GPT-6的Astra能控机械臂却叠不好衣服？四位大佬回应具身智能争议
内容提要
2026外滩大会上，四位具身智能从业者围绕数据、智能与商业化展开讨论。数据方面，仿真与真机应分层组合，数据质量比规模更重要。智能方面，大模型难以直接降维打击具身模型，物理接触任务仍是短板。商业化方面，客户持续付费比Demo更重要，需综合模型、硬件、系统与成本。
延伸解读
数据策略：分层组合，质量优先
四位从业者一致认为，仿真与真机数据并非对立，而应分层组合。预训练阶段互联网和真实数据作用更大，具体任务中仿真仍有价值。同时，行业高估了数据规模，质量、分布和训练方式可能比单纯堆量更重要。
智能短板：物理接触任务待突破
大模型如GPT-6的Astra在语义和空间泛化上表现惊艳，但面对Contact-rich任务如叠衣服、用筷子挑东西时仍力不从心。具身模型需理解物理接触，未来应是大模型、具身模型与物理世界协同，而非替代。
商业化关键：系统能力与持续付费
客户持续付费比Demo更重要。商业化不仅是模型性能，还涉及硬件成本、传感器可靠性、系统稳定性和部署维护成本。王潜指出，客户能否可持续付钱且越付越多是直接标准，物流场景中ROI超人类已现曙光。
未来展望：三年内或开启服务
尽管挑战重重，嘉宾对未来五年普遍乐观。许华哲判断通用具身服务可能三年内就开始在多地落地；王潜认为AI改造物理世界才能形成生产体系闭环。这场长跑中，同时跑通成功率、泛化和成本者才能胜出。
Q&A
训练机器人时，仿真数据和真实数据哪个更重要？
两者并非对立，而是分层组合。仿真数据在特定任务中可达到接近100%的成功率，但真实数据在预训练阶段作用更大。数据质量比规模更重要，需根据阶段和任务选择。
通用大模型如GPT-6的Astra能直接控制机械臂，这是否意味着大模型会降维打击具身模型？
并非如此。大模型在语义和空间泛化上表现强，但在接触丰富的任务（如叠衣服）上仍不足。智能存在于数据中，具身模型需要专门的数据基础设施和物理交互能力，大模型无法直接替代。
具身智能商业化成功的关键因素是什么？
客户持续付费比Demo更重要。需要综合考虑模型性能、硬件成本、系统鲁棒性、部署维护成本和ROI。高成功率和泛化能力是前提，但客户购买的是完整系统，而非单一模型指标。
当前具身智能在物理接触任务上存在哪些短板？
在Contact-rich任务（如用筷子挑东西、叠盒子、叠衣服）上表现不佳。机器人需要理解抓取对象的物理属性（如真假菠萝），并据此调整抓取策略，而现有模型在这方面仍有局限。
具身智能未来五年内能否实现通用服务？
嘉宾普遍乐观。许华哲认为三年内就可以在很多地方开始服务；沈宇军认为可能诞生全新技术；王潜认为人们低估了具身智能的重要性，AI改造物理世界才能形成完整闭环。
为什么说数据规模不是越大越好？
行业对数据量存在高估，一百万小时或几百万小时并不天然意味着更好的模型。数据质量、分布和训练方式可能比规模更重要。
