文｜Joanne
编辑｜徐青阳
2026 年9月10日，在 2026Inclusion外滩大会圆桌论坛《物理智能——分歧与抉择》上，苏度科技联合创始人、CEO韩铮，蚂蚁灵波科技首席科学家沈宇军，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，以及自变量机器人创始人、CEO王潜，围绕数据、智能和场景三条主线展开讨论。
仿真数据与真实数据应当如何分工？通用大模型进入机器人控制，是否会对具身公司形成“降维打击”？机器人演示、融资和订单不断出现之后，行业究竟距离大规模商业化还有多远？这些问题表面上分别属于数据路线、模型路线和场景路线之争，背后指向的却是同一个问题：具身智能何时才能从被技术叙事和资本热度推动的早期阶段，真正进入由产业需求、生产效率和持续收入验证的阶段。
在讨论中，四位嘉宾回应了两个当下最受关注的问题。第一个是，什么才是具身行业跨过泡沫、进入产业阶段的核心判定指标；第二个是，当前行业究竟高估了什么，又低估了什么。
对于第一个问题，四位嘉宾的共识较为明确：Demo的视觉效果、数据量的宣传口径和单一模型能力，都不足以证明产业化。具身智能真正的分水岭，在于底层技能能否在高成功率下稳定泛化，系统能否以可复制的成本完成部署、运维和扩张，以及客户是否愿意将机器人从试点项目和展示性预算，转化为持续的生产性支出。
换言之，行业需要证明的已经不再是“机器人能不能完成一次任务”，而是“机器人能否在真实世界中反复完成任务、低成本复制到更多场景，并持续为客户创造超过人工或既有自动化方案的价值”。
对于第二个问题，嘉宾们的判断则呈现出一种鲜明反差：市场可能高估了供应链现成可用的程度，也高估了训练技巧、参数规模和数据体量本身的决定性作用；但同时，市场低估了具身智能进入物质世界、解除 AI 发展中实体生产约束的重要性，也低估了可靠底层技能在一类相似任务中快速扩散的可能。
01跨过泡沫、进入产业阶段的核心判定指标
王潜认为，最终商业指标是，客户能持续付钱，而且付费规模持续增长。 这一表述把产业化从“是否有订单”推进到“是否能形成复购和扩张”。他同时强调，具身机器人要证明本代技术相较上一代自动化和机器人真正增加了什么价值；若只是沿用旧式自动化的收费和交付模式，即便能持续，也可能面临清晰的业务天花板。
这里隐含两层检验。第一，客户支付的应是对新增生产力的支付，而不是创新试点、政府补贴或品牌展示预算。第二，供应商应从收入中获得持续研发能力，形成“商业化—模型迭代—更强能力—更多商业化”的正向循环。王潜认为，行业可能正在从“过早商业化反而有害”的阶段，进入商业收入与前沿推进能够相互促进的阶段。
韩铮则提出，科研演示与商用机器人之间的核心差异，与传统工业机器人和自动化并无本质不同：绝大多数任务的前提是高成功率。 对少量可容忍二次纠正的任务，80% 成功率可能有现实意义。但在多数真实任务中，首次执行及快速纠错后都应接近100%。
但“高成功率”本身仍不够。若每进入一个新场景都要大量后训练、重新采集数据或进行过拟合，系统本质上仍是高成本定制工程。产业化所要求的是：在对象、环境和任务配置发生变化时，底层技能依旧稳定；而这种泛化不能以不可承受的训练、部署与服务成本换取。
许华哲则把短期商业化分为一类“后训练闭环”路径：为具体品牌、工厂或门店解决一个稳定流程。其指标不复杂，关键是稳定上线需要多少小时，以及这一能力能复制到多少地点。这与传统机器人部署逻辑相近，本质上仍要算部署效率和 ROI。
沈宇军补充了更容易被忽略的一层：落地不是单一模型性能问题，而是一个复杂系统工程。技术能力、商业逻辑、现场流程、传感器、硬件、可靠性和运营成本要共同成立。因而，衡量产业化时，不能将客户价值、交付难度和现场可用性全部归因于模型分数。
02 当下被高估与被低估的未来判断
被高估之一：供应链“选择多”不等于可支撑快速迭代
韩铮认为，中国供应链的先进程度可能被外界高估。供给端的确有较多选择，且部分传感器和关键部件分布在汽车、工业机器人等成熟行业。但这些能力尚未自然转化为适配具身机器人迭代、规模化制造和可靠运维的成熟供应体系。其判断并非否定中国供应链的解决能力，而是反对把“产业链存在”误判为“已满足具身规模化需求”。
被高估之二：训练技巧、参数规模和数据体量
沈宇军认为，市场容易假设，只要积累一批物理世界数据，并复刻数字世界的训练路线，就能训练出具身模型。许华哲则质疑“谁有几百万小时数据、谁买得更多数据就领先”的叙事。两者共同指向一个结论：参数、训练技巧和原始数据量并不是可脱离场景、传感和验证体系而独立奏效的魔法变量。
对于具身问题，数据的有效性取决于它是否含有真实接触、物理变化、传感器不一致性等关键因素，是否有可信的成功判定，以及是否能持续改善现场 performance。仅扩大数据仓库，不必然缩小真实部署中的失败分布。
被低估之一：具身是 AGI 进入物质世界的必要环节
王潜把具身的重要性放在 AGI 的更长链条中理解。语言模型可以优化训练流程和数字化工作，但无法自行建造数据中心、制造芯片、调试半导体工厂或扩张电力与算力基础设施。若 AI 要形成更完整的自我改进，物质生产与建设仍需被自动化。具身智能正是将数字智能延伸到这些物理能力的接口。
这一判断强调的是，具身的价值不应只按“能否完成一个家务或单站点工序”计量，也应按其是否开始解除 AI 规模化所受的物理生产约束计量。
被低估之二：可靠技能的任务簇扩散，以及模型进步速度
韩铮与许华哲都对中期能力进展相对乐观。韩铮预期，在未来 1—2 年，行业中形态高度相似的一大类任务，可能借由稳定可靠的技能和上层模型组合而快速被处理；许华哲则预期，三年内具身模型可在多个场所开始提供不依赖逐点后训练的通用服务。
也就是说，他们都认为，先将任务划分为物体、接触模式、环境约束和流程相近的“任务簇”，在簇内获得高成功率和低部署成本，然后再逐步扩大覆盖半径。相较于等待一个一次性解决全部任务的通用模型，这可能是更早出现产业规模信号的路径。
