加入高工机器人专业行业群，加微信：17811613845，出示名片，仅限机器人及智能制造产业链相关企业。
对于具身智能而言，这是最好的时代，也是最坏的时代。
资本持续涌入，今年中国具身智能融资金额已经逼近2000亿；新的模型、新的产品与新的年轻创业者接连现身；机器人开始走进商场、仓库与工厂。关于机器如何参与生产与生活的想象，正在获得越来越具体的支撑。对这个有无限前程的新生赛道而言，机会正在涌现，期待也随之抬升。
但质疑与不安也在累积。股价波动牵动着市场对估值的判断，围绕商业化成色的争论持续发酵，有关政策走向与上市节奏的消息，又为企业的发展预期增添了变数。事实、推测与流言交织，让行业情绪在期待与怀疑之间反复摆动。
技术探索有自己的节奏，外界要求答案的声音却越来越急迫。今天，仅凭一个成功的Demo，已经很难满足行业的期待。用户与投资者更急切地想知道，机器人究竟何时才能成为可以持续工作、创造实际价值的生产力工具。
对于身处其中的从业者，商业化催着交付，技术迭代又让人害怕掉队，两头的压力交织成焦虑。
9月11日，在外滩大会上，由蚂蚁灵波发起并主办的具身智能分论坛「基座之上：具身智能的场景突围与协同进化」，为行业这一年积攒的情绪与疑问，提供了一次集中表达的空间。科学家、数据服务商与机器人企业坐到一起，把各自在研发和交付中碰到的难题带上了台面。
有意思的是，在技术以前所未有的速度迭代之时，蚂蚁灵波首席科学家沈宇军却反思道，过去一段时间，包括灵波自己在内，“有时把具身智能想得过于简单”。
这个判断，也为三场圆桌提供了一条值得追索的线索：当现有模型进入物理世界，当数据需要转化为模型能力，当机器人真正面对客户，我们究竟在哪些地方，把具身智能想简单了？
通用大模型会吞噬具身大模型吗？
具身智能从业者的焦虑，有时来自非本领域的进展。
近日，GPT-6 Astra被接入机械臂控制接口后，完成了真实环境中的抓取与放置任务。一个问题随之变得更加直接：如果通用大模型越来越会操控机器人，专门研发具身模型的公司，究竟还需要做什么？
这则消息真正令人焦虑的，或许并非GPT-6已经能够完成多少任务，而是它暗示着一种令行业不安的未来：
通用大模型每一次能力跃迁，都可能重新划定具身模型公司的技术边界。昨天还需要专项研发的能力，明天或许就会成为基座模型的默认能力。
“数字世界的模型又进步了，是不是没有具身什么事了。”
蚂蚁灵波科技首席科学家沈宇军在现场复述的这句话，道出了部分从业者的不安。
蚂蚁灵波科技首席科学家沈宇军
在他的分析中，如果一家公司的工作主要建立在已有大模型之上，那么基座能力的一次跃升，很可能导致此前投入的所有努力将毫无意义。
这也是他对上半年路线之争的一次反思。当行业反复争论VLA还是WAM时，许多方案仍然沿着已有工具向外延伸：手中有视觉语言模型，就尝试让它输出动作；手中有视频生成模型，就让它预测机器人接下来会做什么。
在沈宇军看来，更需要回答的问题是：如果从头为机器人开发模型，它究竟需要具备哪些能力？
沈宇军将其归纳为三件事：首先，从持续涌入的传感器信号中，提取能够表达视觉、空间、力与触觉的有效Token；随后，将不同模态的信息放进同一个模型中完成对齐与融合；最终，根据这些观测生成可以执行的动作。
与数字模型不同，机器人面对的是持续流入的视觉、触觉、力觉与自身状态，动作发生以后，环境又会立即变化，并产生新的观测。模型因此必须在感知、理解和行动之间不断循环。
