圆桌：「具身智能」 打通技术到场景的最后一公里｜36氪 2026 产业未来大会

2026年，产业投资步入深水区域，资本、技术与产业正加速融合，过往的投资逻辑已不再适用，全新的共识逐渐成型。本次产业未来大会聚焦新周期中的机遇，共同探索产业未来与“中国之光”的诞生。9月9日至10日，由36氪主办的2026产业未来大会在北京亦庄举行，主题为“深水之上，共振新生”。来自国资平台、产业投资基金、企业CVC、创新企业及专家学者齐聚一堂，聚焦量子科技等未来产业的产业化进程。大会深入探讨了前沿技术与产业视角，集中展示了超导、光量子、离子阱等技术路线的突破，并分享了大量具体的产业场景、产业体系搭建以及异构计算的前景。与会者共同探讨了科技产业投资的未来走向。

以下对话经36氪整理编辑：

王子璇｜云时资本执行董事

向其奇｜360集团 投前负责人

段亚辉｜盛宇投资 合伙人

崔轲迪｜BV百度风投 执行董事

石亚琼｜锦秋基金 副总裁

王子璇：各位好，这是今天最后一场圆桌讨论。我们的话题非常有趣——具身智能如何打通技术到场景的最后一公里。过去一年，整个具身智能市场确实非常火热。我是云时资本的王子璇，很荣幸今天以主持人身份和大家探讨这个话题，因为更多时候我也是坐在嘉宾席上参与讨论。首先，在正式开始之前，请从其奇总开始，各位依次简单介绍一下自己和所在机构的情况。

向其奇：大家好，我是360的向其奇，过去几年主要关注AI方向。

段亚辉：大家好，我是盛宇投资的段亚辉。盛宇投资是一支具有深厚产业背景的基金，成立20多年来一直聚焦硬科技领域。目前重点关注半导体、商业航天、具身智能三大赛道，我们始终以产业合伙人的心态，陪伴并赋能优秀的初创团队。

崔轲迪：大家好，我是轲迪，来自百度风投。我们是由百度集团发起的双币早期投资基金，我主要负责前沿科技投资。今天很多话题都与我们的投资方向相关，比如脑机接口领域，我们是博睿康和智冉的早期股东；商业航天领域，我们投资了轨道辰光等企业，这些企业也都在亦庄和海淀。我们也是较早投资具身智能的机构之一，从2023年开始关注这个产业，到现在大约已有4年时间，WRC也连续参加了四五届。

石亚琼：我是锦秋基金的石亚琼。锦秋基金成立于2022年，当时我们观察到大语言模型带来的产业变革，因此围绕下一代智能系统进行系统性投资，方向包括AI芯片、具身智能、AI应用、AI硬件以及硬核科技。具身智能是我们系统关注的方向，从2023年开始持续投资，基本覆盖了具身智能的各个产业链环节，从大脑、小脑、本体到灵巧手、触觉、传感器、面部等，代表性投资公司包括宇树科技、流形空间、章鱼动力，以及最近上市的Momenta等。

王子璇：非常感谢各位。其实宇树上个月上市了，峰值市值达到4000多亿元，虽然现在有所回调，但仍然是一家非常优秀的公司。过去两年，具身智能在一级市场也基本是融资额最高的赛道之一。今天我们不妨翻过这张成绩单，看看成绩背后的情况。现在大家普遍关注的一个问题，就是具身智能从实验室里的“能做到”，到车间里的“能用”，中间确实隔着最后一公里，包括可靠性、成本、场景定义和数据飞轮。所以我们先从第一个问题开始讨论。想问问大家，如果单纯从“干活”的角度来看，今天的具身智能机器人相当于几岁的人类？先给大家一个大致标尺：3岁的小朋友能走路，但需要有人看着；5岁的小朋友能够听懂指令、帮忙拿东西；7岁的小朋友已经能完成一些简单任务，但复杂任务仍然比较困难。放到具身智能场景里，大家觉得现在机器人的可靠性和连续作业能力，大概相当于几岁的小朋友？另外，机器人的能力会线性增长，还是会出现突变式增长？现在手、脑、眼这些“器官”里，到底是哪一个环节跟不上，或者最需要发展？大家可以广泛谈一谈。

