具身智能的边界与技术、产业走向探讨

具身智能正从实验室走向产业化落地。此时面临着许多值得深入思考的问题：机器人的形态如何演进？大模型与小脑控制如何实现协同？规模化、工业化落地的最后1公里究竟是数据、成本，还是场景的挑战？开源生态与垂直整合之间，会形成怎样的竞合格局？

近日在上海盖世具身智能与上海智能汽车软件园联合举办的“第四届具身智能机器人产业发展论坛”上，有一场《虚实共生，具身智能的未来边界与产业变革》 的圆桌讨论，在盖世资讯行业主编钟琳主持下，5位来自产业一线的供应商和汽车用户进行了探讨。

主持人：盖世资讯 行业主编 钟琳

嘉宾：大晓机器人 战略总监 周泉

穹彻智能 研究科学家 吕俊

千寻智能 科研生态总监 徐国强

跨维智能 CMO 林嘉伟

蔚来汽车 制造运营中心总监 刘圣祥

1 为何“轮式底盘+人形上身”流行？

人类有个“哲学终极三问”：我是谁？我从哪里来？我要到哪里去？那么对于具身智能，人们也会有三个问题：应该长什么样？该怎么思考？能派上什么用场？

所以第一个问题是关于长相。千寻智能和跨维智能都在做本体的产品，而且都不约而同地做了“轮式底盘+人形上身”的设计，这是出于什么样的考量呢？

▪超前押注第二阶段

千寻智能的科研生态总监徐国强首先从机器人的落地三阶段谈起。机器人落地的阶段如下。

第一个阶段：政策红利阶段。在模型没有收敛或者模型的能力还不是很强的时候，可能主要用于政府的政策，以及科研教育、前沿探索等一些场景。

第二个阶段：行业红利阶段。随着模型的能力不断增强，各行各业会有一些机器人替代人工的情况发生。

第三个阶段：随着机器人能力的发展，会面临机器人能力的大爆发，进入到“人”口红利阶段。

但是现在机器人还处于政策红利的后期。所以在现阶段，包括千寻因为成立时间只有两年多，在进入这个市场的时候，认为与其押注在政策红利，不如压赌在行业红利，而轮式底盘会更贴合于第二阶段——行业红利期的场景落地的应用。

▪这一波浪潮更关注实现双臂的价值

跨维智能 CMO 林嘉伟首先介绍了该公司的背景，创始人、董事长——贾奎老师是香港中文大学（深圳）数据科学学院教授‌，他一直也是在从事具身智能和空间感知相关的工作。

公司从2021年成立伊始，就是以具身的双眼和大脑去推进不同机器人形态在不同场景落地的，例如智能制造，解决原来的重复性、自动化不能做的任务。所以从公司最开始的技术和商业落地的经验来看，就是聚焦于双眼和大脑，还有包括双臂的灵巧操作，所以这种“轮式底盘+人形上身“也是很自然而然的一个过渡状态。

原来是借着合作伙伴的身体，即附在别人的身上；后来做复合机器人，即单臂+移动底盘，后来也做了双臂+轮式底盘的机器人，可以应用于大多数的结构化地面。

因为目前认为目前这一波机器人公司更多的还是会聚焦在实现双臂的价值。

图：跨维智能机器人落地“鸿小饭堂”（图片来源：网络）

▪汽车用户端：人形机器人需要长得人吗？

人们普遍认为汽车制造厂是人形机器人落地的第一个工业领域，目前也有一些人形机器人在此领域试点应用。因此主持人问用户端——来自蔚来汽车制造运营中心总监刘圣祥：在工业现场，例如蔚来的产线如果引入机器人，更看重像人一样地工作，还是能把活儿干好的功能？

蔚来汽车的刘圣祥称，首先工业机器人的产生之初来自于汽车制造业里对于车身的点焊，人工操作时用焊枪可能拿不动，重复性做不好，所以孕育了工业机器人的开发。

在制造场景里，场景决定了具身智能体的形态。目前的生产线设计是面向人工作业来做的，所以人们自然而然地想到用人形机器人去替代。但是还是回到工业的最简单的一个底层逻辑：一定要看投入产出比。具身智能体一定是要解决现在的场景问题的，所以并不限定于它的形态是否是人形，还是半人、工装体。

