在人工智能产业的发展中，从实验室的论文到产业界的商业化产品，始终存在一道鸿沟。

在 2 月 3 日下午举办的智源学者年会上，一场关于 " 如何跨越从算法到价值的最后一公里 " 的圆桌对话展开。

围绕当下最受市场关注的具身智能与人形机器人，多位嘉宾反复强调产业尚处 " 非常早期 " 的阶段属性——无论是数据获取、场景选择，还是交付能力与用户接受度，都处在反复试探之中。

对创业者而言，当前的问题不再是 " 有没有需求 "，而是 " 哪个场景现在就能跑通 "；对研究者而言，挑战也不仅在于算法本身，更在于如何在现实约束下参与闭环构建。

多位业内人士呼吁，中国的具身智能创业者应具备世界格局，既要有能够撑得起万亿元赛道星空的前沿技术，也要让技术落地生根，转化成产品。

""

图片来源：主办方供图

跨越 " 死亡之谷 "，创业者要经受市场 " 毒打 "

对于技术出身的创业者而言，首要的挑战并非算法的精度，而是对真实商业环境的理解。

智源研究院院长王仲远将技术向商业转化的过程形容为 " 死亡之谷 "。他指出，一个从 0 到 1 提出的算法，在规模化之后是否依然有效，是否真正解决了一个真需求，有没有商业化的可能性，这个过程中还很多 " 坑 " 或者鸿沟需要逐步跨越。

王仲远表示，从最初的 Transformer 到 GPT，再到最终的产品化，每一步都在验证技术是否能解决更真实的、具备商业闭环可能性的需求。

来自创业一线的判断更加直白。星源智创始人刘东从务实派的角度给出了具体建议，" 关键是如何说服第一个用户愿意当第一个吃螃蟹的人。" 他认为，创业公司最重要的任务是找到前三个天使客户，" 客户使用你的新技术，让你的产品在他的场景落地，要付出试错成本和金钱的成本，这个项目肯定不会免费做。"

这一判断与投资人乔会君的分享形成呼应。他回溯十年前 " 人工智能 1.0 时代 " 的投资经历时提到，当时不少技术能力突出的团队最终失败都不是因为技术不够先进，" 他们最大的瓶颈就是对于真实世界、真实商业环境需求的理解不够深刻。"

回顾十年前自己在智能硬件领域的投资经验，乔会君认为，理解的断层仍然存在，" 学术界或者原来在互联网企业工作的人对于真正把一个产品做出来，能规模化、批量化，具有可靠性、稳定性、低成本做出来的预估是不足的 "。

中国科学院计算所研究员张玉成则认为，在高校解决的是 "0 到 1" 的问题，依托的是国家科研资金，但要让资本助力、赚市场的钱，就必须改变语言体系。

" 从向国家申请科研资金到希望投资人投资、去市场上一分一厘把它挣回来，思维方式要跟着变。如果没经过投资人的毒打和市场的毒打，一般都过不去，我们可能一辈子都在做‘ 0 到 1 ’的问题。" 张玉成表示。

数据与架构之争：具身智能 " 登月 " 路径选择

跨越认知层之后，来到实操层仍有几个难点需要解决。

银河通用创始人王鹤将具身智能的问题拆解为三个层面：数据、场景与交付。他直言，AI 团队的数据可以依托于互联网，而具身智能面临的首要现实是，具身的数据是互联网上没有的，需要做大量的合成数据来增补真实世界数据的不足。有了数据之后，接下来的问题是场景需求与交付。

对于业界对仿真路线的质疑，王鹤直言，目前人形机器人运控基本都是靠 Sim-to-Real（仿真到现实）。

" 人形机器人可以跑、跳，各种动作舞蹈都可以搞出来，哪个是靠真实数据遥操出来的？" 王鹤表示，即使是灵巧手的高自由度操作，如果不靠仿真，很难训练出来。

在王鹤看来，业内的分歧并不在于用不用仿真，而在于各家如何构建自己的数据配方。" 各家强调各家的，确实有不同的声音，但是大家的共识是合成数据或者真实数据都有各自解决不了的事情。"

