从生态位之争，看具身智能商业落地的价值链重构

8月19日至23日，以“人机共生，产需共融”为主题的 2026 世界机器人大会于北人亦创国际会展中心 (世界机器人大会展馆) 正式举办。

作为国家级、全球化机器人产业综合运营平台，世界机器人大会既是产业周期的长期观察者、产业资源的顶层操盘者，也是前沿技术商业化的深度赋能者、新质生产力培育者、全球产业协同的连接者、行业高质量发展的标准引领者。

8月21日，由亿欧主办的“2026世界机器人大会·具身智能商业落地论坛”在北京·北人亦创国际会展中心会议中心正式开幕。

“具身智能商业落地论坛”作为“2026 世界机器人大会”的重要系列论坛，以“商业落地”为唯一核心标尺，立足全球机器人产业顶层视角，精准捕捉当下具身智能赛道“技术成熟度领先、商业化落地滞后”的核心矛盾，聚焦商业策略和落地实践，以审慎态度思辨产业发展规律，以产业实战拆解商业化可行路径。

大会现场，一场主题为《生态位之争：具身智能商业落地的价值链重构》的圆桌论坛，围绕当下产业链价值重新分配的机遇正式展开。

该场圆桌论坛邀请到谋先飞Motphys创始人兼CEO崔汉青，原力无限联合创始人刘扬，鹿明机器人创始人兼CEO喻超，公象智能兼慧用工创始人于世浩，清智资本及孵化器创始合伙人张煜，亿欧合伙人兼主编刘欢担任论坛主持人。

以下是本次论坛嘉宾核心观点梳理：

崔汉青：谋先飞Motphys创始人兼CEO

1、工业生产端真正的商业价值前提是：机器人必须干得比人好、成本比人低，才具备商业化基础；现阶段全行业距离终端变现还有距离。

2、仿真赛道当下的两类直接变现方式：一是通过 Real2Sim环境生成-模型训练-应用落地实现价值转化；二是模型训练对低成本、高精度合成数据的需求。

3、真机采集的真实数据不可替代，是仿真系统的 GroundTruth (真值)；但只依赖真机数据，在成本和效率上难以满足 ScalingLaw 对规模扩张的需求。

4、行业共识正在发生重大转变：从最初认为“仿真数据没用”，逐步转向认可仿真的价值；当前，仿真合成数据+少量真机真值数据，被普遍认为是实现数据规模化扩张的最优组合。

5、Ego (第一人称视角) 数据是金矿，但原始数据不能直接供机器人使用；借助仿真技术，可通过姿态重定向与动力学闭环补全，将Ego 原始数据转化为机器人可直接使用的有效数据。数据的价值不仅取决于规模，更取决于分布的多样性，相比单纯堆积数据量，丰富的数据分布对模型性能提升更为关键。

刘扬：原力无限联合创始人

1、具身智能企业生态位的重要性，可参考两个维度：一是加速度，代表你当下给行业带来的提升；一是最高速度，代表你的长期市场天花板。加速度来自独有数据、场景能力；最高速度来源于和真实场景深度结合产生的独特能力。

2、具身智能行业将出现三大确定性趋势：①行业从纯技术演示，扎根真实场景；②全链条成本竞争成为主旋律，企业要开源节流储备子弹；③全行业仍在共同寻找下一个关键技术突破里程碑。

3、随着 PhysicalAI 走向真实世界，进化速率会成为越来越重要的竞争维度。具身大脑理解世界、习得能力、跨越场景的速度，将不断推高具身智能的上限，也将打开物理 AI 更广阔的未来。

喻超：鹿明机器人创始人兼 CEO

1、生态位的核心价值来源于价值出口，取决于在最终场景的嵌入深度、环节上的不可替代性。未来机器人竞争的核心是谁拥有让机器人持续进化的能力。

2、越靠近下游价值出口，位置上离变现越近；但是能否让客户买单，取决于三点：①更早触达PMF（Product Market Fit，产品和市场达到最佳的契合点））；②获取有价值的数据，特别是有价值的真实世界数据。以及，把这部分数据转化成可规模化复制的技能。③硬件的低成本能力。

3、任务决定形态，而不是形态决定任务：长期看人形是多数通用场景最优公约数；短期轮臂复合本体在部分场景具备稳定性、成本优势。具身智能产品形态遵循两大原则：场景需求导向、低成本导向。“通用”的核心不是一台机器人什么都能做，而是机器人获得新任务的成本越来越低，所以我们更看重任务通用性。

