当具身智能走到十字路口｜对谈苏度、蚂蚁灵波、自变量、破壳：四种一线判断

2026 年 9 月的外滩大会主会场，一场 43 分钟的圆桌，四位嘉宾没有吵出结论。主持人 Koji 把问题切成三块：数据从哪来，智能从哪来，钱从哪来。台上四个人给出的答案彼此并不兼容。

苏度科技联合创始人兼 CEO 韩铮押仿真，蚂蚁灵波科技首席科学家沈宇军把传感器的误差当作第一性前提，自变量机器人创始人兼 CEO 王潜认为智能的本体在数据里、模型只是容器，破壳机器人创始人、清华交叉信息研究院助理教授许华哲刚用 GPT-6 Astra 指挥机器人做了一盘麻婆豆腐，转头说物理接触才是具身公司最后的阵地。

这场对话的价值在于分歧被摆上了台面，而且没有被强行收拢。仿真与真机、通用模型与专用模型、后训练现金流与基础模型跃迁，每条岔路都有人押注，也都有人给出反驳的理由。下面按现场顺序，把四种判断拆开讲。

数据之争：仿真派和真机派各自握着什么 0:00

韩铮的立场有两句话。第一句是坚信仿真，第二句是真机数据也非常有用。

苏度从 2015、2016 年就开始做机器人仿真器和合成数据，公司化之后经历过两轮迭代。2024 年他们做了一个彻底重构的闭源仿真器和数据管线，到 2025 年 11、12 月跑出结果，2026 年 4 月对外放出：抓取、放置、组装这几类任务，在物体、环境、光线几乎不受限制的条件下，成功率接近 100%。

开源仿真器和英伟达 Isaac 在他们内部看仍有局限，撑不起大规模预训练和基于模型的强化学习。韩铮提到一个行业信号：美国同行最近也在加强仿真器能力，沈宇军的一位还没毕业的学生刚加入美国一家公司，担任仿真器核心负责人。

沈宇军先澄清，灵波没有坚决只选真实数据。预训练阶段，互联网数据和真实物理世界采集的数据作用更大；回到某个具体任务，仿真数据有价值，自动驾驶就是例子。

真正的分歧在预训练的路线选择。沈宇军的推理起点是机器人只能靠身上的传感器获取观测，没有键盘，没有外部输入通道。而传感器一定有误差，这是物理条件决定的。

机器人所有的观测，一定只能来自于它身上的传感器。

由此他提出一个常被忽略的方向：行业讨论了很多 sim-to-real 的差距，真正难的是 real-to-sim 的规模化。能不能把传感器噪声、把底层物理特性搬进仿真器，并且这个过程可复制，决定仿真能不能支撑通用能力。搬不进去，只谈 sim-to-real 差距缩小，价值有限。

他举了触觉的例子。市面上有公司提供触觉仿真，灵波测过很多真实触觉传感器，信号和仿真结果千差万别，频率、幅值、传感器之间的一致性都对不上。

Astra 是不是降维打击 8:18

GPT-6 Astra 发布那周，社交媒体上全是它直接控制机械臂和灵巧手的视频。行业里冒出一种说法，具身智能要被通用语言模型降维打击了。

王潜的第一反应是这事不奇怪。Astra 这一版模型里训进了大量机器人数据，OpenAI 和 Anthropic 从 2025 年初就在大量采购机器人数据，自建小规模数据工厂，还招了很多机器人方向的人。一个本来就极强的多模态模型，再加这么多机器人数据，能控机械臂很正常。

他给了自己的判断框架。

今天智能的本体是存在于数据里面的，模型在训练时是蒸馏器，在部署时是容器。

王潜补了一句，今天要做一个前沿 AI 系统，模型本身的作用已经变得极小。语言模型每个版本的提升，很大一部分来自更好的数据，团队大部分时间花在造数据、挑数据、验证数据、标注数据上。哪个领域先被解决，取决于哪种数据最容易被制造和验证。coding 最先突破，因为代码容易生成也容易验证；接着是数学；然后是 3D 和视频生成，这两类不容易验证，但相对容易标注。

