【TechWeb】 过去一年具身智能很火热，却一直没有回答关键问题：训练机器人到底更应该依赖真实数据还是仿真数据？通用大模型会不会 「降维打击」 具身模型？机器人什么时候才能真正进入可持续商业化？
在 2026 Inclusion·外滩大会上，苏度科技联合创始人兼 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兼 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就上述问题展开了讨论。
值得一提的是，四位业内人士坐在一起，不是来统一口径的，反倒把各自的分歧摊开讲了个痛快。
数据：仿真和真机，不是一道站队题
具身智能的第一个分歧来自数据。韩铮先亮明态度：苏度坚信仿真，但这句话后面还有半句——真实世界的数据同样有用。
他回顾，团队从 2015、2016 年就开始做机器人仿真器和合成数据，后来真正商业化，才发现科研和落地是两回事。2024 年之后，他们重构了数据系统和仿真器管线，到去年底、今年 4 月放出的结果里，抓、放、组装这类任务在物体、环境、光线组合变化下，已经能做到接近 100% 的成功率。
不过，韩铮也没把仿真说成万能，仿真器本身仍有局限，业内重新加强仿真能力，本身就是一个信号。他强调，仿真与真实数据并不是非此即彼，最终更可能形成分层和组合。
沈宇军则把灵波的立场说得很清楚：不是 「坚决选真实数据」，而是不同阶段用不同数据。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；具体任务里，仿真依然有价值。
他更担心的是，Real-to-Sim 的规模化，机器人最终只能靠身上的传感器去感知世界，而传感器一定有误差。比如触觉信号，真实传感器拿到的频率、幅值、一致性，和仿真里造出来的常常千差万别。如果这些不完美没法规模化地搬进仿真器，只谈缩小 Sim-to-Real 的 Gap，价值就有限。
许华哲也提醒，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。数据规模之外，质量、分布和训练方式可能更加重要。
智能：Astra 很惊艳，但还缺物理这一课
GPT-6 的 Astra 直接控制机械臂，让 「具身智能要被大模型降维打击」 的说法又热了起来。
王潜并不认同这一判断。他的核心观点是，「智能的本体存在于数据里」，模型更像蒸馏器和容器。Coding 之所以先被解决，是因为代码数据最容易制造、也最容易验证。如果 OpenAI 或 Anthropic 真要做具身，仍然要建数据基础设施、验证体系、仿真器，要到现实里做评估，甚至碰硬件。这些难度不会因为拥有一个更强的语言模型而自动消失。
许华哲的测试感受更具体：Astra 的语义和空间泛化很强，桌面上的东西基本都认识，抓筷子、插杯子、handover 也能做。但一碰到 Contact-rich 任务，比如用筷子挑东西、叠盒子、叠衣服，就不太行了。
他举了真假菠萝的例子，泡沫水果可以靠大力抠起来，真菠萝却得找叶子。具身模型必须知道自己在抓什么，再决定怎么抓。未来应该是大模型、具身模型和物理世界连成一个完整系统，而不是谁替代谁。
沈宇军补了一层：机器人身上的模型要源源不断接收传感器输入，不能像对话模型那样一轮一轮被打断。它可能会成为更高阶模型的工具，但反过来，具身场景里那些天气、温度、人的脸色之类的现实信息，也可能给云端大模型新的养料。
场景：客户持续掏钱，比 Demo 更重要
聊到商业化，质疑很现实：Demo 多、融资热，但能规模复制、持续付费的场景在哪？
韩铮认为，高成功率是前提。很多任务第一次就要接近 100%，还要有泛化性，不能靠大量后训练去过拟合，设备可靠性和服务也绕不过去。
但沈宇军认为，行业还容易陷入另一个误区：把商业化几乎全部归因于模型性能。在真实场景中，客户最终购买的不是一个模型指标，而是一套能够工作的系统。是使用一台完整的人形机器人，还是只需要一套双臂？硬件成本是多少？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？这些问题都会直接决定商业化是否成立。
「具身是一个复杂的系统工程。」 在沈宇军看来，模型只是其中一环。真正落地，要综合考虑硬件、模型、系统鲁棒性、部署方式和最终 ROI，而不能把所有场景问题都归结为 「模型还不够强」。
王潜则给出了一个更加直接的判断标准：客户能否可持续付钱，而且越付越多。最近他们在物流场景里做到了传统机器人做不到的事，ROI 超过人类。商业化不是前沿的对立面，有了钱才能继续做更大的模型。