4、具身智能接下来两大确定性趋势：①竞争从单点技术比拼，升级为系统级竞争，场景落地成为核心焦点；②模型不会单纯比拼参数量大小，行业重心转向数据混合配比、全新训练Pipeline的工程化优化。

5、进入产业现场，解决实际生产问题，才是具身智能的价值出口。

于世浩：公象智能兼慧用工创始人

1、数据赛道评估企业能力三大核心指标：①规模化采集下的单条数据成本控制；②大规模采集下稳定的数据质量与管线处理能力，避免污染虚拟仿真；③高质量数据规模扩张同时实现成本下降，数据成果可以被上游模型厂商复用。

2、具身智能商业化在服务业存在巨大替代空间：茶饮连锁等服务业未来 3‑5年将有百万岗位面临机械化替代；完整链路是：理解人工SOP流程→采集真实业务数据→供给大脑模型训练→机器人真机场景交付，最终转化生产力。谁对客户带来实际效率收益越高，谁的产业价值就越大。

3、具身智能行业 2027 年将出现三大确定性趋势：①具身大脑模型持续快速迭代，从实验室加速走向生产可用；②训练数据需求从百万小时迈向千万小时级别，仿真数据、人视数据、本体验证数据需求同步暴涨；③伴随硬件成本下降、机器人能力提升，工业之外，服务业会出现越来越多真实落地案例。

张煜：清智资本及孵化器创始合伙人

1、具身智能产业链定价权分阶段演变：①早期阶段：必要生产资料掌握定价权；②中期阶段：所有环节比拼PMF产品市场匹配，靠硬实力充分竞争；③后期阶段：通用性赛道会出现垄断带来超额利润。千行百业碎片化垂直场景很难出现大一统垄断巨头。

2、资本视角下，具身智能行业 2027 年将出现四大确定性趋势：①通用赛道巨头成型，创业机会向千行百业垂直细分场景转移，每个垂直赛道空间巨大；②供应链进一步垂直细分，产业生态逐步成型；③未来数据产业价值会越来越重要；④标杆企业上市会给市场注入信心，但通用赛道创业门槛显著抬升。

以下是圆桌论坛现场对话实录——

刘欢：大家好，我是亿欧合伙人兼主编刘欢，接下来由我担任本场圆桌的主持。

我们今天圆桌论坛的主题是“生态位之争——具身智能商业落地的价值链重构”。

当下，具身智能迎来关键分水岭。资本快速回归理性，市场不再为美好叙事买单，能否在真实场景中跑通商业闭环，已成为衡量企业生存的核心标尺。与此同时，软硬件解耦是大势所趋，本体、仿真底座、具身大脑、场景需求方形成多元博弈，产业链价值正在重新分配。

各方都在寻找属于自己的生态位。到底是整机一体化的路线更优，还是分层分工共建生态更具前景？订单热度的背后，如何区分短期铺量与可持续复购？整个价值链的定价权又将流向何方？

带着这些问题，我们开始今天的圆桌。本场圆桌邀请到的嘉宾覆盖仿真基础设施、具身大脑、机器人本体、一线用工场景以及投资人五大视角。在正式讨论之前，请各位嘉宾先做简单自我介绍。

崔汉青：大家好，我是谋先飞 Motphys 的崔汉青。我们公司从自研物理引擎起步，致力于构建整个具身仿真的基础设施。目前我们的仿真平台可在各种算力上运行，包括国产非英伟达算力，能够接入各类本体零部件和传感器，Sim2Real 的成功率非常高。

刘扬：大家好，我是原力无限的刘扬。原力无限致力于打造领先的具身大脑和全栈AI Infra。在大厂里，很多公司都在做大脑，但原力无限有三点不同：第一，我们在技术和模型、数据层面是全栈自研，而许多公司要么只做数据，要么只做模型；第二，我们非常看重与真实场景的结合；第三，原力无限在具身生态中扮演重要角色，我们认为未来不是一家或几家企业能做成的，需要更多生态资源共同协同。

喻超：大家好，我是鹿明的喻超。我们围绕产业具身的全链条需求，从数据、模型、技能学习，到最终真机实际交付，提供全链路服务。我们非常欢迎有实际场景需求的客户和行业伙伴来和我们合作。

