热点对话：具身智能的胜负手：不是模型，是闭环

9月15日，盖世汽车具身感知融合与多模态大模型创新研讨会在上海举行，在热点对话环节，极佳科技合伙人、副总裁毛继明与福莱新材AI算法总监廖永兴、光象实验室首席科学家吕尧、墨甲机器人多传感器融合负责人卓伟丰、睿尔曼智能科技股份有限公司解决方案总监计海锋一起，围绕“从看懂到会做:具身智能迈向通用智能的关键突破在哪里”主题，讨论了具身智能从实验室走向真实场景时最难绕开的问题，模型路线如何选择？多模态感知如何进入物理交互？真机数据、仿真数据与人类数据如何组合？规模化瓶颈究竟出在模型、数据、感知还是本体？

专家观点虽然不完全一致，但对行业后续的发展，形成了一个共性的基本判断，具身智能的突破不是单点技术的胜利，而是系统能力的成型。VLA、世界模型、物理原生模型等技术路线的快速演进，让机器人从看懂世界逐步迈向理解世界、决策并行动，但一旦进入真实场景，感知融合、数据获取、模型泛化、本体应用落地就会同时形成约束。

模型路线不是单选题

热点对话的第一个话题，就直指具身智能的核心争议:VLA、世界模型和物理原生模型，谁才是具身智能的大脑？

这个问题在行业里很容易被简化为路线之争，但廖永兴给出的判断是，现在更多不是取决于哪一类模型为主，而是分层模型形式，可以有一个主决策大脑做更高维度的语义理解、空间认知、物体位置认知，把收到的任务提示理解成对物理世界和环境的认知，再输出运动轨迹反馈；接下来更重要的是把运动轨迹实现出来，这涉及大脑的一部分或者小脑角色，把运动轨迹或任务拆解成真实物理世界中的互动。

这一判断实际上点出了具身智能与纯语言模型的关键差异。语言模型可以在相对封闭的符号空间里完成推理，但机器人必须面对接触、摩擦、惯性、形变和实时控制。单一端到端模型即便在Demo中表现惊艳，也很难同时兼顾高层语义理解和低层高频控制。

分层融合不是折中，而是物理世界约束下的工程必然。

吕尧则从另一个角度消解了范式之争。现在很多争论集中在VLA或者世界模型的范式上，但范式本身不应该是争的点，而应该面向通用智能真正的开发需求，去找到真正的开发方案。吕尧进一步指出，怎样更好看清世界、理解任务，然后把这个任务真正做出来，才是模型开发的最终目标.

至于训练出来的模型长得像VLA还是像世界模型，那是结果，不应该一开始用范式限制模型的开发能力。更好的开发路线是借助大模型能力，同时借助传统工业部门的积累，集成起来，真正做出一套成熟的泛化方案。

这一观点在当下尤其重要。行业容易陷入标签化讨论，但具身智能的落地场景高度分散，工业装配、家庭服务、零售补货、汽车总装等对模型的要求并不相同，如果过早用范式站队，反而会压缩技术探索的空间。

卓伟丰也表达了类似的观点，具身智能的大脑不一定是一个统一的大模型，而可能是由任务规划、轨迹生成、运动控制等多个模块组成的系统。

模型的价值最终要在具体场景中以节拍、精度、稳定性和成本来衡量。

计海锋同样明确支持融合路线。“机器人要在家庭和各种场景下应用，可能不是单一模型解决问题。VLA有动作序列，但缺乏物理约束，也缺乏对下一时刻的预测，而世界模型和物理模型刚好有先天优势”，计海锋如是说，几个大脑最后融合在一起，共同决定机器人的超级大脑，而最终机器人还是会朝着更像人的大脑方向迈进。

慢思考负责任务理解和长期规划，快反应负责接触控制和异常调整，两者缺一不可。很明显，具身行业已经过了单纯比拼模型概念的阶段，开始进入架构设计和工程实现的深水区。

模型路线之争仍会继续，但真正决定成败的，是能否把不同模型的优势组织成一个可落地、可迭代、可规模化的系统。

多模态感知必须进入物理交互闭环

当模型架构从路线之争回到分层融合，一个更贴近物理世界的门槛随之出现。行业过去更多依赖视觉，因为视觉信息在人类感知中占比高，技术也最成熟，但具身智能不只是看懂世界，它还要用手、用末端执行器去改变世界。

