10个问答，深入分歧之下的具身机器人｜对话苏度科技、蚂蚁灵波、自变量机器人、破壳机器人创始人、首席科学家

数据从哪儿来？模型怎么做？落地在哪里？

这是一次少见的、没有收敛的、关于具身路线级分歧的公开讨论。

2026 年的具身智能，已经不缺热度。缺的是有人把分歧摆上台面。数据从哪儿来？模型怎么做？落地在哪里？

如果 OpenAI、Anthropic 要做具身，会形成降维打击吗？Astra 的能力边界在哪里？造飞机像造 App 一样简单，是狂想还是触手可及？

9 月 10 日上午，2026 Inclusion·外滩大会上，一场围绕“物理智能——分歧与抉择”的主题圆桌对话拉开。本场对话由 Koji 主持，苏度科技联合创始人兼 CEO 韩铮、蚂蚁灵波科技首席科学家沈宇军、自变量机器人创始人兼 CEO 王潜、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参与讨论。

2026 Inclusion·外滩大会｜“物理智能—分歧与抉择”圆桌对话

透过这场对话，你会了解到：1）不同路线的核心假设和风险；2）判断哪些指标是领先指标；3）理解语言模型公司进入具身的难度与创业公司护城河；4）具身智能商业化短期 vs 长期逻辑；5）被高估/低估的领域，可能对应投资机会或风险。

当行业不再争论“什么是对的”，而是开始各自用产品和落地去证明“什么是可行的”，一个赛道才真正进入了从泡沫走向产业的阶段。

微信收听：

小宇宙收听：

🎬 视频已同步上线于 @Koji杨远骋 的视频号、小红书、哔哩哔哩、Youtube 等平台：

以下为对谈实录，经编辑整理。

数据之争：仿真还是真机？

👦🏻 Koji（十字路口）

我们直奔主题。今天会聊三个话题：数据之争、智能之争、场景之争。

为什么都是各种“之争”？因为 2026 年，我们正处在一个十字路口，有非常多没有收敛的路径，等着大家去探索。

第一个问题想请教韩铮总：数据方面，有人押注仿真，也有人坚定押注真机，你们坚定押注仿真，当初看到了哪些信号？今天，有哪些新的增强信号？

Koji 十字路口创始人

👨🏻‍💻 韩铮（苏度科技）

我们坚信要使用仿真，但同时，我们也坚信真实世界的数据也非常有用。

我们的出发点比较朴素，从最早 2015、2016 年开始做机器人仿真器、合成数据，到成立公司做商业化版本，经历过两轮迭代。

首先，科研和商业化不一样。科研可以用开源项目、数据和算法去做实验，但大家通常试一下之后，不知道接下来怎么大规模修改技术模型，一般就停在那里了。

但事实上，基于模型的强化学习、做大规模预训练，不管是我们之前开源的仿真器 CPM、Skill，还是英伟达的 Isaac，在我们内部看来，都有一定局限性。

所以 2024 年之后，我们坚定做了一个大规模、完全重构的闭源数据，包括数据管线和仿真器管线。仿真，包括基于模型的强化学习，在仿真器里进行大规模强化学习。

韩铮｜苏度科技联合创始人兼 CEO

今年 4 月做演示，我们可以实现，对于物体、环境、光线等组合在一起的强泛化下的某些技能操作（比如抓、放置、组装类任务），在物体和环境几乎没有限制的情况下，几乎能达到 100% 成功率。

在数据方面，我们坚持：仿真是绕不过去的。因为光靠真实世界数据收集，效率比较慢，质量有时也受限。

最近在美国的一些同行也开始加强仿真器的能力，虽然各自使用方法不太一样，但这也是给业内的信号。

👦🏻 Koji（十字路口）

灵波在数据路线上明确选了真实数据，宇军总在你看来，真实数据哪些方面是仿真不可替代的？相比仿真数据，它提供的最大价值是什么？

👮🏻‍♂️ 沈宇军（蚂蚁灵波）

不能说是坚决选择真实数据。我们从来不觉得哪一种数据一定要选、或一定不要选。

不同数据在不同阶段起不同作用。比如，预训练阶段，我们认为互联网数据以及真实物理世界采集的数据，作用可能更大。但如果回归到做某一个具体任务，仿真数据还是有价值的，尤其是自动驾驶。