石亚琼：我把这个问题拆解一下。就我自己的观察而言，今天我们谈的是“干活”，但干活能力和年龄并不是100%对应的。其实在相对专用的机器人领域，机器人已经干了很多活，也工作了很长时间。今天我们真正讨论的是通用人形机器人到底相当于几岁，这件事本身存在争议。从产业视角来看，我觉得今天存在几种不同的价值。一种卖的是“上限”。比如今天通用人形机器人更多体现的是能力上限的价值，很像运动员或者童星，解决的是稀缺性问题。如果这种稀缺性足够强，比如跳得足够高、足够远，或者能够完成人做不到的事情，就能够产生价值。所以今天它可能已经像一个能够“干活”的童星或者运动员。但大家通常想象的是“上班”的场景，这时候要求的是机器人的能力下限：不管遇到什么问题，都能够以合理的节拍稳定工作8个小时，出了问题还能自行恢复。对于一些专用机器人而言，上一代产品已经解决了不少类似场景。但今天的通用人形机器人是否适合进入这样的场景，我认为仍然存疑。这是我的观点。

崔轲迪：就像我们之前一直分享的一样，我们可能不会从这个角度出发。从2023年开始投资具身智能时，我们其实很少讨论机器人“干活”这件事。当时我们把具身智能和人形机器人产业分开来看，更多从“智能”的角度理解这个产业。如果从智能的角度去理解，它更符合Power Law，也就是幂律发展的逻辑：前期进展非常缓慢，但达到某个临界点以后，能力会以非常高的速度加速增长。所以，我们更关注整个产业中“智能”发展的速度。再往下拆，我们更关注不同具身公司的训练投入以及基础模型的发展。我们认为，当基础模型达到一定临界点之后，再去讨论“干活”这件事，对我们而言可能更有价值。这是我们的思路，可能和部分同行不太一样。

段亚辉：首先，我的观点和主持人的设定稍微有些不同。我们不会直接用人类年龄做线性对比。不管是3岁、5岁还是7岁的孩子，本身都具有自主探索能力。比如一个3岁的孩子想吃糖，会自己剥糖纸；想喝水，会自己拿杯子；如果杯子比较重，也会主动多用一点力。但对机器人来说，目前仍然主要基于模仿学习，你教它什么，它就会什么。所以从这个角度来看，直接和人类年龄做线性类比并不完全合适。不过从我们了解的情况来看，从去年Q4开始，已经有机器人进入结构化场景真正开始“干活”，而且ROI也可以算得出来。第二，至于未来能力是线性增长还是爆发式增长，我认为随着数据增加以及更多细分场景落地，机器人的技能可能会出现爆发式提升。至于刚才提到的“器官”发育卡点，我认为目前可能仍然主要在大脑端。我们希望进一步提升基础模型的潜力和能力上限，从而推动整个具身智能行业实现质的飞跃。

崔轲迪：其实就像刚才几位嘉宾分享的，我觉得这个问题确实比较难回答。我们现在甚至还没有真正找到适合这一代具身智能的应用场景。如果一定要类比上一代工业机器人或者此前的家用机器人，我觉得现在的能力可能还处在一个非常早期、近似“胚胎”的阶段，大脑基本还没有真正长起来，手也只相当于刚刚长出两根手指。所以，现在讨论“干活”可能还是稍微有点远，很难做特别准确的判断。增长一定会存在跳跃式的阶段。具身智能的核心还是智能，而智能的核心是模型。在模型架构都还没有确定的情况下，一定存在跳跃式增长的空间；如果架构确定以后只做Scaling，那可能更接近线性增长。现在我们还没有找到真正适合具身智能方向的模型，大家都还在探索，因此这个领域仍然有很多值得期待的空间。

