数据从哪儿来？模型怎么做？落地在哪里？
这是一次少见的、没有收敛的、关于具身路线级分歧的公开讨论。
2026 年的具身智能，已经不缺热度。缺的是有人把分歧摆上台面。数据从哪儿来？模型怎么做？落地在哪里？
如果 OpenAI、Anthropic 要做具身，会形成降维打击吗？Astra 的能力边界在哪里？造飞机像造 App 一样简单，是狂想还是触手可及？
9 月 10 日上午，2026 Inclusion·外滩大会上，一场围绕“物理智能——分歧与抉择”的主题圆桌对话拉开。本场对话由 Koji 主持，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、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参与讨论。
2026 Inclusion·外滩大会｜“物理智能—分歧与抉择”圆桌对话
透过这场对话，你会了解到：1）不同路线的核心假设和风险；2）判断哪些指标是领先指标；3）理解语言模型公司进入具身的难度与创业公司护城河；4）具身智能商业化短期 vs 长期逻辑；5）被高估/低估的领域，可能对应投资机会或风险。
当行业不再争论“什么是对的”，而是开始各自用产品和落地去证明“什么是可行的”，一个赛道才真正进入了从泡沫走向产业的阶段。
微信收听：
小宇宙收听：
🎬 视频已同步上线于 @Koji杨远骋 的视频号、小红书、哔哩哔哩、Youtube 等平台：
以下为对谈实录，经编辑整理。
数据之争：仿真还是真机？
👦🏻 Koji（十字路口）
我们直奔主题。今天会聊三个话题：数据之争、智能之争、场景之争。
为什么都是各种“之争”？因为 2026 年，我们正处在一个十字路口，有非常多没有收敛的路径，等着大家去探索。
第一个问题想请教韩铮总：数据方面，有人押注仿真，也有人坚定押注真机，你们坚定押注仿真，当初看到了哪些信号？今天，有哪些新的增强信号？
Koji 十字路口创始人
👨🏻💻 韩铮（苏度科技）
我们坚信要使用仿真，但同时，我们也坚信真实世界的数据也非常有用。
我们的出发点比较朴素，从最早 2015、2016 年开始做机器人仿真器、合成数据，到成立公司做商业化版本，经历过两轮迭代。
首先，科研和商业化不一样。科研可以用开源项目、数据和算法去做实验，但大家通常试一下之后，不知道接下来怎么大规模修改技术模型，一般就停在那里了。
但事实上，基于模型的强化学习、做大规模预训练，不管是我们之前开源的仿真器 CPM、Skill，还是英伟达的 Isaac，在我们内部看来，都有一定局限性。
所以 2024 年之后，我们坚定做了一个大规模、完全重构的闭源数据，包括数据管线和仿真器管线。仿真，包括基于模型的强化学习，在仿真器里进行大规模强化学习。
韩铮｜苏度科技联合创始人兼 CEO
今年 4 月做演示，我们可以实现，对于物体、环境、光线等组合在一起的强泛化下的某些技能操作（比如抓、放置、组装类任务），在物体和环境几乎没有限制的情况下，几乎能达到 100% 成功率。
在数据方面，我们坚持：仿真是绕不过去的。因为光靠真实世界数据收集，效率比较慢，质量有时也受限。
最近在美国的一些同行也开始加强仿真器的能力，虽然各自使用方法不太一样，但这也是给业内的信号。
👦🏻 Koji（十字路口）
灵波在数据路线上明确选了真实数据，宇军总在你看来，真实数据哪些方面是仿真不可替代的？相比仿真数据，它提供的最大价值是什么？
👮🏻♂️ 沈宇军（蚂蚁灵波）
不能说是坚决选择真实数据。我们从来不觉得哪一种数据一定要选、或一定不要选。
不同数据在不同阶段起不同作用。比如，预训练阶段，我们认为互联网数据以及真实物理世界采集的数据，作用可能更大。但如果回归到做某一个具体任务，仿真数据还是有价值的，尤其是自动驾驶。
沈宇军｜蚂蚁灵波科技首席科学家
为什么我们坚持在预训练阶段，部分数据更多从真实场景来？
设想有一天，机器人真的来到现实世界干活，它和在数字世界的工作方式是不一样的。它唯一的观测，一定是基于身上的传感器，我们不可能给机器人接一个键盘打字输入。但真实世界传感器一定有误差，没有完美的传感器，这是物理条件的限制。这种情况下，机器人只能依赖身上传感器做输入，然后做事。
