从样板点到规模化：具身智能卡在哪？

21世纪经济报道记者 董静怡

2026年，具身智能已经走出实验室的玻璃房。

行业报告预测，今年全球人形机器人出货量将达到6.25万台，同比增幅接近247%，中国厂商占据绝大多数份额。

在刚刚结束的外滩大会上，机器人不再只用来跳舞表演，药房里的分拣机器人穿梭在80厘米窄货架间完成夜间分拣；在工厂产线上，机械臂承接小件上料、纸箱拆垛；在医院场景中，康复机器人日复一日辅助病患肢体训练。资本、政策、供应链集体向这个赛道倾斜。

但热闹背后，行业还没有从样板点走向规模化复制。大量样机停留在展会演示，一次完美的Demo可以靠反复调试拿到，但换到另一家门店、另一套产线，成功率便断崖式下滑。

在外滩大会举行的“基座之上：具身智能的场景突围与协同进化”论坛上，多位具身智能领域的科学家、数据专家与企业CEO共同探讨了行业现状和卡点。

他们认为，行业热度之下，技术路线没有收敛，高质量物理数据供给不足，能够规模复制的产品形态和商业模式也还在探索中。

过去一年，VLA、WAM的路线之争占据了具身智能行业大量讨论篇幅。

一部分团队选择在成熟的视觉语言大模型之上做改造，把数字世界的能力迁移到机器人；另一部分押注世界动作模型，强调对物理环境的推演预测。两种方案都产出过不少惊艳的演示视频，但落地到真实多变的物理环境，两套路径都暴露出明显短板。

蚂蚁灵波首席科学家沈宇军在圆桌论坛上直言：“上半年大家一直在争论做VLA还是做WAM？站在现在这个时间点往回看的时候，感觉那时候之所以会有技术路线之争还是因为大家过于想走捷径。”

VLA、WAM本质上是把已有的VLM多模态模型、视频生成模型迁移到机器人任务上衍生出的概念名词。数字大模型接收的是对话式的输入，而物理世界机器人面对的是源源不断涌来的传感器数据流：视觉、力觉、空间位移等，且环境时刻发生变化，这是两套完全不同的信息范式。把现成数字模型拿来做二次微调，短期可以快速做出亮眼Demo，却绕不开物理世界独有的难题。

香港中文大学校长特聘助理教授薛天帆补充了另一重现实约束。语言大模型可以在统一模态下完成训练迭代，具身智能却做不到。不同机器人本体传感器配置千差万别，灵巧手、轮式底盘、人形躯体硬件差异巨大，模态很难统一。

同时，评测体系严重缺失，不像计算机视觉有大量标准化公开数据集，真机测试成本极高，很难公平横向比对各家模型真实能力。各个模块互相牵制，单一模块单点突破，很难带来整体质变。

对此，行业普遍认为，具身模型还是要从机器人需要什么能力出发，而非从已有工具出发。

沈宇军把机器人大脑拆解为三项底层工作：从传感器原始信号生成高质量Token；完成多模态信息的对齐融合；基于全部观测输出可落地执行的动作。这三件事对应的感官、神经信号传导、动作输出逻辑，是现有大语言模型没有接触过的领域。

“沿着借用数字模型那条路走有短期价值，但走到最后，有一些门槛一定要跨过。”沈宇军说。

刷榜、跑分、演示之外，行业还需要一套面向真实物理世界的评判标尺。

沈宇军提出一个设想：“把机器人带上模型，在这个会场通上电，跟所有的人接触，要能待满一整天不出问题。”

这个标准看似简单，背后却是对泛化性、安全性和长程任务能力的综合考验。“如果这件事情做不到，它只能是在某一个特定场景或封闭场景待着的话，谈通用还太远。”沈宇军表示。

“具身智能缺数据”是整个行业最高频的共识。但行业普遍认为，当下高质量的数据更为重要。

蚂蚁灵波首席数据科学家黄用韬将数据质量拆解为两个层面。第一层是工程底线：视频是否掉帧、画面是否失真、多传感器时钟是否同步。这是硬门槛。

第二层则和训练目标强绑定，不存在放之四海皆准的“黄金数据集”。做轨迹平滑度训练，需要轨迹收敛统一的样本；做泛化训练，则需要物体位置、形态高度发散、多样化的样本。

这也回应了行业一个普遍担忧：如果行业都采购同一套公开数据集，会不会造成各家模型能力趋同？业内普遍判断风险有限。

一方面，企业不会只采购单一来源数据；另一方面，原始数据只是原材料，每家企业的筛选策略、预处理、训练配比千差万别。如今产业趋势也从采购成品数据集，转向定制化采集，进一步扩大各家的差异。