王子璇：看来大家还是有一定共识的，目前“大脑”和人类相比仍然存在比较大的gap。下一个问题，我们回到具体场景和效益来讨论。此前具身智能讲家庭场景会多一些，但目前真正落地比较多的还是工业场景。虽然现在很多具身智能机器人公司已经有收入，但收入并不等于这个产业真正具备经济效益。进入具体场景以后，大家最终还是会算一笔账：在某一个生产环节里，用机器人替代人力，到底是不是比雇人更便宜。目前大家看到比较多的场景，包括工业搬运、质检、分拣或者3C装配等。想请各位分享一个最近看到的比较扎实、真实的场景，也就是不是依靠补贴或者其他非市场化因素，而是在真实商业关系中，具身智能已经能够承担一部分工作。同时也请大家聊一聊，已经跨过经济效益线的场景到底有哪些共性？下一批可能跨过效益线的场景又会在哪里？大家会不会围绕这样的场景进行投资？

向其奇：我觉得这个问题本质上是在讨论商业化。商业化可以简单拆成硬件和软件两部分。过去五年，尤其是具身智能相关硬件的成长速度非常快。短短五年时间，我们看到很多核心零部件从完全不可用，发展到今天已经能够基本使用，这本身已经是非常快的进展。同时，也可以看到很多本体公司和零部件公司确实拿到了一些真实订单。虽然有人会质疑，说大家只是把存货变成现金流，再把现金流变成存货，但我觉得至少还是存在一部分真实的商业需求。所以，硬件这几年的发展其实比我的预期更快。至于软件，也就是模型，我对模型商业化的理解是：商业化的本质应该是模型能力的溢出，而不是目标。这个阶段，我也和很多具身智能公司的创始人交流，他们往往都是技术背景，但总会给我讲很多商业化故事。坦率说，我觉得双方都很辛苦。我甚至建议各家具身模型公司，直接把“商业化”三个字从BP里删掉，否则你讲得难受，我听得也难受。所以，我觉得这个阶段没有必要相互折磨。现在唯一真正需要做、而且应该重度投入的一件事，就是做模型，把模型能力的上限提高。这是整个具身智能赛道的根基，没有模型，这个赛道本身就不应该存在。因此，对于模型商业化，我现阶段完全没有期待。我只是希望模型能够真正向前走一步。

段亚辉：我亲眼见到过两个比较具体的场景。第一个是从去年Q4开始，已经有企业在结构化场景中实现了O2O前置仓的无人化部署：一端连接淘宝、美团等线上平台，另一端由机器人在无人前置仓中进行值守和作业。另一个场景是物流分拣。今年无论是在WAIC还是WRC上，都能看到物流包裹分拣机器人。去年大约每小时能够处理400件，今年上半年已经达到1000到1200件，最近WRC上还有企业能够做到1800件。可以明显看到产品在快速迭代，也能够看到它们在具体场景中的真实落地。这两个场景有一个共性，就是任务相对明确，同时操作对象具有一定泛化性。比如快递场景面对不同形态的包裹，前置仓则面对不同的瓶瓶罐罐，但整体仍然是在结构化环境中运行。至于下一批可能跨过效益线的场景，我们也做过一些初步思考，可能会出现在泛服务、To C、轻操作等领域，未来会逐渐开始探索和落地。谢谢！