所以问题变成：OpenAI 或 Anthropic 要做具身，是否仍要建同一套数据基础设施、验证基础设施、仿真器、现实世界的 evaluation，是否还要碰硬件。答案如果仍然是肯定的，那它只是另一家具身智能公司，基础模型上的优势不能降低这些难度，智能天花板和发展速度不会因此明显提升。

第二种担心更实质：通用智能能不能从别的领域泛化到具身。王潜认为可能性很小。语言模型历史上没发生过这种事。coding 能成，靠的是预训练里加了海量代码数据、代码验证基础设施成熟，跟对话能力关系不大。数学也没有因为 coding 的成功自然变强，两个能力在预训练里会打架，现在的做法是先训 coding expert、再训 math expert，最后用蒸馏之类的办法合起来。视频生成模型已经很强，却没有自然转化成机器人动作层面的优势。

他反而从 Astra 得到一个正面信号：预训练是 work 的，通用数据至少是 bonus，不该是坏事情。最后可能出现的情况是，OpenAI 把这套基础设施融进通用大模型，创业公司做行业专用模型，差距没有想象中大。通用大模型没法在机器人上以合理速度推理和部署，一个单纯的具身模型反而效率更高。

麻婆豆腐证明不了模型变好，物理接触才是硬骨头 14:42

破壳机器人拍过一条机器人做麻婆豆腐的视频。许华哲在 Astra 开放使用的当天就做了测试，他给的评价很干脆：惊艳，但强项和弱项分得很清楚。

把具身任务拆成三种泛化：语义泛化、空间泛化、物理泛化。Astra 在语义和空间上很强，物理上相对弱。

给一个 prompt，桌面上东西全认识，真假、类别都不影响，它会朝对的方向走。以前的 VLA 或大模型常常走到位置就开始乱动，Astra 能抓起来，还能抓很难抓的东西，比如桌面上的一根筷子，以往机器人得顶到桌面、打滑一下才抓得起来。它还能把筷子立起来插进杯子，说明三维空间的理解也不错。

换成带物理接触的复杂任务，它就不行了。用筷子挑开一个东西，失败。叠盒子、叠衣服这类具身公司常做的演示，也做不了。hand over 这类动作，测很多次成功一两次。麻婆豆腐属于最复杂的任务之一。

许华哲举了一个抓水果的例子，说明物理交互绕不开真实数据。菜市场的水果会腐烂，训练通常用泡沫玩具水果。泡沫水果可以用大力气抠着揪起来，真菠萝怎么使劲都不行，得去抓上面那片绿叶子。大多数具身模型没有这个能力：抓一下，判断它是泡沫还是真货，再决定换不换抓法。Astra 能提供这种带 cot 的反馈，先抓，判断类型，再调整。

他的结论是系统拼接：把具身模型接到 codex 或者某个 harness 环境里，让上层模型负责语义判断，具身模型负责跟物理世界打交道。真正能解决问题的形态，是大模型、具身模型、物理世界连成一个完整系统。

具身模型会成为上层模型的工具 19:08

沈宇军在这题上比许华哲更激进。他认为具身会反过来影响云端模型的发展路径。

他的出发点是工作方式的差异。数字世界的模型是轮式对话，你问一句它答一句，回答的时候你很难插话。机器人不一样，它工作时传感器一直在给输入，推理过程中输入还在进来，模型要根据新输入随时改变推理，这个过程不能被打断。所以具身模型需要自己的训练范式，输入是持续的数据流，输出是 policy。