具身智能的核心是交互。在目前的重复性自动化里，首先是程序驱动的，不是数据驱动的，并且它不能具备基于模型能力、基于感知的能力。所以核心点在于具身智能一定是面向场景的。因此从投入产出比的角度，一定是希望用最具性价比的投入实现场景需求，所以人们看到的并不是一定要长得像人一样，一定要有三十几个关节，一定要有多样的智能。

在具身智能最后落地时，算力是很重要的成本。端边云部署方面，对于企业应用方而言，怎么做效率是最高的？它的模型训练、模型的推理等整个全链条的成本需要最优。但是更多的，我们还是要放在整个生命周期来看，然后回到生产制造型企业里，使用具身智能体，能带来整个运营价值的提效和获得收益，来看商业逻辑是否成立。

主持人评论道：黑猫白猫抓到老鼠的就是好猫，所以不管什么形态，只要能干到好活就行是吧？

2  模型的开源及能力提升

▪ 不同具身之间的本质差别

在本届论坛上，大晓机器人战略总监周泉发表了演讲“世界模型：开启机器人自主探索世界之路”，内容聚焦在“开悟世界模型”上。但是最近大晓还发布了一个开源模型——ACE-Brain-0空间智能通用基础模型，号称可以打通从机器人、汽车到无人机的不同具身之间的壁垒。那么，在智能层面，不同的具身形态会有多大的本质差异？从大晓做跨本体通用大脑的视角来看，这种人形的执念会不会反而在技术实现上给自己挖了一个坑？

▪从模型演进角度看各种具身的共性

大晓机器人的周泉首先非常赞同蔚来汽车刘圣祥的分享——人们开始选择人形，核心还是因为我们整个社会不够完美，例如产线的设计都是为人服务的，要想机器人落地，这种人形的改造成本最低。但在综合成本考虑和ROI的计算过程中，会发现未必人形是最合适的。有些场景，例如狗、机械臂等其他设备可能更为合适。

它们都有一些共性的问题：在与物理交互的过程中，需要对空间的理解、与空间的交互。因此大晓机器人还是从本质出发，去理解空间智能这种底层逻辑，来训练空间智能模型。这个模型的核心是可以理解整个物理空间的规律，包括能够把之前在自动驾驶里做自主导航/自主路径规划的能力放到这个技术模型上，使它可以较好地、比较轻松地去泛化到不同的机械臂、人形机器人甚至狗上，使它们去自主地在外面运行或者交互。

▪VLA模型的涌现能力

主持人：有了形态，接下来就要装大脑了。人们现在总提VLA模型，称要给机器人装上其他的GPT，这类技术宣传很热，但想真正落地可能还是差一口气。从研究的角度来看，现在的 VLA模型到底是真的懂了，还是只是在做一些复杂的场景匹配？或者是说机械记忆？我们距离真正意义上的大小脑协同还有多远？

穹彻智能研究科学家吕俊称，从模型演进的角度看，首先需要完成机械记忆，再到新的场景的适配。回想ChatGPT最早火起来的时候，伴随着一个最近很少有人讲的概念——涌现能力，其实这就是ChatGPT的逻辑，也是最早人们的语言研究里，还是要保证它能够重复一些数据集里见过的东西，然后人们会发现随着数据量不断增长之后，它就会诞生涌现能力，它就有能力去覆盖到一些它数据集里从来没有见过的情况。吕俊认为，具身智能也一定会沿着这个逻辑走下去。因为不管哪家厂商，其实在落地的方向上还是有共识的：最开始一定会选择一些相对比较收敛的，例如按模块、物体的多样性，或者场景/任务的多样性，不会全都铺开，例如会挑选一个物体固定、场景固定、任务多样，或者任务固定、场景固定、物体多样的场景。所以这是第一步：先能做到在场景固定下，能够重复一些东西。然后慢慢放开边界。例如物体的位置可以改变，颜色可以改变。最后到能够完全拓展。这是一个非常健康发展的过程。

