今年的世界人工智能大会（WAIC）几乎把“具身智能”推到了与“智算”平起平坐的C位——200多家企业参展，数量比去年翻了一倍多，会场里各式各样的仿生机器人、机器狗多到让人恍惚。这边骑着“机器马”把过道里的行人赶到了两侧，那边又来了两个机器人身穿戏服弘扬国粹文化。
会场之外，国家发展和改革委员会发布的《人工智能合作发展行动计划》明确将“优质数据供给”列为八项行动之首。这两件事指向了同一个核心命题：当机器人越来越像人，真正决定它们能不能“懂事”的，是对物理世界正确的“感知”与“理解”。
在WAIC的现场，人们看到的不仅是钢铁躯壳的进化，更是整个行业正在努力寻找答案——如何把真实的世界“教”给机器，让它们真正成为能干活、懂反馈的智能伙伴。
细分场景呼唤“懂反馈”的具身智能
“现在的机器人运动能力很强，但进入产业落地还是需要产业的大脑。”麦麦科技集团创始人、董事长兼CEO李楠是今年WAIC的参展商，但他把展台交给了同事，自己一口气逛了一圈具身智能展区。
不久前，他刚带着几家机器人厂商去海外拿下了围绕农业的16个场景、2万台机器人订单。这些机器人的形态不是最时兴的人形机器人，也不同于传统的机械臂，而是更贴近农业生产场景的形态。“现在我们已经为马来西亚的榴莲、橡胶、棕榈、椰子等作物开发了采摘、分拣机器人，相关技术和方案目前已接近成熟，很快就能达到可应用的状态。”
他举了个例子，东南亚地区的橡胶割胶是非常痛苦的工作，每天晚上11点到第二天5点，人要在蛇虫蚊蚁间穿着厚厚防护服下腰持续6小时。“我试过，最多持续半小时，我们的同事也没人能持续超过2小时。这工作人类需要，但应该有机器去做，这才是人本主义啊！”
李楠的务实态度，折射出今年WAIC现场的一个显著变化：纯粹的“秀肌肉”变少了，取而代之的是针对特定场景的细分。重载型、轻量型、数据采集专用型、特种任务型机器人层出不穷，大家不再只盯着“走得稳不稳”，而是更关心“活儿干得好不好”。
在“模登时代·伙伴之城”展区，汽车流水线喇叭配件装配环节中，三个机器人分工协作，两个用灵巧手组装，一个用抓夹抓取后打包搬运。国家地方共建人形机器人创新中心WAIC具身展负责人周成元介绍，这主要体现出机器人可以在生产流程中的专业分工与高效配合。千觉机器人和得物联合打造的AI鉴别机器人解决了人眼都无法识别的球鞋真假问题，千觉具身算法负责人杨信诚在介绍时提到，机器人是通过对鞋翻转找到视觉鉴别点进行查看进行判断，此外还有视觉传感器以光谱反射来判断鞋垫的压缩形变，感知材料的柔性以此判断鞋子材质是否真实。
然而，与工业场景的热闹相比，机器人“下地干活”仍显冷清。李楠说，这和两方面因素有关：第一是作物本身的经济属性。目前来看，在高价值特种作物上应用机器人更容易平衡成本、实现盈利。比如橡胶既是战略物资，也是属性偏向工业品的农业物资，经济价值高；对于低产值的作物，传统机械化就足够满足需求。第二是农场的标准化程度。标准化程度越高、技术基础越好，机器人应用的效率就越高。
和工业的应用挑战一样，机器人应用的挑战都在于ROI回本周期和系统的稳定可靠。
“在农业里，机器人进场容易，但是想要留下很难。”李楠说，无论是采摘环节还是其他各类作业环节，都需要对真实世界有良好的感知能力。机器人看到苹果，能识别出这是苹果而非梨；看到红苹果，能判断出它已经成熟而非生果；还能自动读取它的尺寸参数，直接分类——这些问题其实都可以用模型解决，但现在本体公司并没有办法用适合的数据模型进行调优。
行业发展亟需优质数据供给
李楠的困境，恰恰印证了《人工智能合作发展行动计划》将“优质数据供给”列为行动之首的深意。
数据，尤其是高质量数据，始终是人工智能发展的关键基础。当前，机器人智能化水平仍有较大提升空间，其中一个重要原因，就是缺乏高质量、规模化的物理世界数据支撑，这也是制约具身智能发展的核心瓶颈之一。
那么，数据和模型从哪里来？
京东集团副总裁、京东云基础云业务负责人龚义成提到，相比单纯关注数据规模，对数据质量本身的理解更加重要。“只要是真正高质量的数据，它一定会对模型产生明显效果。如果随着数据规模扩大，模型效果没有继续提升，可能说明我们在原有路径上已经遇到了瓶颈，需要寻找新的数据类型和新的方向。”
这一点与李楠不谋而合。李楠说公司积累的数据来源主要有三个方面：第一类是国家共享的普查数据；第二类是与科研院所的合作课题组及购买的数据；第三类是近十年来实施的两千多个项目中产生的数据。这些数据共同构成了一个庞大的数据库，为模型服务提供了坚实的基础。而他的商业模式，就是通过以自主研发的作物生长大模型为核心的“Model+Robot”技术体系，再将农业垂直模型能力赋能多场景机器人。