仿真现在可能存在一个问题，大家讲得比较多的是 Sim to Real 的 gap，但从第一性原理出发，我觉得更多的反而是 Real to Sim 的规模化。
换句话说，我们能不能把传感器噪声、更底层的东西真的很好搬到仿真器里，以及搬进去这件事，可不可以规模化复制。如果 Real to Sim 这一步不可规模化，只谈 Sim to Real 的 gap 的逐渐变小，可能价值不大。
关于哪些数据一定要来自真实数据、仿真替代不了？我觉得更底层是因为，机器人必须在物理世界中工作，而物理世界很多不完美是不好仿的。
👦🏻 Koji（十字路口）
举一个具体例子，什么样的不完美在仿真器里确实非常难做到？
👮🏻♂️ 沈宇军（蚂蚁灵波）
比如触觉信息、触觉信号。
现在很多触觉传感器公司也提供触觉仿真，但我们测过，很多真实传感器拿到的信号，跟它仿出来的千差万别。
信号频率、幅值、传感器之间一致性等等，很难搬到仿真器里做比较完美的复刻。
智能之争：Astra 会降维打击具身智能吗？
👦🏻 Koji（十字路口）
最近 GPT-6 的 Astra 发布之后，社交媒体上出现大量用 Astra 控制机械臂做各种任务的测试。甚至有个说法：具身智能要被通用的语言大模型降维打击了。王潜总你看到那些视频时感受是什么？
💂♂️ 王潜（自变量机器人）
这确实是行业里最火的话题。今天早上我还看到一个用 Astra 控制灵巧手的视频。
这个版本的模型其实训进了大量的机器人数据。去年年初开始，OpenAI、Anthropic 在大量采购机器人数据，他们自己也有小规模数据工厂采集机器人数据。所以这不是特别奇怪的事，在预期中。
王潜｜自变量机器人创始人兼 CEO
我一直有一个“暴论”，但在大模型一线的同事应该能认可：
今天智能的本体是存在于数据里面的，当然一部分存在于 evaluation 里面；模型更多是一个蒸馏器和一个容器，在训练时，它是一个蒸馏器，在部署时，它是一个容器。
今天我们要做一个前沿的 AI 系统，模型的作用其实已经变得极其小了，更大的原因在数据，需要越来越好的数据。怎么造数据、挑数据、验证数据、标注数据，恰恰是这些东西推进了 AI 系统的发展。
所以问题变成：如果 OpenAI、Anthropic 要做具身，它是否需要依赖和我们一样的数据基础设施、验证基础设施和其他 infra？它是否需要从现实世界里收集数据、做仿真器、在现实世界做 evaluation、和硬件结合等等？
如果它还是要做这些事情，那它只是另外一个具身智能公司而已。因为这些难度不会因为它在基础模型上的优势而降低，反而是具身智能公司，可能有实质上的优势。
👦🏻 Koji（十字路口）
因此，你认为 GPT-6 Astra 不会对具身行业形成降维打击？
💂♂️ 王潜（自变量机器人）
大家担心的问题实质是：大语言模型是否可能通过其他领域的通用智能泛化到具身智能上面、形成降维打击？
我觉得可能性不大。
第一，在语言模型历史上，从来没有发生过这种事情。最近 3D 也是一样，包括 computer use，即便今天视频生成模型已经做得非常优秀，但它并没有直接转化为动作层面、机器人控制层面的天然优势。
反过来，这件事对我们的启示是：预训练确实是 work 的。
行业里有很多人在顾虑，我们做了大量预训练，加了大量通用数据，是不是反而有害？是否可能影响模型效果？在 Astra 上，我们看到它至少是一个 bonus，至少不是一个坏事情，我们应该坚定把这条路走下去。
最后，我们和 Anthropic、OpenAI 唯一的差距可能是：他们把这套 infra 融入通用大模型，而我们在做特定的专用模型。
事实上，通用语言大模型，是没有办法在机器人上以合理速度做推理、做部署的，我们确实需要一个单纯的具身模型来做这件事，才是更高效率的做法。
👦🏻 Koji（十字路口）
最近破壳机器人发布了一个“机器人做麻婆豆腐”的视频。华哲，在你看来，用 Astra 是不是也可以完成这样的任务？从更本质来看，通过机器人完成某个特定任务，能证明它的底层模型真的变强了吗？如果不能，我们应该看什么指标？
🤵🏻♂️ 许华哲（破壳机器人）
Astra 确实非常惊艳。我们内部在它能用的当天立刻做了测试。