崔轲迪：我们内部其实总结过投资策略的变化。从2023年到2025年，我们的策略经历了从“本体+智能”，到“数据+智能”，再到“场景+智能”的变化。从场景角度，当时我们只是画了几个大方向：一批公司做工业，一批做泛生活或者零售场景。但到2025年底，我们把执行了三年的这套投资策略基本推翻了。我们发现，最早支持的一些公司起初做工业场景，后来也会逐渐进入零售；原来做零售场景的公司，也开始讲家庭场景、探索家用产品；做基础模型、本体或者数据的公司，也都在向上游或下游拓展。结合我们过去投资自动驾驶的经验来看，这其实是产业早期非常正常的状态。所以到后来，我们很少再执着于某一个具体场景。截至2026年，如果只讨论那些已经具备商业化闭环的场景，我会关注两类。一类是格斗、表演等娱乐型场景；另一类是真正能够干活的场景。比如我有一位朋友做咖啡机器人，在很多商业场所都能够看到机器人做拉花咖啡、拿铁，而且确实能够赚钱，也不完全是传统纯自动化设备。所以，截至2026年，如果暂时不讨论基础模型能力，这些具体场景已经能够形成比较明确的商业化闭环。但整体上，我对产业的判断和向总非常接近。我更关注基础模型和智能能力，具体场景能不能形成商业化闭环，并不是我作为早期投资人、早期VC最关注的问题。

石亚琼：我们的观点和前面三位比较一致。具身智能投资大致可以分为三个阶段：第一阶段投资硬件、本体技术提升以及上游产业链；第二阶段，也就是我们认为当下真正的重点，是模型能力和大模型机会；第三阶段才会进入场景。所以我认为今天这个阶段谈大规模商业化仍然稍微早了一些，也很难真正看清。刚才其奇总有一点我非常认同，商业化本质上应该是技术的外延和溢出。今天能够看到的溢出，主要还是来自本体能力的提升。但我觉得还有一个稍微不同的角度：大家谈商业化往往只想到“干活”，但商业演出是不是一个产业？科研是不是一个产业？这些同样也是商业化场景，并不是只有制造业才算商业化。第二，从模型角度来看，现在还是应该追求模型能力上限的提升，这一部分距离大规模商业化可能还比较远。但我们也观察到，前一阶段算法能力的提升已经开始产生一些外溢。比如在制造业场景中，我们看到一轮换机潮正在出现。上一轮机器人融资高点大概在2021年至2022年，当时正好伴随中国制造业技改周期，那一批机器人进入工厂后已经运行四五年，今年也开始迎来换机周期。我们和一些潜在客户交流时发现，他们已经注意到今天软件算法能力的进展，也开始考虑：原来一台机器人只能执行一个动作，今天是不是能够处理不同零件、完成多个动作，变得更柔性？我觉得这就是软件算法能力外溢带来的一个小变化。与此同时，价格下降也会解锁新的应用场景。比如我们最近观察到，一些潜在客户正在研究能不能使用四足机器人做园区配送。如果能够把整套产品方案的价格降到1万美元以下，就可能去做一些过去经济上不可行的事情。所以，技术能力的外溢和成本下降，也会不断解锁新的场景。

王子璇：谢谢。其实刚才的讨论已经回答了下一个问题的一部分，但我们还是继续展开聊一下。具身智能要真正大规模下场干活，目前确实存在不少卡点。有人认为问题在模型，有人认为在数据，也有人认为在零部件耐用性。但刚才大家无一例外都提到了模型的重要性，“脑”本身可能是核心，商业化也可能只是模型能力实践后的外溢。想请大家再聊一聊，如果在模型、数据和零部件这三个方向里选一个当前最棘手的问题，会是哪一个？另外，这三个方向里有没有某个环节其实并不是当前真正的瓶颈，但市场对它的渲染有些过度？