更多机器人本体公司的数据主要源于自身项目的积累，甚至为了积累数据向上下游拓展。它石智航本次在具身机器人主题展区展示了1:1汽车线束精密装配流水线，公司提出了构建“SenseHub（数据采集套件）-AWE（通用具身大模型）-DexHand（灵巧手）”三位一体的技术壁垒，希望以汽车线束精密装配作为核心高价值切口，沉淀模型能力、真实场景数据与工艺适配经验，逐步向同类柔性组装场景复制。它石智航联合创始人兼首席架构师陈同庆期望在未来3-5年，仅用少量新增数据即可快速迁移适配全新场景，使模型能力可适配不同构型机器人本体并稳定作业，最终具备覆盖组装、抓取、分拣等主流工序的通用工业作业能力。
优艾智合CTO边旭也曾告诉第一财经，公司是围绕着工业细分场景的know-how和海量的真机数据打造了具身智能基座模型“智合”（FabriX），边缘端基于工业真机数据训练的多模态MOE基座模型，通过添加双回路逻辑校验层，规避了端到端VLA（视觉-语言-动作模型）或世界模型在仿真到现实迁移中的成功率下降问题，本地端是将基于机理控制的确定性结果作为先验引导知识，为后训练提供可供性交互数据的指引，使模型具备了自监督和纠错能力。这两部分共同作用方能实现工业级可靠、低样本迁移和大集群协作的能力。
这种对数据与模型的极致追求，本质上是对传统编程范式的超越。在传统编程范式下，机器人的作业逻辑往往被固化为一套机械的指令序列，本质上是一种缺乏全局视野的“局部最优解”——它虽然能在微观层面保证单个任务的执行效率，却无法统筹考量整体运力、动态路况与突发异常，最终导致系统陷入“只见树木，不见森林”的效率瓶颈，难以实现真正意义上的全局资源最优配置。
而数据与模型的落地，终究也离不开底层算力的承载。无论选择哪种模型的技术路线，都需要来自芯片的支持。安谋科技（中国）有限公司市场及生态副总裁梁泉认为，虽然也在广泛讨论泛化性强的世界模型如何应用在生产之中，但短期内难以全面落地。VLA在特定场景如工业控制、自动驾驶子任务已具备现实可行性，对芯片厂商而言具有明确的适配价值和长期基础建设意义。“现在不是要考虑盈利，而是要对架构进行前瞻。我们作为芯片厂商更关注底层算子与网络结构变化，而非哪种模型最终胜出，这样才能提前规划硬件支持能力。”
当大家都在追逐更聪明的AI时，不能忘记生产领域需要的是更可靠的AI。让机器更智能，是技术创造实际价值的核心前提。海康机器人负责人回复第一财经时提到，没有一家企业能独自完成智能制造的升级，未来值得期待的是全球产业链伙伴共建开放协同的产业生态，让人工智能成为各行业可复用的能力底座，让智能更普惠，共建高柔性、可复制的制造业模式与业态创新。
从会场可以窥见，2026年的具身智能赛道已经告别了“拼硬件、拼外观”的草莽时代。
当高质量数据集成为新的“基础设施”，当机器人真正拥有了感知物理世界的“触觉”与“反馈”，离那个“机器成为智能伙伴”的未来，或许就真的只差一步之遥。而这一步，不仅需要技术的突破，更需要产业生态的协同与对“人本主义”的坚守——毕竟，让机器去干那些人类不愿干、不能干的活，才是具身智能最温暖的底色。
举报 第一财经广告合作，请点击这里此内容为第一财经原创，著作权归第一财经所有。未经第一财经书面授权，不得以任何方式加以使用，包括转载、摘编、复制或建立镜像。第一财经保留追究侵权者法律责任的权利。如需获得授权请联系第一财经版权部：banquan@yicai.com 文章作者
宁佳彦
相关阅读
WAIC现场，国产大模型集体“摸高”“摸高”路径暂未收敛，行业百花齐放。
15273 昨天 15:21
AI进化速递 | 中国气象智能预警方案“妈祖”吉布提2.0交付昇腾950超节点真机亮相2026世界人工智能大会。
3896 07-17 20:36
AI进化速递丨我国首个全国产十万卡AI超集群正式落成上纬新材将发布首个可变形个人机器人启元T1。
13072 07-10 20:48
涉及AI、算电碳协同，首批央企十大标志性场景发布将中央企业自身的场景富矿转化为产业创新的共享平台。
7 7337 07-10 15:34
下半年新模型竞赛启动前，智谱授权配售新H股募资公司需要充足资金储备支撑研发投入。
5787 07-09 14:47 一财最热 点击关闭配资网提示：文章来自网络，不代表本站观点。