具身模型最后会成为更高阶模型使用的一个工具。

反过来，机器人走进生活之后带来的数据，可能成为大模型公司的新语料。沈宇军举了人与人对话的例子：外面突然下雨，我说话的方式会变；对方脸色不好，我原本要说的话可能就咽回去了。现在云端模型藏在屏幕后面，只需要处理视觉和语言。机器人真要跟人对话，它能拿到的信息量大得多，温度、天气、环境变化都会影响输出。他甚至提到，机器人可以主动推荐，不只是回答问题。GPT-6 已经能到这种水平，在他看来是好事。

韩铮补了分层的视角。上层负责抽象理解，会分层；底层是机器人的基础技能。他重申自己几年的判断：Physical Intelligence 最大的对手是 OpenAI，最近还要加上 Anthropic，DeepMind 一位 robotics 研究员刚加入 Anthropic。底层技能的高成功率和泛化性必须跟上层模型同等水平，成功率不高的技能配上很强的上层模型，衔接处会非常致命。

他提到 2025 年底苏度那场演示没讲的部分：通过语言交互调用千问模型理解周边环境和物体，一条抽取式指令会被拆成若干 reasoning 生成的步骤，最后靠极其可靠稳定的底层操作完成动作。Astra 出现之后，这个「上层模型加底层技能」的思路重新被拿到台前。

跨过泡沫的指标：成功率、续费、部署小时数 24:48

外界的质疑很直接：demo 很多，融资很热，真正能规模复制、让客户持续付钱的场景在哪里。

韩铮先答，他把商用要求拆成两条。第一条是高成功率，这是绝大多数任务的前提。一百个任务里，大概只有一到五个能容忍 80% 的成功率，允许二次纠正；剩下九十几个任务，第一次做和快速纠错时几乎都要接近 100%。第二条是泛化性，这是机器人跟传统自动化设备的区别，而且不能靠大量后训练成本去补，否则每来一个新场景就要过拟合一次。再往后是设备可靠性和服务能力。

王潜的答案只有一个：客户能可持续地付钱，而且付得越来越多。他补了一句现实观察，现在不少付费方式并不可持续，有些其实是上一代自动化的生意，天花板已经清楚。他提到自变量最近在物流场景做到了传统机器人做不到的事，ROI 超过人类水平。公司一定要赚钱，有钱才能训更大的模型，语言模型公司也走过同样的路，早期完全不赚钱，到了某个阶段商业化反过来推动前沿。他给了一个有点反直觉的判断：过早商业化有害，但行业也许已经过了那个时间点。

许华哲把商业化分成两类。后训练类是一单一单做闭环，比如在小区门口摆一个关东煮摊，机器人全包。核心指标很传统：花多少小时能稳定部署，能复制多少个摊位，算效率和 ROI。另一类是基础模型跃迁，短期看不到经济收益，但它是阶跃式的。

他对比了语言模型和机器人的用户感受。语言模型 50% 成功率输出一个答案，你跟它聊几轮，大概率能拿到有用结果，体感是「真有用」。机器人 50% 成功率干一件事，有一半概率把杯子摔了，体感是「真没用」。

这个 50% 是面对所有任务、面对全世界的 50%。

所以即使难用，也要追求具身的大模型化，从 50% 到 60%、70%，一直到 99.9%，那才是这一波真正的商业化。后训练带来的现金流是短期的，真正值得等的是基础模型某一刻跨过阈值，开始吃掉物理世界的很多场景。

五年后回看：什么被高估，什么被低估 31:16

韩铮说被高估的是中国供应链的先进程度。选择确实多，但具身智能需要的供应链，成熟度跟迭代需求还有距离。传感器、关键组件散落在汽车供应链和工业机器人供应链里，离大工业制造水平有差距。他判断这个问题在中国一定可以解决，需要的是数量和磨合。

被低估的是稳定技能的铺开速度。他不太悲观：稳定可靠的底层技能，加上各家在上层做的模型组合，接下来一到两年，某一类任务会在各个行业里长得非常像，很快会被处理掉。所有任务都做到 99.9%，那确实需要很长时间。