一旦进入精密装配、柔性抓取、表面处理等任务，视觉只能提供事前判断，无法替代接触过程中的力觉和触觉反馈。多模态感知能否进入控制闭环，而不是停留在展示层面，成为从看懂走向会做时，必须要回答的问题。

廖永兴从触觉数据的实践出发，指出一个普遍困境:如何把触觉或力学融入现有机器人模型。很多时候，行业对触觉的理解还停留在开关角色，即只有有和无，而不是真实接触时的弹力变化、方向变化以及对接触物体特征的反应。

随着传感技术迭代和发展，数据融合最大的应用点也转变为数据可靠性、一致性和同步性，需要确保提供数据的传感器或数据足够一致、足够准确，并且在同步方面与其他模块做到很好配合，廖永兴表示，如果能达到这两个目的，接下来把数据和具身智能融合，就会走得更顺畅。

视觉数据可以以图像或视频形式大规模采集，但触觉数据是分布式、连续、高频且与接触状态强相关的。如果传感器一致性不足，或者时间同步存在偏差，触觉信息就很难进入控制闭环，只能作为事后判断的辅助信号。

吕尧从学习机制角度补充了触觉和力觉的必要性。具身智能面临的是物理世界，真正需要用动作系统与世界交互，数据非常必要，它是对物理世界真实状态的反映，无论是视频数据，还是物体真正做接触式操作所需要的数据形态。吕尧类比了人类婴幼儿时期，还没有长期思维能力时，就是通过探索去摸、去抓、去感受，逐渐通过交互方式收集信号并总结规律。

具身智能也应该把模型放到交互环境里，收集足够充分的物理信号，让模型进行学习。

目前大部分具身数据以图像、动作和本体状态为标准，力觉数据数量还比较少。在数据匮乏环境下，吕尧提出了显式状态和隐式结果的思想:显式状态偏向真实机械臂关节、速度以及接触力，希望通过人类经验已经压缩出来的知识、动力学方程和系统模型，直接建立到模型学习过程中，用更少数据站在人类肩膀上，再往上学习；图像等数据通过神经网络方式推演，并与大数据经验知识对齐。

这一思路实际上是在数据驱动和物理模型之间寻找结合点，纯数据驱动需要海量样本，纯物理模型难以覆盖复杂开放场景，把动力学先验嵌入学习过程，可能是降低数据依赖、提升泛化能力的重要路径。

但要真正进入模型，还必须经过控制闭环的检验。触觉和力觉之所以难以被替代，正是因为它们直接参与接触过程中的实时反馈。在控制层面，触觉不是附加模态，而是决定动作能否稳定完成的关键环节。卓伟丰指出，机器人通过传感器数据做感知，感知之后通过预测信息做出决策，再进行行为规划和控制，最终末端要对真实世界和交互做反馈。

没有触觉，机器人只能依赖视觉预测接触状态，一旦出现偏差就无法及时调整；有了触觉和力觉，机器人才能在接触瞬间感知到是否抓稳、是否打滑、是否过度用力。

控制闭环中的触觉价值，在精密操作场景中体现得最为集中。计海锋用精密装配的例子把问题讲得更具体。计海锋表示，做机器人其实就是在做人类造自己的过程，人类主要通过眼睛观察世界，视觉信息可能占到80%，所以VLA里的V就是视觉，视觉用得最多、最成熟。但在精密装配场景中，没有触觉、没有力觉，精密装配是完成不了的。比如螺纹孔只有5毫米，螺钉放进去时差1毫米甚至0.1毫米都可能放不进去，这时候用到阻抗控制，就需要力觉和触觉感知来辅助完成操作。