许华哲认为，真正属于这一代具身智能的跃迁，是基础模型面对大量未知任务时，也能不断提高成功率——从 50%、60%、70%，最终走向工业场景所需要的 99.99%。因此，这场 「场景之争」 的答案可能并不是寻找某一个杀手级应用，而是同时跨过几道门槛：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。
对于未来五年，几位嘉宾反而普遍更加乐观。沈宇军认为，完全有可能会诞生一种完全新的技术。许华哲判断，通用具身服务的出现可能不需要五年、十年，「三年内就可以在很多地方开始服务」；王潜则认为，今天人们甚至低估了具身智能本身的重要性——数字世界的 Agent 已经开始重构软件生产，而只有当 AI 真正获得改造物理世界的能力，人工智能对生产体系的改造才可能形成完整闭环。
回到开头的问题，这场讨论没有给出标准答案，但把分歧摆得很清楚：数据要混着看，智能要分层做，场景要算真账。具身智能不是某一夜突然降临，它更像一场长跑，谁能把成功率、泛化和成本同时跑通，谁才有资格谈未来。
【TechWeb】 过去一年具身智能很火热，却一直没有回答关键问题：训练机器人到底更应该依赖真实数据还是仿真数据？通用大模型会不会 「降维打击」 具身模型？机器人什么时候才能真正进入可持续商业化？
在 2026 Inclusion·外滩大会上，苏度科技联合创始人兼 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兼 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就上述问题展开了讨论。
值得一提的是，四位业内人士坐在一起，不是来统一口径的，反倒把各自的分歧摊开讲了个痛快。
数据：仿真和真机，不是一道站队题
具身智能的第一个分歧来自数据。韩铮先亮明态度：苏度坚信仿真，但这句话后面还有半句——真实世界的数据同样有用。
他回顾，团队从 2015、2016 年就开始做机器人仿真器和合成数据，后来真正商业化，才发现科研和落地是两回事。2024 年之后，他们重构了数据系统和仿真器管线，到去年底、今年 4 月放出的结果里，抓、放、组装这类任务在物体、环境、光线组合变化下，已经能做到接近 100% 的成功率。
不过，韩铮也没把仿真说成万能，仿真器本身仍有局限，业内重新加强仿真能力，本身就是一个信号。他强调，仿真与真实数据并不是非此即彼，最终更可能形成分层和组合。
沈宇军则把灵波的立场说得很清楚：不是 「坚决选真实数据」，而是不同阶段用不同数据。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；具体任务里，仿真依然有价值。
他更担心的是，Real-to-Sim 的规模化，机器人最终只能靠身上的传感器去感知世界，而传感器一定有误差。比如触觉信号，真实传感器拿到的频率、幅值、一致性，和仿真里造出来的常常千差万别。如果这些不完美没法规模化地搬进仿真器，只谈缩小 Sim-to-Real 的 Gap，价值就有限。
许华哲也提醒，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。数据规模之外，质量、分布和训练方式可能更加重要。
智能：Astra 很惊艳，但还缺物理这一课
GPT-6 的 Astra 直接控制机械臂，让 「具身智能要被大模型降维打击」 的说法又热了起来。
王潜并不认同这一判断。他的核心观点是，「智能的本体存在于数据里」，模型更像蒸馏器和容器。Coding 之所以先被解决，是因为代码数据最容易制造、也最容易验证。如果 OpenAI 或 Anthropic 真要做具身，仍然要建数据基础设施、验证体系、仿真器，要到现实里做评估，甚至碰硬件。这些难度不会因为拥有一个更强的语言模型而自动消失。
许华哲的测试感受更具体：Astra 的语义和空间泛化很强，桌面上的东西基本都认识，抓筷子、插杯子、handover 也能做。但一碰到 Contact-rich 任务，比如用筷子挑东西、叠盒子、叠衣服，就不太行了。
他举了真假菠萝的例子，泡沫水果可以靠大力抠起来，真菠萝却得找叶子。具身模型必须知道自己在抓什么，再决定怎么抓。未来应该是大模型、具身模型和物理世界连成一个完整系统，而不是谁替代谁。
沈宇军补了一层：机器人身上的模型要源源不断接收传感器输入，不能像对话模型那样一轮一轮被打断。它可能会成为更高阶模型的工具，但反过来，具身场景里那些天气、温度、人的脸色之类的现实信息，也可能给云端大模型新的养料。
