外滩大会聚焦具身智能：数据量与机器人智能的深度探讨

徽声在线记者 | 徐美慧
徽声在线编辑 | 文姝琪

“具身智能行业如今热闹非凡，有人在忙着售卖数据，有人在专注硬件研发，还有人在潜心训练模型……形形色色的人都在这个领域大展身手。”

在今年外滩大会期间，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在接受徽声在线等媒体采访时指出，若要探寻具身智能的核心本质，“归根结底还是泛化二字”。

与去年相比，今年外滩大会现场，机器人的应用场景愈发丰富多样。9月9日至12日，2026 Inclusion·外滩大会在上海盛大举行。这场占地1.5万平方米的主题科技展吸引了300余家企业踊跃参展，其中40多家具身智能厂商更是集中亮相，成为展会的一大亮点。

在科技展区里，机器人大显身手，集中展示了取药、工业装配、洗衣折叠等一系列复杂任务。更令人惊喜的是，一些应用已经成功从展台走向真实经营场景，开始在实际工作中发挥作用。

探秘2026 Inclusion·外滩大会：机器人不仅能翩翩起舞，还能承担如此多的工作？

然而，我们也要清醒地认识到，机器人能在特定展台顺利完成一项任务，与能否在不同场景中运用同一套模型高效工作，这是截然不同的两件事。许华哲预计，今年将会批量出现真正意义上的泛化现象，即同一个模型能够在不同地方完成一系列任务。“在过去三年里，这样的场景从未出现过。”他强调道。

但要实现这一目标，行业目前尚未找到统一答案。例如，究竟需要多少数据才能满足需求？仿真数据和真机数据各自能解决哪些问题？以及那些已经能够完成Demo展示的机器人，距离实现长期稳定工作还有多远的路要走？这些问题都亟待解决。

数据量越大，机器人就越聪明吗？

数据之所以成为行业关注的焦点，与今年机器人本体的迅速放量密切相关。

Smart Analytics Global（SAG）的最新数据显示，今年上半年全球人形机器人出货量约1.91万台，同比增长高达272%，而去年同期仅为5100台。其中，中国厂商的占比超过97%，工业和商业应用在出货量中的比例已经超过70%。这一数据充分展示了中国在人形机器人领域的强劲发展势头。

然而，SAG也同时指出，机器人硬件的放量速度已经远远超过了技术成熟度。真实世界数据、模型能力、可靠性、操作精度、安全以及成本等问题，仍在限制着机器人更大规模的部署和应用。

随着机器人销量的不断攀升，对数据的需求也日益增长。过去一年里，几十万小时、百万小时的数据量开始频繁出现在具身智能公司的数据集和模型发布中。这无疑对数据收集和处理能力提出了更高的要求。

许华哲认为，这正是目前被高估的部分。他在接受徽声在线等媒体采访时表示，虽然百万小时数据比十万小时多一个数量级，很容易进行比较，但目前并没有确凿的证据表明数据量越大，模型效果就一定越好。这意味着，单纯追求数据量的增加，并不一定能带来模型性能的显著提升。

按照当前市场价格计算，一小时的数据采集成本可能要数百元，那么一百万小时的数据投入可能高达数亿元。如果这些数据最终不能有效用于模型训练，那么代价将十分巨大。因此，在数据采集和处理方面，需要更加谨慎和科学。

许华哲并不反对扩大数据规模，但他强调不能先盲目追求数据量，再考虑数据是否有用。他认为应该采取“边扩边找，边找边扩”的策略，即先确认什么样的数据对模型训练有效，再根据需求继续扩大数据规模。这样才能确保数据投入的效益最大化。

许华哲。图片来源：外滩大会官方

对此，苏度科技联合创始人、CEO韩铮也有自己的判断。他认为具身智能需要的是结构化、多样和高质量的数据。同时，仿真数据与真机数据也并非二选一的关系，而是可以相互补充、共同发挥作用。

不同任务对数据的需求也不尽相同。韩铮举例称，部分抓取技能可以主要依靠仿真训练，然后再迁移到真机上进行实践。但到了电池组装这类有明确工序和规则的任务，或者折叠布料等柔性物体操作时，仍然需要真实世界中的演示来提供指引。因为这些任务对操作的精度和灵活性要求极高，仿真数据往往难以完全满足需求。

