NE时代

◎ 分歧与抉择。

△ 撰文：董志洋

机器人已经能完成不少演示，但从一次成功到广泛应用，下一步该把力气花在哪里？

在2026 Inclusion·外滩大会主论坛，一场以“物理智能——分歧与抉择”为题的圆桌，将讨论集中在数据、模型和商业化上。

苏度科技联合创始人兼首席执行官韩铮、蚂蚁灵波科技首席科学家沈宇军、自变量机器人创始人兼首席执行官王潜，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分享了各自的判断。

几位嘉宾都看到了能力进步，却没有给出同一条发展路径。

仿真与真实数据如何支撑预训练，通用模型与专用具身模型如何配合，以及商业化应该先看持续付费还是广泛任务能力，成为讨论中的几个“分歧”。

许华哲分享的测试，让这些问题有了具体的参照。

团队用通用模型Astra控制机器人，抓起桌面上的筷子，再立起来放进杯中，两个动作都能完成，但让它用筷子进行更复杂的接触操作，表现就弱了下来。

许华哲将任务需要的能力分为语义、空间和物理泛化。在他的测试中，前两项表现较强，理解物理变化仍是难点。

围绕这些尚未解决的问题，几位嘉宾提出了不同的技术选择和商业判断。

01.

数据选择，“分歧”在预训练

讨论数据路线时，苏度科技联合创始人兼首席执行官韩铮先补充了一点：坚持使用仿真，同时也认可真实世界数据的价值。

他选择仿真的理由，是仅靠真实采集，效率和质量仍会受到限制；但仿真也需要从支持科研实验，走向支撑大规模预训练和强化学习。

韩铮回顾，团队早期开发仿真器和合成数据工具，供科研人员做实验、补充任务数据。但做完一次实验之后，如何继续扩大训练规模，是另一项工作。

2024年后，团队重构了数据与仿真流程。他介绍，在随后展示的抓取、放置及部分组装技能中，团队验证了物体、环境和光照变化下的泛化，并在相关任务中取得接近百分之百的成功率。

蚂蚁灵波科技首席科学家沈宇军则更重视互联网数据和真实物理数据在预训练中的作用。

他同样认可仿真对具体任务的价值，但认为要训练更通用的能力，必须回答另一个问题：真实世界里不完美的传感信息，能否被规模化地搬进仿真？

沈宇军以触觉为例，团队比较真实与仿真信号时，发现频率、幅值、传感器间一致性等方面存在明显区别。机器人需要依靠自身传感器工作，这些噪声和差异也会成为它实际接收的信息。

他关心的是，能否将这些特征搬入仿真，并规模化复制；如果做不到，在仿真中解决单一问题仍有价值，但用于学习更通用的能力，就会遇到困难。

许华哲用泡沫水果和真实菠萝解释了数据中的另一类差别。

采集人员可能因为真实水果容易腐烂，先用玩具水果做示范；泡沫物品可以靠加大夹持力、捏住一小部分提起，真实菠萝却不能沿用同样的抓法。

在他看来，这样的示范可能让模型学到不适用于真实物体的操作方式，机器人需要结合接触反馈重新判断对象和抓法。

02.

大模型与具身模型走向分工

自变量机器人创始人兼首席执行官王潜没有将通用模型操作机器人的演示，理解为具身公司即将遭受简单的“降维打击”。

他认为，相关公司也在获取机器人数据、建设采集能力和招聘机器人人才。如果仍需收集物理数据、进行真机评测、接触硬件，那么这些困难不会因为已有基础模型优势而自动消失。

王潜认为，智能主要存在于数据中，一部分存在于评测中，模型负责从中提炼并承载能力。相比调整模型本身，他更强调生产、筛选、验证和标注数据的工作，以及支撑更大规模训练的基础设施。

他以编程为例，编程能力提升，需要大量编程数据和相应验证体系，并非聊天能力提高后就自然获得。视频生成模型已经取得进步，也没有自动解决机器人动作控制。

在他的判断中，具身公司应该继续把数据和评测做好。

王潜同时支持预训练，认为通用数据可以帮助机器人提升能力。

在他设想的两种做法中，通用模型公司把机器人数据和相关基础设施用于通用大模型，具身公司则训练专用模型。

他看重专用模型在机器人上的推理速度与部署效率，也认为只要坚持预训练、做好数据和评测，两种做法的能力上限和发展速度未必存在明显差异。

许华哲的测试也指出了具身公司可以继续解决的问题。除了开头提到的筷子操作，团队还尝试了叠盒子、叠衣服，Astra在这轮测试中未能完成这些任务。双手交接物体则经过多次测试，出现过一两次成功。

他将理解复杂物理变化视为具身公司需要继续攻克的能力。

他主张将大模型、具身模型与物理执行连接起来：具身模型执行动作，大模型参与语义理解和推理，再结合操作反馈判断下一步。前面提到的真假水果，就需要系统在抓取后识别材质差别，重新选择抓法。

韩铮赞同上下分层，同时认为，沿Physical Intelligence既有路线发展的具身模型公司，会面对OpenAI、Anthropic等通用模型公司的竞争。

他强调，与上层模型衔接的底层技能，必须同时具备高成功率和泛化能力。

韩铮介绍过团队的一种做法：通过语言交互，让上层模型理解周围物体、环境和抽象指令，再拆解出操作步骤。执行这些步骤，需要底层技能在对象和环境变化后依然可靠。仅仅能处理更多对象，却不能稳定完成动作，会影响整个任务。

沈宇军进一步讨论了具身模型的运行方式。

机器人行动和推理时，传感器仍在持续输入新信息，系统需要随时调整，而不是等一轮回答结束后再处理下一轮输入。

他认为，即便具身模型被高层模型作为工具调用，也需要适合持续感知与动作输出的训练方式。

他还设想，机器人获得的环境信息可能成为通用模型的新语料。人会因看到下雨、察觉对方表情变化而调整接下来要说的话，机器人也可能利用传感器获得更丰富的信息，让交互随环境变化而调整。

03.

