具身智能真实商业化落地究竟卡在哪儿？训练机器人到底该依赖真实数据还是仿真数据？判断具身智能真正进入产业阶段的核心指标是什么？
9月10日，在2026 Inclusion•外滩大会“物理智能——分歧与抉择”圆桌论坛上，苏度科技联合创始人、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、CEO王潜，以及破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲四位一线从业者，围绕具身智能数据路线、商业化判断标准等展开深度对谈，拆解具身智能从技术演示走向产业落地的核心逻辑。
图为2026 Inclusion•外滩大会“物理智能——分歧与抉择”圆桌论坛现场。中国经济网记者 李月华 摄
关于具身智能的分歧之一，来自底层的数据路线选择。
“我们坚信要使用仿真，但同时我们也坚信真实世界的数据是非常有用的，并不是纯粹用仿真。”在韩铮看来，真实世界的数据采集效率低、质量往往受限，仿真是具身智能绕不开的核心路径，可支撑大规模强化学习预训练。两者并不是非此即彼的对立关系，未来更可能形成分层互补的技术格局。
数据的价值也不等同于数据规模。许华哲提醒，当前行业对数据量本身存在一定程度的高估，“一百万小时”“几百万小时”并不天然意味着更好的模型。相比单纯的时长规模，数据的质量、场景分布与训练方式，可能才是决定物理智能水平的核心。
当路线之争回归产业现实，“什么才算真正进入产业阶段”成为更尖锐的拷问。四位嘉宾给出了不同的衡量尺度，最终都指向同一个核心：机器人能否稳定、规模化地创造真实价值。
韩铮将高成功率视为商业化的核心前提。他表示，具身智能的商业化底层逻辑与传统工业机器人、自动化一脉相承——绝大多数任务必须达到极高成功率，才具备商用价值。在此基础上，具身智能还要具备对物体与环境的泛化能力，不能靠高昂的后训练成本实现场景适配，否则每进入一个新场景都要做大量过拟合调整，不具备规模化复制价值。
王潜给出了更直接的商业判断标准：“如果非得说一个指标的话，那就是客户能够可持续地为新技术付钱，并且付得越来越多。”在他看来，本代具身智能机器人的真正价值，不应该只是复刻上一代自动化的能力，而要解决过去解决不了的问题，创造真实增量价值。
王潜透露，目前自变量机器人已在物流场景实现突破，完成传统机器人无法胜任的任务，且投资回报率超过人类作业方案。他认为，行业已进入商业化与前沿研发互相促进的正向飞轮阶段。
许华哲则将具身智能的商业化分为两类，对应不同的判断指标。一类是后训练类定制场景，即针对特定场景做定制化闭环落地，核心指标是部署周期与ROI，逻辑与传统工业机器人类似，靠效果与成本的平衡实现复制扩张。另一类是这一波具身智能真正的标志性跃迁——基础模型通用能力的阶跃式提升。
他解释了大众的体感差异：语言大模型50%的成功率可以通过多轮对话拿到满意结果，用户依然觉得有用；但机器人50%的成功率意味着一半概率打碎杯子，用户会觉得完全不可用。但这50%是面向所有任务、所有场景的通用成功率，当这个数字从50%逐步提升至99.99%时，才能真正实现具身智能规模化商用。他乐观预计，三年内具身智能就可以在很多场景提供通用服务，而非仅针对特定场景的定制化落地。
从Demo走向产业化，考验的从来不只是模型，更是一套完整的系统工程。
沈宇军说，行业容易陷入一个误区：把商业化能否落地几乎全部归因于模型性能，但模型只是其中一环。真实场景中，客户最终购买的是一套能够稳定运行的系统。硬件成本是否合理、传感器是否可靠、系统能否长期稳定运行、部署和维护成本能不能被客户接受，这些问题都会直接影响商业化能否成立。
这场关于场景与落地的深度讨论，最终没有非此即彼的答案，却指向了共同的产业门槛：模型要有泛化能力，执行要足够可靠，系统成本要成立，客户还要愿意持续付费。对于整个行业而言，真正的分水岭从来不是哪一个Demo更惊艳，而是哪一条技术路线能率先把“物理智能”变成稳定、可复制、可规模化的真实生产力。（记者 李月华）
(责任编辑：佟明彪)