于世浩：大家好，我是公象智能的于世浩。我们本身是一家数据采集、数据管线处理及服务的公司。同时，慧用工过去是一家人力资源服务与生产力平台，服务过茶饮、便利连锁等服务业企业超过两万家，积累了大量应用场景。现阶段在数据采集过程中，我们也在持续尝试将合作方的机器人回投到实际应用场景中去。

张煜：大家好，我是清智资本及清智孵化器的创始合伙人张煜，我们是清华大学智能产业研究院支持下的专注AI早期的投资和孵化机构，目前清智孵化器已孵化出近十个AI独角兽，其中一半以上是具身智能方向。清智资本投出了五个估值超过/接近两百亿的AI公司，其中4个是具身方向。到现在我们觉得数据变得越来越重要，今天也是来学习，探讨数据领域是否有更大的发展空间。

刘欢：让我们掌声欢迎五位嘉宾的到来。

第一篇章：生态位的含金量

刘欢：过去两年甚至更长的时间里，机器人行业和具身智能行业的融资异常火热，与其他行业形成冰火两重天的反差。但评价一家具身智能企业在产业链中的生态价值，不能只看营收、融资、出货量等单一指标。在五位嘉宾看来，决定生态位“含金量”的还有哪些核心因素和指标？

张煜：我们既有投资又有孵化，覆盖的比较全，从大脑、小脑、本体、运控、仿真、数据到应用，包括关节模组，都有投资布局。我们观察到，一开始大家都是单点突破，比方说我们投的松延动力，是第一个基于数据训练能跑起来的电动人形机器人。我们还投了智平方，是国内第一个提出VLA架构的具身智能公司。被投企业极佳视界，是国内第一个以世界模型来驱动具身智能的AI公司。还有跨维智能，基于物理AI首创了全合成仿真数据训练框架。大家各自有独创性，都是单点科研领域去拓展。

但今天不一样了。今天需要综合能力。回顾去年 WRC，大家都在秀单点能力，但是本届WRC，大家都强调进入场景、进入产业，那光单点能力就不够了——综合能力成为必选项。今天机器人行业最大的变化是，组合多了、场景多了、应用多了、基于工业化考虑的设计多了。而且技术流派从过去的VLM、VLA到现在的世界模型、世界动作模型等，这些技术也不是一个替代过程，而是一个融合演进过程。我现在最大的感受，就是具身行业正处于大的融合和链接之中。

于世浩：我今天主要代表数据端——数据产生及数据交易这一端。我认为在整个具身产业的“数据深水区”里，未来有几个关键关注点：

第一，在采集网络规模化的过程中，单一采集成本能否做到有效控制？

第二，数据质量和数据处理能否得到保障。不能出现 Demo 时很惊艳，但真正大规模使用时，管线却无法适配，甚至对数据集造成污染。这考验的是企业对场景的理解能力、对任务和采集过程的管理能力，包括采集过程中的自由度、管线处理，以及后期管线与训练管线对齐的整个过程。

第三，高质量数据的成本能否在规模指数级增长的过程中实现下降？同样，依靠数据处理公司，处理完后的高质量数据能否在更多模型侧公司的管线中被大量使用？

喻超：我认为生态位的价值，取决于在场景里的嵌入深度，以及嵌入环节上的不可或缺性。这一点不管具身行业还是其他行业都是一样的。

回到具身行业，不管是从数据、模型，还是本体在场景里落地，在这个链条里卡对了关键点，或者在一个单点上做得足够好，而且具备较强的规模效应和网络效应，也能卡住位置。

具体拆解下来有四个指标。

第一是有没有来自真实场景的Know-how。机器人有没有进入真实生产环境，还是停留在Demo和实验室阶段，差别非常大。真正进入工厂以后，会遇到大量模型指标之外的问题：节拍、可靠性、异常处理、设备协同、人员协作，这些最终都会沉淀成企业自己的Know-how。

第二是数据和能力资产能不能沉淀。数据不是越多越有价值，关键是能不能转化成模型能力和可复用技能。

第三是交付能力。一家企业能不能把一个任务稳定交付，能不能从一个客户复制到十个客户，从一个任务复制到更多任务，这其实是产业化非常重要的指标。

第四是能不能形成持续迭代的闭环。这也是鹿明现在比较重视的事情。我们希望通过机器人进入真实场景获取任务数据，再通过Prime R0转化成模型能力，通过NexCore完成训练、评测、部署和持续迭代，最终再回到机器人上。

