【赛迪网讯】让机器人拿起一瓶水，和让它在不同环境里、连续一个月稳定干活，是两道完全不同的考题。前者可以成为一段演示视频，后者才接近用户愿意买单的产品。具身智能从展示走向交付，最难跨越的距离，恰恰藏在这两者之间。

9月10日，在2026 Inclusion·外滩大会上，苏度科技联合创始人、CEO韩铮与破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲接受采访时，谈到了这段距离背后的具体障碍。探讨了数据怎么采才有效？模型如何真正学会操作？硬件能否撑住长期运行？

数据不是越多越好，关键是能否真正训练出能力

具身智能需要数据，但数据时长未必能直接兑换成智能。

“一百万小时”比“十万小时”更容易讲清楚，也更方便比较。许华哲认为，这正是行业热衷追逐数据规模的原因。但从近期一些模型的表现看，数据更多，并不必然意味着效果更好。

他在采访中举了一个例子：让采集人员把一瓶水反复拿上来、放下去，持续一天，就能获得八小时数据。但如果缺少充分清洗，也没有足够丰富的任务变化，这些时长的训练价值就值得怀疑。

按他提到的市场价格，一小时数据可能卖到几百元，百万小时对应的就是数亿元投入。尚未弄清什么数据有效，就先把规模做大，试错成本并不低。

许华哲并不否定扩大数据规模。他主张边扩充、边探索，找到有效方法后再加大投入。清洗、标注、质检，以及将人类经验转成机器人可训练的数据，这些不够耀眼的工程工作，反而是关键。

仿真能否绕过这道门槛？韩铮的回答也没有停留在路线站队上。

虽然苏度以仿真为重要技术路径，但他明确表示，公司同样使用遥操、第一人称和第三人称视角等真实数据。例如电池组装涉及先拿箱体、再拿电芯等步骤与规则，就需要人工演示；布料折叠、物品包裹等任务，也需要真实世界的指引。

真正的问题因此变成，哪些能力适合在仿真中训练，哪些经验必须从现实中获得，以及如何把二者组织起来。

对具身公司而言，数据的第一道硬门槛，是证明新增的每一批数据，究竟教会了机器人什么。

机器人不只要学会一个动作，还要能适应新任务和新环境

模型能说清楚一个任务怎么完成，并不意味着它能指挥机器人完成。

韩铮分享了一个观察，一些大模型原本具备较好的理解、推理和任务拆解能力，但与机器人操作训练结合后，这些能力可能明显下降。原先能给出合理步骤，真正控制机器人时，表现却变差了。

这也是为什么，将已有大模型直接改造成具身模型，仍有技术难题。韩铮认为，上下分层与探索全新机器人原生模型，是不同的选择，简单把两类模型混在一起并非理想方案。

许华哲更支持具身原生模型。在他的测试观察中，针对物理操作的数据训练，有助于模型从一小段视频或一次演示中学习动作。但这仍是技术路线判断，最终要靠执行结果验证。

比路线名称更重要的，是机器人能否跨越训练环境。

许华哲透露，其内部模型在见过的物体上，测试成功率达到98.1%，面对未见过的物体则约为80%。这些是企业披露的内部测试结果，不能直接等同于真实部署表现，但两组数字之间的差距，说明了泛化仍需补课。

换一个物体、换一个房间，乃至延长任务时间，都会提高要求。许华哲认为，长时间连续执行任务，需要模型泛化、系统可靠性和准确的操作流程共同支撑。

这意味着，考察具身智能不能只盯着某次动作是否成功，还要追问：换个环境能否复现？连续做下去是否稳定？有多少环节仍需人来接手？

模型能用还不够，机器人还要经得起长期运行

即使模型通过了测试，机器人也未必能立刻进入产线。

韩铮特意澄清了关于供应链的表述，他认为中国是机器人供应链最发达的地区，但具身智能所需的关键器件，从支持科研原型到支撑大规模量产，仍有一段成熟过程。

他指出，在团队接触和获取的基础元器件中，长时间连续运行的可靠性验证仍然不足。而工业现场恰恰要把这些问题逐一检验。

同样设计的两台机器人，可能存在细小的执行偏差；同一台机器不同时间上电，也可能出现信号差异。零部件必须提高一致性，算法则要适应无法完全消除的误差。所谓泛化，还包括适应机器自身的差异。

成本下降也没有同步发生在所有部件上。许华哲观察到，一些关节模组的价格已明显下降，但手部微型模组仍然较贵。

破壳因此选择了较低自由度的灵巧手。按照许华哲的解释，极致仿人的高自由度手，在控制和数据获取上都更困难。产品需要同时考虑操作能力、训练条件与落地可行性。

这给行业提出了一道朴素的选择题：更复杂的硬件，能否带来足以覆盖其成本和控制难度的收益？

谈到企业竞争，许华哲给出的衡量标准也很直接，那就是整机能否长期稳定工作，模型能否换个地方就用起来。

具身智能的下一轮竞争，会越来越多地发生在这些细节里。数据是否有效、模型是否适应变化、机器是否经得起持续使用，最终都要在真实任务中交卷。用户需要的机器人，必须把一次成功，变成日复一日的可靠执行。（文/金烨）