沈宇军｜蚂蚁灵波科技首席科学家

为什么我们坚持在预训练阶段，部分数据更多从真实场景来？

设想有一天，机器人真的来到现实世界干活，它和在数字世界的工作方式是不一样的。它唯一的观测，一定是基于身上的传感器，我们不可能给机器人接一个键盘打字输入。但真实世界传感器一定有误差，没有完美的传感器，这是物理条件的限制。这种情况下，机器人只能依赖身上传感器做输入，然后做事。

仿真现在可能存在一个问题，大家讲得比较多的是 Sim to Real 的 gap，但从第一性原理出发，我觉得更多的反而是 Real to Sim 的规模化。

换句话说，我们能不能把传感器噪声、更底层的东西真的很好搬到仿真器里，以及搬进去这件事，可不可以规模化复制。如果 Real to Sim 这一步不可规模化，只谈 Sim to Real 的 gap 的逐渐变小，可能价值不大。

关于哪些数据一定要来自真实数据、仿真替代不了？我觉得更底层是因为，机器人必须在物理世界中工作，而物理世界很多不完美是不好仿的。

👦🏻 Koji（十字路口）

举一个具体例子，什么样的不完美在仿真器里确实非常难做到？

👮🏻‍♂️ 沈宇军（蚂蚁灵波）

比如触觉信息、触觉信号。

现在很多触觉传感器公司也提供触觉仿真，但我们测过，很多真实传感器拿到的信号，跟它仿出来的千差万别。

信号频率、幅值、传感器之间一致性等等，很难搬到仿真器里做比较完美的复刻。

智能之争：Astra 会降维打击具身智能吗？

👦🏻 Koji（十字路口）

最近 GPT-6 的 Astra 发布之后，社交媒体上出现大量用 Astra 控制机械臂做各种任务的测试。甚至有个说法：具身智能要被通用的语言大模型降维打击了。王潜总你看到那些视频时感受是什么？

💂‍♂️ 王潜（自变量机器人）

这确实是行业里最火的话题。今天早上我还看到一个用 Astra 控制灵巧手的视频。

这个版本的模型其实训进了大量的机器人数据。去年年初开始，OpenAI、Anthropic 在大量采购机器人数据，他们自己也有小规模数据工厂采集机器人数据。所以这不是特别奇怪的事，在预期中。

王潜｜自变量机器人创始人兼 CEO 

我一直有一个“暴论”，但在大模型一线的同事应该能认可：

今天智能的本体是存在于数据里面的，当然一部分存在于 evaluation 里面；模型更多是一个蒸馏器和一个容器，在训练时，它是一个蒸馏器，在部署时，它是一个容器。

今天我们要做一个前沿的 AI 系统，模型的作用其实已经变得极其小了，更大的原因在数据，需要越来越好的数据。怎么造数据、挑数据、验证数据、标注数据，恰恰是这些东西推进了 AI 系统的发展。

所以问题变成：如果 OpenAI、Anthropic 要做具身，它是否需要依赖和我们一样的数据基础设施、验证基础设施和其他 infra？它是否需要从现实世界里收集数据、做仿真器、在现实世界做 evaluation、和硬件结合等等？

如果它还是要做这些事情，那它只是另外一个具身智能公司而已。因为这些难度不会因为它在基础模型上的优势而降低，反而是具身智能公司，可能有实质上的优势。

👦🏻 Koji（十字路口）

因此，你认为 GPT-6 Astra 不会对具身行业形成降维打击？

💂‍♂️ 王潜（自变量机器人）

大家担心的问题实质是：大语言模型是否可能通过其他领域的通用智能泛化到具身智能上面、形成降维打击？

我觉得可能性不大。

第一，在语言模型历史上，从来没有发生过这种事情。最近 3D 也是一样，包括 computer use，即便今天视频生成模型已经做得非常优秀，但它并没有直接转化为动作层面、机器人控制层面的天然优势。

反过来，这件事对我们的启示是：预训练确实是 work 的。

行业里有很多人在顾虑，我们做了大量预训练，加了大量通用数据，是不是反而有害？是否可能影响模型效果？在 Astra 上，我们看到它至少是一个 bonus，至少不是一个坏事情，我们应该坚定把这条路走下去。

