每經(jīng)記者｜可楊    每經(jīng)編輯｜魏官紅    

在人工智能產(chǎn)業(yè)的發(fā)展中，從實驗室的論文到產(chǎn)業(yè)界的商業(yè)化產(chǎn)品，始終存在一道鴻溝。

在2月3日下午舉辦的智源學者年會上，一場關于“如何跨越從算法到價值的最后一公里”的圓桌對話展開。

圍繞當下最受市場關注的具身智能與人形機器人，多位嘉賓反復強調產(chǎn)業(yè)尚處“非常早期”的階段屬性——無論是數(shù)據(jù)獲取、場景選擇，還是交付能力與用戶接受度，都處在反復試探之中。

對創(chuàng)業(yè)者而言，當前的問題不再是“有沒有需求”，而是“哪個場景現(xiàn)在就能跑通”；對研究者而言，挑戰(zhàn)也不僅在于算法本身，更在于如何在現(xiàn)實約束下參與閉環(huán)構建。

多位業(yè)內人士呼吁，中國的具身智能創(chuàng)業(yè)者應具備世界格局，既要有能夠撐得起萬億元賽道星空的前沿技術，也要讓技術落地生根，轉化成產(chǎn)品。

""

圖片來源：主辦方供圖

跨越“死亡之谷”，創(chuàng)業(yè)者要經(jīng)受市場“毒打”

對于技術出身的創(chuàng)業(yè)者而言，首要的挑戰(zhàn)并非算法的精度，而是對真實商業(yè)環(huán)境的理解。

智源研究院院長王仲遠將技術向商業(yè)轉化的過程形容為“死亡之谷”。他指出，一個從0到1提出的算法，在規(guī)模化之后是否依然有效，是否真正解決了一個真需求，有沒有商業(yè)化的可能性，這個過程中還很多“坑”或者鴻溝需要逐步跨越。

王仲遠表示，從最初的Transformer到GPT，再到最終的產(chǎn)品化，每一步都在驗證技術是否能解決更真實的、具備商業(yè)閉環(huán)可能性的需求。

來自創(chuàng)業(yè)一線的判斷更加直白。星源智創(chuàng)始人劉東從務實派的角度給出了具體建議，“關鍵是如何說服第一個用戶愿意當?shù)谝粋€吃螃蟹的人?！彼J為，創(chuàng)業(yè)公司最重要的任務是找到前三個天使客戶，“客戶使用你的新技術，讓你的產(chǎn)品在他的場景落地，要付出試錯成本和金錢的成本，這個項目肯定不會免費做。”

這一判斷與投資人喬會君的分享形成呼應。他回溯十年前“人工智能1.0時代”的投資經(jīng)歷時提到，當時不少技術能力突出的團隊最終失敗都不是因為技術不夠先進，“他們最大的瓶頸就是對于真實世界、真實商業(yè)環(huán)境需求的理解不夠深刻?！?/span>

回顧十年前自己在智能硬件領域的投資經(jīng)驗，喬會君認為，理解的斷層仍然存在，“學術界或者原來在互聯(lián)網(wǎng)企業(yè)工作的人對于真正把一個產(chǎn)品做出來，能規(guī)?；?、批量化，具有可靠性、穩(wěn)定性、低成本做出來的預估是不足的”。

中國科學院計算所研究員張玉成則認為，在高校解決的是“0到1”的問題，依托的是國家科研資金，但要讓資本助力、賺市場的錢，就必須改變語言體系。

“從向國家申請科研資金到希望投資人投資、去市場上一分一厘把它掙回來，思維方式要跟著變。如果沒經(jīng)過投資人的毒打和市場的毒打，一般都過不去，我們可能一輩子都在做‘0到1’的問題。”張玉成表示。

數(shù)據(jù)與架構之爭：具身智能“登月”路徑選擇

跨越認知層之后，來到實操層仍有幾個難點需要解決。

銀河通用創(chuàng)始人王鶴將具身智能的問題拆解為三個層面：數(shù)據(jù)、場景與交付。他直言，AI團隊的數(shù)據(jù)可以依托于互聯(lián)網(wǎng)，而具身智能面臨的首要現(xiàn)實是，具身的數(shù)據(jù)是互聯(lián)網(wǎng)上沒有的，需要做大量的合成數(shù)據(jù)來增補真實世界數(shù)據(jù)的不足。有了數(shù)據(jù)之后，接下來的問題是場景需求與交付。

對于業(yè)界對仿真路線的質疑，王鶴直言，目前人形機器人運控基本都是靠Sim-to-Real（仿真到現(xiàn)實）。

“人形機器人可以跑、跳，各種動作舞蹈都可以搞出來，哪個是靠真實數(shù)據(jù)遙操出來的？”王鶴表示，即使是靈巧手的高自由度操作，如果不靠仿真，很難訓練出來。

