機器之心報道

機器之心編輯部

當大模型幾乎能回答所有問題，那 AI 的下一站將在何方？當「數(shù)字認知」的潛力被空前釋放，我們又如何將其轉(zhuǎn)化為「物理世界」的真實生產(chǎn)力？

隨著行業(yè)的不斷發(fā)展，答案正變得越來越清晰：行動，或是智能的終極體現(xiàn)。而實現(xiàn)這一跨越的載體，便是具身智能。

如今，技術(shù)已將其推至產(chǎn)業(yè)變革的商業(yè)化臨界點。但我們?nèi)员仨毣卮鹑齻€關(guān)鍵問題：需要怎樣的顛覆性創(chuàng)新，才能賦予具身智能真正的泛化行動能力？又如何跨越從「技術(shù)可行」到「商業(yè)成功」的鴻溝，找到其不可替代的價值錨點？這場由「行動」驅(qū)動的革命，又將會把我們帶往何方？

或許這一切問題，我們都可以在這里找到答案。

9 月 11 日下午，機器之心聯(lián)合張江具身智能機器人有限公司共同出品的 2025 Inclusion?外灘大會 「具身智能：從泛化到行動，重塑產(chǎn)業(yè)未來」見解論壇在上海隆重舉辦。在這場圍繞具身智能展開的盛會上，多位來自學界和業(yè)界的代表分享了他們在具身智能行業(yè)發(fā)展的經(jīng)驗和看法。

主題演講

孫富春：訓練場為破解具身智能「數(shù)據(jù)瓶頸」提供了關(guān)鍵突破口

清華大學計算機科學與技術(shù)系教授、博士生導師；清華大學人工智能研究院智能機器人中心主任孫富春發(fā)表了主題為《具身智能訓練場與產(chǎn)業(yè)落地》的演講。

他認為，早期研究中的具身智能是指給機器一個物理身體，來實現(xiàn)與物理世界的交互，如今的具身智能實際上是一個沉浸式感知過程的構(gòu)建。

為了構(gòu)建沉浸式環(huán)境，業(yè)界早期嘗試基于視覺點云來實現(xiàn)數(shù)字孿生，但生成的環(huán)境遠遠達不到沉浸式感知，于是開始構(gòu)建物理數(shù)字系統(tǒng)，讓物理學的各種視覺、觸覺等感知過程融入其中。結(jié)果顯示，魯棒性和泛化能力大幅提升。而當下，數(shù)據(jù)問題是制約具身智能發(fā)展的核心挑戰(zhàn)，訓練場為破解這一「數(shù)據(jù)瓶頸」提供了關(guān)鍵突破口。

「現(xiàn)在全國各地都掀起了一股構(gòu)建具身智能訓練場的熱潮?！箤O富春說道。

從整體來看，訓練場具有降本增效、安全模擬、標準統(tǒng)一、并行加速、軟硬解耦、虛實一體等核心價值。但同時，也存在著分散化、重復化、低效化等「各自為戰(zhàn)」現(xiàn)象，亟需業(yè)界共同努力，制定標準來推動行業(yè)協(xié)同、有序發(fā)展。

談及具身智能未來發(fā)展，孫富春認為，具身智能是一個結(jié)合本體、數(shù)據(jù)知識和場景的具身智能體，以及學習和進化架構(gòu)四大核心要素的綜合體，彼此之間需要相互協(xié)同，既要依賴沉浸式訓練場與多模態(tài)數(shù)據(jù)采集，又要結(jié)合大模型的泛化與推理，推動具身智能的產(chǎn)業(yè)落地應(yīng)用，并通過不斷地學習與進化，最終邁向真正智能。

江磊：訓練場就是 AI 時代的新型「數(shù)據(jù)工廠」

國地共建人形機器人創(chuàng)新中心首席科學家江磊，帶來了主題為《構(gòu)建跨場景高效的「仿真 — 現(xiàn)實」數(shù)據(jù)飛輪》的演講。

他提到，這一輪人形機器人技術(shù)的發(fā)展重構(gòu)了一個新的研發(fā)范式：AI + 機器人，即開發(fā)完機器人后，直接做訓練場收集數(shù)據(jù)，完成數(shù)據(jù)收集再去做具身智能或具身大模型，之后再推向各種應(yīng)用智能體。

