外滩大会聚焦具身智能：数据量与机器人智能水平的关系探讨

徽声在线记者 | 徐美慧
徽声在线编辑 | 文姝琪

“（具身智能领域）有人专注于数据交易，有人热衷于硬件研发，还有人埋头于模型训练……各类参与者纷纷涌入。”

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，深入探究具身智能的核心，“归根结底还是泛化能力这两个字”。

相较于去年，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。1.5万平方米的主题科技展吸引了300余家企业参展，其中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，机器人大显身手，集中展示了取药、工业装配、洗衣折叠等复杂任务。更令人欣喜的是，一些应用已经从展台迈向了真实的经营场景，展现出巨大的商业潜力。

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

然而，能在一个特定展台完成一项任务，与能否在不同场景下运用同一套模型完成一系列任务，这完全是两码事。许华哲预计，今年我们将批量见证真正意义上的泛化能力，即同一个模型能够在不同地方执行一系列任务，“在过去三年里，这样的场景是未曾出现过的”。

但要实现这一目标，行业目前尚无统一答案：究竟需要多少数据？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，距离长期稳定工作还有多远？

数据量越大，机器人就越聪明吗？

数据之所以成为关注焦点，也与今年机器人本体的迅速放量密切相关。

据Smart Analytics Global（SAG）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%，显示出机器人市场的强劲增长势头。

但SAG同时指出，机器人硬件的放量速度已经快于技术成熟度。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的更大规模部署。

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，几十万小时、甚至百万小时的数据开始频繁出现在具身智能公司的数据集和模型发布中，成为衡量技术实力的重要指标。

然而，许华哲认为，这恰恰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，看似优势明显，但目前并未看到数据量越大，模型效果就一定越好的现象。

按照当前市场价格计算，一小时数据的采集成本可能要数百元，那么一百万小时的数据投入可能达到数亿元之巨。如果这些数据最终不能有效用于模型训练，那么代价将十分惨重。

许华哲并不反对扩大数据规模，但他强调应先追求数据的有效性，而非盲目追求数量。他认为应该采取“边扩边找，边找边扩”的策略，先确认什么样的数据对模型训练有效，再继续放量采集。

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韩铮有着不同的看法。他认为具身智能需要的是结构化、多样和高质量的数据，仿真数据与真机数据并非二选一的关系，而是可以相互补充。

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验证。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，仍需要真实世界中的演示数据来提供指引。

蚂蚁灵波科技首席科学家沈宇军在9月10日的主论坛圆桌上提出了另一个值得思考的问题。行业过去更多地讨论如何让仿真训练结果迁移到现实（Sim-to-Real），但真正困难的可能是如何将现实传感器中的噪声、误差以及触觉信号差异规模化地搬进仿真系统（Real-to-Sim）。

他以触觉为例，真实传感器在频率、幅值和一致性上的变化十分复杂，并不容易完整复刻到仿真系统中。

但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，“采回来的数据质量差到离谱”，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，大约90%的数据被浪费，无法得到有效利用。

真机数据难采，仿真又无法完全覆盖现实中的所有细节，因此世界模型成为另一条被频繁讨论的技术路线。一个直接的问题是：机器人能否在动手之前先预测动作的后果？

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理解和预测未来、从数据中提取结构并形成记忆，以及依靠记忆持续学习。

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将更有价值；但如果任务简单、试错成本很低，则并不一定每次都需要调用世界模型。

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。

如果通用大模型已经能够控制机器人，那么具身智能公司是否会遭遇“降维打击”？

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，就是如何理解物理变化。”

按照许华哲的判断，这两类模型未来更可能形成配合关系，而非由一方直接取代另一方。通用大模型可以处理语义理解、推理和任务拆解等任务，而具身模型则继续解决连续控制和复杂物理交互等问题，再将两部分接成一套完整系统。

从Demo展示到实际付费应用，差的不是一个更大的模型

当机器人真正进入真实产线时，它们面临的要求比展台演示要严格得多。

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。

但算法之外的问题同样不容忽视。机器人一旦真正进入产线，很快就会碰到元器件和整机一致性的问题。

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配置，末端仍可能出现细微偏差，算法也需要适配这些差异。

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都要经受产线的严格检验。

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的问题，但客户实际考虑的是整套系统的成本效益。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系统、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，而模型只是其中的一环。

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。

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能做的任务，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）。

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。

许华哲举例称，一个语言模型以50%的成功率回答问题时，用户还可以继续追问以获取正确答案；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会把杯子摔碎。固定场景可以通过后训练不断提高成功率，但真正困难的是如何让一个面对大量未知任务的模型把成功率从50%、60%、70%继续往上推，直到达到实际使用所需要的水平。

在他看来，针对固定场景进行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。

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元的高点，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元大关，较上市首日高点回撤约55%，市值缩水超过2400亿元。

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技术，而另一些公司则更多聚焦于物体操作等任务。

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后，“我觉得还是会回归到一个合理的市场区间和价格水平”。

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存在。

“机会多的地方泡沫一定大。”许华哲表示大量资金和人才涌入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。

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钱”。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。