场景：客户持续掏钱，比 Demo 更重要
聊到商业化，质疑很现实：Demo 多、融资热，但能规模复制、持续付费的场景在哪？
韩铮认为，高成功率是前提。很多任务第一次就要接近 100%，还要有泛化性，不能靠大量后训练去过拟合，设备可靠性和服务也绕不过去。
但沈宇军认为，行业还容易陷入另一个误区：把商业化几乎全部归因于模型性能。在真实场景中，客户最终购买的不是一个模型指标，而是一套能够工作的系统。是使用一台完整的人形机器人，还是只需要一套双臂？硬件成本是多少？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？这些问题都会直接决定商业化是否成立。
「具身是一个复杂的系统工程。」 在沈宇军看来，模型只是其中一环。真正落地，要综合考虑硬件、模型、系统鲁棒性、部署方式和最终 ROI，而不能把所有场景问题都归结为 「模型还不够强」。
王潜则给出了一个更加直接的判断标准：客户能否可持续付钱，而且越付越多。最近他们在物流场景里做到了传统机器人做不到的事，ROI 超过人类。商业化不是前沿的对立面，有了钱才能继续做更大的模型。
许华哲认为，真正属于这一代具身智能的跃迁，是基础模型面对大量未知任务时，也能不断提高成功率——从 50%、60%、70%，最终走向工业场景所需要的 99.99%。因此，这场 「场景之争」 的答案可能并不是寻找某一个杀手级应用，而是同时跨过几道门槛：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。
对于未来五年，几位嘉宾反而普遍更加乐观。沈宇军认为，完全有可能会诞生一种完全新的技术。许华哲判断，通用具身服务的出现可能不需要五年、十年，「三年内就可以在很多地方开始服务」；王潜则认为，今天人们甚至低估了具身智能本身的重要性——数字世界的 Agent 已经开始重构软件生产，而只有当 AI 真正获得改造物理世界的能力，人工智能对生产体系的改造才可能形成完整闭环。
回到开头的问题，这场讨论没有给出标准答案，但把分歧摆得很清楚：数据要混着看，智能要分层做，场景要算真账。具身智能不是某一夜突然降临，它更像一场长跑，谁能把成功率、泛化和成本同时跑通，谁才有资格谈未来。
【TechWeb】 过去一年具身智能很火热，却一直没有回答关键问题：训练机器人到底更应该依赖真实数据还是仿真数据？通用大模型会不会 「降维打击」 具身模型？机器人什么时候才能真正进入可持续商业化？
在 2026 Inclusion·外滩大会上，苏度科技联合创始人兼 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兼 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就上述问题展开了讨论。
值得一提的是，四位业内人士坐在一起，不是来统一口径的，反倒把各自的分歧摊开讲了个痛快。
数据：仿真和真机，不是一道站队题
具身智能的第一个分歧来自数据。韩铮先亮明态度：苏度坚信仿真，但这句话后面还有半句——真实世界的数据同样有用。
他回顾，团队从 2015、2016 年就开始做机器人仿真器和合成数据，后来真正商业化，才发现科研和落地是两回事。2024 年之后，他们重构了数据系统和仿真器管线，到去年底、今年 4 月放出的结果里，抓、放、组装这类任务在物体、环境、光线组合变化下，已经能做到接近 100% 的成功率。
不过，韩铮也没把仿真说成万能，仿真器本身仍有局限，业内重新加强仿真能力，本身就是一个信号。他强调，仿真与真实数据并不是非此即彼，最终更可能形成分层和组合。
沈宇军则把灵波的立场说得很清楚：不是 「坚决选真实数据」，而是不同阶段用不同数据。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；具体任务里，仿真依然有价值。
他更担心的是，Real-to-Sim 的规模化，机器人最终只能靠身上的传感器去感知世界，而传感器一定有误差。比如触觉信号，真实传感器拿到的频率、幅值、一致性，和仿真里造出来的常常千差万别。如果这些不完美没法规模化地搬进仿真器，只谈缩小 Sim-to-Real 的 Gap，价值就有限。
许华哲也提醒，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。数据规模之外，质量、分布和训练方式可能更加重要。
智能：Astra 很惊艳，但还缺物理这一课
