如果说过去几年，AI 的主战场还在屏幕里，那么具身智能正在把问题带回真实世界：机器人要看见、触摸、移动、判断，还要在不完美的物理环境里持续工作。这一期，围绕物理智能最核心的三组分歧展开讨论：数据之争、智能之争、场景之争。仿真数据和真实数据到底谁更重要？通用大模型会不会“降维打击”具身智能公司？机器人行业真正跨过泡沫的标志，是技术 Demo，还是客户愿意持续付钱？本期嘉宾：韩铮苏度科技联合创始人兼首席执行官沈宇军蚂蚁灵波科技首席科学家王潜自变量机器人创始人兼首席执行官许华哲破壳机器人创始人、清华大学交叉信息研究院助理教授主持人：「十字路口Crossing」播客主播杨远骋Koji本期判断具身智能不会简单复刻大模型的发展路径。它可能同样需要预训练、数据、评测和规模化，但进入物理世界之后，智能面对的是传感器噪声、接触变化、硬件可靠性、商业成本和持续反馈。机器人真正难的地方，不只是“理解指令”，而是在真实世界里稳定完成任务。你会听到仿真数据为什么绕不过去？真实世界数据到底不可替代在哪里？通用大模型会不会降维打击具身智能？机器人做麻婆豆腐、抓筷子、叠衣服，分别说明了什么？为什么机器人最难的是复杂物理接触？具身智能商业化不能只看 Demo，而要看什么指标？五年后回头看，今天的具身智能哪些被高估，哪些被低估？时间线01:47为什么这一期要聊“数据之争、智能之争、场景之争”02:07仿真数据路线：为什么只靠真实数据收集效率不够05:24真实数据路线：机器人必须面对传感器误差和物理世界的不完美09:05智能之争：通用大模型会不会降维打击具身智能？16:09Astra 能抓筷子，但为什么还做不好麻婆豆腐？19:37具身智能会不会反过来影响云端大模型的发展路径23:10机器人未来可能是“上层理解 + 底层技能”的分层系统24:59场景之争：具身智能跨过泡沫，最关键的商业化指标是什么30:58站在五年后看，今天的具身智能被高估和低估了什么40:35数据量、通用能力与具身智能模型的未来进展核心观点仿真不是万能的，但真实世界数据也不是唯一答案。不同阶段需要不同数据，真正关键的是能不能规模化地产生、验证和使用高质量数据。物理世界的不完美很难被完全仿真。传感器噪声、触觉信号、接触变化和环境随机性，都是机器人最终落地必须面对的问题。通用大模型不会天然解决具身智能。语言、代码、数学、视频和机器人控制之间，并不存在简单的能力迁移。具身智能的商业化不能只看炫酷 Demo。更重要的是高成功率、泛化能力、部署成本、设备可靠性，以及客户是否愿意持续付钱。机器人行业真正的机会，可能不只是替代人做某个动作，而是让 AI 进入生产、制造和物理世界的闭环。名词解释具身智能让 AI 不只停留在文本、图像和屏幕中，而是通过机器人等实体系统感知、行动，并与真实物理世界交互。Sim-to-Real指在仿真环境中训练出的能力，迁移到真实世界后能否继续有效。Real-to-Sim指能否把真实世界中的复杂因素，比如传感器噪声、触觉反馈、物体差异等，规模化地还原到仿真环境中。Contact-rich Task复杂物理接触任务，比如叠衣服、做饭、插筷子、操作柔性物体等。这类任务往往比“识别物体并移动过去”更难。AstraOpenAI 的 GPT-6（"GPT-6 Astra"），能直接驱动机械臂的大模型（具身智能能力）。目前能做到控制抓筷子、插杯子、递物等简单抓取、放置动作延伸信息欢迎在小红书搜索：会友播客添加小助手微信：huiyouhz和我们一起继续聊科技、商业与未来世界。在小宇宙查看该单集文稿

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related