外滩大会嘉宾讨论具身智能三大落地门槛

具身智能持续升温，但真实数据与仿真数据如何取舍、通用大模型是否会替代具身模型，以及机器人何时能从Demo走向持续商业化，仍是行业核心问题。2026 Inclusion·外滩大会《物理智能——分歧与抉择》圆桌上，苏度科技韩铮、蚂蚁灵波科技沈宇军、自变量机器人王潜和破壳机器人许华哲展开讨论。

与语言大模型不同，具身智能的竞争不会只围绕单一模型能力展开，而是数据、模型、硬件、系统和应用场景的综合较量。

在数据问题上，韩铮认为真实采集效率和稳定性有限，仿真结合大规模强化学习有助于提升机器人在不同物体、环境中的泛化能力，但真实数据与仿真并非二选一。沈宇军指出，摄像头、触觉和力觉传感器带来的噪声、误差及个体差异，正是物理世界的重要特征，行业还需探索将真实经验规模化导入仿真，即从“Real to Sim”。触觉信号的频率、幅值和一致性很难完整复刻，因此关键不只是数据小时数。许华哲也表示，“一百万小时”或“几百万小时”不等于高质量训练数据，数据分布和训练方法同样重要。

针对通用模型是否会“降维打击”具身模型，王潜认为智能本质上存在于数据中，模型更像训练时的蒸馏器和部署时的容器。即使通用模型能力更强，也仍需面对机器人数据、现实评测、硬件、仿真和部署等基础设施。许华哲测试GPT-6 Astra后发现，其语义理解和三维空间能力较强，可识别物体、抓取筷子并完成一定递送，但在叠衣服等复杂接触任务上仍有不足。未来更可能由上层模型负责语义、推理和规划，下层具身模型负责实时感知与连续控制；沈宇军认为，这也可能催生不同于聊天模型的物理世界训练范式。

商业化则要求机器人在真实场景中稳定创造价值。韩铮强调，工业任务往往需要接近100%的首次成功率，并具备跨物体、跨环境泛化能力；沈宇军认为客户购买的是包含硬件、传感器、模型、系统维护和部署方案的整体解决方案，最终还要满足成本与ROI。王潜的标准更直接：客户必须愿意持续付费，并获得优于人工或传统自动化的价值，收入再反哺研发形成循环。

许华哲认为，基础模型应在未知任务上持续提升成功率，从50%、60%、70%逐步接近工业要求的99.99%。他判断通用具身服务可能三年内在许多场景出现；沈宇军期待全新技术诞生，王潜则认为只有AI具备改造物理世界的能力，智能化才会完成生产体系闭环。大会以“共创AI新经济”为主题，设置1场主论坛、40余场见解论坛，汇聚600余位嘉宾。