不出所料，本周在外滩开幕的2026 Inclusion·外滩大会上，具身智能依然是人气最旺的会场之一。在9月11日举行的“具身CEO产业论坛：具身智能的场景突围与协同进化”上，台下一座难求，具身智能企业负责人们一下台就被团团围住，水泄不通。但面对台下大众满溢的热情，坐在台上的具身智能创业者们更希望大家“冷静”。
在圆桌对话环节，面对大众最关注的机器人进家庭这一问题，六位具身智能企业负责人的回答出奇的一致且谨慎，其中傅利叶智能创始人兼CEO顾捷表示，机器人进入家庭，究竟需要三年还是五年，目前很难准确判断。
毕竟，目前具身还面临数据短缺、泛化能力不够，难以实现规模化落地等一系列难题。
参加这场圆桌讨论的还有来自蚂蚁灵波科技CEO朱兴、乐聚机器人联合创始人兼CEO常琳、大晓机器人董事长、商汤科技联合创始人王晓刚、地瓜机器人CEO王丛、以及青心意创创始人兼CEO牛腾昦。
2026 Inclusion·外滩大会 具身智能CEO产业论坛 现场非常火爆 本文图均为 澎湃新闻记者 喻琰 图
机器人该干活了，但不是进家庭
机器人应该进入真实场景干活，具身智能企业负责人比大众还急。
朱兴用“童工”形容当前机器人的智能水平，但“即便是‘童工’也该进厂干活了”，“模型还不成熟，泛化能力不足，但如果一直停留在实验室，就无法从真实工作中获得持续进化所需的数据。 ”
此前，机器人厂商已经进行了很多干活场景的探索。
常琳举例称，汽车零部件生产中的小件上料已经开始规模化应用，生产物流中的纸箱拆码垛也在逐步落地。这些任务看似简单，却可以缓解部分工厂招工难、人员流动性高的问题。即使模型还不能处理所有品类，只要能稳定完成一段具体流程，就可能产生商业价值。
医疗康复是更早落地的场景。顾捷介绍，傅利叶的康复机器人十年前就已进入医院，帮助患者进行物品辨认、拿取和肢体训练。人形本体和具身模型可以改善交互方式，但医院和患者最终关心的仍是疗效、安全、稳定性和投资回报。“他们不关心你是模型做出来的，还是编程做出来的。”
但“下场干活”并不意味着进家庭。顾捷称，机器人进入家庭，需要具备现场学习、持续记忆和持续进化的能力，模型与本体的结合也尚未迎来真正的突破。这个过程究竟需要三年还是五年，目前很难准确判断。
六位嘉宾的共识是，在未来一两年内，机器人落地干活的场景增速最快的是工业、物流、康复等类似生产力应用，机器人需先进入环境相对封闭、任务链条较短、异常情况少的场景，之后才能逐步进入家庭。
牛腾昦认为，家庭机器人需要回答“用户为什么愿意长期留下它”这一问题。家庭机器人既要提供工具价值，也要提供情绪价值；如果只被定义为工具或玩具，最终容易陷入性价比竞争。此外，现阶段距离通用模型真正能进入家庭干活，还有一段距离。“可以通过交互智能的模型，让机器人率先理解人以及家庭环境，先把机器人和人之间的关系建立起来。”牛腾昦称，短期可以解决教育、健康领域问题，当人和机器人形成一定的情感黏性之后，很多功能可以后期拓展。
朱兴认为，“进入家庭”本身也需要分层讨论。情绪陪伴、辅助操作与全面替代家庭服务人员，对模型和硬件提出的要求并不相同。越接近全面替代，安全、伦理和复杂交互等问题就越突出。现实路径可能是从情绪陪伴和简单辅助操作开始，让机器人在家庭中逐步学习新的技能。
常琳认为，工业具身智能的规模化已经开始。接下来值得观察的是家政等距离家庭更近、又不需要复杂人际接触的场景，例如洗碗、整理衣物等。这些任务范围相对明确，可能成为机器人从工业走向家庭的过渡场景。
下台后的具身企业CEO被听众围住。
泛化能力决定场景复制成本
机器人为什么干活能力还不强，最关键的是泛化能力不够。
朱兴谈到，以蚂蚁落地药房场景为例，从一个门店复制到多个门店，成本非常高，本质原因还是泛化性不足，“不同任务和不同场景，环境差异非常大。”朱兴表示，模型能力的成长是一个缓慢爬坡的过程，在环境相对结构化、任务链条较短的条件下，工业、物流以及部分生活服务场景从今年到后年有望实现一定规模的落地。
王晓刚给出了两个具体问题：柔性制造产线过一段时间就会更换零件，机器人不能每次都重新学习一两个月；零售场景又要面对上万个SKU，对泛化能力的要求更高。他认为，围绕特定本体和任务采集真机遥操作数据，学习效率有限，Ego-center数据与世界模型结合可能成为新的路径。他预计，到明年年底，行业有望积累千万小时级数据，为模型泛化和智能涌现创造条件。
王丛直言，单项操作的泛化与模型跨任务执行能力并不是一回事。现阶段，具身智能主要解决的仍是单场景、单任务甚至单末端条件下的泛化。机器人在单一场景中已经具备落地可能，也能产生实际价值，但“某种意义上很像上一代的专机，说白了就是为单一场景打造的自动化解决方案”。在他看来，要让机器人从单场景、单任务走向跨任务操作，可能需要借助“小基模”。大多数企业没有能力训练大基模，可以先通过小基模打通不同操作，再逐步提高模型的通用性。
具身智能从探索阶段进入规模化商业应用，可以观察哪些指标？
王晓刚认为，机器人归根到底是运营的问题，要在单一场景中达到数千台规模，帮助客户实现盈亏平衡，才能形成可持续的商业模式。
朱兴则提出两个判断指标：一是工业、物流等真实场景中，由模型驱动完成工作的机器人数量能否快速增加；二是在相同场景和任务下，后训练成本，尤其是数据成本能否大幅下降。他同时提醒，后训练只是综合成本的一部分，预训练等投入同样需要产业链各方共同承担。
闭环形成，机器人才能
在具身智能的企业负责人们看来，降低复制成本，仅靠模型或机器人本体企业都难以完成。机器人进入真实生产流程，需要硬件、模型、数据和场景共同形成闭环。
王晓刚认为，真实数据来自制造、零售、酒店等场景，模型能力又要通过本体转化为稳定动作。场景企业既提供数据，也决定产品能否推广；硬件则要参与规模化设计，满足可靠性和成本要求。
王丛表示，仅有一颗芯片，机器人还无法工作。存储、传感器、仿真平台和端侧适配，都是产品投入使用前需要补齐的环节。常琳回顾乐聚的发展路径称，公司从本体和运动控制起家，随后发现数据不可或缺；进入真实场景后，又发现模型不可或缺。企业间的合作由此从简单的产品适配，转向数据采集、模型训练和部署的共同迭代。
朱兴将当前行业比作具身智能“百模大战”的初期。他认为，选择原生预训练等投入更高、能力上限更高的路线，不一定能够成功；但基模公司如果不选择这条路线，“肯定做不大”。
朱兴认为，模型公司不可能包办整个产业链，做模型不意味着擅长大规模数据采集和用工管理，也不意味着能够解决本体量产、供应链成本和场景交付。更现实的分工是，模型公司提供基座模型和工具链，专业企业承担数据采集，本体厂商负责量产和成本控制，场景服务商完成客户对接、二次开发和集成交付。只有各环节互相协同，才能提高后训练、数据采集和端侧部署的效率。
澎湃新闻记者 喻琰
热门跟贴