在這一新的范式下，訓練場扮演著重要角色，「訓練場就是 AI 時代的新型數(shù)據(jù)工廠?！?/p>

在江磊看來，當下具身智能領(lǐng)域主要有智能駕駛、機械臂、腿足式機器人以及芯片研發(fā)等四路玩家，技術(shù)路徑遠沒有收斂。而無論哪種技術(shù)路徑一定要用到大數(shù)據(jù)集，所以訓練場的重要性與意義不可忽視，需要更多人參與進來，「它不僅是一個基礎(chǔ)設(shè)施，更是關(guān)鍵技術(shù)。」

而國地共建人形機器人創(chuàng)新中心在做的事情就是聚焦數(shù)據(jù)采集與訓練場建設(shè)，聯(lián)合業(yè)界一起打造一個低代碼、可開發(fā)、可發(fā)布的具身智能領(lǐng)域的 MCP，適用于所有機器人，助力具身智能行業(yè)快速發(fā)展。

許華哲：和全球開發(fā)者摸一條名為 Scaling Law 的「胡須」

星海圖首席科學家；清華大學交叉信息研究院助理教授，博導，清華大學具身智能實驗室負責人許華哲，帶來了主題為《開啟具身智能下一站》的演講。

許華哲介紹，星海圖新發(fā)布的全身智能 VLA 模型 G0，采用 100% 的開放真實世界數(shù)據(jù)，配合「慢思考 + 快執(zhí)行」的協(xié)同，經(jīng)過 VLA 預訓練，以及少量樣本的后訓練，可實現(xiàn)端到端模型的泛化操作，在新場景中完成系列復雜任務(wù)。過程中如果遇到失誤，機器人可以自動修正動作，不再是傳統(tǒng)做法中通過控制實現(xiàn)百分之百精準度，而是基于智能能力進行自我修正。

當前，具身智能的公認路徑主要圍繞數(shù)據(jù)進行探索，星海圖走的也是「模仿學習 + 高質(zhì)量數(shù)據(jù)」路徑，并將真實數(shù)據(jù)作為主要載體。整體來看，具身智能領(lǐng)域數(shù)據(jù)主要包括真實數(shù)據(jù)、仿真數(shù)據(jù)、以及互聯(lián)網(wǎng)數(shù)據(jù)，在許華哲看來，真實數(shù)據(jù)雖然昂貴但質(zhì)量好，仿真和互聯(lián)網(wǎng)數(shù)據(jù)更便宜、更容易獲取，可永遠存在著真實到仿真、真實到互聯(lián)網(wǎng)的 Gap。不過，即使是真實數(shù)據(jù)可能也存在 Real2real 的 Gap，這會極大影響最終訓練出來的模型質(zhì)量。

為此，星海圖搭建 R1 Lite 數(shù)據(jù)采集平臺，進行開放世界的數(shù)據(jù)采集，涵蓋酒店、餐廳、廚房、辦公室等 50 個場景，并對這些數(shù)據(jù)進行標注。如今星海圖已將這一數(shù)據(jù)集開源，不久之后模型 G0 也將開源。

未來，星海圖希望與業(yè)界一起構(gòu)建具身智能生態(tài)，為全球開發(fā)者搭建一塊開放的、夯實的、高效的場地，一同去摸一條名為具身智能 Scaling Law 的「胡須」，攜手業(yè)界一起走向通用具身人工智能。

張直政：大規(guī)模機器人數(shù)據(jù)合成仿真 + Sim2Real，破解具身數(shù)據(jù)難題

銀河通用機器人聯(lián)合創(chuàng)始人、大模型負責人張直政，進行了主題為《仿真合成數(shù)據(jù)驅(qū)動具身大模型實現(xiàn)產(chǎn)業(yè)智能化》的分享。

當下，我們對具身智能的訴求不僅是行走、跳舞，最重要的是能夠干活，為此要直面一個行業(yè)重點問題：訓練數(shù)據(jù)從哪里來？

在張直政看來，目前行業(yè)已摸索出了一系列有效途徑，比如采用真機遙操作，但費時費力，且隨著硬件更新，數(shù)據(jù)復用性有限，并非通往具身智能的最佳路徑。因為具身大模型要真正實現(xiàn)跨行業(yè)、跨任務(wù)泛化，可能需要上萬億條數(shù)據(jù)，全部采用真實數(shù)據(jù)不可行，也不可持續(xù)。相較之下，仿真合成數(shù)據(jù)優(yōu)勢明顯，更可控、更可擴展。