石亚琼：从我自己的观察来看，今天模型的核心卡点还是要投入足够多的精力，找到真正能够Scaling的模型技术路线，做大规模、高质量的数据，把模型能力真正做强。

崔轲迪：我们机构做具身智能，其实已经是第二次完整经历类似的技术产业周期。我们机构本身也比较年轻，2017年才开始大规模投资，此前完整经历过自动驾驶从技术平台早期发展到场景落地。根据上一次的经验，如果把自动驾驶看成一个10年的周期，大概到第6年大家才开始真正讨论初步场景，而要真正算ROI和UE模型，可能要到产业发展的第10年。所以我现在很少和大家讨论商业化，主要是因为我已经不再用这个问题反复折磨自己。我甚至会认为，在一个产业非常早期的时候，如果一直追问“商业化不闭环怎么继续”，可能本身对早期产业的发展规律理解还不够深。早期公司总有办法继续发展，这是我们过去得到的一个经验。包括科研本身，也会产生很多小规模商业化，让公司能够持续向前。现在最大的卡点，我并不认为是Scaling本身，而是“如何Scaling”更重要。此前我们经历过大规模数采建设，今年非常明显的一点，是舆论和产业关注已经不再集中于单纯扩大数据采集规模，而是开始讨论数据质量、数据精度以及如何用更好的数据提升模型起点，也就是说，整个行业已经从单纯追求数量转向追求质量。无论如何，我不认为大家现在已经找到了具身基础模型真正的Scaling Law，但我们知道它一定会存在。现在更像处于大规模实验阶段，只有实验积累出足够多结果以后，才可能真正进入Scaling阶段。从美国现有具身基础模型公司的版本演进也能看出来，2025年从π0开始，现在可能还没有真正发展到π1。我们可以把π1类比GPT-1，而我一直认为，我们现在仍然处在GPT-1之前的阶段。所以，我认为真正的卡点是具身智能的Scaling和Agentic架构究竟应该怎么设计。

王子璇：明白，可能所谓“最后一公里”反而需要更长时间去等待，而不是现在急于去看最后一公里。请亚辉总分享一下。

段亚辉：刚才提到的几个方向，我认为都是卡点。但如果一定要从中选一个，我会选数据。现在最需要解决的问题，是如何获得有效、多样、高质量的数据。前两年行业建设了大量数采厂，但很多数据其实高度重复，有效性并不高。举个例子，比如视触觉，它的优势是分辨率比较高，但缺点是体积相对较大。对于模型来说，不同类型的数据可能都需要，因此不仅要强调数据规模，还要强调多样性，以及数据是否真正适配模型、能够帮助模型提升。

向其奇：我是一个非常坚定的模型派。2021年、2022年的时候，我在智源研究院工作，当时比较有幸参与了中国大模型最早期的一些投资和孵化，有几件事情让我印象非常深。2022年，很多朋友问我：“AI都不行了，你们为什么还要搞AI？”过了不到半年，2023年春节以后，又有很多朋友问我：“具身这么火，你们为什么不投具身？”市场风口来得快，去得也快，但技术主线、模型主线始终在向前发展。2023年、2024年到2025年上半年，我一个具身项目都没有投。核心原因有两个：第一，我很难想象在没有数据、没有模型的情况下，直接去讲具身商业化；第二，当时市场上大部分公司的工作仍然基于模仿学习做微调，我也很难想象，仅靠这种方式能够真正做出一个具身模型，或者提高智能能力的上限。到2025年底，我观察到行业开始出现一些实质性进展。最直接的一点是，大家真正开始系统性做数据采集了。当然，在数采这件事上我们也走过很大的弯路，浪费过很多资源。比如数采到底应该由谁来发起，是第三方公司、创业公司还是大厂？当时因为行业热度很高，很多参与者都进来做这件事。直到2025年底，类似WMI这样的路径开始被认为可能有效，一些创业公司也逐渐往这个方向转。我当时把市场上的具身智能公司系统梳理了一遍，挑选了一些在WMI方向上布局比较早、做得比较扎实的公司进行了投资，也算真正开始进入具身智能领域。让我比较欣喜的是，一年以后再看，这几家公司进展都比较快。虽然最近一两个月具身智能热度有所回落，但我反而更加乐观。因为确实已经有很小一部分公司真正开始做模型，把模型能力持续向前推进，扎扎实实提升智能能力的上限。我现在对这个方向反而更有信心。

王子璇：看来大家还是“模型派”叠加“数据派”，比较关注这两个核心问题。下面聊一个稍微轻松一点的话题。今年很热闹，比如世界机器人大会、机器人运动会