具身智能落地三问：告别单次演示，走向低成本规模复制

具身智能正处在期待与焦灼并存的交汇点。一方面，资本与产业热度居高不下；另一方面，技术路线尚未收敛，有效数据极度匮乏，规模化商业落地依然困难。

在外滩大会具身智能论坛上，多位科学家与产业负责人围绕通用大脑、数据飞轮与落地路径展开交锋。现场讨论传递出明确信号：衡量行业成熟度的标尺，正从“单次概念演示”转向“持续稳定的低成本复刻”。

一问模型：终点不是漂亮Demo，而是更低部署成本

机器人究竟需要怎样的通用大脑？

蚂蚁灵波首席科学家沈宇军认为，行业不必过早陷入具体架构之争，而应回归物理世界的第一性原理。不同于纯文本或视频生成等数字世界模型，机器人在运动过程中面临视觉、触觉等连续传感器信号的涌入。通用大脑的核心在于三点：提取有效物理表征、对齐多模态信号、生成可精准执行的动作动作。

同时，模型的评价尺度也在改变。香港中文大学助理教授薛天帆与上海交通大学副教授李永露指出，单个炫技式的机器人演示已难传递有效研发信息。

评估模型进步的真实标准有两个：一是下游部署成本是否随模型升级持续下降；二是机器人能否在开放环境中与人稳定共处一整天。比单次任务成功更重要的，是应对动态环境的长期稳定性和安全性。

二问数据：从堆砌规模转向“做减法”的精准闭环

业内长期受困于“机器人数据短缺”，但深层症结在于缺乏能驱动模型进化的有效数据。

蚂蚁灵波首席数据科学家黄用韬指出，大量机器人仍停留在科研实验或静态展示阶段，真实工况中的失败案例没有沉淀下来。当基础工程问题解决后，“好数据”必须由特定训练目标定义。数据飞轮真正转动的标志，是具备“做减法”的能力——精准识别模型缺陷，定向采集与筛选高价值数据。

光轮智能副总裁张建伟与觅蜂科技副总裁李茂青均强调了闭环与分级的重要性：通过仿真评测预先发现问题，针对短板补采优化，再经由实机部署把新失败案例回流训练。具身智能的数据竞争，已从单纯比拼数据体量，转向比拼问题转化与针对性迭代的速度。

三问生态：真正的瓶颈是把“1”复制成“多”

机器人的能力迭代必须在实战中完成，但场景选择面临分化。

乐聚机器人联合创始人常琳指出，工业上下料、纸箱拆垛等简单搬运任务，已在车间帮助解决招工难问题；傅利叶创始人顾捷则表示，康复医疗更看重安全、疗效和投入产出比；面向家庭等开放场景，地瓜机器人CEO王丛与青心意创始人牛腾昦认为，全能机器人进家庭仍需时日，当下更务实的方向是从情感陪伴或覆盖多个操作的“小基模”单点突破。

蚂蚁灵波CEO朱兴直言，行业当前真正的难点是跨场景复制。机器人在单家门店表现良好，但当货架、光照、商品细节发生变动时，若每次都要大量重新适配，商业规模化就无从谈起。

商汤联合创始人王晓刚提出了清晰的商业化衡量准则：只有单个场景部署达数千台、客户实现盈亏平衡，商业闭环才算成立。这一过程无法由单一企业独立包办，模型公司提供基座与开发工具，本体、传感器与场景方持续提供实际问题和反馈，形成协同生态。

在大会现场，搭载通用大脑的机器人在仅80厘米宽的智慧药房货架间完成药品识别与拣选，并复用到物流分拣与工业装配场景中。这些尝试证明，具身智能的角逐焦点已经清晰转移：谁能率先告别孤立的Demo，将单次成功转化为可持续、可低成本复制的产业生产力，谁才能真正赢得未来。