中国工业报  王珊珊

2026年8月19日，世界机器人大会（WRC2026）期间，由跨维智能主办、《财经》杂志协办的“物理AI引领者论坛”在北京举行。论坛的圆桌对话环节聚集了覆盖具身智能完整链条的五位嘉宾：清华大学计算机系副研究员苏航、香港中文大学（深圳）助理教授刘桂良、地瓜机器人算法副总裁隋伟、临界点CTO熊坤、智在无界大模型预训练负责人郑思鹏。

从基座模型、仿真数据、算法方案到灵巧硬件，五位嘉宾围绕技术路线、数据瓶颈、商业化落地等核心议题展开了深入讨论。在这场持续近两个小时的对话中，“数据”一词被提及超过50次——这或许正是当下具身智能行业最真实的写照。

VLA与世界模型：殊途同归还是各走各路？

聚焦于VLA（视觉-语言-动作模型）与世界模型两种主流技术路线的关系议题时，苏航的观点代表了在场多数嘉宾的共识：VLA和世界模型并非二选一的关系。“二者解决的问题有所侧重，也存在明显的互补空间。”在他看来，对于质量较高、动作与任务标注明确的数据，VLA能够直接建立感知、语言与动作之间的映射；而面对规模更大、来源更广的视频数据时，世界模型则可以帮助模型学习环境变化与行为结果之间的关系。

郑思鹏则从隐式与显式建模的角度补充了一个关键洞察：“二维的视觉是有欺骗性的。”他以相机成像原理为例说明，画面上同样大小的物体，根据焦距不同，在三维空间里可能对应完全不同的位置。在他看来，显式世界模型可能把大量精力投入画面重建——纹理细节、头发细腻程度、衣服颜色——而这些对动作执行并无帮助。

苏航预判，未来更可能看到的是融合式架构：“在不同时间尺度上结合VLA的动作生成能力与世界模型的状态预测、反馈校正能力”。具身智能面对的是复杂的物理环境，很难依靠单一技术路线解决全部问题。

数据困境：从“淘金”到“造金”

如果说技术路线是方法论，那么数据就是具身智能的“原材料”——而目前，这个原材料极度稀缺。

刘桂良算了一笔账：具身智能的数据规模短期内连追上LLM都十分困难，而物理世界的复杂度比语言世界高出几个量级。“按照ScalingLaw的观点，为了解决这么复杂的问题，数据量也要上几个量级。”他判断，与其建一个数采工厂，不如花时间搭建仿真平台。

跨维智能选择的正是这条“生成式仿真”路线。刘桂良解释了其中的成本逻辑：仿真平台的前期搭建虽然耗时——跨维前后花了一年多时间自研引擎——但一旦基座完成，“产生的数据量是爆发的几何级增长”。更重要的是，仿真数据可编辑、可回收利用，而真实数据采集之后“动不了，就是那样的”。

智在无界则走了另一条路——用大规模人类视频做预训练。郑思鹏透露，公司已把人类视频规模从1000小时提升至50万小时以上。他打了个比方：人类视频是一座“贫矿”，需要上百道工序精炼才能变成可用的“铁矿石”。但好处也很明显——“相较真机数采而言，人类第一人称视频数据可将成本降低几个数量级”。

隋伟则从地瓜机器人的视角对不同数据路径做了总结：遥操数据采集效率低但训练效率高，适合特定场景落地；异构数据采集成本低但训练效率有待验证，却是解决通用性的希望所在。他透露，地瓜内部测试的生成式仿真“大概能够节省70%到90%的真实数据”。

苏航提醒行业不要只盯着数据规模：“具身智能中的Scaling比语言模型涉及更多维度，数据需要覆盖不同物品、场景、任务，甚至不同机器人本体。”在他看来，失败轨迹、临界状态、人类接管数据同样具有很高价值。

商业化：从“能展示”到“真干活”

技术终归要落地——从能展示到真正干活，还有多远？

苏航认为，商业落地的关键指标是“可复制性”：“完成一次场景部署之后，后续相似场景的适配成本能不能持续下降。”他提出通用与专用应作为两个相互衔接的层次：底层通过基座模型提供可迁移的通用能力，上层再围绕具体任务进行适配。

跨维智能的实践提供了参照。刘桂良透露，公司已落地50多个场景、交付1500多个模型、营收过亿。在他看来，客户买单的关键不单是技术领先，更在于“有没有一个团队能持续地维护更新、支持迭代”。

