具身智能商业化落地难题，数据、模型与场景的三重挑战

过去一年，具身智能技术备受关注，但其商业化进程仍面临诸多硬门槛。2026年9月10日，在外滩大会"物理智能——分歧与抉择"圆桌论坛上，来自苏度科技、蚂蚁灵波科技、自变量机器人和破壳机器人的多位行业专家围绕数据、模型和场景三大关键议题展开深入讨论，揭示了具身智能从实验室走向产业化的复杂路径。

数据之争：仿真与真实如何协同？

具身智能的第一个重大挑战在于数据获取。与互联网海量文本数据不同，机器人训练所需的真实世界数据采集成本高昂、标注困难且复用性差。苏度科技CEO韩铮认为，仿真技术是绕不开的一环，通过大规模强化学习让机器人获得泛化能力至关重要。然而，仿真与真实数据并非非此即彼的关系，未来更可能形成分层组合模式。

蚂蚁灵波科技首席科学家沈宇军进一步指出，机器人进入真实环境后，所有信息都依赖于机身传感器，而真实传感器存在天然的噪声和误差。这促使他提出"Real to Sim"（真实到仿真）的概念，即如何将真实世界的复杂物理特征规模化地复刻进仿真器。例如触觉传感器的真实信号在频率、幅值和一致性上存在大量变化，难以被仿真系统完整复刻。这意味着，未来真正有价值的数据竞争，将聚焦于谁能获得并组织包含"物理智能"的经验。

破壳机器人创始人许华哲也提醒，当前行业对数据量存在高估倾向。"一百万小时"或"几百万小时"的数据并不必然带来更好的模型效果，数据质量、分布和训练方式同样重要。

智能之争：通用大模型能否降维打击？

近期GPT-6 Astra在机器人控制领域的表现，引发了关于通用大模型是否会取代具身模型的广泛讨论。自变量机器人CEO王潜对此持谨慎态度，他认为"智能的本体存在于数据里"，模型更像是训练阶段的蒸馏器和部署阶段的容器。他强调，代码数据的易生成性使得Coding领域快速进步，并不意味着语言模型能自然获得编程能力。

许华哲对Astra的测试结果显示，该模型在语义理解和三维空间任务上表现出色，能够完成物体识别、筷子抓取等操作，但在叠衣服、复杂接触等"Contact-rich"任务中仍显不足。因此，更可能出现的未来是分层协作：上层通用大模型负责语义理解、推理规划，底层具身模型执行实时感知和连续控制。

沈宇军则提出，这种分层协作甚至可能反过来影响通用大模型的发展。机器人必须在行动过程中持续接收传感器输入并实时调整决策，这与传统聊天模型的"一问一答"模式截然不同。他预测，具身智能最终可能形成一套独立于数字世界的训练范式，虽然走的是相似模式，但技术路线完全不同。

场景之争：从Demo到产业的系统工程挑战

如果说数据和模型决定了技术上限，那么商业化则直接关系到行业能否穿越周期。四位嘉宾对商业化标准给出了不同看法，但最终都指向一个核心问题：机器人能否稳定、规模化地创造真实价值。

韩铮首先强调成功率和泛化性。在真实商业场景中，机器人首次执行任务就必须接近100%的成功率，同时还要适应不同物体和环境，不能每次进入新场景都需要重新训练。沈宇军则指出，商业化不应仅关注模型性能，客户购买的是整套系统，包括硬件成本、传感器可靠性、系统稳定性以及部署维护成本等。

这一共识表明，具身智能的商业化不仅需要技术突破，更是一场复杂的系统工程挑战。真正的竞争将从单一模型能力，转向数据、模型、硬件、系统和场景共同构成的完整能力体系。