▪VLA模型还处于早期

目前VLA模型还是处于非常早期，还是在做比较简单的任务。但是不必悲观，因为这是一个发展的必经之路，反而会驱使我们先去尝试找到一些不确定、相对比较小的场景，先去打开VLA应用。相信随着应用的不断拓展，数据的不断积累，以及具身智能公司及其上下游公司甚至包括政府的加入，会不断有更多的资源涌入，相信模型的能力会越来越强。这条涌现能力的曲线会不断地上升，最终能够走到人们期望的那种言出法随的VLA的状态。

大晓机器人的周泉也非常赞同穹彻智能的吕俊博士的观点，首先还是要开放一些比较固定的场景，或者说机器人可以支持一些场景，然后让这些机器人在这个场景里逐步去做相应的任务与迭代，把数据飞轮转起来，从而可以持续去做加速。当前最关键的还是能够把这些场景的能力可以大规模地开放，提升人们的认知，然后等到有足够量的机器人进入这些场景之后，这个拐点会很快到来。

▪是否需要公共基准平台？

千寻智能 科研生态总监徐国强在演讲“迈向通用人形机器人的曙光时刻”时，提到千寻也在做VLA模型（Spirit VLA）。实际上，本次会议的很多讲演嘉宾在说各自模型的话题。那么从市场或生态角度看，现在的这种各训各的模型的现状会不会造成资源的浪费？业界需不需要一个公共基准平台，来加速临界点的到来？

徐国强总监认为这个问题比较大。确实一个模型如果想要收敛，至少是几百万小时甚至要上千万小时的有效数据。但是目前国内各家具身公司的数据量加起来可能也就几十万小时，比整个模型收敛的小时整整差了一两个量级。而且各家的数据又握在各自的手里，不愿意共享，视若珍宝。所以国家现在也在建立各种数据训练场，包括学校/职业教育或者高等教育也在设立相应的具身智能专业，同步来建立数据训练场，把学生的日常学习和数据采集作为一项考评，接下来这个壁垒会逐渐被打破。但是在这个阶段还是需要有人冲出来。这是特定阶段的一个特定的现象，未来这个界限会越来越模糊。

所以千寻智能在今年定下了100万小时有效数据的目标，用该公司的Spirit V1.5来采集。这是一个比较艰巨的任务，但是如果一旦有100万小时的有效数据，对于模型的整个泛化性和能力、成功率会有一个巨大的提升。届时人们就会明确地感受到。因为现在的模型在能力的边界上没有很大的差别，可能都叠在衣服或者简单的皮肤方面，但是当数据量有一个绝对的代差时，模型的能力增长就会非常明显了。

3 机器人落地的挑战

·工业化复制的挑战

上面提到了VLA模型，接下来是技术落地的话题。

千寻智能推出了Moz1（墨子）人形机器人。公开资料显示它现在已经在宁德时代落地了，可能还有一些其他的工业场景。从实战的角度来看，在工业场景中实现规模化复制，最大的挑战是什么？

图 千寻智能的Moz1（墨子）人形机器人

千寻智能的徐国强总监称挑战很多。

第一，以物流行业为例，千寻几乎把国内的物流公司的场景都看过了，认为大部分物流场景不具备上具身的条件，因为其整个的物料，诸如快件非常散乱，没有有效的整理。但是像京东、顺丰已经对快件做了归类整理，包括贵重物品、化妆品、小件大件等，按照不同的包装箱进行了分类，基于这个基础，如果模型能够收敛或者能力提升，有这个基础来上机器人。

为什么汽车的零部件行业会最早上具身？就是手机的迭代速度太快了，现在模型的落地还没有这么快，可能模型刚训出来，当时的手机型号可能已停产了，进入到下一个时代，这对机器人的交付是一个巨大的压力。

另外是自动化的基础，包括整个工厂的规划，还有人才的基础。千寻接触了很多客户，发现对模型和具身的理解参差不齐，千寻希望现在这个阶段能够跟一些理解模型、理解数据的客户深度地合作，因为沟通成本、培训教育的成本都较低，可以快速地耦合起来，然后往前推进。相信今后随着具身智能的不断发展，这样的客户会越来越多。

