从样板点到规模化：具身智能卡在哪？

外滩大会三问具身智能：模型、数据、生态如何突围？

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。