商业化的标准，并没有统一

谈到什么指标能够证明具身智能真正进入产业阶段，韩铮首先提出高成功率。

他认为，绝大多数商业任务都要求接近百分之百的成功率，少数场景才容许较低成功率或留出再次纠错的机会。

与此同时，机器人还需要对物体与环境有泛化能力，不能每来一个新场景，就依靠大量后训练补足表现。

算法之外，韩铮还提到设备可靠性和服务。企业把机器人交给客户使用，还要解决设备能否可靠运行、服务如何提供的问题。

王潜更直接地从客户付费出发，他关心客户能否持续为新技术付钱，并增加付费，而不只是某个阶段的一次采购。

他提到，自变量在物流场景中已经完成一些传统机器人做不到的事情。在他看来，新一代机器人需要持续为客户创造过去产品难以提供的价值。

商业收入还关系到研发能否继续。

王潜认为，公司需要收入支持更大的模型和前沿探索，技术进步又可以促进商业化。过早商业化可能有害，但他判断行业也许已经跨过那个阶段，开始进入研发与应用相互促进的时期。

许华哲区分了两类商业化。

第一类是在特定品牌、工厂或门店里，通过后训练把任务完整做下来。他以关东煮小吃摊作假设，关注部署所需时间、可复制的门店数量，以及效率和投入产出。

第二类是基础模型面对广泛任务的能力提升，他认可前一种方式能带来近期现金流，但更期待后一种通用能力达到可用水平。

许华哲用50%成功率作了一个类比：语言模型回答不理想，可以继续对话，机器人失败却可能损坏杯子，同样的成功概率会带来不同体验。

他仍然主张提高基础模型面对广泛任务的成功率，期待能力提升到某个阶段后，能够处理大量不同的物理任务。

沈宇军则把讨论拉回整套方案，商家需要考虑成本和系统稳定性，有的任务也许不需要完整机器人，双臂就能完成。

在他看来，设备选型和整个方案的商业逻辑，同样影响机器人能否落地。

04.

下一次突破，他们押在不同地方

在韩铮看来，中国供应链的先进程度存在被高估的部分。

供应商选择很多，但满足具身智能实际迭代需求的成熟度，与大工业制造要求仍有距离。一些传感器和关键组件能力分散在汽车、工业机器人等行业，进一步发展需要数量支撑和适配。

他相信这些问题能够解决，同时预计未来一到两年，可靠技能与上层模型的组合，会处理多个行业中相似的大类任务。

沈宇军把系统工程列为被低估的因素，把照搬数字世界训练技术的预期列为被高估的因素。

他不认同只要积累一批物理数据、沿用既有训练方式，就能得到所需具身模型的想法。

在他的判断中，具身智能可能遵循相似的发展模式，但持续接收信息、边工作边推理的要求，会推动不同的训练技术。

许华哲则把被高估的因素指向数据量。

他表示，一些使用很大体量数据训练的模型，并没有表现出超越较少数据训练模型的效果，不应因为别人宣称购买了大量数据就盲目跟进。

相比之下，他对能力进展更乐观，判断三年内可能在很多地方出现通用服务，而不只是依靠指定场景后训练的服务。

王潜把具身智能的作用延伸到了物理生产。他认为，物理直觉与逻辑推理各有作用，复杂交互和真实噪声中包含着仅靠代码、视频等难以获得的能力。

要发展通用人工智能，就需要把这部分能力注入AI系统；采用同一模型还是不同模型分层，在他看来是次一级的问题。

他还讨论了AI递归自我改进：模型可以修改代码和训练流程，但扩大算力仍需要芯片、电力与数据中心。在他的设想中，具身智能参与制造和建设之后，AI自我迭代才可能进一步覆盖这些物理环节。

王潜设想，未来五年，在具身智能和通用模型的辅助下，制造飞机或许能像今天开发APP一样简单。

他同时表达了对这一未来影响的担忧，并提出中国具身公司可以将物理数据用于更广泛的模型发展，探索自己的AI路径。

05.

写在最后

回到机器人走出Demo这件事，几位嘉宾衡量进展的标准并不相同。

韩铮强调，让可靠技能适应不同物体和环境，再与上层模型配合；沈宇军关注真实传感信息和持续交互，认为机器人需要适合自身工作方式的训练技术，落地也必须考虑整套系统的成本与稳定性。

王潜把数据、评测和持续付费联系起来，希望商业收入支持模型继续进步；许华哲则更期待基础模型面对广泛任务的能力提升，而不只是依靠后训练逐个做成特定场景。

这些选择并不互相排斥，但对“下一步进展”的要求不同。

稳定完成一类任务、持续创造客户价值，以及学会处理更多未知任务，分别承载着他们对产业突破的期待。

这场讨论的“分歧”，已经从机器人能否完成演示，深入到如何学习、怎样部署，以及凭什么获得持续投入。

-END-