具身智能站上大会C位：以高质量数据为基，让机器人真正干好活

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。