蚂蚁灵波科技首席科学家沈宇军在9月10日主论坛圆桌上提出了另一个值得思考的问题。他指出，行业过去更多地谈论如何将仿真训练结果迁移到现实世界（Sim-to-Real），但真正困难的可能是如何将现实世界中的数据和经验规模化地搬进仿真系统（Real-to-Sim）。这意味着，我们需要建立更加完善的仿真系统，以更好地模拟现实世界中的复杂环境和任务。

他以触觉为例进行说明，真实传感器在频率、幅值和一致性上的变化非常复杂，并不容易完整复刻到仿真系统中。这给仿真训练带来了一定的挑战，也提醒我们在数据采集和处理方面需要更加精细和全面。

然而，真实数据也并非采回来就能直接使用。香港大学计算与数据科学学院副院长罗平在接受媒体采访时提到，他们曾尝试直接采集真实药剂师工作的数据，虽然任务足够真实，但人工作业时的运动并不以数据采集为目标，导致采回来的数据质量差到离谱。这再次强调了数据质量的重要性，以及数据采集和处理过程中的挑战。

极佳视界联合创始人兼首席科学家朱政也表示，此前与地方合作的一些数采项目中，由于采集过程缺乏模型公司的直接控制，大约90%的数据被浪费。这进一步凸显了数据采集和管理的重要性，以及建立科学、高效的数据采集体系的必要性。

由于真机数据难采，而仿真又无法完全覆盖现实中的所有细节，世界模型因此成为另一条被频繁讨论的技术路线。一个直接的问题是：机器人能不能在动手之前先预测动作的后果？这样可以在实际操作前进行模拟和优化，提高操作的准确性和安全性。

在外滩大会世界模型论坛上，忆生科技联合创始人兼CTO、香港大学计算与数据科学学院助理教授杨言超把世界模型需要具备的能力概括为三个方面：一是理解和预测未来，即能够根据当前状态预测未来可能发生的情况；二是从数据中提取结构并形成记忆，以便在后续任务中能够快速调用和参考；三是依靠记忆持续学习，不断提升自身的性能和适应性。

他认为，当现实试错成本高昂、训练数据难以获得时，让模型先预测动作后果更有价值。这可以避免不必要的损失和风险，提高训练效率。但如果任务简单、试错成本很低，并不一定每次都需要调用世界模型。这需要根据具体情况进行灵活选择和应用。

图片来源：外滩大会官方

而在世界模型之外，通用大模型也开始展现出控制机器人的潜力。9月3日，OpenAI发布了GPT-6 Astra，并开始向部分机构开放。随后，社交媒体上出现了Astra直接控制机械臂完成任务的视频，引发了广泛关注和讨论。这无疑为机器人控制领域带来了新的可能性和挑战。

如果通用大模型已经能够控制机器人，那么具身智能公司会不会遭遇“降维打击”？这是一个值得深思的问题。

许华哲的团队也在Astra开放后进行了测试。他的评价是，Astra在语义和空间能力上已经很强，能够识别桌面物体、抓起筷子，甚至将筷子插进杯子。但一旦进入叠衣服、复杂接触等任务时，表现明显下降。“这也是具身机器人公司一个最后的阵地，就是怎么样理解这个物理变化。”他强调道。这意味着，具身智能公司在处理复杂物理交互方面仍然具有独特的优势。

按照许华哲的判断，这两类模型未来更可能配合使用，而不是由一方直接取代另一方。通用大模型可以处理语义理解、推理和任务拆解等高级认知功能，而具身模型则继续解决连续控制和复杂物理交互等底层操作问题。然后再把两部分接成一套完整系统，实现更加高效和智能的机器人控制。

从Demo展示到实际付费应用，差的不是一个更大的模型

当机器人从展台演示走向真实产线时，它们面临的要求比展台演示严格得多。这要求机器人不仅具备高度的灵活性和适应性，还要能够满足工业生产的严格标准和要求。

韩铮在主论坛上提到，对于大量工业任务而言，商业化的前提首先是高成功率。少数任务可以接受80%左右的成功率，或者允许机器人进行二次纠错。但更多任务要求第一次执行就接近100%的成功率，同时又不能每进入一个新工位就重新采集大量数据、把模型重新“过拟合”一遍。这对机器人的性能和稳定性提出了极高的要求。

然而，算法并不是唯一需要考虑的因素。机器人一旦真正进入产线，很快还会碰到元器件和整机一致性的问题。这是影响机器人长期稳定运行和性能表现的重要因素之一。

韩铮在接受徽声在线等媒体采访时表示，当前具身智能使用的一些基础元器件还没有经过上万小时连续运行的充分检验。即便两台机器人使用相同的硬件，末端仍可能出现细微偏差，算法也需要适配这些差异。这要求我们在硬件选型和算法设计方面都要更加谨慎和精细。