在王鶴看來，業(yè)內的分歧并不在于用不用仿真，而在于各家如何構建自己的數(shù)據(jù)配方?！?span id="cwcyq2ssqa" class="">各家強調各家的，確實有不同的聲音，但是大家的共識是合成數(shù)據(jù)或者真實數(shù)據(jù)都有各自解決不了的事情。”

王鶴指出，沒有任何一家具身企業(yè)敢說不利用Scaling Law（尺度定律）和合成數(shù)據(jù)增廣，也沒有人敢說不用真機RL（強化學習）。在他看來，核心在于如何構建一個數(shù)據(jù)的金字塔，將仿真數(shù)據(jù)與真實素材按照不同的配方配合訓練?！白詈笄l大路都通羅馬，看看誰的技術做得更好?！?nbsp;

但數(shù)據(jù)并非全部，難點在于哪些場景能夠被交付。“所有有勞動力需求的產(chǎn)業(yè)都需要人形機器人，問題是能交付哪個場景，哪個場景你的智能夠用，機器人真的能夠24小時工作?！痹谕斛Q的敘述中，場景選擇本身就是一次技術與商業(yè)的雙重篩選。

劉東則選擇了另一種現(xiàn)實解法。據(jù)他介紹，特斯拉能夠通過數(shù)百萬輛車的影子駕駛模式低成本獲取人類監(jiān)督數(shù)據(jù)，但是具身智能在真實環(huán)境中的落地絕大多數(shù)是靠真實的人穿著外骨骼或帶著動捕設備、遙控器操控這些機器，這些數(shù)據(jù)取得的速度和數(shù)量級遠比影子駕駛模式難度大。因此，創(chuàng)業(yè)公司在短時間內很難做通端到端的具身模型。

“所以我們把方案回歸分層式的方案，大腦做環(huán)境感知，小腦做任務執(zhí)行。”劉東解釋說，通過大腦學到世界常識并進行任務規(guī)劃，再由大腦調度小腦的各項技能，可以有效降低對海量具身真實數(shù)據(jù)的依賴。在他看來，這一選擇更多是出于創(chuàng)業(yè)階段的現(xiàn)實約束，而非路徑分歧，“等到真正低成本獲取數(shù)據(jù)的那一天到來，我們能依靠這些前面的數(shù)據(jù)積累訓練更大的端。”

來自學界的視角則更為冷靜。來自中國人民大學的胡迪老師將當下的具身智能形容為“遙遠的地平線”。在他看來，無論是仿真還是數(shù)采，都無法單獨解決問題，真正關鍵的數(shù)據(jù)來自持續(xù)交互，是與模型共同演化的過程，“像雙螺旋一樣，這個螺旋怎么構造，是未來解決數(shù)據(jù)瓶頸的關鍵所在”。

胡迪提醒，這種閉環(huán)的難度，決定了具身智能必須經(jīng)歷階段性成長。在不同的垂類場景中，技術成熟度與用戶習慣的優(yōu)先級可能需要重新排序，而非一蹴而就。

小組賽階段如何活下來：耐心等待商業(yè)拐點

當討論回到更宏觀的產(chǎn)業(yè)環(huán)境，王仲遠概括了具身智能當前所處的階段——還沒有到淘汰賽，更像是小組賽。

王仲遠提到，國內具身智能與人形機器人創(chuàng)業(yè)公司的數(shù)量快速增長，資源分散的風險隨之上升。在這樣的階段，“扎扎實實做技術、關注真實需求、耐心等待商業(yè)化閉環(huán)的時點”，比追逐短期熱度更為重要。 

多位嘉賓從不同角度強調平臺型資源在這一階段的重要性。喬會君直言，在當前AI創(chuàng)業(yè)環(huán)境中，最稀缺的資源已經(jīng)從單一技術轉向算力、模型與協(xié)同能力?！澳Ｐ筒皇且粋€團隊能搞出來的?！?/p>

站在2026年的時間點上，喬會君回憶，自己從2025年開始看具身智能項目，“跟中國相比，美國所有項目說他們比中國領先半年，這一點是否成立？要打一個問號。他們的東西迭代根本跟不上，他們的靈巧手更新至少需要三個月，中國可能是一周、兩周，我認為具身智能在中國的機會更大。”

喬會君建議中國的創(chuàng)業(yè)者應具備世界格局?！敖裉煸谥袊闪⒁患夜荆覀兊哪繕耸侨澜?，（要有）世界格局，我是一家世界化的公司?！?/p>

圍繞給具身智能創(chuàng)業(yè)者的建議，王鶴用“頂天立地”進行概括，他表示，具身智能創(chuàng)業(yè)者既要有能夠撐得起萬億元賽道星空的前沿技術，也要能讓它扎根到土壤里面，慢慢轉化成產(chǎn)品。

張玉成也認為，AI必須轉化成生產(chǎn)力才有價值，而這種生產(chǎn)力的目標應該是全世界。