在灵波看来，通用大模型可以提高理解与规划的起点，具身模型仍需补上从数字智能走向物理行动的距离。
这并非灵波从一开始就确定的答案。蚂蚁灵波CEO朱兴在接受采访时介绍，团队早期也曾基于通用视频生成模型进行微调，让它适应机器人任务。但随着研发推进，能力提升逐渐遇到限制，进一步调整还可能损伤原模型的先验知识，影响泛化。
蚂蚁灵波CEO 朱兴
“走到后期我们真的是撞到南墙了。”
这次碰壁也推动灵波转向更原生的研发：从零训练面向机器人任务的视频生成基座，并在预训练中加入大量真实机器人数据。
朱兴举例，一个矿泉水瓶在空中跳舞后落入手中，可以成为一段好看的视频；机器人却需要预测符合物理规律的动作，还要及时处理持续变化的输入，否则根本不可能生成机器人下一步动作，而这才是模型想要完成的目标。
不过，香港中文大学助理教授薛天帆对问题提出了更进一步的怀疑：即使具身智能也能从规模增长中受益，它会沿着语言模型相同的方式扩展吗？
香港中文大学助理教授薛天帆
过去一轮大模型的发展，很大程度上受益于互联网。文字、图片和视频可以在网上共享，也能被整理为相对统一的训练形式。机器人数据却与身体高度相关：关节数量、结构设计、传感器配置发生变化，同一个动作的表达方式也会随之改变。
薛天帆以儿童学习走路为例。孩子很难仅凭阅读或观看学会走路，他需要亲自行动，在一次次失衡和调整中形成能力。具身学习是否需要更多来自本体自身的交互经验，由此可能形成怎样的模型和数据范式，仍有大量问题需要回答。
他也承认，使用VLA、WAM等已有模型，是现阶段合理而现实的选择。这些模型已经接受过海量数据训练，能够给具身任务提供一个能力起点。但这种路径依赖能够走多远，现在还难以下结论。
上海交通大学人工智能学院副教授李永露，则把问题推进到了训练目标：模型究竟被要求学会什么？
上海交通大学人工智能学院副教授李永露
目前常见的方法，是录制专家操作轨迹，让模型模仿完成任务。但当训练目标集中在复现有限轨迹时，模型获得的能力也会受其约束。
李永露用“吃不饱”和“挑食”形容当前的具身模型：真机数据有限且昂贵，互联网上又有海量视频和图像未被充分利用。除了按任务采集轨迹，机器人或许还需要通过自由交互和代理目标，学习更广泛的物理经验。模型能否利用这些数据，与数据数量同样关键。
三位科学家的判断，也让灵波的技术选择变得清晰：吸收通用模型的知识与训练经验，同时建立面向物理世界的模型、数据和预训练能力。
沈宇军相信规模扩展仍会带来能力提升，但具身企业需要掌握从零训练大模型的能力；他特别强调，从零开发大模型与基于现有模型微调，所需能力差异很大。真正的门槛还要落到工程能力上：能否从零完成大规模预训练，能否定义机器人需要的数据，再把数据、算力和训练基础设施组织成一套有效的系统。
面对“大模型公司入场后，具身企业是否只剩一两年窗口”的追问，朱兴承认，OpenAI、Anthropic等公司拥有很强的训练技术，GPT-6也能提升具身研发部分环节的效率。但他认为，什么数据有效、怎样处理数据、出现问题后该补什么数据，仍需要在真实任务中逐步形成经验，这是具身智能企业未来的竞争关键。
通用大模型正在抬高具身智能的起点，也在压缩简单微调的生存空间。灵波希望形成的价值，正是具身原生数据、从零预训练能力，以及让模型持续感知并作用于物理世界的技术积累。
问题随后落到了今天行业最关心的数据上：不断膨胀的数据量，究竟在教会机器人什么？
数据越多，机器人不一定越聪明
如果模型能力越来越依赖数据，一个自然的直觉是：采得越多越好。但“数据不够”，正在变成一句过于笼统的共识。