·商用化复制的挑战

今年初，跨维也有一些产品落地的消息，包括文旅和餐饮领域，这些领域和千寻的不太一样，这对于产品的可靠性和成本结构的差异化会有哪些不一样的要求？以及规模化复制在不同场景中的通用性和定制化怎么去平衡？

跨维智能CMO林嘉伟称，该公司选的具身或人形的商业落地的场景会更偏商业服务。贾奎教授（注：‌跨维智能创始人、董事长）在今年3月的访谈中提到：2026年是人形在商业服务的启动元年，2026~2028年会迎来一个起爆的增长。核心原因在于如果做成人形，更有利于跟人去交互，并且做可能更多更复杂的事情和场景任务。

这和千寻选的路线不太一样，因为制造业中，很多时候产线或者机器人一旦部署下去，日常需要与人交互的复杂程度，即开放性相对少一些，因为制造业是一个相对结构化的场景，但可能对于成功率、精度的要求反而更高，可能对于交互这一环会相对没有这么侧重。

所以对于跨维，也会倒推交互的能力。因为原来跨维在很多智能制造的场景下，已经练就了较高鲁棒的有限边界的模型能力，叫有限边界的泛化和鲁棒。跨维可以在这样的一些场景任务范围内做到例如99%以上的成功率去满足商业的需求。

再有，关于成本。从机器人行业的发展看，为什么人们做机器人都觉得很辛苦？因为不同的场景、不同的项目，它的定制化成本和部署成本相当高，所以跨维也是希望借助世界模型和Sim2Real仿真的路线，去降低数据采集的需求量。

就真机数据采集的需求量，通过更多的世界模型的推理去生成很多的合成数据，然后更快的建立一个有限边界范围内的模型。跨维不是做大而全的基座，是做这个场景任务下的一个模型，结合一些大语言模型的交互能力，可以快速地落地到某个场景里，这样就知道真实场景的需求，并且倒推整体技术往前发展。

4  衡量产品好用的核心是什么？

主持人问道：当产品从实验室demo进入到客户真实场景，衡量一款产品的能用和好用的核心标准，与去年相比，发生了哪些变化？

千寻智能的徐国强总监指出，对于模型的能力，因为宁德时代的项目是千寻在2025年初开始接到任务并且开始执行的。如果是在今年此时来接的话，感觉研发团队提供的模型会更加好用。因为模型的发展速度非常快，是值得我们来期待的。未来可能一些硬件是可以满足客户的要求的，例如像安全等级，包括急停、通信等，但是模型能力的边界扩展是真正能够让我们在做交付的时候感觉到能用和好用的。

跨维智能 CMO 林嘉伟认为关注点会从原来的这种fancy（好看），到现在可能真的有一个稳定的交付或稳定的执行。因为需要与人交互时，还是需要保证这件事情，就像做咖啡，我做100杯咖啡，可能做成了之后递给你的那一下，那杯咖啡洒了，这对于消费者来说可能不太被接受。所以人们已经开始关注怎样更好地完成这个任务。

5 数据采集、口袋集采

穹彻智能研究科学家吕俊在此前的演讲中已经谈到了口袋集采（依托手机即可完成采集）的话题，本质上解决了数据采集的成本问题。这种轻量化的采集模式产出的数据，与仿真的数据，或者与大规模遥操采集的数据相比，在训练效果上有什么独特的优势和局限性？在规模化进程上，这三种的数据源将如何分工？

