科技有「联想」沙龙：具身智能产业化的三大困惑

背景

2024年6月30日，由联想控股微空间、联想之星和融科资讯中心共同发起的“科技有「联想」”线下沙龙首场活动“硅基进化论”在北京举行。活动聚焦具身智能（Embodied AI）领域，集结了来自学术、创业、产业与投资界的八位嘉宾，围绕数据基础设施、模型范式演进、量产落地与商业化路径等核心议题展开深度讨论。主办方刻意规避行业套话，鼓励嘉宾分享真实、独家甚至尖锐的一线观察，旨在从“共识与非共识”的碰撞中厘清产业真相。本次活动由联想控股提供内容，量子位获授权转载。

核心内容

活动分为三个环节：白板开放麦、圆桌一（数据与模型）、圆桌二（量产与商业化）。以下按环节梳理主要观点。

开放麦：七位嘉宾的“非共识”洞察

幂特科技联合创始人、CTO 王志成以AI 1.0到AI 3.0的演进为脉络，直言“数据是核心，模型是辅助”。他回顾自己在旷视科技（Megvii）五年间参与AI 1.0落地的体会：80%的精力花在与数据打交道，场景高度垂直导致边际价值递减。他警示，若物理AI时代无法实现数据规模的Scaling，行业将退回到“继续做AI 1.0时代事情”的老路。

智在无界BeingBeyond合伙人郑思鹏分享了具身领域从“非共识”到“共识”的转变。他算了一笔账：真机遥操数据一小时成本需数百至上千元，采集一万小时可能需高达千万元投入；相比之下，大规模人类第一人称视频成本低了几个数量级，且能覆盖机器人可行动作空间的更大范围。智在无界于今年4月发布Being—H0.7具身通用基础模型，将数据规模扩展至20万小时人类视频，并提出基于潜空间推理的世界模型范式。但目前行业Scaling拐点仍未到来，预计有效训练时长需达百万小时以上。

无问智科创始人刘盛翔强调，行业缺的不只是数据，而是涵盖工具链与测评体系的完整“数据基座”。他将其比作英伟达（NVIDIA）的CUDA生态——没有整套工具链，再好的GPU也用不起来。他还提出，2B场景将比2C提前三到五年落地，因为家庭场景的安全验证难度远高于相对封闭的工业与商业环境。

优宝特机器人创始人范永以“长坡厚雪”形容人形机器人赛道，认为产业尚在42公里马拉松的前两公里处。他将当下的机器人比作“3岁小孩”——应容忍其不完美，有包容、有期待，相信其终将长大成人。

联想集团MaaS业务leader陈磊从制造视角指出，工程化与量产化是许多创业公司“倒在黎明前”的关键短板，产品从Idea到量产落地之间的鸿沟往往被研发团队严重低估。

云松鼠智能创始人黄骏达提出“五指灵巧手重要性被低估”的非共识判断。他梳理了自己从五指到三指、二指再回归五指的研发路径，指出夹爪看似简单实则是高度专用的器件——不同形状的夹爪（平行夹爪、鱼鳍状、旋转式）所采集的数据无法互通，泛化性极差。而五指灵巧手尽管控制难度大，却具备统一的“模板”价值，其收敛速度可能在三年左右超出预期。

宇泛智能CFO戴恺从产业终局视角预测未来行业高度分化：五至十年内全球只有两到三家算法公司能跻身第一梯队站上万亿市值，另有少数在算法、小脑、本体、场景应用四方面无短板的“1.5梯队”公司可跻身万亿俱乐部，其余大部分“玩家”只能在某一环节精耕细作。他将世界模型比作打开通用具身智能的“钥匙”——虽然这把钥匙具体是什么形态尚不确定，但方向已然清晰。

