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

“在具身智能这个领域，现在可谓是热闹非凡，有人在专注于数据的收集与售卖，有人在钻研硬件的研发与生产，还有人在致力于模型的训练与优化……各种角色都在其中忙碌着。”

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，当我们深入探究具身智能的核心本质，“归根到底还是泛化这两个字起着关键作用”。

与去年相比，今年外滩大会现场的机器人应用有了显著的变化，它们被更多地融入到具体场景之中。9月9日至12日，2026 Inclusion·外滩大会在上海盛大举行。这场规模宏大的科技盛会拥有1.5万平方米的主题科技展，吸引了300余家企业踊跃参展，其中多达40多家具身智能厂商集中亮相，成为展会的一大亮点。

在科技展区里，机器人的表现令人眼前一亮，它们集中展示了取药、工业装配、洗衣折叠等一系列复杂任务。而且，一些应用已经不再仅仅停留在展台展示阶段，而是开始走进真实的经营场景，为实际生产和生活提供服务。

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

然而，我们必须清醒地认识到，机器人能够在一个特定的展台顺利完成一项任务，与它能否在不同的场景中灵活运用同一套模型来执行一系列任务，这是完全不同的两码事。许华哲预计，在今年我们将会批量看到真正意义上的泛化现象，即同一个模型能够在不同的地方完成一系列多样化的任务，“在过去三年的时间里，我们从未见过这样的情况”。

但要想实现这一目标，整个行业目前还面临着诸多难题，没有统一的解决方案。比如，究竟需要多少数据才能满足模型训练的需求？仿真数据和真机数据各自能够解决哪些具体问题？以及那些已经能够完成演示（Demo）的机器人，距离能够长期稳定地工作还有多远的距离？

数据越多，机器人就越聪明吗？这是一个值得深入探讨的问题。

数据之所以成为当前具身智能领域关注的重点，与今年机器人本体的迅速放量有着密切的关系。随着机器人市场的不断扩大，对数据的需求也日益增长。

根据Smart Analytics Global（SAG）的数据显示，今年上半年全球人形机器人的出货量约为1.91万台，与去年同期相比增长了272%，去年同期仅为5100台。其中，中国厂商的占比超过了97%。在应用领域方面，工业和商业应用占据了出货量的比例已经超过70%，这表明机器人在工业和商业领域的应用前景十分广阔。

然而，SAG也同时指出，目前机器人硬件的放量速度已经远远快于技术的成熟度。真实世界数据的获取、模型能力的提升、可靠性的保障、操作精度的提高、安全性的加强以及成本的降低等问题，仍然在限制着机器人更大规模的部署和应用。

随着机器人销售量的不断增加，对数据的需求也越来越多。在过去的一年里，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。这反映出行业对数据的重视程度在不断提高，同时也对数据处理和分析能力提出了更高的要求。

许华哲认为，目前行业对数据量的过度追求恰恰是被高估的部分。他在接受徽声在线等媒体采访时表示，虽然百万小时的数据比十万小时多了一个数量级，从数字上看很容易进行比较，但目前并没有确凿的证据表明数据量越大，模型的效果就一定越好。也就是说，数据量与模型效果之间并不存在简单的线性关系。

按照当前市场的价格来计算，一小时的数据可能需要数百元，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地用于模型训练，那么这样的投入代价是非常巨大的，可能会给企业带来沉重的负担。

许华哲并不反对继续扩大数据规模，但他强调不能盲目地先追求数据量的数字，然后再考虑这些数据是否有用。他认为应该采取一种“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是有效的，然后再根据需求继续扩大数据规模。这样可以避免资源的浪费，提高数据利用的效率。

许华哲。图片来源：外滩大会官方

对于数据的问题，苏度科技联合创始人、CEO韩铮有着不同的判断。他认为具身智能需要的是结构化、多样和高质量的数据，而且仿真数据与真机数据并不是二选一的关系，两者可以相互补充，共同为模型训练提供支持。

不同任务对数据的需求也存在差异。韩铮举例称，对于部分抓取技能，可以主要依靠仿真训练，然后再将训练好的模型迁移到真机上进行应用。但对于一些具有明确工序和规则的任务，如电池组装，或者对柔性物体进行操作的任务，如折叠布料，仍然需要真实世界中的演示数据来提供指引，因为这些任务在实际操作中具有复杂性和不确定性，仿真数据难以完全覆盖。

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。在过去，行业更多地讨论的是Sim-to-Real，即如何将仿真训练的结果迁移到现实环境中。但现在，真正困难的可能变成了Real-to-Sim，也就是说，如何将现实传感器中的噪声、误差以及触觉信号差异等真实世界的特征，规模化地搬进仿真系统，使仿真系统能够更真实地模拟现实环境。

他以触觉为例进行说明，真实传感器在频率、幅值和一致性等方面会存在一定的变化，这些变化并不容易完整地复刻到仿真系统中。这就给Real-to-Sim带来了很大的挑战，需要不断探索和创新技术手段来解决这个问题。

然而，真实数据也并非采集回来就能直接使用。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，他们曾经尝试直接采集真实药剂师工作的数据，这些任务确实非常真实，能够反映药剂师的实际工作情况。但由于人工作业时的运动并不是以数据采集为目标，所以采集回来的数据质量往往很差，甚至差到离谱的程度，无法直接用于模型训练。