在数据圆桌，三位嘉宾给出的答案并不相同。
光轮智能副总裁张建伟把“质量标准”排在数据量之前。在他看来，高质量数据至少要经过几层检验：数据本身是否完整，分布与标注是否合理，训练后能否通过评测证明模型真的提升，最终还要进入真实场景验证。
光轮智能副总裁张建伟
数据像教材，评测像考卷，只提供教材却没有考试，闭环并没有形成。仿真因此承担了一个重要角色：低成本、大规模暴露模型的能力边界，再指导定向补采；而真机部署则继续发现实验环境遗漏的Corner case。
觅蜂科技副总裁李茂青则更强调场景和任务的多样性。他把当前瓶颈概括为“数据墙”：真实交互数据仍然稀缺且昂贵。随着Ego、Human-centric等无本体采集方案逐渐成熟，采集设备正在铺开，下一步更重要的是让这些设备进入足够多的真实场景。
觅蜂科技副总裁李茂青
对李茂青而言，“高质量”也不存在唯一标准：高精度数据可以服务模仿学习，语义和场景更丰富的数据可以帮助学习世界表征，不同数据需要分级使用。相比单一追求精度，他更看重多模态、高保真和时空统一，以及能否覆盖更丰富的任务分布。
蚂蚁灵波首席数据科学家黄用韬关注的则是另一半飞轮：今天真正进入生产和服务场景的机器人还太少，大量数据依然来自定制采集，缺少部署后的持续反馈。也因此，他认为数据飞轮真正转起来的标志，是行业开始“做减法”——不再只问还能采多少，而开始知道哪些数据没有价值、哪些应该被删掉。
蚂蚁灵波首席数据科学家黄用韬
三种判断指向了同一个变化：数据的竞争点远非粗糙的小时数，而是收集有用的数据。
这也意味着，什么是高质量数据，很难脱离模型单独定义。
朱兴介绍，灵波会先由模型训练反向确定需要什么数据，包括场景、任务与分布；对于采集难度较高的数据，先小规模试采形成SOP，再交给供应商扩大规模。过去一年多，灵波称已将原始数据进入模型训练的可用率从约15%提高到90%以上。
在这套逻辑中，数据只是一种原料，真正决定模型能力的，是企业如何选择、组合和处理这些数据。同一批数据进入不同模型，也可能产生完全不同的结果。
更大的问题在于，今天机器人还没有真正形成持续的数据来源。
朱兴把当前阶段形容为靠数采“强制喂”，而理想中的数据飞轮，应当来自机器人进入真实工作以后不断回流的异常与失败。理论上，每个人每天的工作和生活都在产生物理世界的数据，只是今天的机器人还没有能力充分利用。
按照蚂蚁灵波的逻辑，数据飞轮真正的起点，最终还要回到机器人开始工作。这也把问题推向了下一步：机器人究竟要到什么时候，才能真正走进去干活？
机器人，该去“打童工”了
如果真实场景才能产生真正有价值的数据，具身智能就会遇到一个有些矛盾的问题：机器人能力还不成熟，到底应该继续留在实验室训练，还是先进入场景？
第三场CEO圆桌上，朱兴给出的答案很直接：“哪怕还在童年，也该干活了。”
这句话背后，其实是具身智能正在发生的一次重心变化。
过去很长一段时间，行业习惯先把模型训练得更强，再寻找可以落地的任务。但行业显然慢慢接受一个现实：机器人需要先工作，失败和异常才有机会变成下一轮训练的数据。
真正的问题随即变成：今天的机器人，究竟能干什么活？
朱兴给出了两个条件。首先是能力，现阶段适合落地的环境不能过于开放，任务也不能太长，否则异常情况快速增加；其次是成本，即便技术能够完成任务，如果创造的价值覆盖不了机器人和部署成本，商业模式依然无法持续。
这也解释了为什么率先落地的任务，可能并不“性感”。
