成任務(wù)的視頻。

如果通用大模型已經(jīng)能夠控制機器人，具身智能公司會不會遭遇“降維打擊”？

許華哲的團隊也在Astra開放后進行了測試。他的評價是，Astra在語義和空間能力上已經(jīng)很強，能夠識別桌面物體、抓起筷子，甚至將筷子插進杯子，但一旦進入疊衣服、復(fù)雜接觸等任務(wù)，表現(xiàn)明顯下降。“這也是具身機器人公司一個最后的陣地，就是怎么樣理解這個物理變化�！�

按照許華哲的判斷，這兩類模型未來更可能配合，而不是由一方直接取代另一方。通用大模型處理語義理解、推理和任務(wù)拆解，具身模型繼續(xù)解決連續(xù)控制和復(fù)雜物理交互，再把兩部分接成一套完整系統(tǒng)。

從Demo到付費，差的不是一個更大的模型

到了真實產(chǎn)線，機器人面臨的要求比展臺演示嚴格得多。

韓錚在主論壇上提到，對于大量工業(yè)任務(wù)，商業(yè)化的前提首先是高成功率。少數(shù)任務(wù)可以接受80%左右的成功率，或者允許機器人二次糾錯，但更多任務(wù)要求第一次執(zhí)行就接近100%，同時又不能每進入一個新工位，就重新采大量數(shù)據(jù)，把模型重新“過擬合”一遍。

但是算法之外，機器人一旦真正進產(chǎn)線，很快還會碰到元器件和整機一致性的問題。

韓錚在接受界面新聞等媒體采訪時表示，當(dāng)前具身智能使用的一些基礎(chǔ)元器件，還沒有經(jīng)過上萬小時連續(xù)運行的充分檢驗。即便兩臺機器人使用相同硬件，末端仍可能出現(xiàn)細微偏差，算法也需要適配這些差異。

換句話說，對工業(yè)客戶而言，模型在實驗室里證明“能做”只是第一步，元器件一致性、長期運行可靠性以及后續(xù)服務(wù)都要經(jīng)受產(chǎn)線檢驗。

沈宇軍也提醒，行業(yè)討論中常常把機器人能否落地歸結(jié)為模型能力，但客戶實際算的是整套系統(tǒng)的賬。

他認為，具身智能首先是一套復(fù)雜的系統(tǒng)工程。客戶最終考慮的是究竟需要完整人形機器人還是一套雙臂，硬件成本是多少，傳感器是否穩(wěn)定，部署維護成本能否接受，而模型只是其中一環(huán)。

自變量機器人公司創(chuàng)始人兼首席執(zhí)行官王潛在主論壇圓桌上表示，“客戶能夠可持續(xù)地付錢，并且這個付錢越來越多”，才是最終的判斷標準。

在他看來，這一代機器人不能只是用新的技術(shù)重新做一遍傳統(tǒng)自動化，而要解決過去自動化設(shè)備難以解決的任務(wù)，并且在真實場景中跑出可以接受的ROI。

而對于想做通用機器人的公司，成功率這道門檻會更高。

許華哲舉例稱，一個語言模型以50%的成功率回答問題，用戶還可以繼續(xù)追問；但機器人如果只有50%的成功率，就意味著它有相當(dāng)高的概率把杯子摔碎。固定場景可以通過后訓(xùn)練不斷提高成功率，但真正困難的是，一個面對大量未知任務(wù)的模型，能不能把成功率從50%、60%、70%繼續(xù)往上推，直到達到實際使用所需要的水平。

在他看來，針對固定場景做后訓(xùn)練，可以較快形成收入，但這一代具身智能真正想解決的問題，是基礎(chǔ)模型本身能否逐漸擁有通用能力。

與此同時，宇樹上市后的股價波動，也讓市場重新討論機器人公司的估值。8月19日，宇樹上市首日股價一度沖至1100元，市值達到4449億元。此后股價大跌并持續(xù)回落，截至9月10日已跌破500元，較上市首日高點回撤約55%，市值縮水超過2400億元。

談到宇樹上市后的市場表現(xiàn)，韓錚沒有直接評價其股價高低，而是把問題落到了市場對機器人公司的預(yù)期上。他向界面新聞等媒體表示，“第一家上市的公司畢竟承載了大家對整個行業(yè)所有的希望”，但各家公司擅長的領(lǐng)域不同，一些公司更擅長運動和本體控制，一些公司則更多聚焦物體操作。

韓錚認為，公眾容易把整個行業(yè)對機器人的期待集中到第一家上市公司身上，因此早期難免出現(xiàn)一定的“心理預(yù)差”�！半S著市場對各家公司擅長的領(lǐng)域，包括市場的判斷有更多的了解，我覺得還是會回歸到一個合理的市場區(qū)間和價格。”

而比一家公司的股價更直接的問題是，眼下的具身智能行業(yè)究竟有沒有泡沫。

“機會多的地方，泡沫一定大�！痹S華哲表示，大量資金和人才進入后，市場預(yù)期往往會跑在行業(yè)實際能力前面，兩者之間的差距，就是現(xiàn)在所說的泡沫。

不過他認為，資金進入行業(yè)后還需要經(jīng)過研發(fā)和技術(shù)迭代逐步消化，“并不是投進去立刻變錢了”。因此，他并不否認目前存在泡沫，但判斷未來兩三年行業(yè)能力仍有機會繼續(xù)追趕市場預(yù)期。