銀河通用從創(chuàng)立到現(xiàn)在已經(jīng)摸索出一條非常高效的通往落地的技術(shù)路線，主要分為兩階段：第一階段用大規(guī)模仿真合成數(shù)據(jù)進行預訓練，可以理解為「義務(wù)教育」，為機器人提供通用知識；第二階段采集少量真實世界數(shù)據(jù)，讓機器人學習如何把大規(guī)模仿真合成學到的技能應(yīng)用到對應(yīng)場景中，以迎合不同場景、復雜任務(wù)的具體要求，相當于「職業(yè)教育」崗前培訓，進一步強化它的專業(yè)知識和專業(yè)技能。

圍繞這樣的訓練范式，銀河通用構(gòu)建了一個全棧團隊和全棧能力，確?；Ｐ头€(wěn)定性與硬件一致性。

金國強：人形機器人蘊藏著下一個萬億美元的產(chǎn)業(yè)變革機遇

NVIDIA 資深解決方案架構(gòu)師金國強，帶來了《NVIDIA Physical AI 平臺加速具身智能研發(fā)與落地》的主題分享。

蘇洋：好的靈巧手要能夠「用得上、買得到、買得起、不怕用」

靈心巧手聯(lián)合創(chuàng)始人兼首席 AI 架構(gòu)師蘇洋，帶來了《通往靈巧手的靈巧泛化之路》的主題演講。

作為一家初創(chuàng)公司，靈心巧手目前聚焦靈巧手和靈巧手相關(guān)的技術(shù)和產(chǎn)品研發(fā)，客戶涵蓋科研機構(gòu)、人形機器人制造商，以及工業(yè)領(lǐng)域公司。

在蘇洋看來，靈巧手的技術(shù)與手機應(yīng)用類似，強調(diào)多技能泛化，使其能夠在各種場景中得到廣泛應(yīng)用。而好的靈巧手關(guān)鍵在于能夠「用得上、買得到、買得起、不怕用」，只有這些條件都達到才能實現(xiàn)靈巧手的泛化，「如果大家都覺得貴，那么泛化將無從談起。」

而當前最貴的是數(shù)據(jù)，大家之所以都在做合成數(shù)據(jù)，就是因為真機數(shù)據(jù)太貴。但問題是，合成數(shù)據(jù)雖然非常有價值，可能夠遷移到真機上的勝率很低，因為存在太多物理約束，比如做靈巧手的廠商很多，可彼此的標準、電機、結(jié)構(gòu)、手在不同任務(wù)下的物理磨損等都不一樣。

因此，要想大幅降低實驗開發(fā)成本、降低合成數(shù)據(jù)使用難度，使其能夠遷移泛化，應(yīng)該加大機器人的廣泛應(yīng)用。

「這就好比當業(yè)界有 100 萬個真實的人形機器人或輕巧手運行后，故事就變了?！固K洋說道，那時，每天上傳的數(shù)據(jù)將超過 2025 年全球一整年采集的數(shù)據(jù)。

而未來，靈心巧手將繼續(xù)通過高性價比的靈巧手技術(shù)，讓具身智能產(chǎn)品進入家庭，推動行業(yè)的快速發(fā)展，也希望與更多的開發(fā)者、伙伴一起實現(xiàn)這一目標。

思辨：通往通用泛化的兩條路

思辨環(huán)節(jié)，在機器之心聯(lián)合創(chuàng)始人、主編李亞洲的主持下，上海人工智能實驗室青年科學家、具身智能中心負責人龐江淼；星海圖首席科學家；清華大學交叉信息研究院助理教授，博導，清華大學具身智能實驗室負責人許華哲，圍繞「通往通用泛化的兩條路」進行了討論。

當前具身智能的探索路線有哪些？

許華哲認為，具身智能的發(fā)展還處于早期階段，技術(shù)路線尚未收斂，各路玩家都在沿著各自路線進行探索。當前比較火的是 VLA 這一路徑，真實數(shù)據(jù) + 大模型，包括語言大模型到多模態(tài)大模型，再到多模態(tài)具身大模型，一條完全端到端的 VLA 路徑。另外還有通過做數(shù)據(jù)仿真到現(xiàn)實的遷移路徑等。

