外滩大会追问具身智能：百万小时数据，真能让机器人更聪明？

数据狂飙：百万小时不等于更聪明

今年外滩大会期间，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在接受界面新闻等媒体采访时表示，具身智能的内核归根到底是泛化。相较于去年，机器人已被放进越来越多具体场景。9月9日至12日，2026 Inclusion·外滩大会在上海举行，1.5万平方米科技展吸引300余家企业参展，其中40多家具身智能厂商亮相，展示取药、工业装配、洗衣折叠等任务，部分应用已进入真实经营场景。但许华哲预计，今年会批量看到真正意义上的泛化——同一个模型在不同地方完成一系列任务，这是过去三年未见的。

数据成为焦点，与机器人本体放量有关。SmartAnalyticsGlobal数据显示，今年上半年全球人形机器人出货约1.91万台，同比增长272%，中国厂商占比超97%，工业与商业应用占比超70%。但硬件放量已快于技术成熟度，真实世界数据、模型能力、可靠性、操作精度、安全和成本仍限制部署。过去一年，几十万小时、百万小时频繁出现在数据集中。许华哲认为，这恰恰被高估：百万小时比十万小时多一个数量级，容易比较，但数据数字越高，模型效果不一定越好。按当前价格，一小时数据可能数百元，百万小时投入可达数亿元，若不能用于训练，代价不小。他主张“边扩边找，边找边扩”，先确认什么数据有效。

仿真、真机与世界模型：没有统一答案

苏度科技联合创始人、CEO韩铮认为，具身需要的是结构化、多样和高质量的数据，仿真与真机并非二选一。部分抓取技能可依靠仿真训练再迁移到真机；电池组装等有明确工序的任务，或折叠布料等柔性物体操作，仍需真实世界演示。蚂蚁灵波科技首席科学家沈宇军提出，行业常谈Sim-to-Real，真正困难的也可能是Real-to-Sim：现实传感器中的噪声、误差和触觉信号差异，能否规模化搬进仿真系统。真实数据也并非采回来就能用。香港大学罗平提到，直接采集药剂师工作的数据，任务真实但质量“差到离谱”。极佳视界朱政称，部分数采项目缺乏模型公司直接控制，约90%数据被浪费。

世界模型成为另一条路线。忆生科技杨言超将其能力概括为理解与预测未来、从数据中提取结构并形成记忆、依靠记忆持续学习。当现实试错昂贵时，先预测动作后果更有价值；但简单任务不一定需要。与此同时，通用大模型开始控制机器人。OpenAI发布GPT-6Astra并向部分机构开放后，社交媒体出现Astra直接控制机械臂的视频。许华哲团队测试后认为，Astra在语义和空间能力上很强，能识别桌面物体、抓起筷子甚至插进杯子，但进入叠衣服、复杂接触等任务表现明显下降，“这也是具身机器人公司最后的阵地，就是怎么样理解这个物理变化”。他判断两类模型未来更可能配合：通用大模型负责语义理解、推理和任务拆解，具身模型解决连续控制和复杂物理交互。

从Demo到付费：差的不只是更大模型

到了真实产线，要求比展台演示严格得多。韩铮提到，大量工业任务商业化的前提是高成功率，更多任务要求第一次执行接近100%，同时不能每进入一个新工位就重新采大量数据、把模型重新“过拟合”一遍。算法之外，机器人进产线还会碰到元器件和整机一致性问题。当前一些基础元器件尚未经过上万小时连续运行检验，即便相同硬件，末端仍可能出现细微偏差，算法也需适配。

沈宇军提醒，客户实际算的是整套系统的账，需要完整人形还是双臂、硬件成本、传感器稳定性、部署维护成本都要考虑，模型只是其中一环。自变量机器人创始人兼CEO王潜表示，“客户能够可持续地付钱，并且这个付钱越来越多”，才是最终判断标准。这一代机器人不能只是用新技术重做传统自动化，而要解决过去自动化设备难以解决的任务，并跑出可接受的ROI。

对通用机器人公司，成功率门槛更高。许华哲举例，语言模型以50%成功率回答，用户可继续追问；机器人若只有50%成功率，可能把杯子摔碎。固定场景后训练能较快形成收入，但这一代具身智能真正想解决的，是基础模型能否逐渐拥有通用能力。宇树上市后的股价波动，也让市场重新讨论机器人公司的估值。8月19日，宇树上市首日股价一度冲至1100元，随后波动。具身智能的热度仍在，但数据、模型、硬件与商业闭环，远未到终局。