当前，供给端已经在加速。中国信息通信研究院的报告显示，截至2026年6月底，全国建成启用超过70家具身智能训练场，在建或规划中的还有46家。但报告同时指出，训练场面临“场景任务同质化、数据实际产能有限、数据多样性和流通性不足”等共性挑战。

黄用韬表示，绝大部分机器人仍用于科研、数采或商业表演，真正进入工业化生产或服务行业的极少。机器人在真实场景中的数量太少，数据飞轮的“回流”环节几乎是空的——采集、训练、部署、反馈的闭环，目前只完成了前半段，数据飞轮至今没有真正转起来。

那到底什么信号，才代表具身智能的数据飞轮真正转起来？黄用韬判断，是当行业不再疯狂做加法，开始学会做减法的时候。

今天行业还处在“生怕漏掉任何一条数据”的阶段，飞轮成熟的标志，是大家能够清晰分辨哪些样本是无效、冗余、低价值的，敢于大规模删除无效数据，把算力留给真正能推动模型进步的样本，从追求数据数量转向追求数据利用效率。

只谈数据量，不谈分布、质量、使用效率，会持续把行业带入误区。沈宇军也认为，未来两到五年，数据总量大概率不会再成为核心矛盾，真正的难点转向样本筛选、定向补采。

具身智能是闭门修炼内功，还是直接下场干活？蚂蚁灵波CEO朱兴的回答是：“哪怕当童工，也该干活了。”

朱兴认为，模型的泛化能力、数据的积累、安全机制，都还在童年阶段。但正因为是童年，才需要真实场景来学习。

不过，落地不等于能直接奔赴全场景。最大的阻碍之一，是复制成本居高不下。同一个机器人方案，跑通第一家药房、第一个工厂工位，再复制到第二家，环境SKU、布局发生变化，往往要投入高额二次适配成本。泛化不足，直接限制商业化复制，账算不过来。

行业形成共识，通用人形机器人直接杀入家庭的叙事过于乐观。更现实的路径是优先选择环境相对可控、任务长度有限的垂直场景——如工业物流、药房分拣、康养辅助——先把局部场景打透，一边产生商业价值，一边积累真实数据，再逐步向外拓展能力边界。

产业一线已经出现小批量落地的样本。乐聚机器人联合创始人兼CEO常琳介绍，家庭消费级通用机器人距离大规模普及尚需时日，但工业场景已经出现客户愿意付费采购的项目。汽车零部件小件上料、工厂纸箱拆码垛，机器人承接重复性岗位，缓解工厂招工难的问题。

傅利叶创始人兼CEO顾捷回顾，早在“具身智能”这个名词火爆之前，康复机器人就已经批量走进医院，辅助中风、帕金森患者做肢体康复训练。客户并不关心背后是传统编程还是大模型驱动，只看疗效、安全性以及商业账能不能算过来。To B封闭可控场景，依旧是未来三五年产业的主战场。完全非结构化的家庭全场景通用机器人，还有很长的路要走。

无论To B还是To C，单凭任何一家企业，很难把全链条全部吃下。整场论坛反复提及“协同进化”，具身智能是典型的复杂系统工程，包含场景方、模型厂商、本体硬件、芯片、零部件、数据服务商，链条极长，过去行业出现过“全栈通吃”的思潮，但经过两年实践，越来越多企业选择回归自己的生态位。

朱兴表示，蚂蚁灵波定位聚焦机器人大脑，不会试图去做本体大规模量产、全流程场景定制。“我们何德何能比专业的数据商做好大规模场景进入，何德何能做本体大规模的量产并且控制好供应链的成本，这些不是我们擅长的。各家做好自己擅长的部分，互相配合。”

大晓机器人董事长、商汤联合创始人王晓刚表示，模型与数据密不可分，数据来源于真实业务场景；本体硬件需要适配模型；场景方输出真实业务需求。四者必须形成闭环，研发迭代效率才能真正提高。

具身智能的规模化，不是所有公司选择同一种模式，而是让各自擅长的能力真正连接起来，在真实场景中创造真实价值。