机器人走出 Demo，到底还差什么？我们和智元、智平方、鹿明、逆矩阵、京东聊了聊
既要摸高，也要过河。
既要摸高，也要过河。
👦🏻 主持：Koji
🥷 整理编辑: 十字路口
🧑🎨 排版: NCon
“如果只能选一个变量，今天最限制机器人从 Demo 走进真实世界的究竟是什么？”
9月9日，JDDiscovery-2026 京东全球科技探索者大会上，一场主题为**“具身智能走出 Demo：真实世界数据如何成为产业基础设施”**的产业圆桌，开场便围绕这个犀利的问题展开。嘉宾是已经完成从 Demo 到产业跨越的企业创始人和行业专家。
本场圆桌由 Koji 主持，五位嘉宾分别是：智元联合创始人、联席总裁、具身业务体系总裁姚卯青；智平方联合创始人张鹏；鹿明机器人创始人兼 CEO 喻超；逆矩阵科技创始人陈博远；京东探索研究院图像与多模态实验室主任黄浩洋。
他们分别代表了具身智能产业链的不同生态位，也是这一轮具身产业化的积极实践者。
本场讨论从一个最现实的问题开始：机器人从 Demo 走向真实世界，到底还缺什么？ 大家的答案逐渐指向同一个方向——真正的门槛已经不再只是单点模型能力，而是数据、反馈闭环和系统能力。而 GPT-6 Astra 的出现，又把这个问题往前推了一步：具身模型本身的范式，会不会也要变了？ 以下是本场对话的内容分享，经十字路口整理：
限制机器人走进真实世界的是什么？
👦🏻 杨远骋 Koji
如果只能选一个变量，你们觉得今天最限制机器人走进真实世界的，究竟是什么？
🧑🎨 智元 姚卯青
变量的确很多。如果只选一个，我觉得最核心的是**“智能化”本身**。
机器人要能像人一样智能、灵活地去处理各种工作，而且要高效、高成功率，核心就是智能能力。
姚卯青｜智元联合创始人、联席总裁、具身业务体系总裁
🤵🏻♂️ 智平方 张鹏
现在这个阶段，我们非常关注的一点是**“真实的落地”**。
从智平方的角度来说，我们关注的是，它到底能不能真实地产生生产力价值、到底能不能站得住脚。
张鹏｜智平方联合创始人
🕵🏻♂️ 鹿明机器人 喻超
核心是，在真实场景里的任务闭环能力。
拆开来看有这几个层面：一是任务本身的闭环；二是闭环过程中的可靠性和泛化性，这里面涉及模型、智能、以及整个基建的层面；三是闭环过程中能不能持续地进行迭代。
现在已经不是某一个单点的问题，而是整体的系统级能力。
喻超｜鹿明机器人创始人兼CEO
🧑🏻🚀 逆矩阵 陈博远
我更偏向于“反馈闭环”。
第一是模型侧本身的智能。
我们现在在一些受控场景里能做出非常好的 Demo，但真实场景是充满噪音和连续变化的。真实场景中，那些所谓的边缘情况其实不是长尾，而是常态。
所以，我们对通用智能的需求，是希望它能在家庭、工业场景等这些真实场景里，都能完成任意任务。这就需要模型要足够的智能，能进入到更深的场景。
第二也是更重要的一点是，要把真实场景里及时的数据，包括 corner case 数据反馈给模型，形成整个反馈的闭环。
陈博远｜逆矩阵科技创始人
🧑🏻🏫 京东探索研究院 黄浩洋
京东图像与多模态实验室一直在做多模态基础模型，我们从大规模互联网语料里，学习视频生成和视频理解。
体现在具身这里，我觉得最缺的是**“规模化的、可标注的、带动作标注的高质量真机数据”**。
这是我们目前认为限制具身发展的最大因素，也是京东主推第一人称操作数据的原因。
黄浩洋｜京东探索研究院图像与多模态实验室主任
关于落地、数据采集，来自一线的经验
👦🏻 杨远骋 Koji
谈到落地，鹿明机器人有不少产业落地的实践，最近有什么新的观察可以分享？
🕵🏻♂️ 鹿明机器人 喻超
我们在实践中看到，真实场景落地对整个系统能力的要求确实比较高。
它包括数据、data feedback，回流的数据怎么在模型里再次用起来，以及这部分数据怎么跟前面的数据做多源配比，等等。
另外，如果全部靠人工，节奏会非常慢，所以其实也需要一个类似**“Codex for 具身”**的系统。
现在，鹿明也正在构建自己的 NexCore 系统，作为实现任务闭环能力的载体。
👦🏻 杨远骋 Koji
能不能用一个具体案例展开讲讲，这套系统是怎么做到的？
🕵🏻♂️ 鹿明机器人 喻超
比如，我们早期做柔性质检、螺丝锁付。
最开始我们是在自己的工厂收集数据，然后做模型 training，再把机器人部署到真实产线，在这个过程中，我们会有多次数据迭代，根据实际运营情况调整回流数据，根据 failure case 去补充、调整。
随着机器人运转时间和工作时间的积累，整体的作业表现指标开始逐步往上走，我们现在也正在经历这个过程。
👦🏻 杨远骋 Koji
浩洋，从京东探索研究院图像与多模态实验室的角度，你们怎么看不同数据采集路径？
🧑🏻🏫 京东探索研究院 黄浩洋
各有特点。
第一种是真机遥操数据。它是最高质量的数据，能真实反馈行动和状态的改变，能对模型做实质性激发，但代价是非常昂贵、成本很高，很难规模化。
第二种是 UMI 数据，它能实现人类动作和机器动作之间的关联，成本相对较低。