圆桌一：数据与模型——具身智能基础设施的“修路”之争

由《晚点late post》科技作者、AI分析师申远主持。嘉宾们一致认为，人类视频数据的价值已从非共识走向共识，但如何高效获取、清洗与利用仍是行业难题。

• 郑思鹏介绍，智在无界已将人类视频规模从1000小时扩展至20万小时，是国内最大的具身预训练人类视频库。但他坦承，现存公开数据集的“洁净度”远低于预期——以学术界广泛使用的Ego4D为例，经其数据管线处理后约有三分之二无法使用。“把脏数据变干净，就像从铁矿石炼成钢铁，需要全行业一起努力。”在模型范式上，智在无界选择隐式世界模型路线，理由是显式模型（如英伟达Cosmos Policy）的训练成本约为隐式的80倍，20万小时数据训一次需数千万到上亿元投入，“出于成本和效率的考量，隐式世界模型是更优路径”。

• 刘盛翔从自动驾驶经验出发，指出具身智能的数据需求远超自动驾驶——前者在三维空间作业，后者仅在二维空间行驶。他提出“采集世界—生成世界—模拟世界”的飞轮模型，强调Real2Sim2Real的闭环对齐是缩小仿真与真实鸿沟的关键。他还透露，无问智科正与头部场景方合作搭建“数据高速公路”，类似“在厂区门口设立检查站”，通过专业第三方的测评体系判定哪家机器人“行或不行”，以此加速标杆案例的复制。

• 黄骏达直指灵巧手数据的“真空”状态：目前几乎没有任何可用的开源预训练模型。他将灵巧操作的学习分为三个层次——身体行为、身体与外界接触、外界运动模式，理想状态是三层次结合训练、取长补短。在数据采集硬件上，他判断头戴设备相对成熟（受益于VR产业积累），但触觉手套无论技术路线、分辨率密度还是成本都远未收敛。

• 王志成则提出更为前瞻的判断：任何需要额外硬件设备的数据采集方式都只是“过渡态”，最终应让全球70亿人用智能手机等唾手可得的设备贡献数据。幂特科技的技术栈覆盖Ego、Exo、Wholebody等多视角人体视频的6D姿态精准解析，目标是做到数十万小时人类视频数据无需人工干预精确解析。他强调，数据量的指数增长必须伴随场景多样性的指数增长，否则量变无法带来质变。

圆桌二：量产与商业化——万亿市场可容纳多家优秀公司

由跃为资本合伙人王孚睿主持，聚焦产业化最现实的问题：谁能在工厂里跑出来，谁能在商业场景下稳定运行。

• 联想之星合伙人高天垚作为投资方代表，回顾了所在机构从2013年起布局机器人赛道的历程。他认为当前行业的火热源于模型能力、本体进步与场景拓展三大要素的历史性共振，行业仍处上升期，远未到“倒闭元年”。他看好拥有跨领域能力支撑的公司能够最终胜出。

• 范永对“倒闭元年”的说法持保留态度。他认为除非一家公司同时缺乏核心技术、落地场景和资金储备，否则在当前政策与资本环境下仍有生存空间。在量产方面，优宝特正从去年的百台级迈向今年的千台级交付，为此正系统性地优化设计可制造性、产线流水化以及售后服务体系。“从100台到1000台，对企业是一次大考。”

• 戴恺的发言颇为务实。关于具身智能商业化成熟度，他提出三个分层：量产能力、交付能力与交付质量。其中，量产能力解决“能不能造出来”，交付能力检验“能不能卖出去并装好”，交付质量则拷问“客户愿不愿再买、行业能不能持续”。在他看来，衡量一家具身公司的真实价值，量产能力只是起点，交付能力和交付质量才是分水岭。“依托中国强大的供应链和产业链基础，即便是一家初创公司，通过自建或代工方式也能实现一定规模的量产。”戴恺表示，高复购率、人效提升30%以上、经营性现金流为正，是他判断交付质量的量化硬指标。

• 围绕未来行业格局，范永认为万亿市场容得下多家企业，产业链足够长，做模组