隋伟则揭示了从实验室到量产的真实挑战：“实验室里面我们通常会限定数据集、限定场景，但是真实中遇到的情况是各种各样的。”他特别强调算力问题——“在实验室里面我们可以在云上做训练和推理，但在真实场景里面，很多时候要求实时响应，而且没法上网”。地瓜机器人的旭日S600芯片提供560TOPS端侧算力，支持7B左右模型的边缘侧计算——但隋伟坦言，这“远远不够”，已有客户提出2000TOPS的需求。

熊坤从灵巧手的角度带来了另一个维度的观察。临界点已累计交付两万多台灵巧手。他坦言，灵巧手作为机器人最频繁接触物理世界的末端，“最容易受到损害”。客户最看重的不是炫酷动作，而是稳定性和可靠性。目前临界点已“用车规级的要求”来生产每一款手。

关于最先规模化赚钱的场景，几位嘉宾的判断趋于一致：工业等结构化场景最先落地。刘桂良的观点很明确：“第一步，肯定是落在跟人交互比较少的可控场景，明显就是工业场景”。熊坤则从灵巧手的视角补充：数据采集场景是灵巧手最先起量的场景，然后才会“慢慢渗透到家庭、工业”。苏航也认为，“工业、物流等结构化场景已经出现越来越多的落地探索”。

ChatGPT时刻：拐点何时到来？

具身智能的“ChatGPT时刻”何时到来——嘉宾们的答案呈现出有趣的分化。

苏航给出了相对乐观的判断：一到两年。但他强调，这个“时刻”不应被理解为单一时间节点，而应理解为“泛化能力出现显著跃迁”的标志——机器人进入新环境、面对新物品和任务时能够利用已有能力适应。

刘桂良则更为审慎。他认为ChatGPT时刻意味着“一个超级智能能把所有的任务做完”，要求极高。在他看来，“在数据路径上收敛之后”才能再谈这个时刻，“也许未来两三年之内，造数据的人的数据会逐步收敛”。

隋伟的判断更加保守：“甚至觉得现在可能都不是GPT，还是Bert跟GPT之间的路线选择阶段。”他认为拐点何时到来“没法预测”，“一年两年还是三年五年不好预测”，但强调“这个事情是非线性的”。

郑思鹏则从系统工程的角度指出：“木桶里面有十几块木板，这件事情能不能成其实取决于最短的那块木板。”在他看来，几十家公司可能都认为自己那一部分一到两年内能完成，“但是大家整个生态合在一起的时候，时间点就不是很好说了”。

护城河：小公司的生存空间

面对大厂可能下场竞争的前景，几位嘉宾的态度出奇一致——不恐惧。

隋伟认为，在拐点尚未到来、算法范式尚未验证通的阶段，“大厂的优势并不能完全体现出来”。“大厂的优势是资金多、工程师多、计算资源多，但现在的问题在于具身很多的算法范式没有验证通，没验证通是没办法往上大规模堆资源的”。

刘桂良则从灵活性的角度分析：“小企业转型比较方便，我们可以随时跟进新的技术，一个决策不会对整个企业产生很大的影响”。他提醒大家：“在OpenAI成为OpenAI之前，OpenAI也是个小公司而已”。

熊坤提出了一套护城河理论：技术护城河只是时间问题，“肯定会被大厂攻破”；但“生态护城河不会那么快被打破”，深耕用户、积累反馈、做好黏性，才是抵抗大厂的更优策略。

郑思鹏则用DeepSeek举例：“核心团队就十几二十人”，训练好一个基模“不是说投入10倍的钱就能有10倍的回报”。

泡沫与清醒

苏航期待学术界和产业界持续协作，“让机器人真正形成在物理世界中感知、行动和适应环境的能力”。刘桂良呼吁行业“一起探索出一条可靠的从数据收集到模型探索的路径”。隋伟提醒大家保持清醒——“只要是泡沫，肯定就会破的”，“拐点还没到，好多问题都没有解决”。熊坤给出了一个实用的建议：“很多失败的数据，对于模型、对于后面整个训练效果是最有用的”。郑思鹏则描绘了一个更宏大的愿景：具身给社会做的是“加法”，而非像编程AI那样做“减法”。

人形机器人比的并不是谁跑得更快，而是谁能够走得更远，谁能够穿越周期。