所以我理解的生态位，不是简单的“上游、中游、下游”，而是谁能够掌握从任务到能力再到价值交付的闭环，谁就拥有更强的生态位。

刘欢：所以总结下来是稀缺性和不可替代性。

喻超：对，我自己认为就是在环节上的不可替代性，或者说你在产业场景价值链条里的嵌入深度。

刘扬：前面几位嘉宾说得非常到位了，我做两点补充。从原力无限的视角来看，整个行业有一个共识——处于高速发展阶段。为什么最近两年这么热？我们都是学理科的，可以把它抽象成两个东西：一个叫“加速度”，一个叫“最高速度”。

关于生态位，我们首先看现阶段到底能提供什么样的能力，让行业的速度变快——这个加速度很重要。包括前面提到的独特数据、独特能力、场景下的能力，都属于加速度范畴。如果去识别你的价值主张，你在阶段内能提供的——不管是叙事故事还是其他，在我看来都属于加速度。

另一个，如果往前迈两三步看——这个行业高速发展，两年后聊的话题可能跟今天完全不一样。我们看“最高速度”，即你的市场空间到底有多大。在那个价值曲线、那个标注的范围内再看，你会发现：如何通过你和真实场景的结合，产生出额外的能力，这种结合的生态价值非常高。它不单纯是技术能力，不仅是底层驱动能力，更多是你和真实场景结合后产生的独特东西。这个真正转起来，才是所谓的Ego能力、未来价值取向上潜在的生态位。

刘欢：听下来就是既要跑得快，还要持久跑。

崔汉青：我非常认同喻超的观点，尤其赞同在整个链条里的嵌入深度和独特的差异化。但我想补充的是，具身智能行业正处于超高速发展阶段，尽快变化迅速、格局未定我们仍可以回到第一性原理，进一步思考行业最终将走向何方。

在往终局看的过程中，我们能发现一些在终局上必不可少的关键环节。如果能够想清楚自己在终局上到底应该在什么位置，提前做前瞻性的、累积性的投入，会有非常长的长线生态价值。这是我的观点，我们也是一直这么践行的。

第二篇章：谁离钱包更近

刘欢：以前大家会觉得有技术就有话语权，但今年能够明显发现，手握场景和数据的可能更强势，具有主动权。谋先飞 Motphys 和公象智能算是产业链上游，原力无限和鹿明算是中游和下游。大家觉得谁离客户“钱包”更近？

崔汉青：离钱包更近这个问题，现在下结论可能还为时尚早。终端场景对产品和能力的要求其实非常高。要真正在工业和生产端产生商业价值，就必须做到比别人好、成本更低。从这个意义上讲，具身智能行业距离钱包近仍有一段路要走，我们也在持续探索和努力。

但从另一个视角看，在通往目标的过程中，也有一些“中间钱包”存在。比如我们遇到很多需求，需求方还没期待现在就把机器人在产线里用起来，但为了达到目标，可以先做 Real2Sim——把产线数字化，在里面跑各种实验，这个有真实预算，我们能感受到Real2Sim资产端的较强需求。

另外，很多公司需要训模型，数据成本是大家非常头疼的问题——数据又少又贵。怎么快速廉价地获取大量数据？于是搞合成数据。合成数据在产量和成本上都有优势，叠加我们核心的仿真精度优势，有些数据经过后训练后跟真机数据差别不大，会有比较大的竞争优势。这个是能看到商业化前景的。

刘欢：短期看确实还有一段距离，但中长期是绕不过去的门槛。

刘扬：离钱包更近这个问题，分两层看。狭义上非常好回答——阶段性能提供最好生产工具的一定离钱最近，短平快。你没法做出很好的面向交付的最终产品时，阶段性工具一定是离钱最近的，毫无疑问。

但广义上，离钱最近的背后含义是：谁离最终的收益更大，谁就离钱最近。这在任何行业都一样——能带来最高价值和最高溢价的，离钱一定最近。整个行业70%、80%跟其他行业是一样的。但在具身行业里，阶段性工具类一定是离钱最近的——从工具往下走到加工、清洗，到产业链最终闭环，到最终营销。

从原力无限的视角，结合第一个问题，我们不觉得现阶段一定要去争最高利益。如果行业能生长得很快、加速度更快，对所有人一定最有价值。谁能带来更高的加速度，我们更希望把利润和钱送到他面前，共同来发展。

喻超：从两个层次看。从位置角度，越往下游、离最终价值出口越近的，肯定离钱包最近。但从整个价值链角度，更值得讨论的是：具备什么样的能力，才能更容易让客户最终认可并买单。