GPT-6 的 Astra 直接控制机械臂，让 「具身智能要被大模型降维打击」 的说法又热了起来。
王潜并不认同这一判断。他的核心观点是，「智能的本体存在于数据里」，模型更像蒸馏器和容器。Coding 之所以先被解决，是因为代码数据最容易制造、也最容易验证。如果 OpenAI 或 Anthropic 真要做具身，仍然要建数据基础设施、验证体系、仿真器，要到现实里做评估，甚至碰硬件。这些难度不会因为拥有一个更强的语言模型而自动消失。
许华哲的测试感受更具体：Astra 的语义和空间泛化很强，桌面上的东西基本都认识，抓筷子、插杯子、handover 也能做。但一碰到 Contact-rich 任务，比如用筷子挑东西、叠盒子、叠衣服，就不太行了。
他举了真假菠萝的例子，泡沫水果可以靠大力抠起来，真菠萝却得找叶子。具身模型必须知道自己在抓什么，再决定怎么抓。未来应该是大模型、具身模型和物理世界连成一个完整系统，而不是谁替代谁。
沈宇军补了一层：机器人身上的模型要源源不断接收传感器输入，不能像对话模型那样一轮一轮被打断。它可能会成为更高阶模型的工具，但反过来，具身场景里那些天气、温度、人的脸色之类的现实信息，也可能给云端大模型新的养料。
场景：客户持续掏钱，比 Demo 更重要
聊到商业化，质疑很现实：Demo 多、融资热，但能规模复制、持续付费的场景在哪？
韩铮认为，高成功率是前提。很多任务第一次就要接近 100%，还要有泛化性，不能靠大量后训练去过拟合，设备可靠性和服务也绕不过去。
但沈宇军认为，行业还容易陷入另一个误区：把商业化几乎全部归因于模型性能。在真实场景中，客户最终购买的不是一个模型指标，而是一套能够工作的系统。是使用一台完整的人形机器人，还是只需要一套双臂？硬件成本是多少？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？这些问题都会直接决定商业化是否成立。
「具身是一个复杂的系统工程。」 在沈宇军看来，模型只是其中一环。真正落地，要综合考虑硬件、模型、系统鲁棒性、部署方式和最终 ROI，而不能把所有场景问题都归结为 「模型还不够强」。
王潜则给出了一个更加直接的判断标准：客户能否可持续付钱，而且越付越多。最近他们在物流场景里做到了传统机器人做不到的事，ROI 超过人类。商业化不是前沿的对立面，有了钱才能继续做更大的模型。
许华哲认为，真正属于这一代具身智能的跃迁，是基础模型面对大量未知任务时，也能不断提高成功率——从 50%、60%、70%，最终走向工业场景所需要的 99.99%。因此，这场 「场景之争」 的答案可能并不是寻找某一个杀手级应用，而是同时跨过几道门槛：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。
对于未来五年，几位嘉宾反而普遍更加乐观。沈宇军认为，完全有可能会诞生一种完全新的技术。许华哲判断，通用具身服务的出现可能不需要五年、十年，「三年内就可以在很多地方开始服务」；王潜则认为，今天人们甚至低估了具身智能本身的重要性——数字世界的 Agent 已经开始重构软件生产，而只有当 AI 真正获得改造物理世界的能力，人工智能对生产体系的改造才可能形成完整闭环。
回到开头的问题，这场讨论没有给出标准答案，但把分歧摆得很清楚：数据要混着看，智能要分层做，场景要算真账。具身智能不是某一夜突然降临，它更像一场长跑，谁能把成功率、泛化和成本同时跑通，谁才有资格谈未来。
【TechWeb】 过去一年具身智能很火热，却一直没有回答关键问题：训练机器人到底更应该依赖真实数据还是仿真数据？通用大模型会不会 「降维打击」 具身模型？机器人什么时候才能真正进入可持续商业化？
在 2026 Inclusion·外滩大会上，苏度科技联合创始人兼 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兼 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就上述问题展开了讨论。
值得一提的是，四位业内人士坐在一起，不是来统一口径的，反倒把各自的分歧摊开讲了个痛快。
数据：仿真和真机，不是一道站队题
具身智能的第一个分歧来自数据。韩铮先亮明态度：苏度坚信仿真，但这句话后面还有半句——真实世界的数据同样有用。
他回顾，团队从 2015、2016 年就开始做机器人仿真器和合成数据，后来真正商业化，才发现科研和落地是两回事。2024 年之后，他们重构了数据系统和仿真器管线，到去年底、今年 4 月放出的结果里，抓、放、组装这类任务在物体、环境、光线组合变化下，已经能做到接近 100% 的成功率。