许华哲｜破壳机器人创始人、清华大学交叉信息研究院助理教授
如果把具身任务看成需要语义泛化、空间泛化加上物理泛化，Astra 只有物理做得相对很弱，语义和空间做得相对很强。
我们给 Astra 一个 prompt，它全认识桌面上的东西，无论任何类别，它一定往对的地方走。原来 VLM 模型或大模型，基本上机器人走到那，然后开始乱动，就结束了。
但 Astra 很独特的一点是它能抓起来，而且能抓非常难抓的东西。比如，一根筷子放在桌面上，对机器人来说，这种小物体它都得顶到桌子上、甚至打滑才能抓起来。Astra 现在也能抓起来。
测到这里，我们在想，它会不会旋转不太行？所以我们尝试让它把筷子立起来，插到一个杯子里。发现它竟然也可以。所以，不光是二维空间，它在整个三维空间，效果也都很好。但当我们让它做带物理接触的复杂任务时，比如用筷子挑开什么东西，它就不太行了。
我觉得，这也是具身机器人公司最后的阵地：理解物理的变化。
我们也用 Astra 去尝试叠盒子、叠衣服这类具身公司很喜欢测的事，发现 Astra 都做不了。那么在所有极复杂任务中，做麻婆豆腐，肯定是其中最复杂的任务之一了。
回到 Astra 上，Astra 现在能做的相对来说，还是空间语义上的具身任务。在复杂的 contact-rich 任务方面，它能做的一个是把筷子放杯子里，另一个是 handover，把一个东西拿起来递到另一只手上，再放到另一侧。我们测了很多次，有一两次成功。
Astra 给我的启发是，有点像刚才王梦迪老师（普林斯顿大学人工智能创新中心主任）主旨演讲聊到的，应该把具身模型也接到 Codex 里，或接到一个 harness 环境里。
因为具身模型是在通用场景干活，但 harness 需要很强的语义能力，harness 的语义能力越强，具身模型才能被用得越聪明。
比如抓水果。大家训模型最开始是拿泡沫水果，但这些数据非常有害：泡沫水果可以靠加大力，抠着一点点揪起来；但真水果无论如何不能那么抓。所以这时候，我们让模型去抓一下，如果是泡沫，就用原来那种抓法；如果是真水果，比如菠萝，就想办法揪上面那个绿叶子，不能再去抓它的身体。
但大多数具身模型没有这个识别能力，但我们需要模型先通过 CoT（Chain-of-Thought 思维链）告诉机器人这是真菠萝还是假菠萝，再去抓。
所以我觉得，最后应该是大模型、具身模型和物理世界连接在一起的一个完整系统。
👦🏻 Koji（十字路口）
宇军总，在你看来，Astra 现在涌现的能力，是我们今天具身智能 scaling law 的某种信号吗？
👮🏻♂️ 沈宇军（蚂蚁灵波）
我跟华哲观点差不多，可能再激进一点。我觉得，具身慢慢会影响大模型、云端模型的发展路径。
首先，具身模型最终的工作方式，一定是部署在机器人上，它跟数字世界模型的“轮式对话”方式不一样。
在数字世界，你问它一个问题、它回答你，它回答时你不能继续追问——交互是线性的。但机器人做事依赖身上传感器的输入，而这些传感器的输入是持续不断的，哪怕机器人正在做操作，输入还是源源不断地进来，机器人需要基于新输入，随时改变推理。
我认为，具身模型最后可能会成为更高阶模型使用的一个工具。
从工具层面讲，它需要自己的训练范式。因为它要面对源源不断输入的场景，持续输出 policy。
为什么说具身场景可能会给更高级的、能交互的 expert 类的模型，提供更多的发展方向？
我举个例子，人和人之间对话，其实是很多模态的，不只有语言、视觉，还有很多外在因素。比如，我跟一个人聊天，外面突然下雨，我看到下雨，可能会改变心情、改变聊天方式。或者我看到这个人脸色不好，接下来要说的话很多我就不说了，马上换一句。
这是现在云端的数字世界模型还没有考虑的，因为它目前不会用到，交互是藏在屏幕后面的，大家只需要通过视觉和语言进行交流。
但以后，如果机器人真的要跟人对话，那它能囊括的信息量会非常多，很多信息一定来自现实世界中的传感器。我们会观察天气、感测温度……这些都会影响模型的输出结果。
未来，当机器人逐渐走入生活，带来更多关于物理世界、现实生活的数据，这些数据会成为大语言模型公司的新的语料，它们可以基于这些数据变得更加智能。
机器人不再是一个冷冰冰地躲