我认为有两个关键点。第一，更好的数据及模型能力，谁能够更早抵达性能边界，谁就更有机会形成竞争优势。第二，硬件 BOM 成本——和第一点也是耦合的，本质上是在不断寻找性能和成本之间的最优解——用更低的成本，做出更好的效果。当性能足够好、成本足够低，自然也就具备更高的商业价值。鹿明一直沿着这两个方向在做。本体部分我们追求极致成本，从供应链到整个设计都围绕这一目标展开。同时我们也一直在构建比较完整的数据和模型体系。从Teleoperation（遥操技术），到面向模型不同训练阶段的Ego和UMI数据管线。模型方面，我们的Prime R0在全球权威零样本具身智能评测基准MolmoSpaces榜单中，拿下包含单臂精细操作与双臂协同操作在内的全任务谱系综合成功率Top 1。我们也做了NexCore平台，把前面这些数据、模型和训练能力真正承载起来，形成从数据到模型、再到机器人技能落地的完整闭环。

所以我们希望，一方面把机器人的成本做到足够低，另一方面把数据、模型和技能能力做到足够强，最终让机器人真正具备走进产业、创造价值的能力。也欢迎更多伙伴基于NexCore与鹿明合作。

于世浩：我认为现在提离钱近还是比较早，但一些现象已经出现。尤其在数据端，我们有切实感受。过去一年，尤其是最近，大量通用模型和通用场景大脑厂商都在不停向我们要大量异构数据，都是百万小时级的需求——这已经出现了。

有一个数据，截至 2025 年 12 月，中国咖啡加茶饮类连锁品牌有 33 到 34 万家 (仅算品牌连锁，不含小店)。我们在做人力资源服务的过程中有大量外包岗位都在这些门店里，一个标准门店实际上有 5 个生产岗位：一个前端收银，中间三个生产，最后一个传递交付。随着去年我们很多客户已经开始使用机械臂，包括机械臂加流水线、轮式方案，我已经看到一些机器人厂商的设备开始在场景里做采集和尝试。

这意味着未来 3 到 5 年，大概会有 100 多万个工作岗位全面面临机械化替代。这需要我们最前端去理解人工的生产流程、SOP，包括怎么产出。把数据采集回来，交给机器人和上游公司做大脑训练、VLA 训练，最终实现到场景交付，最后把机械臂替代人类变成真正的生产力。到那一步，在哪个环节起到的价值越大、作用越多、对客户实际效率带来的收益最高，价值度就是最大的。

刘欢：前面四位嘉宾从上游、中游和下游分享了各自对“离钱包距离”的看法。最后一个总结性问题给到张煜。过去亿欧看过很多企业，初创期或中早期谈赚钱时更多谈融资、规划、蓝图和技术，对商业化变现会觉得谈赚钱不体面。但到了中期或中后期，企业一号位和管理层对赚钱的压力会变得很大。从务实的角度看，“钱包”这个话题还是一个如何从定量维度验证企业价值本身的问题。从生态位的不可替代性和价值分配话语权来讲，谁会掌握未来的定价权？

张煜：几位专家都从行业角度讲了，我从市场发展和经济规律角度来讲。分阶段看：

在一个事物发展早期阶段，比如具身正在高速成长且尚不完善的时候，谁是必要生产资料，谁就赚钱。一开始做本体的时候，做曲轴电机模组的就赚钱——每个都得配，但自己又不可能去做所有零件。慢慢的灵巧手就变成必须了，现在可能触觉、电子皮肤也变得重要。这时候他们离钱近，能赚钱，因为他们是必要生产资料，而机器人本体这时候还赚不了钱。这是事物发展的阶段特征。

到了中期就不一样了。中期大家都拼 PMF——灵巧手也好、关节模组也好、本体也好、大脑也好，每个环节都得拼PMF。这时候竞争的是自己的比较优势，多个竞争对手在同一市场上拼，确实要凭硬功夫，zhi得卷。

再发展又不一样了，成熟市场要拼垄断，谁垄断谁赚钱。垄断不见得是价值度最高的。我在微软工作过 15 年，Windows 操作系统为什么赚钱？它只是底层，不直接提供应用价值，但它把市场都垄断了，就赚钱；台积电以前也不挣钱，现在挣钱了，是因为它把行业垄断了，所以到最后就变成大家拼垄断。但垄断往往出现在通用性行业，千行百业太复杂，不太可能出现一个大的垄断机构。更多的是有通行性的市场能够出现垄断的情况。