多模态感知要真正进入控制闭环，前提是数据能够被稳定采集、同步、标注并用于训练。触觉和力觉之所以难以融入现有模型，不只是传感器和算法问题，更是数据供给问题。真机数据、仿真数据、人类数据如何分工？如何在不同训练阶段配比？如何形成从场景到模型再回到场景的循环？决定了感知融合能否从局部功能变成系统能力。

没有数据闭环，触觉数据只能停留在单点验证；有了数据闭环，模型分层和感知融合才有持续迭代的基础。

数据不是单选题

当多模态感知试图进入物理交互闭环，数据问题就无法再被绕开。视觉、触觉、力觉的融合需要大量高质量样本，而具身智能当前最缺的恰恰是真实世界交互数据。

仿真数据可以以更低成本涵盖更广范围；真机数据成本较高，但它是还原最真实机器人在物理世界交互的数据，也是最可靠的数据；以人为本的数据则用人的方式补足缺陷，以较低成本、较容易的方式涵盖更大范围。

人类从小到大已经积累了很多操作经验，拿起麦克风、折叠衣服、操作工具，都是真实技能。廖永兴给出的判断是，在仿真数据已经趋向成熟阶段的情况下，接下来可能起到更大作用的是以人为本，采集更多真实人类操作技能的数据，再通过少量真机数据做验证和调整，完成从人到机器人技能的转换。

仿真本身是动力学支架，通过这种方式可以真实学到世界底层转移规律，只需要压缩出这样的规律系统，再通过真机方式对齐到真机上的特定动力学参数和特性，就能让模型有比较好的通用泛化能力。

仿真不是廉价替代品，而是规律生成器。仿真的真正价值不是模仿真机，而是生成大量可控变化，让模型学到物理世界底层的转移规律，再用真机数据对齐特定参数。

不过，数据分类的清晰并不等于落地路径的清晰。当行业把真机、仿真、人类数据各自的职能摆清楚之后，一个更棘手的问题随之浮现:为什么有了这些数据，具身智能仍然难以从demo走向规模化？瓶颈显然不在数据一个环节。

廖永兴认为，不是单一某个环节出问题，而是一种组合，可能都有阻力。

如果一定要排顺序，第一是数据量，真实世界交互数据量确实不足，比起语言模型所用数据量或视觉数据量，具身智能与物理世界交互的数据量不在一个层级，所以数据量缺失是第一个瓶颈。

接下来是算法层面，如何更好把多模态数据，比如触觉或力学知识，融入具身智能决策层面或运动规划层面，让它更好理解世界，做出快和慢的思考与反应，这是算法层面的另一个瓶颈。

同时，需要有一个系统性闭环:怎么把数据用到本体上，通过模型让机器人先有一定智能，然后在场景上干活，干活完采集更多数据，让智能不断提升。

没有闭环，数据是孤岛，模型是展品，本体是样机；有了闭环，机器人才能在真实场景中持续积累能力。

小结:具身智能从看懂到会做的关键突破，不在某一个单点技术，而在系统能力。

模型层面，行业正在从路线之争走向分层融合，慢思考与快反应结合，语义理解、物理预测、运动控制和实时反馈形成稳定接口。

感知层面，视觉仍然是成熟度最高的模态，但精密操作和物理交互要求触觉、力觉进入控制闭环，多模态融合必须解决可靠性、一致性、同步性和物理先验嵌入问题。

数据层面，真机数据、仿真数据、人类数据各有不可替代的价值，仿真提供规律生成和大规模变化，人类数据提供技能先验和接触交互，真机数据提供最终验证和真实场景闭环，而数据的关键，在于训练配比和阶段化使用。

规模化层面，数据量、算法、本体、算力、人才都存在瓶颈，但最大的短板是系统性闭环缺失。只有让本体、数据、模型和场景形成自主迭代闭环，具身智能才可能真正从Demo走向规模化。

具身智能下一阶段的竞争，不会只是模型参数的竞争，也不会只是本体形态的竞争，而是系统迭代效率的竞争。谁能更快把真实场景数据转化为模型能力，再把模型能力放回场景中验证和优化，谁就更可能率先跨越从看懂到会做的门槛。