但在他看來，具身智能發(fā)展的關(guān)鍵在于數(shù)據(jù)，用什么數(shù)據(jù)、如何用好這些數(shù)據(jù)，這些都是需要深度思考的。

龐江淼也認同這一點，他認為，數(shù)據(jù)是技術(shù)路線劃分的關(guān)鍵維度，比如真機數(shù)據(jù)、仿真數(shù)據(jù)、視頻數(shù)據(jù)等。而模型側(cè)的路線要有好多種，一種是端到端，但有些人也會覺得分層是更好的方式，還涉及一些世界模型相關(guān)的路線。

而當下上海 AI Lab，目前在數(shù)據(jù)維度采用的路線是 Real2SIM2Real 的方式，模型側(cè)更關(guān)注端到端方式。

人形一定是具身智能的最終形態(tài)嗎？

龐江淼認為，當 AI 發(fā)展到一定程度的時候，本體形態(tài)是什么樣并不重要，因為數(shù)據(jù)采集方式、模型訓練方式對本體沒有那么敏感。

從終局狀態(tài)來看，人形機器人不一定是唯一載體，而當下技術(shù)還不成熟，正處于一個從專用逐漸走向通用的螺旋式發(fā)展過程。如果聚焦有限場景、有限技能，先把機器人做到局部通用的維度來看，協(xié)作臂或輪式雙臂機器人都是非常好的載體。

而在許華哲看來，大家看法不同是因為視角不同。如果從科研視角來看，人們對具身智能做的事情充滿了想象，比如人形機器人要上火星種樹、蓋房子，把火星改造得宜居，那這樣的話，人形機器人就是一個理想的形態(tài)。

而對創(chuàng)業(yè)公司來說，這種設(shè)想某種意義上是「戴著鐐銬跳舞」，因為資源有限，無法像特斯拉那樣擁有長期支持和規(guī)劃，需要在工廠和實際場景中逐步探索應(yīng)用場景。如果人形機器人只能做一兩項簡單任務(wù)，那就無法支撐高成本的生產(chǎn)，難以盈利，只有當人形機器人能夠執(zhí)行多項任務(wù)時，它的成本效益才能夠體現(xiàn)出來，未來商業(yè)模式也會更加成熟。

是否有必要做世界模型？

許華哲認為世界模型和人形機器人類似，都是建立在遠大愿景上的科學預測，當下來看其研究意義重大，但距離在具體場景的實際應(yīng)用，還需要很多時間打磨。

龐江淼也持相似看法，從學術(shù)角度來說，世界模型代表著人對未來的預測能力，能夠賦能具身智能的早期階段，但距離實際應(yīng)用還有非常長的路要走。

具身智能距離正式進入人們?nèi)粘Ｉ钸€需要多長時間？

許華哲認為，這取決于具身智能在家庭中發(fā)揮的作用，比如掃地機器人已經(jīng)進入家庭，如果還希望它能夠做飯、打掃衛(wèi)生間等，則還需要再久一點。整體來看，這是一個漸進式過程，真正意義上達到保姆級別或者管家級別，可能還需要 5 到 10 年時間。

龐江淼則認為，10 年是一個很長的時間，科技發(fā)展將會帶來非常大的進步與變化。未來 2 到 3 年內(nèi)，具身智能可能仍處于非常早期的階段，技術(shù)路線沒有完全收斂。另外，由于大家對機器人的預期往往偏高，尤其在精準度和執(zhí)行能力上，比如疊衣服要疊好、人形機器人走路不能摔跤，在未來 4 到 5 年時間里，將是一個雙方雙向修正的過程，人類降低期待值，機器人進行更高標準的技術(shù)打磨和完善。

圓桌對話：我們的下一個 “超級助手”：需求、場景與落地

在圓桌對話環(huán)節(jié)，西門子 Xcelerator 中國區(qū)總經(jīng)理（兼主持人） 秦成，開普勒人形機器人 CEO 胡德波，Robopoet 珞博智能創(chuàng)始人、首席執(zhí)行官孫兆治，小苗朗程合伙人趙沛舟，螞蟻靈波科技 CEO 朱興，圍繞《我們的下一個「超級助手」：需求、場景與落地》進行了討論。

