留在具身智能牌桌上要具备哪些能力？这场沙龙聊了共识与非共识

发布时间：2026-07-17 08:19:23 来源：安智兰德资讯网 作者：焦点

当前，留具龙聊具身智能行业在经历本体构型的身智识初步收敛后，正迅速进入新一轮激烈的牌能力技术竞赛。VLA（视觉-语言-动作）与世界模型两条技术路线并行发展，桌上争夺下一代具身智能模型的具备主导权。

近日，场沙由联想控股微空间、共识联想之星及融科资讯中心联合发起的非共“科技有「联想」”首场沙龙“硅基进化论”上，行业专家就未来格局达成初步共识：行业最终将走向专业化分工。留具龙聊然而，身智识在分工格局确立之前，牌能力企业必须避免被过早淘汰出局。桌上

宇泛智能科技股份有限公司 CFO 戴恺指出，具备从长跑视角看，场沙机器人行业尚处早期，共识“若通用机器人满分100分，目前行业仅得40-50分，尚未及格。每提升5到10分，都将引发一轮残酷的大洗牌。”

6月30日，“科技有「联想」”首场沙龙“硅基进化论”现场。

核心竞争：融资能力与场景落地

“这一年的主旋律是融资能力与场景落地能力。”戴恺强调。

具身智能属于典型的资本密集型行业，高昂的人力与研发投入是常态。戴恺坦言，当前初创企业面临严峻的人才争夺战，年薪200万级别的高端人才必须与互联网大厂正面竞争。

在场景落地方面，行业仍处于早期探索阶段。中国科学院自动化博士、优宝特智能机器人创始人范永表示，目前应用主要集中在相对封闭的结构化工业场景，如分拣、物流转运及数据采集等，这类场景技术门槛相对较低。

• 下一步方向：更复杂、特殊或高危场景。
• 短期难点：商场、医院、餐饮等商业服务场景因技术成熟度不足，短期内难以大规模落地。

此外，交付能力成为新的分水岭。行业共识认为，具备量产能力仅是基础，能否真正适应现实场景的复杂性才是关键。范永透露，优宝特正着力解决生产一致性、流水线建设、按时交付及售后客服体系等现实问题。

谁会被淘汰？范永判断，缺乏核心技术、真实落地场景能力以及资金链断裂的企业将在洗牌中倒下。戴恺补充道，技术迭代速度与企业跟进能力是核心变量。宇泛智能采取“全栈聚焦”策略，仅在两个核心场景深耕，重点突破“大脑”层面的空间感知与决策算法，以此反哺“小脑”和本体控制。

从投资视角看，联想之星合伙人高天垚指出，投资人目前更看重底层模型能力，但这并不意味着其他能力无关紧要。“产业生态呈螺旋式上升，拥有跨领域综合支撑能力的公司才能最终胜出。”

数据瓶颈：规模欠火候，路径存分歧

大规模数据是具身智能发展的共识，但在数据类型、量级需求及技术路径上，行业仍存在显著分歧。

数据范式的转变

智在无界合伙人郑思鹏指出，行业认知已从关注“真机数据”转向重视“人类视频数据”。

• 过去：依赖真机数据适配VLA模型的监督学习范式。
• 问题：监督学习泛化能力差，且真机数据仅覆盖机器人可行空间的极小部分，无法填满预训练所需的全空间分布。
• 现状：人类视频数据的重要性日益凸显，被视为必留模态。

云松鼠智能创始人黄骏达表示，虽然人类数据价值巨大，但在操作层面仍存在诸多开放式问题，尚未被充分利用。无问智科创始人刘盛翔认为，第一人称视角（人类）数据最具扩展潜力（Scale up），但需结合仿真合成数据以修正物理世界分布偏差。

非共识观点：降低采集门槛

幂特科技联合创始人、CTO 王志成提出一个非共识观点：当前依赖额外专用设备的采集范式仅是过渡状态。他主张利用智能手机、监控摄像头等普通大众设备采集的视频数据，降低数据获取门槛，为具身智能贡献价值。

数据量级参考

关于“多少数据才够”，郑思鹏基于Meta V-JEPA 2.1及智在无界 Being-H 0.7的效果给出参考：
* 数据规模：需达到 100万小时以上。
* Token数量：约 10T。
* 模型能力：可训练出百亿参数的多模态模型，并出现性能明显拐点。

技术路线：世界模型与VLA的融合与迭代

尽管押注模型是厂商共识，但具体技术路径尚未收敛。

• 刘盛翔：倾向于世界模型将持续突破。VLA并非不可用，而是需结合场景。参照自动驾驶演进（端到端 -> VLA -> VAM -> WAM），未来可能是世界模型与VLA的融合。
• 黄骏达：技术范式将持续迭代，甚至世界模型内部参数也会变化。方向指向端到端，VLA与世界模型不互斥（如π0.7已有相关研究）。
• 王志成：物理世界遵循统一规律，所有路径终将统一。VLA与世界模型均以不同维度拟合物理世界。
• 郑思鹏：世界模型正从监督学习向自监督/半监督学习演变，这是Scaling up的必经之路。

在显式与隐式模型之争上，郑思鹏指出成本差异巨大：
* 显式模型（如英伟达Cosmos）：50小时数据需4000小时GPU算力训练。
* 隐式模型：同等数据仅需50小时GPU算力。
* 差距：两者算力需求相差约 80倍。若显式模型扩展至20万小时，单次训练需数千万至上亿GPU算力，成本极高。

相关文章