不过，韩铮也没把仿真说成万能，仿真器本身仍有局限，业内重新加强仿真能力，本身就是一个信号。他强调，仿真与真实数据并不是非此即彼，最终更可能形成分层和组合。
沈宇军则把灵波的立场说得很清楚：不是 「坚决选真实数据」，而是不同阶段用不同数据。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；具体任务里，仿真依然有价值。
他更担心的是，Real-to-Sim 的规模化，机器人最终只能靠身上的传感器去感知世界，而传感器一定有误差。比如触觉信号，真实传感器拿到的频率、幅值、一致性，和仿真里造出来的常常千差万别。如果这些不完美没法规模化地搬进仿真器，只谈缩小 Sim-to-Real 的 Gap，价值就有限。
许华哲也提醒，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。数据规模之外，质量、分布和训练方式可能更加重要。
智能：Astra 很惊艳，但还缺物理这一课
GPT-6 的 Astra 直接控制机械臂，让 「具身智能要被大模型降维打击」 的说法又热了起来。
王潜并不认同这一判断。他的核心观点是，「智能的本体存在于数据里」，模型更像蒸馏器和容器。Coding 之所以先被解决，是因为代码数据最容易制造、也最容易验证。如果 OpenAI 或 Anthropic 真要做具身，仍然要建数据基础设施、验证体系、仿真器，要到现实里做评估，甚至碰硬件。这些难度不会因为拥有一个更强的语言模型而自动消失。
许华哲的测试感受更具体：Astra 的语义和空间泛化很强，桌面上的东西基本都认识，抓筷子、插杯子、handover 也能做。但一碰到 Contact-rich 任务，比如用筷子挑东西、叠盒子、叠衣服，就不太行了。
他举了真假菠萝的例子，泡沫水果可以靠大力抠起来，真菠萝却得找叶子。具身模型必须知道自己在抓什么，再决定怎么抓。未来应该是大模型、具身模型和物理世界连成一个完整系统，而不是谁替代谁。
沈宇军补了一层：机器人身上的模型要源源不断接收传感器输入，不能像对话模型那样一轮一轮被打断。它可能会成为更高阶模型的工具，但反过来，具身场景里那些天气、温度、人的脸色之类的现实信息，也可能给云端大模型新的养料。
场景：客户持续掏钱，比 Demo 更重要
聊到商业化，质疑很现实：Demo 多、融资热，但能规模复制、持续付费的场景在哪？
韩铮认为，高成功率是前提。很多任务第一次就要接近 100%，还要有泛化性，不能靠大量后训练去过拟合，设备可靠性和服务也绕不过去。
但沈宇军认为，行业还容易陷入另一个误区：把商业化几乎全部归因于模型性能。在真实场景中，客户最终购买的不是一个模型指标，而是一套能够工作的系统。是使用一台完整的人形机器人，还是只需要一套双臂？硬件成本是多少？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？这些问题都会直接决定商业化是否成立。
「具身是一个复杂的系统工程。」 在沈宇军看来，模型只是其中一环。真正落地，要综合考虑硬件、模型、系统鲁棒性、部署方式和最终 ROI，而不能把所有场景问题都归结为 「模型还不够强」。
王潜则给出了一个更加直接的判断标准：客户能否可持续付钱，而且越付越多。最近他们在物流场景里做到了传统机器人做不到的事，ROI 超过人类。商业化不是前沿的对立面，有了钱才能继续做更大的模型。
许华哲认为，真正属于这一代具身智能的跃迁，是基础模型面对大量未知任务时，也能不断提高成功率——从 50%、60%、70%，最终走向工业场景所需要的 99.99%。因此，这场 「场景之争」 的答案可能并不是寻找某一个杀手级应用，而是同时跨过几道门槛：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。
对于未来五年，几位嘉宾反而普遍更加乐观。沈宇军认为，完全有可能会诞生一种完全新的技术。许华哲判断，通用具身服务的出现可能不需要五年、十年，「三年内就可以在很多地方开始服务」；王潜则认为，今天人们甚至低估了具身智能本身的重要性——数字世界的 Agent 已经开始重构软件生产，而只有当 AI 真正获得改造物理世界的能力，人工智能对生产体系的改造才可能形成完整闭环。
回到开头的问题，这场讨论没有给出标准答案，但把分歧摆得很清楚：数据要混着看，智能要分层做，场景要算真账。具身智能不是某一夜突然降临，它更像一场长跑，谁能把成功率、泛化和成本同时跑通，谁才有资格谈未来。