第三篇章：仿真数据与真实数据的成本博弈

刘欢：今年上半年具身数据越来越重要，这应该已成为一个行业共识。谋先飞 Motphys 做物理仿真，强调合成数据；原力无限做场景应用，手里握着真实交付数据。两位如何看待仿真数据与真实数据在 2026 年的成本博弈？从 Sim2Real 鸿沟尚未填平的现状来看，谁应该为交付延期承担更多责任？

崔汉青：虽然我们专注于仿真，但我始终认可真实世界数据的价值。之所以要做仿真？正是因为真机数据成本高、采集效率低，而模型训练又需要海量、低成本的数据。我们希望通过算力和能源的投入，将数据规模化生产出来。不过，仿真始终绕不开一个核心问题：Ground Truth（真值） 究竟是什么？Ground Truth 就是现在的物理世界，真实世界的数据就是仿真的 Ground Truth。

因此，真实世界数据的价值不可替代。但关键问题在于：究竟需要多少真实数据？去年行业内仍有一部分公司，并非全行业共识，认为仿真数据价值有限。但到了今年，市场共识已经发生了显著变化。越来越多的案例表明，借助仿真技术训练的机器人也能取得出色效果，会场里能看到这样的公司。也有一些非常知名的公司持续在仿真方向投入，李飞飞团队等业界代表也开始进一步认识到仿真的重要性。可以看到，市场的仿真价值的认知正在加速转变。

本质原因在于：随着具身智能探索的不断深入，我们对数据的需求也在持续增长。从最初开始通过遥操作采集，到借助 UMI 和 Ego 等方式获取数据，行业已经积累了十万乃至百万小时的数据，然而，与大语言模型所依托的互联网海量数据相比，这一规模仍存在巨大差距。因此，行业先行者开始重新思考：仿真数据究竟应当如何发挥作用。

从第一性原理出发，要让模型真正理解世界运行的规律，就需要很大规模数据的支撑。至少从大语言模型的发展历程来看是这样，我们有理由相信，具身智能同样遵循这一规律。因此，要实现数据规模化扩张，仿真技术必不可少，并将在其中承担主要的数据供给角色。以一定量的真机数据作为Ground Truth，再通过仿真进行合成与增广，持续扩大数据规模，从而进一步验证和探索具身智能的Scaling Law。

当前 Ego 数据正受到广泛关注。我们认为，仿真与 Ego 数据可谓“天作之合”：二者结合，既能进一步扩大数据规模，也能显著降低数据获取成本。就目前看来，Ego 是近两年来最具潜力、最有效的真实世界数据采集将本方案之一。

具体而言二者可以如何结合？Ego 数据记录的是人类第一视角观察世界的方式，在一定程度上也可映射机器人感知世界的视角。将其融入 Sim2Sim 的仿真世界构建过程，Ego 数据便能为仿真环境提供高质量的视觉参考真实世界呈现出怎样的视觉效果，合成数据就应尽可能还原怎样的效果。

但 Ego 数据采集完成后，如何将其转化为机器人真正可用的数据，仍是一个关键问题。许多 Ego 数据虽然能够以较低成本获取，但其数据模态并不能完全直接适配机器人：每个人的手部形态各不相同，机器手和人手之间也存在明显差异。Ego数据是一个金矿，但要把金矿里的金子挖出来，才能真的把数据用到机器人上面。这个过程仿真必不可少。

举个例子：人手数据采集下来后，人手的 Pose 怎么恢复出来？并且要能和物体交互——我拿着话筒，得把话筒拿住，5根手指每个接触点对话筒施加的力，加上重力，这6个力的合力等于零，这是真正有物理意义、能给机器人用的数据。仿真能把它算出来。就算Ego数采采集到的每个手都不一样，仿真能做Retarget，并在动力学角度把闭环补完，真正把矿挖出来。

刘欢：我们能不能粗暴地理解这个逻辑——刚才说的把规模顶起来，有点“大力出奇迹”的意思？

崔汉青：不光是大力出奇迹。整个数据不光是规模，数据的分布也很重要。真实数据要有多样性，这些多样性要能给机器人大脑或模型端带来本质的信息输入，这是比纯粹的数据规模重要得多的。

刘扬：原力无限也有一块业务板块叫 Data Grid，专门负责数据。我们已经准备了很长时间，最近会有一些新发布。在发布之前，我从三个维度介绍一下 Data Grid 的想法。