最后，我们和 Anthropic、OpenAI 唯一的差距可能是：他们把这套 infra 融入通用大模型，而我们在做特定的专用模型。

事实上，通用语言大模型，是没有办法在机器人上以合理速度做推理、做部署的，我们确实需要一个单纯的具身模型来做这件事，才是更高效率的做法。

👦🏻 Koji（十字路口）

最近破壳机器人发布了一个“机器人做麻婆豆腐”的视频。华哲，在你看来，用 Astra 是不是也可以完成这样的任务？从更本质来看，通过机器人完成某个特定任务，能证明它的底层模型真的变强了吗？如果不能，我们应该看什么指标？

🤵🏻‍♂️ 许华哲（破壳机器人）

Astra 确实非常惊艳。我们内部在它能用的当天立刻做了测试。

许华哲｜破壳机器人创始人、清华大学交叉信息研究院助理教授

如果把具身任务看成需要语义泛化、空间泛化加上物理泛化，Astra 只有物理做得相对很弱，语义和空间做得相对很强。

我们给 Astra 一个 prompt，它全认识桌面上的东西，无论任何类别，它一定往对的地方走。原来 VLM 模型或大模型，基本上机器人走到那，然后开始乱动，就结束了。

但 Astra 很独特的一点是它能抓起来，而且能抓非常难抓的东西。比如，一根筷子放在桌面上，对机器人来说，这种小物体它都得顶到桌子上、甚至打滑才能抓起来。Astra 现在也能抓起来。

测到这里，我们在想，它会不会旋转不太行？所以我们尝试让它把筷子立起来，插到一个杯子里。发现它竟然也可以。所以，不光是二维空间，它在整个三维空间，效果也都很好。但当我们让它做带物理接触的复杂任务时，比如用筷子挑开什么东西，它就不太行了。

我觉得，这也是具身机器人公司最后的阵地：理解物理的变化。

我们也用 Astra 去尝试叠盒子、叠衣服这类具身公司很喜欢测的事，发现 Astra 都做不了。那么在所有极复杂任务中，做麻婆豆腐，肯定是其中最复杂的任务之一了。

回到 Astra 上，Astra 现在能做的相对来说，还是空间语义上的具身任务。在复杂的 contact-rich 任务方面，它能做的一个是把筷子放杯子里，另一个是 handover，把一个东西拿起来递到另一只手上，再放到另一侧。我们测了很多次，有一两次成功。

Astra 给我的启发是，有点像刚才王梦迪老师（普林斯顿大学人工智能创新中心主任）主旨演讲聊到的，应该把具身模型也接到 Codex 里，或接到一个 harness 环境里。

因为具身模型是在通用场景干活，但 harness 需要很强的语义能力，harness 的语义能力越强，具身模型才能被用得越聪明。 

比如抓水果。大家训模型最开始是拿泡沫水果，但这些数据非常有害：泡沫水果可以靠加大力，抠着一点点揪起来；但真水果无论如何不能那么抓。所以这时候，我们让模型去抓一下，如果是泡沫，就用原来那种抓法；如果是真水果，比如菠萝，就想办法揪上面那个绿叶子，不能再去抓它的身体。

但大多数具身模型没有这个识别能力，但我们需要模型先通过 CoT（Chain-of-Thought 思维链）告诉机器人这是真菠萝还是假菠萝，再去抓。

所以我觉得，最后应该是大模型、具身模型和物理世界连接在一起的一个完整系统。

👦🏻 Koji（十字路口）

宇军总，在你看来，Astra 现在涌现的能力，是我们今天具身智能 scaling law 的某种信号吗？

👮🏻‍♂️ 沈宇军（蚂蚁灵波）

我跟华哲观点差不多，可能再激进一点。我觉得，具身慢慢会影响大模型、云端模型的发展路径。

首先，具身模型最终的工作方式，一定是部署在机器人上，它跟数字世界模型的“轮式对话”方式不一样。

在数字世界，你问它一个问题、它回答你，它回答时你不能继续追问——交互是线性的。但机器人做事依赖身上传感器的输入，而这些传感器的输入是持续不断的，哪怕机器人正在做操作，输入还是源源不断地进来，机器人需要基于新输入，随时改变推理。

