外滩大会聚焦具身智能：数据、模型与商业化之路的探讨

徽声在线记者 | 徐美慧
徽声在线编辑 | 文姝琪

“在具身智能领域，有人专注于数据售卖，有人投身于硬件研发，还有人致力于模型训练……这个行业汇聚了形形色色的人。”

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，关键在于“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。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多家具身智能厂商集中亮相，成为展会的一大亮点。

在科技展区，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。而且，部分应用已经从展台迈向了真实的经营场景，展现出强大的实用性和发展潜力。

逛展2026 Inclusion·外滩大会：机器人能力大升级，远不止会跳舞

然而，能在特定展台顺利完成一项任务，与在不同场景中运用同一套模型执行任务，有着本质的区别。许华哲预计，今年将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点完成一系列任务。“在过去三年里，这种情况从未出现过。”他强调道。

但要实现这一目标，行业目前尚未达成统一共识。例如，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？已经能够完成演示的机器人，距离长期稳定工作还有多远的距离？这些问题都亟待解决。

数据越多，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%。在应用领域方面，工业和商业应用占出货量的比例已经超过70%，显示出机器人在这些领域的广阔市场前景。

但SAG同时指出，机器人硬件的放量速度已经超过了技术成熟度。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。

随着机器人销量的增加，对数据的需求也日益增长。过去一年，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。

许华哲认为，这恰恰是目前被高估的部分。他在接受采访时表示，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，但目前并没有证据表明数据量越大，模型效果就一定越好。

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，那么代价将是巨大的。

许华哲并不反对扩大数据规模，但他反对先盲目追求数据数量，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，先确认哪些数据是有效的，然后再继续扩大数据规模。

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、多样且高质量的数据，仿真数据与真机数据并非只能二选一。

不同任务对数据的需求也不尽相同。韩铮举例说，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应用。但对于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，仍然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世界（Sim-to-Real），但实际上，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，并不容易完整地复刻到仿真系统中，这给模型的训练和应用带来了一定的挑战。

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，但由于人工作业时的运动并非以数据采集为目标，导致采集回来的数据质量差到离谱。

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，无法有效利用。

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，从而避免不必要的错误和损失。

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，二是从数据中提取结构并形成记忆，三是依靠记忆持续学习。

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，那么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

通用大模型与具身智能：竞争还是合作？

在世界模型之外，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，引发了广泛关注。

这一现象引发了一个疑问：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”？

许华哲的团队在Astra开放后也进行了测试。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。

“这也是具身机器人公司的一个最后的阵地，就是如何理解物理变化。”许华哲说道。他认为，这两类模型未来更可能的是配合工作，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，然后将两部分接成一套完整系统，实现更强大的功能。

从Demo到付费：机器人面临的真实挑战

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要严格得多。

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。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，这在实际应用中是不现实的。

除了算法问题外，机器人一旦真正进入产线，还会很快碰到元器件和整机一致性的问题。韩铮在接受采访时表示，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，这对机器人的稳定性和可靠性提出了更高的要求。

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，只有全面满足客户需求，才能获得客户的认可和信赖。

沈宇军也提醒说，行业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。他强调，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，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”，才是判断机器人是否成功的最终标准。他认为，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），才能实现商业价值和社会价值的双赢。

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。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得正确答案。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。

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，从而适应各种复杂场景和任务的需求。

机器人公司估值波动：市场期待与行业现实的碰撞

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，引发了市场的广泛关注和热议。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，让投资者们大跌眼镜。

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”，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细分领域。

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，“我觉得还是会回归到一个合理的市场区间和价格”，他补充道。

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？这也是许多投资者和行业人士关注的焦点。

“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。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，实现行业的健康可持续发展。