第一个核心点：抛开模型讲数据都是耍流氓，因为你所有的数据都是服务于最终的模型。原力无限的视角是：无论是数据的处理、采集，还是增广，最终都要体现在模型能力上——能不能和你的模型能力很好匹配？比如原力无限自己做的Atom系列大脑，整个方法论是数据侧和模型方法论很好的耦合，是一个不停迭代的过程。

第二个点：要用发展的眼光看问题。今天我们看到 Sim2Real 还是有 Gap、做得还不够好；Ego 有人手问题、不同手的问题。这些问题在我看来都是阶段性的，随着方法论不断迭代、模型层迭代，都会变化。对于公司来讲，如何在整个生产力和生产关系上去适配行业的高速发展，是非常重要的。

第三个点：除了原始数据采集、处理和模型配合，大家往往忽略的还有非常重要的一块——Failure数据，即真实场景里出现错误的数据。这些数据如何被很好地采集到？如何调优？如何把调优数据再和模型很好匹配？而且不是单一行为、某次行为，而是变成通用的行为，反哺到整个闭环里。原力无限现在做的事情就是：原始数据（不管仿真还是真机），包括持续在做的Ego数据，到自身匹配的模型，到真实场景里的Failure Recovery（故障/失效恢复）部分，再回到数据里，形成完整链条并快速转起来，配合第三方本体和场景应用。这才是一个能转起来的闭环，而不是单一的某一种类型的数据。

第四篇章：形态之争与场景选择

刘欢：鹿明在WRC上展示了轮臂式机器人MOS 2。从公象智能的视角来看，在落地中不太在意机器人长什么样，更偏向结果导向——只要能干活就行。今年行业到了分水岭，客户对ROI极致追求。喻超总，您觉得是否还会继续坚持做特定形态的本体？世浩总，您在选择硬件时，更倾向于鹿明这样专业的本体，还是会采购类似宇树这样成本已达极致的通用平台？

喻超：我们在本体形态上的的原则其实很简单：让任务和场景定义机器人的形态。MOS2并不是为了证明“轮臂式机器人就是最终形态”，而是从场景需求出发，在重载搬运、物流转运、特殊环境作业等场景中，这种形态的机器人作业效率更高。人形机器人的价值在于，它能够适配大量为人设计的环境和工具。同时在我看来，“通用”的核心不是：一台机器人什么都能做。而是：机器人获得新任务的成本越来越低。所以我们更看重任务通用性。同一种任务可能可以由不同形态的机器人完成；同一种机器人也可以通过学习获得不同任务能力。如果技能、模型和任务表示能够逐渐标准化，那么不同机器人之间的能力就有机会互相迁移。从这个意义上讲，非人形机器人在产业中积累的大量任务经验，可以迁移到人形机器人上面。对于机器人产业落地而言，重要的不是“机器人长什么样”，而是机器人能不能在场景中把任务完成。这也是我们做NexCore的意义。

于世浩：先纠正一下，除了张煜，在座的基本上都是我们的客户或合作伙伴。我们从看设备的角度，会从两端看。

第一端，从目前状态看，我们肯定要考虑怎么有效采集数据——不管本体数据还是人类数据。我们也跟一些仿真数据公司有深度合作。这个过程中会看很多设备，包括我们自己的各种设备。

主要看几种类型：第一种，本体遥操作过程中——我们和原力无限也有这方面合作——生产效率怎么样？数据产生过程中的回收率、实用性，包括通用性，是未来要考虑的问题。非本体设备就非常多，Ego也好、UMI也好，已经到手部触觉设备，这些都会大规模投入到行业里，推动高质量数据体量迅速产生，一定会给行业带来很大价值。现阶段，我们更多看数据产生过程中设备本身是否贴近大规模生产能力。

第二端，回到场景。通用场景在未来落地过程中会更慢，因为有很多对齐等问题要解决。但特定场景客户的需求非常明确——有固定确定的需求形态、要求，甚至到细节的关节度、多少关节，已有非常明确的参数要求。我们和场景方及客户需求做更多对接。

第五篇章：复盘具身智能是否有被证伪的路线

刘欢：从资方视角看，生态位选择最大的风险不单纯是赛道选错，还要匹配正确的商业模式、技术路线和竞争策略。站在现在复盘过去行业的发展变化，目前哪些场景的产品或商业模式在您看来已经被证伪了？