我认为，具身模型最后可能会成为更高阶模型使用的一个工具。

从工具层面讲，它需要自己的训练范式。因为它要面对源源不断输入的场景，持续输出 policy。

为什么说具身场景可能会给更高级的、能交互的 expert 类的模型，提供更多的发展方向？

我举个例子，人和人之间对话，其实是很多模态的，不只有语言、视觉，还有很多外在因素。比如，我跟一个人聊天，外面突然下雨，我看到下雨，可能会改变心情、改变聊天方式。或者我看到这个人脸色不好，接下来要说的话很多我就不说了，马上换一句。

这是现在云端的数字世界模型还没有考虑的，因为它目前不会用到，交互是藏在屏幕后面的，大家只需要通过视觉和语言进行交流。

但以后，如果机器人真的要跟人对话，那它能囊括的信息量会非常多，很多信息一定来自现实世界中的传感器。我们会观察天气、感测温度……这些都会影响模型的输出结果。

未来，当机器人逐渐走入生活，带来更多关于物理世界、现实生活的数据，这些数据会成为大语言模型公司的新的语料，它们可以基于这些数据变得更加智能。

机器人不再是一个冷冰冰地躲在后面的智能体，而是可以像人一样感受周围环境，根据变化随时调整跟人对话方式的智能体。

👦🏻 Koji（十字路口）

刚才三位普遍非常乐观，看到的都是机会和启发。韩铮总有没有补充？

👨🏻‍💻 韩铮（苏度科技）

其实跟我一直讲的一个观点越来越接近：上下会分层。上层的抽象理解会分层。

从几年前我就这么讲：Facebook AI Research（FAIR）最大的对手实际上是 OpenAI，最近还有 Anthropic。DeepMind 另外一位 Robotics 研究员也刚加入了 Anthropic。

另外还有一点，机器人的基础是 skill。底层技能的泛化性和高成功率，一定要跟上层模型同等水平。不能成功率不高，然后有一些泛化性，这是上下层衔接时非常致命的问题。

所以，具身公司和上层模型去接的时候，一定要注意这个问题：高成功率下的泛化性。

去年底，我们当时做演示，跟千问模型做语言交互，它通过对周边环境和物体理解，最终拆成一些 reasoning 生成的操作步骤，但它一定要靠对环境和物体有极其可靠稳定的底层操作，才能去完成整个动作的 training 。

今年这个理念重新被大家拿到前台，我觉得也是大趋势，特别是 Astra 出现之后。

场景之争：什么指标证明具身跨过泡沫？

👦🏻 Koji（十字路口）

现在外界对具身行业有一些现实质疑，更多在商业化上：demo 很多，融资火热，但真正规模复制并持续让客户付费的场景到底在哪里？

下面的问题提给三位在具身公司的 CEO，如果只看某一个指标，你们觉得哪个指标最能证明具身已经跨过泡沫质疑、真正进入产业阶段？

👨🏻‍💻 韩铮（苏度科技）

科研和商用化对机器人的要求，跟之前工业机器人和自动化一模一样——高成功率是绝大多数任务的前提。

在商业化场景里，绝大多数任务对机器人成功率的要求接近 100%，只有极少数任务可以容忍 80% 的成功率或者允许二次纠正。

在这个前提下，我们跟自动化设备的区别是：还要对物体和环境有一定泛化性，而且不能靠大量后训练去弥补。否则，每来一个场景就要做大量过拟合，那就失去了具身智能的意义。

所以走到商业化，对我们最大的考验，首先在算法上：高成功率下还要有泛化性。当然，后面设备的可靠性、怎么做服务，这些挑战也绕不过去。

💂‍♂️ 王潜（自变量机器人）

如果非得说一个指标，那就是：客户可持续地付钱，为前沿技术付钱。

这是最终极的判断标准，也是最现实的标准。

现在大家做商业化，很多时候并不是客户可持续付钱的合作。可能在某一个特定历史阶段，用特定方式合作。也可能是沿用上一个历史阶段的方式，比如传统的自动化、上一代机器人。

但大家还是应该真正去想想，这代机器人比上代机器人强在什么地方？它能给客户提供什么样的真实价值？

这个事现在已经开始实现了。最近我们在物流场景里，确实做到了以前传统机器人做不到的一些事情，并且超过了人类 ROI 水平。这种真正意义上能落地、能持续产生生产力的，才是最重要的。