首先，吕俊在读博士期间是做仿真的，所以对于仿真比较了解。实际上，人们最核心的还是真实性，仿真的真实性会有一些问题。他在之前的讲演中也提到，遥操作因为受限于数采工厂本身，也是一个很仿真的场景，真实性也是会存在问题。穹彻智能的RoboPocket（社会化无本体数据采集方案）的本身能为整个数据训练提供最多样、最真实的数据。所以在穹彻智能的定位里，更多地是把它放在预训练的一个环节。因为预训练的环节是希望它见到足够多的东西。但其实穹彻本身也还是在做仿真的工具，再加上遥操作。坦率地说，RoboPocket和其他行业内类似的方案还是会带来一些数据精度上的损失，可能会在3 mm、5 mm的级别，所以这是一种交换，是一种平衡。相信在模型的后训练阶段，还是需要加入一些更加高精度的遥操作数据，来支撑模型在落地过程中的表现。

而且在落地过程中，可能我们会对于一些所谓的真实性、多样性也会放松一些要求，因为大部分的落地场景相对还是会有一些固定的。

对于仿真，实际上穹彻也持续在推进。但更多地把它当成一种工具，因为测评方面，其实穹彻之前也有过一些积累和经验，测评这件事，人们能够想到的百次、千次的量级上，很多时候不太具备统计学上的意义，所以仿真在未来可能会成为一个不管是对小脑还是大脑一个比较好的测评的工具，然后给出一个比较好的模型的反馈的报告。这方面还是比较有价值的。

4 为什么一些企业热衷做开源的生态

▪大晓机器人的开源世界模型

现在科技圈越来越多企业开始追求开源。例如大晓的开悟世界模型是开源的，ACE也是开源的模型。那么大晓选择将核心模型开源，这背后是怎么样的一个战略考量？开源生态和封闭式的垂直整合系统，哪种更可能成为具身智能时代的主流？大晓压注开源，希望解决产业中的哪些痛点？

大晓机器人战略总监周泉解释道：首先，具身智能现在还处于整个产业发展的早期，商业化的竞争也没到正式的阶段，现在的核心目标还是能够让人们更好地一起去参与到整个具身智能的研发，或资源的共享里，包括数据、模型跟一些底层的工具链。基于这样的初衷，大晓一方面把一些数据，另一方面把整个的不管是一些基础的空间智能的模型，还是世界模型做相应的开源，核心还是能够让整个的开发者能够一起去帮助大晓更好地去探索。把这些基础设施做好了，一起探索后续具身智能的一些研发和发展方向，去做低成本的尝试和试错。

因为仅仅依靠自己来突破，不管是空间智能还是世界模型，这些壁垒是很难的。大晓希望能够把这些大的方向做好——基础设施做好、搭建好，大家一起来共建产业生态。

同时。大晓也希望在这个过程中能够把一些标准，不管是数据的标准还是一些模型或行业的标准能够一起去构建好，这样才可以降低整个产业的落地成本，加速整个市场的繁荣。

·跨维智能的开源仿真平台

跨维智能也在做开源的仿真平台。那么在仿真领域，开源和闭源的核心差异是什么？对于产业用户来说，开源的吸引力会是在哪里？

跨维智能 CMO 林嘉伟称与大晓周泉总监讲的有很多相似之处，跨维为什么做底层的平台、做基座？也是希望找到一种方式——更高性价比地训练出可商用、可落地的，哪怕最开始是有限边界的一个具身模型，然后推动整个行业从技术到商业化落地的跨越鸿沟。换句话，跨维做开源也是希望跟行业生态/更多的开发者一起，让整个工具链更好用、更易用。

对于后面的问题，其实跨维原来也一直在做相关工作。在跨维落地在智能制造板块的时候，一些主机厂、机器人本体厂商的客户，对跨维有一个很核心的点会非常关注：在实现柔性换产的过程中，到底需要多长时间能训练出一个新的模型？

这是行业里的一个真实的刚需。我们可能现在经常会面临小批量、多批次的生产，例如今天生产10台 A型号的PC，明天可能这条产线要生产B型号的主机箱，如果再用原来的方式去采集数据、去训练模型，包括可能发现成功率不达生产的预期，这样一个周期所花费的成本相当高。这也是为什么跨维希望做底层并开源，跟行业的客户、跟生态伙伴、跟开发者一起去让这件事情变得更可用、更易用的一个底层的逻辑。