乐聚机器人CEO常琳介绍，目前机器人真正做得相对成熟的，仍集中在工厂中的拿取、放置等任务。例如汽车零部件小件上料、生产物流中的纸箱拆垛，任务本身并不复杂，但已经能够在真实生产中解决部分用工和柔性需求。
乐聚机器人CEO常琳
地瓜机器人CEO王丛对此更谨慎。他认为，今天的泛化更多发生在单场景、单任务甚至单一末端内部，跨任务能力仍然有限。这样的方案已经能够创造价值，但很多时候仍像上一代专机的升级版，距离真正跨任务的通用能力还有明显距离。
地瓜机器人CEO王丛
商业化也给出了另一套更现实的评价标准。
大晓机器人董事长王晓刚希望看到的，是机器人能够在单一场景形成数千台规模，并且客户真正算得过账、达到盈亏平衡。顾捷则从医疗和养老场景提出，最终用户并不关心任务由大模型还是传统程序完成，他们更在意疗效、安全性和投入产出。
灵波自己的场景选择也沿着类似逻辑展开。在外滩大会展示的药房场景中，机器人已经进入真实零售药房门店分担夜间分拣；相比做一个更炫目的Demo，朱兴更看重真实应用，能否持续暴露模型不足，并产生可以回流的数据。
对模型公司而言，商业化因此也是一次更残酷的测试：客户不会因为技术路线先进而容忍失败，真实场景会把成功率、异常处理、部署成本和硬件稳定性一起摆到桌面上。
而这场测试，也很难由模型公司独自完成。
朱兴认为，机器人本身仍是一个高度非标的产品，从本体、模型、后训练到集成交付和后期维护，需要不同企业共同完成。灵波给自己的定位，是把主要精力放在基座模型与工具链上，同时与本体厂商、数据服务商和场景方共同完成后训练与落地，让真实场景中的异常数据能够持续回流。
产业的协同进化，这是第三场圆桌反复出现的另一个共识。
王晓刚将具身智能归纳为硬件、模型、数据和场景四个要素，任何一环单独推进，都很难形成足够快的研发闭环。
大晓机器人董事长王晓刚
对今天的具身智能而言，产业协同的价值，最终要用落地效率来证明。
朱兴称，他希望一年后看到两个变化：真正由模型驱动、在工业和物流等场景工作的机器人数量显著增加；同一真实任务所需的后训练成本，尤其数据成本，能够大幅下降。
从这个角度来看，具身智能或许不存在一个戏剧性的ChatGPT时刻。它更可能发生在某个普通的仓库、药房或工厂：机器人第一次开始长期工作，而每一次失败，都不再只是一次失败，而成为下一版模型的训练材料。
到那时，机器人开始创造的不仅是生产力，也开始创造更先进的自己。
结语
回头看三场讨论，一个越来越清晰的事实是：具身智能正在告别那些过于简单的答案。
更大的模型，并不会自动解决机器人面对的物理世界；更多的数据，也不会自然转化为更强的能力；一次成功的Demo，更无法证明机器人能够干活。
真正困难的部分，恰恰藏在这些答案之后：模型如何理解连续变化的世界，企业如何知道下一条数据该采什么，机器人又如何在真实场景里持续工作、暴露问题，再把失败重新变成学习材料。
过去一年，具身智能获得了前所未有的资本、人才与关注，也迎来了前所未有严格的审视。
行业依然需要新的模型、新的技术路线和新的故事，但真正决定初创企业们生死的，恐怕是那些困难、细碎，甚至有些“脏”的工作：一遍遍收集高质量数据，一次次在真实场景中，把每一个异常与失败逐个解决。
伟大的产业，往往就在这些不够耀眼的工作中慢慢长出来。
具身智能也一样。真正的时代拐点，或许会发生在某个普通的一天：一台机器人通上电，进入真实世界，自主面对变化、失败和意外，最终安然工作到天黑。
然后，我们就可以说：具身智能的时代，真的来了。
—END—