沈宇军说被低估的是具身作为复杂系统工程的程度。大家把商用成本、解题成本都挂在模型性能上，实际上一单生意要不要用完整机器人，还是只用双臂就够，最后算的是成本账和系统鲁棒性，模型只是其中一环。

被高估的是训练模型的技术。行业里两种声音他都不同意：一种认为数字世界的模型会降维打击具身，另一种认为攒一波物理数据、照搬语言模型的训练方式就能训出具身模型。他的判断是，具身会走跟数字世界相同的模式，技术路线不会相同，因为应用场景决定了模型形态。机器人一边工作一边推理，不可能像对话模型那样不用时就关掉，它要 7×24 小时持续处理物理世界的信息。训练技巧被高估了，它没有那么像魔法。

王潜说被低估的是具身的重要性和潜力。大家嘴上承认具身是 AGI 的重要部分，实际理解还不够。他做过物理研究，知道大量创新来自物理直觉，另一条路是逻辑推理，也就是数学那套深度搜索的能力。人类科学研究里，这两套思维方式没法互相弥补，构建真正的 AGI 也绕不开从真实世界、从仿真里获得并注入的这部分能力。

他把话题拉到 RSI。硅谷和国内最近对自我进化既有狂热也有恐惧，他的判断是，以当前语言模型的能力，完整的 RSI 实现不了，缺的那一环是物质上的再制造。模型可以改自己的训练方式、改流程，但建数据中心、造芯片、发电，语言模型做不了。美国数据中心建设已经成了实质阻碍，还要靠人浇钢筋混凝土、调半导体工厂的参数。

他开了个玩笑：Anthropic 今天把员工全换成 agent 去开发下一代模型，会变慢，因为人的 taste 还很重要，但大概率还是能开发出来；半导体工厂里没有人，全靠 AI，肯定不行。五年之后，具身智能能干这件事，真正意义上的 RSI 才会到来。他描述了一个画面：今天一个人开一堆 agent，几个小时做出一个 App；五年后造一架飞机，也许能像今天做 App 一样简单，整条生产流程闭环，人类经济出现某种「硅基脱离碳基」的时刻。他也补了一句保留：不知道这个未来是好是坏，尤其在美国语言模型公司道德水平如此低下的今天。所以他认同沈宇军，具身公司也应该把数据放进语言模型，也许每家公司最后都会训自己的语言模型。

许华哲压轴。被高估的是对数据量的追求。市面上有人说自己有 100 万小时，有人说几百万小时，还有人说谁谁谁买了多少数据，不买就落后。已经有一些用超大体量数据训出来的模型，效果并没有超过预期，也不比几万小时训出来的更好，盲目追量这件事被严重高估。

被低估的是具身模型的进展速度。行业普遍说通用具身要五年十年，在他的视角里是三年内，具身就能在很多地方提供通用服务，而且这些服务不依赖后训练堆出来。

四个人没有投票，也没有形成共识。但这场对话给出了几条可以带走的判断线。

看一家具身公司，先看它的数据管线能不能规模化复制。仿真路线的关键不在 sim-to-real 做得多好，而在 real-to-sim 能不能把传感器噪声、触觉这类不完美搬进去，并且一次搭好、反复使用。真机路线的关键是采集效率和质量，别把「数据多」当成护城河，100 万小时的模型不一定打赢几万小时的模型。

看技术进展，别只看 demo 里机器人会不会做麻婆豆腐。语义和空间泛化已经被 Astra 这类通用模型大幅拉平，真正稀缺的是物理接触、力觉反馈、失败后自我纠正这些能力。上层模型越强，底层技能的成功率就越不能含糊，衔接处的短板会放大成事故。

看商业化，短期用两个数：稳定部署一个场景要多少小时，客户第二年续费涨了多少。长期看一条曲线：基础模型在开放任务上的成功率从 50% 往上爬的速度。前一个数决定公司这三年活不活得下去，后一个数决定十年后还有没有这家公司。