王鹤指出，没有任何一家具身企业敢说不利用 Scaling Law（尺度定律）和合成数据增广，也没有人敢说不用真机 RL（强化学习）。在他看来，核心在于如何构建一个数据的金字塔，将仿真数据与真实素材按照不同的配方配合训练。" 最后千条大路都通罗马，看看谁的技术做得更好。"  

但数据并非全部，难点在于哪些场景能够被交付。" 所有有劳动力需求的产业都需要人形机器人，问题是能交付哪个场景，哪个场景你的智能够用，机器人真的能够 24 小时工作。" 在王鹤的叙述中，场景选择本身就是一次技术与商业的双重筛选。

刘东则选择了另一种现实解法。据他介绍，特斯拉能够通过数百万辆车的影子驾驶模式低成本获取人类监督数据，但是具身智能在真实环境中的落地绝大多数是靠真实的人穿着外骨骼或带着动捕设备、遥控器操控这些机器，这些数据取得的速度和数量级远比影子驾驶模式难度大。因此，创业公司在短时间内很难做通端到端的具身模型。

" 所以我们把方案回归分层式的方案，大脑做环境感知，小脑做任务执行。" 刘东解释说，通过大脑学到世界常识并进行任务规划，再由大脑调度小脑的各项技能，可以有效降低对海量具身真实数据的依赖。在他看来，这一选择更多是出于创业阶段的现实约束，而非路径分歧，" 等到真正低成本获取数据的那一天到来，我们能依靠这些前面的数据积累训练更大的端。"

来自学界的视角则更为冷静。来自中国人民大学的胡迪老师将当下的具身智能形容为 " 遥远的地平线 "。在他看来，无论是仿真还是数采，都无法单独解决问题，真正关键的数据来自持续交互，是与模型共同演化的过程，" 像双螺旋一样，这个螺旋怎么构造，是未来解决数据瓶颈的关键所在 "。

胡迪提醒，这种闭环的难度，决定了具身智能必须经历阶段性成长。在不同的垂类场景中，技术成熟度与用户习惯的优先级可能需要重新排序，而非一蹴而就。

小组赛阶段如何活下来：耐心等待商业拐点

当讨论回到更宏观的产业环境，王仲远概括了具身智能当前所处的阶段——还没有到淘汰赛，更像是小组赛。

王仲远提到，国内具身智能与人形机器人创业公司的数量快速增长，资源分散的风险随之上升。在这样的阶段，" 扎扎实实做技术、关注真实需求、耐心等待商业化闭环的时点 "，比追逐短期热度更为重要。 

多位嘉宾从不同角度强调平台型资源在这一阶段的重要性。乔会君直言，在当前 AI 创业环境中，最稀缺的资源已经从单一技术转向算力、模型与协同能力。" 模型不是一个团队能搞出来的。"

站在 2026 年的时间点上，乔会君回忆，自己从 2025 年开始看具身智能项目，" 跟中国相比，美国所有项目说他们比中国领先半年，这一点是否成立？要打一个问号。他们的东西迭代根本跟不上，他们的灵巧手更新至少需要三个月，中国可能是一周、两周，我认为具身智能在中国的机会更大。"

乔会君建议中国的创业者应具备世界格局。" 今天在中国成立一家公司，我们的目标是全世界，（要有）世界格局，我是一家世界化的公司。"

围绕给具身智能创业者的建议，王鹤用 " 顶天立地 " 进行概括，他表示，具身智能创业者既要有能够撑得起万亿元赛道星空的前沿技术，也要能让它扎根到土壤里面，慢慢转化成产品。

张玉成也认为，AI 必须转化成生产力才有价值，而这种生产力的目标应该是全世界。

每日经济新闻