具身智能「超級助手」應(yīng)該是什么樣子的？

今年，在大模型落地應(yīng)用的新敘事下，具身智能成為熱門話題，而在一波又一波的討論之余，也讓大家對于具身智能領(lǐng)域的「超級助手」產(chǎn)生了各種各樣的設(shè)想，它將是什么樣的？對于這一點，各位嘉賓展開了他們的想象……

在秦成看來，在工業(yè)場景里，「超級助手」是能聽懂自然語言、直接驅(qū)動機器行動的智能體。就像西門子 Industrial Copilot 智能體系統(tǒng)，它不是替代現(xiàn)有自動化，而是疊加一顆 AI 「大腦」，讓工廠更靈活、更好用。與其說是工廠的「超級助手」更像是「工業(yè)現(xiàn)場指揮家」。

胡德波認為，「超級助手」可以是工具人，也可以是生活伙伴，幫助并解決人與人之間的情感交互。例如在家庭場景中解決大家不愿意做的家務(wù)問題，在工業(yè)場景替代傳統(tǒng)協(xié)作工種。

孫兆治心中理想的「超級助手」就像電影《Her》中的薩曼莎（Samantha），可以與人類進行自然交互、平等溝通，同時又能主動幫助并預想人類需求，他認為未來的「超級助手」更注重自然交互與主動交互。

趙沛舟則認為，從投資角度的終局思維來看，「超級助手」是長遠的夢想，具有巨大的市場潛力。雖然目前更多在工廠中使用，但未來也有可能拓展到采購、財務(wù)等崗位，甚至企業(yè)除老板外，所有職位都可能由機器人代替。

而在朱興看來，「超級助手」首先要足夠聰明，具備高度的泛化能力，提供比較好的交互體驗和個性化服務(wù)，具備更好的自我學習能力；其次，它也要有足夠安全，隨著人形機器人逐步進入家庭和更多場所，安全和倫理問題需要更加關(guān)注，確保機器人以安全、可靠的方式發(fā)揮作用。

當前具身智能存在的困難與挑戰(zhàn)有哪些，又該如何做？

雖然各位嘉賓關(guān)于「超級助手」的設(shè)想都很美好，但不得不承認，當下還處于具身智能發(fā)展的早期階段，還有很多制約性的挑戰(zhàn)存在。為此，各位嘉賓也分享了當下的困難與挑戰(zhàn)，以及如何做的。

胡德波認為，當前人形機器人進入工業(yè)場景的挑戰(zhàn)主要有以下幾個方面：一是硬件本體的可靠性、精準度和一致性還不太成熟；二是由于具身智能模型和數(shù)據(jù)（發(fā)展）還未收斂，模型的泛化性和部署便捷性方面還存在很多問題。另外，在工業(yè)場景作業(yè)中，機器人在執(zhí)行搬運和上下料等具體任務(wù)時，面臨許多工程化問題，需要通過細化任務(wù)、結(jié)合端到端模型、強化學習和觸覺感知來解決?？偨Y(jié)來看，結(jié)合開普勒企業(yè)發(fā)展，整體策略是先垂直再通用、先落地再泛化，同時關(guān)注整個模型和數(shù)據(jù)的閉環(huán)。

在孫兆治看來，當前具身智能的技術(shù)尚未完全成熟，尤其是當它面臨家庭和情感陪伴需求時，達不到預期目標。但可以先找到一些局部、專用場景來突破，比如「Fuzozo」芙崽作為情感陪伴交互，以可愛、互動性強為切入點，與用戶之間形成俯視關(guān)系，從而可以被允許犯錯，降低用戶期待，迎合用戶需求?！讣夹g(shù)在不同階段，從產(chǎn)品設(shè)計角度來說都有相應(yīng)解法可以做出對用戶有價值的產(chǎn)品?！?/p>

趙沛舟則強調(diào)，當前具身智能仍處于早期、解決單點問題狀態(tài)，單點問題不解決，后面的泛化將沒有任何現(xiàn)實價值。與 LLM 發(fā)展類似，具身智能也在進行從基礎(chǔ)模型到 Agent 能力的突破上，同時泛化問題也在探索解決中。

