9 月 11 日上午，在 2026 Inclusion · 外滩大会上，多位具身智能领域产业人士、投资人和青年创业者围绕行业泡沫、技术路线和 "ChatGPT 时刻 " 等话题展开讨论。多位嘉宾认为，当前具身智能的 " 泡沫感 " 更多来自产业阶段、估值与商业价值之间的错配，行业仍处在 " 黎明前期 "；与此同时，具身智能的关键能力已经开始出现，但距离真正形成规模化生产力仍有距离，系统工程、算力和数据仍是主要卡点。

具身智能行业发展不过数年，却已经聚集大量资本和创业公司。面对近期持续升温的 " 泡沫论 "，多位创业者认为，行业仍处早期，当前更多是估值、技术进展与商业价值之间的阶段性错配。

至简动力联合创始人兼 CEO 贾鹏认为，目前大家感受到的 " 泡沫 "，更多是阶段和估值的错配。从长期看，具身智能可能形成比手机、汽车更大的产业规模，产业链也足够长，从传感器、零部件到最终应用，都有空间容纳不同类型的企业。

" 这个阶段大家之所以感觉有泡沫，我觉得可能跟现在还没有创造更多价值有关系，是一个阶段的错配。" 贾鹏表示，具身智能需要更多人力、GPU 等资源，目前行业整体投入仍然不算充足。

大晓机器人创始人兼董事长王晓刚也认为，当前的焦虑，一部分来自市场此前对发展速度的较高预期，而模型和场景落地的实质性突破仍在等待出现。

" 我感觉，我们处在黎明的前期。" 王晓刚表示，相比去年更多依赖真机数据、VLA 和小模型路线，今年随着以人为中心的 Ego 数据、世界模型的加入，已经开始看到 Scaling Law 的展现。他认为，具身智能与垂直行业结合紧密，未来仍会有较强的多样性。目前数据、零部件、模型、本体和场景等环节相对分散，未来不同类型的公司可能进一步重新组合。

苏度科技联合创始人兼 CEO 韩铮表示，中国拥有相对丰富的供应链和场景尝试环境，因此在本体、具身模型和世界模型等方向上，都出现了较多企业和技术探索。他认为，具身智能最终大概率是一个复杂系统，目前技术路线已经开始出现收敛迹象。未来能够提供完整底层方案和模型的公司可能不会特别多，但在垂直应用、全球市场以及模型组合等方向仍有机会。

围绕 " 具身智能自己的 ChatGPT 时刻何时到来 "，几位嘉宾从系统、算力和数据等不同角度给出了判断。

韩铮认为，如果类比大语言模型，目前具身智能大致相当于 2018 年至 2019 年前后的阶段。很多关键技术框架已经出现，当前更大的挑战是，如何把不同技术整合成一个商业可用、高可靠、具有泛化能力的大系统。

" 这个整合大系统，是现在具身智能整个行业里最需要解决的问题。" 韩铮说。

贾鹏则表示，他并不喜欢 " 具身 ChatGPT" 这一说法，因为具身智能和数字 AI 解决的问题并不完全相同。大语言模型做到 80 分可能已经是一个不错的产品，但具身智能进入真实物理世界后，对可靠性的要求要高得多。他判断，如果只看模型能力，具身智能已经开始表现出一部分 ICL（上下文学习）能力；但如果从真正形成生产力的角度看，可能还需要三四年甚至四五年。

如果只能选择一个最大的卡点，贾鹏认为是 GPU 算力，既包括训练算力，也包括端侧和边缘侧推理算力。很多工厂场景不能联网，机器人必须在边缘侧完成部署，端侧算力不足会直接限制模型能力。

王晓刚则认为，当前最大的卡点是数据。在他看来，所谓具身智能的 "ChatGPT 时刻 "，关键是能否看到智能涌现、场景泛化和 zero-shot 能力。

" 在各种应用场景里，如果始终需要针对新的任务重新训练，就没有办法实现规模化推广。" 王晓刚表示，近期通用模型展现出的 zero-shot 能力，也让他看到新的可能：这类模型输出的中间数据，未来有可能帮助具身基础模型加速进化。

论坛上，多位 95 后、00 后创业者也从自己的创业实践出发，谈到技术路线和全球竞争。

" 我们成立的时候说，未来半年，所有的具身智能公司都会说自己是做世界模型的公司。" 厘清智能创始人李一鸣表示，世界模型公司很多，但关键还是要看具体解决什么问题。

在他看来，创业公司首先要判断未来终局可能是什么样，再拆解实现终局所需要的技术路线，根据优先级以及团队自身背景和优势做战略选择。

自然意志创始人丁宁则判断，" 具身智能领域的 GPT-3 时刻已经到来，只是还没被大家看到。" 他表示，2025 年以后，大模型的发展已经解决了一些根本性问题，但物理世界的操作问题仍待突破。

他形容，过去一段时间行业正在以一个 " 不太正常的速度 " 发展，" 不管是从代码量还是实验的结果，还是几种不同智能之间的融合，我们都能感受到一股非常强的推背感。"

面对海外掌握巨量计算资源的实体，丁宁坦言 " 非常焦虑 "。但他同时认为，中国仍有机会，其中一个优势来自高精度数据背后的硬件和供应链能力。" 高精度的数据还没有 Scale 起来，而高精度的数据需要更好的硬件传感器，更好的传感器需要更智能的融合技术，这个东西现在全球只能在深圳生产。"

22 岁的逆矩阵科技创始人陈博远则表示，自己这一代创业者成长在 Scaling Law 出现之后。" 我们经历了大模型从潮起到一个更高点的时代，但是我们也看到，大模型现在在解决真实物理世界问题上，依然还有很多不可逾越的挑战。"

在他看来，具身智能要真正进入物理世界，物理 AI 基模需要懂得因果。真实物理世界充满噪音和连续变化，" 边缘情况不是长尾，而是常态。"

陈博远认为，物理 AI 并不是依靠 " 一两个小天才 " 就能完成，而是一个从模型基础设施、数据、算法到真实物理世界闭环的复杂系统工程。

" 大家不会因为你原来在大厂，就轻信你选择的路径是对的；也不会因为你是一个实习生，就觉得你提出来的想法不切实际。" 他表示，真正推动技术创新，更重要的是尊重第一性原理，通过小规模验证、大规模 Scaling，寻找最有潜力的技术路线，而不是把判断建立在某个人或少数人的经验上。

他认为，物理 AI 基模最终还必须进入真实世界，形成从人到机器、再到云端系统的 " 端—边—云 " 一体化平台。" 它一定是复杂的系统性工程。在这个系统性工程里坚持第一性原理，越来越重要。"

阅 1.06W+ 特别声明：文章内容仅供参考，不构成投资建议。投资者据此操作风险自担。