科技Bestblogs·十字路口Crossing··AI 生成
10 个问答，深入分歧之下的具身机器人
四位具身智能领域的关键人物——创业者与首席科学家——在外滩大会的圆桌对谈中，围绕具身机器人的核心路线产生了罕见的分歧。对话聚焦三大核心争议：数据来源（仿真 vs 真机）、AI 模型预训练路线（Astra 是否构成降维打击）以及商业化落地指标。各方均从第一性原理出发，给出了自洽但彼此相悖的判断。本文记录了这些未收敛的激烈讨论，适合关注具身智能技术路线、商业化挑战及产业格局的深度读者，能提供远超标准报道的认知碰撞。原文 ↗原文 ↗
核心观点
- ▍具身智能领域在数据来源、智能路线和商业化指标上存在根本性的、尚未收敛的分歧，各方从第一性原理给出了自洽但相悖的判断。
- ▍Astra 不会对具身智能形成降维打击，因为它本质上成为了一家庄重的具身公司；但其成功验证了大规模预训练路线的可行性，这是行业的转折点。
- 01苏度科技韩铮坚持仿真不可绕过，其闭源仿真管线在物体与环境几乎无限制下，部分技能成功率接近 100%，认为真实数据收集效率慢、质量受限。
- 02蚂蚁灵波沈宇军则强调，真正的瓶颈是「Real to Sim 的规模化」，即把传感器噪声等底层不完美搬进仿真器；触觉信号是仿真难以复刻的典型，因此数据策略应分阶段。
- 03自变量机器人王潜认为，Astra 训入了大量机器人数据，OpenAI、Anthropic 仍需自建数据、仿真、evaluation 与硬件 infra，故只是「另一家具身公司」。
- 04破壳机器人许华哲实测发现，Astra 语义与空间泛化能力很强（抓筷子、handover），但接触密集型任务（叠衣服、叠盒子）表现弱，认为物理泛化是具身公司最后的阵地。
- 05沈宇军认为机器人交互依赖持续不断的传感器输入，未来机器人走入生活产生的物理世界数据，会成为 LLM 公司的新语料，具身模型可能反向影响云端大模型发展。
- 06王潜以「客户可持续地付钱，为前沿技术付钱」作为商业化终极指标，并称已在物流场景做到超过人类 ROI。
- 07韩铮强调商业化场景对成功率要求接近 100%，且不能靠大量后训练过拟合，泛化性才是关键。
反方 / 局限
- — 圆桌讨论本身并未涉及「数据隐私」与「社会责任」等非技术议题，这些因素未来可能对具身机器人的落地构成重大约束。
前置背景
平行视角
未来推演
延伸追问