朱興認為，在未來規(guī)?；M入家庭的偉大目標下，當前具身智能在軟件和硬件上仍處于非常早期階段。軟件上，模型的泛化性和數(shù)據(jù)是當前的主要挑戰(zhàn)；硬件上，圍繞人形機器人進入現(xiàn)實世界，如何看得更清楚、摸得更明白，還有很多工作要做。

秦成總結(jié)道，具身智能整體的技術(shù)鏈條很長，軟件、硬件、算力、算法等方面的問題尚未完全解決。而結(jié)合工業(yè)場景來看，主要的挑戰(zhàn)涉及數(shù)據(jù)治理、軟硬件結(jié)合、行業(yè) know-how 等。生產(chǎn)數(shù)據(jù)往往存儲在不同的系統(tǒng)中，如何將數(shù)據(jù)整合并進行高質(zhì)量治理，成為了工業(yè)領(lǐng)域落地的瓶頸。為此，我們需要擁抱產(chǎn)業(yè)鏈生態(tài)，大家一起共贏、共生。

對產(chǎn)業(yè)鏈上下游協(xié)同以及對合作伙伴有怎樣的期待？

就像秦成所言，具身智能是一個涉及非常長技術(shù)鏈條的行業(yè)，需要彼此協(xié)作，共同推動行業(yè)發(fā)展。為此，在談及應(yīng)該構(gòu)建一個怎樣的產(chǎn)業(yè)生態(tài)時，各位嘉賓也分享了各自的期待。

胡德波認為，硬件是我國特別擅長且越來越成熟，但結(jié)合行業(yè)發(fā)展目前缺少基座模型。結(jié)合開普勒做機器人本體、解決方案的經(jīng)驗來看，如果有一個具有通識物理智能的基座模型，就可以結(jié)合開普勒的本體特點去采集數(shù)據(jù)，甚至在仿真環(huán)境中生成機器人仿真數(shù)據(jù)，繼而對基座模型進行調(diào)優(yōu)或繼續(xù)后訓練，那就有可能將原始基礎(chǔ)模型 80%-90% 的準確率、可靠性提升到 99.9% 以上。在核心零部件領(lǐng)域，開普勒聯(lián)合多家企業(yè)合作深耕，致力于打造 “硬件夢之隊”，以提升人形機器人本體能力，推動生態(tài)發(fā)展。

孫兆治認為，珞博智能本身擅長做「技術(shù)到用戶價值的轉(zhuǎn)變」，且團隊是一群深耕具身智能、大模型等方向的技術(shù)人員。所以即便公司很年輕，但也已經(jīng)與很多知名企業(yè)進行合作，整個合作過程不單是做項目，更多是為了開辟新的品類，從而帶來更大的價值。這也是他們選擇合作伙伴的原則，不僅限于技術(shù)層面，還涉及芯片、模型、音視頻交互技術(shù)、云服務(wù)等多個領(lǐng)域的融合，為的是共同去實現(xiàn)終局目標。

在朱興看來，螞蟻靈波科技主要聚焦在智能層面，重點發(fā)展動作基礎(chǔ)模型、空間智能、末端靈巧控制等未來具身智能需要解決的重要問題，也希望能夠與行業(yè)合作伙伴共同加速解決這些問題，特別是數(shù)據(jù)集標準化、數(shù)據(jù)共享，以及模型開源等。

趙沛舟認為，短期來看，生態(tài)融合并不顯眼，比如他們投資的穹徹智能，目前在做具身智能在食品加工領(lǐng)域的一些落地應(yīng)用，毛利雖低，但對精準度要求非常高，這依然不夠「性感」。而從長期來看，需要更多的伙伴一起參與，從而推動整個生態(tài)向更廣泛的應(yīng)用場景發(fā)展。

結(jié)語

本場論壇是一場碰撞智慧、激活潛能的頂級思想盛宴，我們有幸匯聚了這么多專家學者共同探討具身智能的技術(shù)變革，從多視角勾勒了具身智能走向泛化的發(fā)展藍圖。相信在各方的共同努力下，具身智能將為我們的生活和產(chǎn)業(yè)帶來更多的驚喜和變革。