韩铮。图片来源：外滩大会官方

换句话说，对工业客户而言，模型在实验室里证明“能做”只是第一步。元器件一致性、长期运行可靠性以及后续服务都要经受产线的严格检验。只有全面满足这些要求，机器人才能在工业领域得到广泛应用和认可。

沈宇军也提醒道，行业讨论中常常把机器人能否落地归结为模型能力。但客户实际算的是整套系统的账，包括硬件成本、传感器稳定性、部署维护成本等多个方面。模型只是其中一环，不能忽视其他因素对机器人落地的影响。

他认为，具身智能首先是一套复杂的系统工程。客户最终考虑的是究竟需要完整人形机器人还是一套双臂等具体配置方案，以及硬件成本是多少、传感器是否稳定可靠、部署维护成本能否接受等问题。只有全面考虑这些因素，才能为客户提供更加符合需求的解决方案。

自变量机器人公司创始人兼首席执行官王潜在主论坛圆桌上表示，“客户能够可持续地付钱，并且这个付钱越来越多”，才是最终的判断标准。这意味着，机器人不仅要具备高度的性能和稳定性，还要能够为客户创造实际的价值和效益，才能赢得客户的信任和持续支持。

在他看来，这一代机器人不能只是用新的技术重新做一遍传统自动化设备，而要解决过去自动化设备难以解决的任务，并且在真实场景中跑出可以接受的ROI（投资回报率）。这要求机器人在设计、研发和应用方面都要更加注重实际需求和效益分析。

而对于想做通用机器人的公司而言，成功率这道门槛会更高。因为通用机器人需要具备更加广泛的适应性和灵活性，能够应对各种复杂环境和任务。

许华哲举例称，一个语言模型以50%的成功率回答问题，用户还可以继续追问以获取更准确的信息。但机器人如果只有50%的成功率，就意味着它有相当高的概率把杯子摔碎等严重后果。固定场景可以通过后训练不断提高成功率，但真正困难的是，一个面对大量未知任务的模型，能不能把成功率从50%、60%、70%继续往上推，直到达到实际使用所需要的水平。这需要我们在模型训练和优化方面不断探索和创新。

在他看来，针对固定场景做后训练可以较快形成收入，但这一代具身智能真正想解决的问题是基础模型本身能否逐渐拥有通用能力。这要求我们在模型设计和训练方面更加注重通用性和可扩展性，以便能够应对各种复杂环境和任务。

与此同时，宇树上市后的股价波动也让市场重新讨论机器人公司的估值问题。8月19日，宇树上市首日股价一度冲至1100元，市值达到4449亿元。然而此后股价大跌并持续回落，截至9月10日已跌破500元，较上市首日高点回撤约55%，市值缩水超过2400亿元。这一剧烈波动引发了市场对机器人公司估值的重新思考和评估。

谈到宇树上市后的市场表现时，韩铮没有直接评价其股价高低，而是把问题落到了市场对机器人公司的预期上。他向徽声在线等媒体表示，“第一家上市的公司毕竟承载了大家对整个行业所有的希望”，但各家公司擅长的领域不同，一些公司更擅长运动和本体控制，一些公司则更多聚焦物体操作等具体任务。因此，我们不能将整个行业的期待都集中到第一家上市公司身上。

韩铮认为，公众容易把整个行业对机器人的期待集中到第一家上市公司身上，因此早期难免出现一定的“心理预差”。但随着市场对各家公司擅长的领域以及市场判断有更多的了解，他认为市场还是会回归到一个合理的区间和价格。这需要我们在市场推广和投资者教育方面做出更多努力。

而比一家公司的股价更直接的问题是，眼下的具身智能行业究竟有没有泡沫？这是一个备受关注的问题。

“机会多的地方，泡沫一定大。”许华哲表示，大量资金和人才进入具身智能行业后，市场预期往往会跑在行业实际能力前面。两者之间的差距就是现在所说的泡沫。这是新兴行业发展过程中不可避免的现象。

不过他认为，资金进入行业后还需要经过研发和技术迭代逐步消化。“并不是投进去立刻变钱了”。因此，他并不否认目前存在泡沫，但判断未来两三年行业能力仍有机会继续追赶市场预期。这意味着，具身智能行业仍然具有巨大的发展潜力和投资机会。