据雷峰网报道，2026 Inclusion·外滩大会主论坛圆桌论坛《物理智能——分歧与抉择》上，苏度科技韩铮、蚂蚁灵波科技沈宇军、自变量机器人王潜、破壳机器人许华哲围绕数据、智能和场景展开讨论。与会者共识是，具身智能不会简单复制语言大模型路径，竞争正从单一模型能力转向数据、模型、硬件、系统和场景共同构成的完整能力。

韩铮认为，真实世界数据采集效率有限、质量不稳定，仿真因此绕不过去；苏度科技长期押注仿真，希望用大规模强化学习提升泛化能力，但仿真与真实数据最终更可能分层组合。沈宇军提出，机器人进入现实环境后，信息只能来自机身上的摄像头、触觉、力觉等传感器，真实传感器的噪声、误差和个体差异构成现实世界的一部分，因此比“Sim to Real”更值得关注的是“Real to Sim”：真实世界复杂细碎的物理特征能否被规模化搬进仿真器。许华哲提醒，行业对数据量存在高估，“一百万小时”“几百万小时”并不天然意味着更好模型，质量、分布和训练方式可能更重要。

近期GPT-6 Astra在机器人控制上的表现，让行业重新讨论通用大模型是否会“降维打击”具身智能公司。王潜不认同，他认为智能本体存在于数据里，模型更像蒸馏器和容器；通用模型进入具身智能仍要面对机器人数据、现实世界评测、硬件、仿真和部署等问题。许华哲测试Astra后观察到，它在语义理解和三维空间能力上突出，能识别物体、抓取筷子，但在叠衣服、复杂接触等“Contact-rich”任务上物理交互仍不足。更可能的未来是分层：上层大模型负责语义、推理、规划和任务拆解，底层具身模型负责实时感知、连续控制和高可靠执行。沈宇军认为，机器人必须持续接收传感器输入并实时改变决策，不能像聊天模型一样一问一答，具身智能最终会形成属于物理世界的训练范式。

韩铮强调成功率和泛化性，真实商业场景中大量工业任务第一次执行就须接近100%成功率，还要适应不同物体和环境，不能每进入新场景都依靠大量后训练重新过拟合。沈宇军认为，客户购买的不是模型指标，而是一套能工作的系统，涉及硬件成本、传感器可靠性、长期稳定运行、部署和维护成本，具身是复杂系统工程，模型只是其中一环。王潜给出的标准是客户能否持续付钱且付得越来越多；本代机器人应解决过去解决不了的问题，并在真实场景形成比人工或传统自动化更好的ROI，收入再支持更大模型和更多研发投入，形成技术与商业飞轮。许华哲认为，这一代具身智能的跃迁，是基础模型面对大量未知任务时不断提高成功率，从50%、60%、70%走向工业场景所需的99.99%。

对于未来五年，嘉宾普遍更乐观。沈宇军认为完全有可能诞生一种全新技术；许华哲判断通用具身服务可能不需要五年、十年，“三年内就可以在很多地方开始服务”；王潜认为今天人们甚至低估了具身智能本身的重要性，数字世界Agent已开始重构软件生产，只有当AI真正获得改造物理世界的能力，人工智能对生产体系的改造才可能形成完整闭环。