另一方面，作为公司一定要赚钱。有了钱，才能做更大的模型，才能持续探索 AI 最前沿。

语言模型公司也经历了类似发展路径。一开始完全不赚钱，但到了某一个阶段、真的有一些用处时，开始积极商业化。商业化和前沿推进，是一个互相促进的过程。

某种意义上，过早商业化是有害的。但我们也许已经过了那个时间段，现在进入了产生飞轮效应、相互促进的阶段。

🤵🏻‍♂️ 许华哲（破壳机器人）

具身商业化有好多类。

一类是后训练类：我跟某一个品牌、某一个工厂合作，在它里面做闭环。比如我在家门口搭一个小吃摊做关东煮，核心指标就是看，我需要花多少个小时，能把这个事情稳定地部署落地，以及我能开多少个小吃摊。这跟传统机器人部署逻辑一样，就是看效率和 ROI 换算。

第二，我觉得，我们这一波具身智能的另外一个商业化指标，跟语言大模型的商业化路径相似。短期内，这件事可能看不到经济收益，但它会是一个“阶跃式”的商业化路径。

为什么体感上，大家觉得语言大模型很有用？

因为容错成本不同。假设 GPT 以 50% 成功率输出一个答案，那么我只要跟它对话几轮，大概率就可以拿到好的结果。但如果机器人以 50% 的成功率完成一件事，那它有 50% 概率会把一个杯子打碎，那大家会觉得它真没用。

即使这样，我们仍然要矢志不渝地追求具身智能的大模型化，因为当前 50% 的成功率，是面对所有任务的 50%。我们要等到它从 50% 到 60%、 70%，一直到 99.9% 的时候，那时的商业化才是这一波具身智能真正意义上的商业化。

这也是我们真正期待的：基础模型在一瞬间达到某个阶段，开始吃掉物理世界很多东西。

五年后回看：什么被高估，什么被低估？

👦🏻 Koji（十字路口）

最后一个问题。有句话说：人们总是在科技领域高估未来两年的变化，但低估未来十年的变化。假如站在五年之后回头看此刻，你们觉得哪些在具身领域被低估了？又有哪些被高估了？

👨🏻‍💻 韩铮（苏度科技）

我觉得最被高估的一点是：中国的供应链的先进程度。

选择确实很多，但具身智能现在需要的供应链、距离能满足我们实际迭代的成熟程度的，还是有一点工作要做。

第一，我们要有一些数量去支持。第二，供应链里有很多传感器、关键组件，可能散落在成熟行业里，比如汽车供应链、工业机器人供应链，实际到具身里，现在供应链水平距离大工业制造水平还有一定差距，不过肯定可以被解决。

关于被低估的，我也回应华哲老师刚才讲的达到 99.9%的成功率，时间可能会很长，但难度大家不用太悲观。

我觉得，未来 1—2 年里，大家会看到很多行业的某一大类的任务，都可以被机器人处理掉。

当然如果是 99.9% 的任务机器人都能做，那确实需要很长时间。

👮🏻‍♂️ 沈宇军（蚂蚁灵波）

具身是一个复杂系统工程，大家可能还是低估了这个系统的能力，而把很多问题，比如能不能落地、解题成本，都跟模型的性能挂钩了，但其实不是的。

因为机器人商用最后回归的其实是成本、整个系统的鲁棒性，以及商业模式等等。模型只是其中一环。

比如做落地，商家肯定还是看成本：我到底是不是一定要用这款机器人？是不是要用完整机器人？是不是只用双臂就可以？

关于被高估的一件事，我们现在有点高估了“训练模型的技术”。

我也听到一些声音说，具身要被数字世界模型降维打击了，好像攒一波物理世界的数据，然后按之前的训练方式，就能训出一个具身模型。这在我看来不太成立。

具身有可能会走跟数字世界相同的模式，但一定不会走相同的技术路线。因为最后的应用场景，决定了模型的不一样。数字世界是对话式的，但具身一定是机器人一边工作一边推理。

具身一定会有自己的新训练范式。这种范式可以支持对物理世界信息的持续处理，可能是 7×24 小时、甚至 365×24 小时，全年无休处理数据。

💂‍♂️ 王潜（自变量机器人）

五年之后回过头看，大家应该会觉得，我们还是低估了具身的重要性和潜力。

虽然今天我们已经认识到具身很重要、是非常重要的 AGI 组成部分，但我觉得大家还没真正理解这件事情。

接上面 Astra 的问题，为什么数据很重要？

因为确实它包含了一些其他方式无法获得的智能能力。比如复杂物理交互、各种物理过程，以及沈老师提到的传感器噪声、物理世界本质不可控的东西等等，我们确实没办法通过视频、3D获得，更不用提 code 。