极佳视界联合创始人兼首席科学家朱政也表示，此前在与地方合作的一些数据采集项目中，由于采集过程缺乏模型公司的直接控制，导致大约90%的数据被浪费。这表明数据采集的质量和有效性不仅取决于数据量的大小，还与采集方法和过程的管理密切相关。

由于真机数据采集困难，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行业频繁讨论的技术路线。世界模型的核心问题在于，机器人能否在动手执行动作之前先预测动作的后果，从而提前做好应对准备，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将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的能力，即能够根据当前的信息和状态，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的能力，能够将大量的数据进行整理和分析，提取出有用的信息和模式，并形成长期的记忆；三是依靠记忆持续学习的能力，能够根据新的数据和经验不断更新和改进自己的模型，提高性能和适应性。

他认为，当现实试错成本昂贵、训练数据难以获得时，让模型先预测动作后果具有更大的价值，可以帮助机器人避免不必要的错误和损失。但如果任务比较简单、试错成本很低，并不一定每次都需要调用世界模型，可以根据实际情况进行灵活选择。

图片来源：外滩大会官方

除了世界模型之外，通用大模型也开始展现出控制机器人的能力。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，这引起了行业的广泛关注和讨论。

这也引发了一个问题：如果通用大模型已经能够控制机器人，具身智能公司会不会遭遇“降维打击”？毕竟通用大模型具有强大的语义理解和推理能力，可能会对具身智能公司的业务产生一定的冲击。

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非常强大，能够识别桌面上的物体、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，其表现明显下降。他认为这也是具身机器人公司的一个最后的阵地，即如何理解物理变化。因为这些任务涉及到对物体的物理属性的感知和操作，需要具身智能模型具备更强的物理交互能力。

按照许华哲的判断，这两类模型未来更可能是一种配合的关系，而不是由一方直接取代另一方。通用大模型可以发挥其优势，处理语义理解、推理和任务拆解等方面的工作；具身模型则继续专注于解决连续控制和复杂物理交互等问题，然后将两部分接成一套完整系统，实现优势互补，提高机器人的整体性能和智能化水平。

从Demo到付费，机器人面临的挑战远不止一个更大的模型

当机器人从展台演示走向真实产线时，它们面临的要求比在展台上要严格得多。真实产线的环境更加复杂多变，对机器人的性能和稳定性提出了更高的要求。

韩铮在主论坛上提到，对于大量工业任务来说，商业化的前提首先是高成功率。虽然少数任务可以接受80%左右的成功率，或者允许机器人进行二次纠错，但更多任务要求机器人第一次执行就接近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，因为这样会增加成本和时间，降低生产效率。

除了算法方面的问题，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。这是影响机器人稳定运行和产品质量的重要因素之一。

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。即使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。这就要求企业在选择元器件时要更加谨慎，同时要不断优化算法，提高机器人对元器件差异的适应能力。

韩铮。图片来源：外滩大会官方

换句话说，对于工业客户而言，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等方面都要经受产线的严格检验。只有在这些方面都达到要求，机器人才能真正在工业领域得到广泛应用。

沈宇军也提醒，行业在讨论中常常把机器人能否落地归结为模型能力，但实际上客户最终考虑的是整套系统的综合性能和成本。他认为，具身智能首先是一套复杂的系统工程，涉及到硬件、软件、传感器等多个方面的协同工作。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，硬件成本是多少，传感器是否稳定，部署维护成本能否接受，而模型只是其中一环，不能过分强调模型的作用而忽视其他因素。

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”，才是判断机器人是否成功的最终标准。这意味着机器人不仅要能够满足客户的基本需求，还要能够为客户创造更大的价值，提高客户的生产效率和经济效益，从而获得客户的长期认可和支持。

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，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）。只有这样，机器人才能在市场竞争中立于不败之地，实现可持续发展。

而对于想做通用机器人的公司来说，成功率这道门槛会更高。因为通用机器人需要具备更广泛的应用能力和更高的适应性，能够在不同的场景和任务中都能表现出色。

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，通过多次交互来获取准确的信息。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，造成实际的损失。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。这需要不断的技术创新和优化，提高模型的泛化能力和适应性。

在他看来，针对固定场景做后训练，可以较快形成收入，但这只是暂时的。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，能够在不同的场景和任务中都能灵活应对，这才是具身智能发展的长远目标。

与此同时，宇树上市后的股价波动，也让市场重新审视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，引起了市场的广泛关注。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。这一巨大的股价波动反映了市场对机器人公司估值的不确定性和波动性。

谈到宇树上市后的市场表现，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”，市场对它的期望往往非常高。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，在机器人的运动性能和稳定性方面具有优势；一些公司则更多聚焦物体操作，在机器人的操作精度和灵活性方面更有特色。

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”。随着市场对各家公司擅长的领域，包括市场的判断有更多的了解，投资者会逐渐更加理性地看待机器人公司的估值，市场也会回归到一个合理的区间和价格。

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。这是一个关系到行业健康发展的重要问题。

“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。这是行业发展过程中不可避免的现象，但也需要引起重视。

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，并不是投进去立刻就能变成实际的能力和效益。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。随着技术的不断进步和创新，行业有望逐渐缩小与市场预期的差距，实现健康发展。