张煜：还真挺难说。从资本角度看，目前大家都还在探索阶段，路线也不太一样，实践形式也不太一样，当然目标是一致的。说证伪哪一个，我觉得现在还不能做判断。我个人感觉，哪一种方向都是有意义的尝试，要到一个收敛的时候才能区分，现在明显不收敛——具身公司估值很高，大家都说有泡沫，但新公司又如雨后春笋般出来，说明行业还在发散过程中，这时候还不能太早做判断。我对各种技术、各种发展方向都抱着乐观和愿意一起探索的态度。

第六篇章：2027年的确定性趋势预判

刘欢：最后一个问题，大家会说2027年可能是行业洗牌的大年，最近听到比较多的是会把宇树上市作为行业的分水岭。从各位的观察来看，到2027年这个行业可能会有哪些确定性趋势？

崔汉青：当前，行业仍存在较为明显的分化，整体趋势是持续向前探索，一路通往真正的物理AGI。随着探索不断深入，行业对数据规模和高质量数据分布的需求是越来越强，对数据获取成本与生成效率也提出了更高要求。在这一过程中，难免会出现阶段性波动：我们需要对此保持理性判断，并做好应对。

刘扬：对于生态里不同玩家，各自趋势不尽相同。但如果把大家看成一个共性、都在一个行业里，我觉得有3个趋势是共同能看到的。

第一，走到真实世界去。从单纯技术方向开始，大家都认同——从真实场景里来，从真实场景里去。

第二，从拼能力到拼成本。2027年成本趋势会越来越明显，不光是本体侧成本，还有数据成本、训练成本，各方面成本大家都会非常关注。在有限资金量级的时候——也许秋天也好、冬天也好——你多准备一些子弹，如何开源节流，都是大家会考虑的问题。

第三，大家依然在寻找那个突破点、那个里程碑时刻。milestone到底在什么时候？现在的方法论是，把整个具身对比到智驾——不管对比到L1还是L2——到下一个时间维度，那个关键节点会因哪些技术或能力的变化而导致，大家都在寻找突破口。

喻超：第一点，行业更关注场景落地，从单点竞争变成了整个系统级竞争。第二点，数据量依然会变大，模型size还会进一步扩大。大家也开始从纯的模型规模和数据规模，转化到数据的混合配比以及新的训练pipeline。这一块应该会非常明显地持续演化。

真正拥有核心竞争力的公司，一定是能够做到：

机器人进入真实场景 → 持续产生有效数据 → 模型和技能不断迭代 → 新能力快速部署 → 交付成本持续下降，最终让机器人在场景中产生价值、提升产业生产力的企业。

于世浩：三个方面。

第一，从具身大脑行业看，接下来的模型会有非常大的变化。最近半年已经日新月异，接下来在学术界到产业界的过程中，各种新模型会推动大脑更快走向理解世界、走向生产。

第二，数据端需求会进一步增长——从百万小时接下来会迈向千万小时的需求量级，不管是仿真数据还是人类数据，包括本体数据依然会大规模做校验和验证。

第三，随着设备成本降低和机器人能力提升，会有越来越多场景方——不仅是工业场景，甚至服务业场景——加速落地。

张煜：几位专家说得挺全了。我从资本角度观察到两个方面：

第一，宇树上市给了市场信心，更多人才进入具身创业行列。但通用领域已经产生了巨无霸，比如报道说智元出货已超过1万台，所以通用具身领域的创业就那么多了，大家会转向细分赛道，进入千行百业。每个行业都有自己的特点，差别还挺大。比如喷漆机器人做得好就了不得，擦玻璃的机器人做得好也有很大市场，这些赛道看起来细分，其实都不小，都在百亿甚至千亿以上。

第二，从供应链角度也会更加细分。做本体、做模组、做大脑、做传感，包括相关材料设计和生产，各个公司细分的结果就会慢慢形成生态。现在大多数具身企业基本上是各自做各自的，甚至做本体的把数采、灵巧手都做了，但发展趋势明显开始垂直和细分，这样才会形成生态。

还有一个点，我认为大家会更关注数据。为什么叫具身“智能”？主要是因为有大脑。大脑能力来自两个方面：模型能力和数据的质量与规模。模型发展到一定程度后，数据的积累和数据质量会占据更大的重要性，数据的价值会越来越大。

刘欢：感谢张煜的精彩收尾。由于时间关系，今天的圆桌到此为止。再次感谢五位嘉宾的精彩分享。