我以前研究物理，会发现大量创新或想法，很多时候来自所谓物理直觉。当然还有另外一条路，逻辑推理，所谓数学的深度搜索能力。

过往人类科学研究过程确实发现，这两个事情没有办法互相弥补。做某些事情数学思维方式更快，做另外一些事情，物理思维方式更快。

所以要构建真正意义上的 AGI，这部分肯定没办法避开。你可以把它训到同一个模型，或者训到不同模型做分层。但更主要问题是，这部分能力确实要从真实世界或仿真，或者其他方式中获得，然后注入 AI 系统。

在应用层面，大家也有点低估利润具身的重要性。

现在最近不管是硅谷还是国内，大家对 RSI 都产生了非常大的 FOMO 情绪，狂热和恐惧都在。

我的看法是，以目前语言模型能力，其实不足以实现完整 RSI。因为它缺了最重要环节：物质上的重制造（物理世界的自我复制），这是语言模型不能触及的。

另外，语言模型可以修改自己的训练方式，修改很多训练流程，但本质上，我们需要走 scale up，需要更多算力、更多芯片、更多电力，这些语言模型也没法做。

所以我们现在看到，在美国，数据中心建设已经成了一个很大阻碍。因为还是需要人去和钢筋混凝土打交道，还是需要人去调工厂半导体的参数。

但如果放到五年之后，我相信大家会意识到，具身智能在不远将来是可以做这件事的。那一天，真正意义上的 RSI 才到来。

现在数字世界，走得比物理世界快太多了。

我经常开玩笑，如果 Anthropic 今天把所有员工都干掉，全都用 agent 开发下一代模型，进程肯定会减慢，因为现在人的 taste 还是很重要，但你说它就开发不出下一代模型了吗？我觉得不是，肯定能开发出来。但如果半导体工厂没有人，全靠 AI 来做，这肯定不行。

另外，今天我们要做一个 App，已经不需要像五年前那样搞很大的团队、花很长时间、做很多协同工作，比如花一年做一个 App。今天可能一个人，只要额度足够，开一堆 agent，几个小时就能做出来。

现在造一架飞机，可能还需要 1000 个人、非常大的供应链、很多工厂。也许五年之后，在具身智能和通用语言模型的辅助下，造一架飞机也可以像今天做一个 App 这样简单。

那时候，整个生产全流程都可以闭环，人类经济实现真正意义上的硅基脱离碳基的这一天。

也许有朝一日，我们还是要走出一条中国的 AI 发展之路，具身可能是其中很重要的起点，或很重要的部分。也许之后每一家公司都会训一个自己的语言模型，也说不定。

🤵🏻‍♂️ 许华哲（破壳机器人）

我觉得被高估的，很明显是大家对数据量的追求。

现在市面上，有人说我有一百万，有人说我有几百万小时的数据，还有人说谁谁谁已经买了多少数据，你不买就落后了。

我也看到市面上一些训出来的模型，真的用了非常非常大体量的数据，其实没有训出来特别超越预期，或者没有比几万小时训出来的模型更好。单纯盲目追求量这件事，严重被高估了。

被低估的，我觉得是整体智能模型的进展，具身智能模型的进展。

大家一提具身智能解决通用的事情，可能要 5 年、10 年。我觉得 3 年内，具身智能就可以在很多地方开始服务，是通用的服务，不是那种后训练好的服务。

👦🏻 Koji（十字路口）

大家都描绘了一个非常让人期待的未来。甚至像王潜提到的，未来会不会造飞机变得像造 App 一样简单？

谢谢四位嘉宾，也谢谢现场各位观众的时间。咱们明年外滩大会再见！

文章来自于"十字路口Crossing"，作者 "十字路口Crossing"。