▪汽车用户对开源的看法

蔚来汽车是本次圆桌的唯一用户。主持人问蔚来汽车嘉宾刘圣祥：作为用户，未来在引入具身智能的时候，是更倾向于选择开源开放生态，还是交钥匙的方案？您的选择标准是什么？蔚来现在是否已经在某些环节开始实现了一些具身智能的试点探索？

蔚来汽车制造运营中心总监刘圣祥回答道：在工业智能、离散制造业里，实际上，具身智能是能获取价值的途径。在这个过程中，人们立足于场景，看端到端的交付。这里不仅是看模型和算力，首先要做场景的产品定义。如何让具身智能做到收敛？肯定是要对于场景的复杂度尽可能地去简化。

因为从机电一体化多年积累的经验，可以让我们简化这个场景对变化对象变化作业，对模型收敛的高要求。然后在这个基础上，我们要去做生产制造过程中的工业模型和具身智能模型的结合，才能够实现场景落地。

所以在开发过程中，传统制造业也要建立内在的对于具身智能的产品定义能力、模型选择能力、算力部署能力。在这个基础上，我们和我们的生态合作伙伴，包括模型专家、数采厂家、机器人厂家合作，解决实际的场景问题，实现产业化的落地。

合作模式有多种多样。譬如利用开源的模型，但是你用开源的模型最终实现部署，还是要本地部署，数据不能出企业，工业用户可以和提供闭源模型的具身智能的厂家，或者机器人厂家来合作，来解决场景的问题。所有的指向只有一个，就是最终能够端到端解决场景问题，实现价值变现。

5 未来机器人操作系统会一统天下吗？

未来机器人操作系统会像PC时代的windows一统天下，还是像手机时代至少有两个主流的生态——Android与iOS并存？这对开发者友好吗？

穹彻智能研究科学家吕俊认为这很难给出答案，因为它是预测未来。

现在很显然各家肯定有各家的系统，还没有任何融合。原因，第一点还是行业属于早期，很多公司内部尚且做不到有一套算法和平台，可能在每个交付场景里尚且需要有两个操作系统——这倒不是说人们做得不好，而是现在具身智能的技术还没有做到这种跨场景的真正应用。但是这其实也是一件好事，因为在内部这样不同的系统中，人们可以去摸索到底什么样的系统实用性更强，放大到整个行业，不管是操作系统层面，甚至再放大到数据采集的层面，模型训练的层面，人们会在一场研讨会上听到非常多不同的方案，这都是一件好事。

对于这种尚未发展好的行业，其实过早收敛是糟糕的。所以至少在当下这个时间节点，在技术不成熟的情况下，最好的方式一定还是人们有一些积极的探索。但是未来期待在整个生态链上会诞生一两家能够提供比较稳定可靠的操作系统，能够兼容不同的模型、兼容不同的数采设备的公司出来，因为这样，从做研究和做算法的角度，吕博士还是比较朴素地希望少一些这种竞争和赛马，多一些资源的整合，然后更多地把有限的资源投入到研究中。因为首先具身一定会是一个烧掉非常多钱的一项事业，qqici 这里面也会存在一些甚至到国家和国家之间的竞争。

6 展望今年下半年的重大变化

2026年下半年，具身智能领域最大的变量或者惊喜是什么?

穹彻智能研究科学家吕俊认为，从研究的角度，他比较期待刚才千寻提到的数采计划，相信其实非常多的公司都有。然后期待更大的数据，催生更大的模型，有更好的效果。

大晓机器人战略总监周泉：也希望基于这个场景的快速落地，能够把整个数据飞轮跑起来，让模型能够具有更强的泛化能力和落地的应用性。

千寻智能 科研生态总监 徐国强：也很期待由大量数据训出来的模型，它能达到的程度决定了具身智能未来，例如基于大量的数据，到底能够把具身智能做的是更像人还是其他的方向。

跨维智能 CMO 林嘉伟：期待能落地到更多的场景，给从业者和社会上或终端提供方有更多想象的空间。

蔚来汽车制造运营中心总监刘圣祥：预计在生态上下游伙伴的通力合作下，下半年会涌现更多可以在工业场景落地和商业化的具身智能应用。