第三种是仿真数据，这类数据的好处是，它能覆盖很多长尾情况，覆盖真实场景里很难触发的极端情况。
第四是我们最看重的 egocentric 数据，也就是第一人称视角的操作数据，它可以更快地规模化。
在我们看来，这四种数据构成了一个数据金字塔：
先用 egocentric 或仿真数据做模型预训练，让模型学会对空间和动作的理解； 然后用 UMI 数据，连接人类操作和机器操作之间的关联； 最后用 SFT 后训练，做精细化的真机操作。
黄浩洋｜京东探索研究院图像与多模态实验室主任
👦🏻 杨远骋 Koji
京东最早做多模态模型用的是互联网数据，现在要和具身结合，有了更多真实场景的真机数据。都是训多模态模型，但在这两个阶段有什么相同和不同？
🧑🏻🏫 京东探索研究院 黄浩洋
一个是关注观测本身，一个是直接监督世界。
互联网数据能提供大规模图像、文本甚至视频的数据，可以让模型快速理解世界，它更多是做“理解世界的监督”——关注观测本身。
但具身数据不同，它更多是“作用于世界的监督”。比如，我执行一个动作，这个动作让世界的状态发生了什么变化——这是两者之间天然的 gap。
举个例子，一个人拿水杯。
对视频生成或理解模型来说，它从大规模语料中找出一个平均表征，生成一个人拿起水杯的视频，它只关注视频的合理性。 但对具身来说，我们要关注的是怎么拿起水杯、从哪个位置拿、用什么力度拿。这就必须建立从行动到反馈的闭环。 这也是京东主推第一人称操作数据的原因。
今天上午，曹鹏总（京东集团技术委员会主席、京东云总裁）也讲到，我们计划未来两年推出 1000 万小时人体操作数据，同时推出超过 100 万小时真机操作数据。
这些数据都来自京东的零售、物流、家政、工业等真实场景，包含真实物体、真实人物，同时还覆盖大量操作中的失败案例。
事实上，仿真最大的问题是 sim-to-real 的难度很高，但通过真实采集，就能覆盖这些场景。
所以，从我们模型研发来看，我们不再只关注模型理解世界做得好不好，更重要的是“建立从理解世界到执行、到反馈、再到下一步执行的闭环”。
这也是我们现在从生成模型到世界模型、再到 World-Action Model 的转变。
从 Demo 到落地的几个关键点
👦🏻 杨远骋 Koji
在第一个问题中，姚总提到机器人从 Demo 走向真实落地的最大 gap 是“智能化”。从智元的角度，在“智能化”上最需要做的突破是什么？
🧑🎨 智元 姚卯青
从落地角度看，我认为有三个点比较重要。
第一是具备长程记忆，能基于过程做动态决策。
第二是灵巧和精度。 人是一个非常精妙的构造，从自由度、全身协调到外部感知和触觉反馈，是一套非常精密的系统。机器人现在其实还在追赶状态，很多我们看起来简单的事情，对机器人来说非常难。
第三是纠错能力。 现在机器经常能拟合一些状态和环境，但出现意外或失败时，很难完成闭环纠错。
行业里原来的思路是训一个越来越完备的端到端模型、world model，通过示教数据、RL 探索数据，大家希望靠一个模型完全解决掉。
但这个想法是比较理想化的。
最近大家在讨论：是不是应该通过分层架构，利用多模态大模型的能力，去完成上层对指令的理解、任务的拆分、状态的监督，以及对失败的重新规划、纠错，形成一套 agent harness 系统。
👦🏻 杨远骋 Koji
从智平方的角度，张鹏总你们怎么评估一项能力在 Demo 阶段做到怎样的程度，就可以进入规模化的部署阶段？重点看哪些信号？
🤵🏻♂️ 智平方 张鹏
Demo 和大规模商用之间，是一个探索的过程。从 Demo 走到规模化，有这两个前提：
第一，Demo 是展现技术能力，目标是验证技术框架和路线在场景下能 work，但真正产生商业价值，需要把客户、实际部署场景的各种变量，以及产品如何跟客户系统结合、跟商业模式结合起来，并且真正给客户创造价值。
第二，有了商业价值之后，还必须要有持续性、规模化的商业价值创造——也就是有规模化部署的需求。这里不光是看技术和模型能力，还要看闭环能力、硬件本体能不能支撑长时间稳定应用，以及售后、生产、质量体系能不能跟上。
最近几个月，在很多工业场景和新零售场景里，我们已经在很多场景下实现了长时间、稳定地工作。
这也是我们认为的可以做规模化商业部署的前提。
真实物理世界的基座模型
👦🏻 杨远骋 Koji
逆矩阵是今天在座最年轻的公司和创始人，过去这段时间，逆矩阵具体在做哪些事情？有什么新的成果？
🧑🏻🚀 逆矩阵 陈博远
用一句话总结，我们在构建一个真实物理世界的基座模型。
我们发现，真实物理世界在工业上是高度结构化的，但在家庭场景是非结构化的，同时泛化性要求很高。
这让我们想到语言模型的发展路径：2023、2024 年还有一些垂类的大语言模型，但到了 2026 年，一个通用语言模型就把这些垂类场景 one-for-all 解决了。原因是，通用基模可以利用不同 domain 之间可泛化和可迁移的知识和结构。
我们认为，物理世界也会走同样的路。
我们希望，构建这样一个理解人类物理直觉和本能的物理世界基座模型。
它能 all-for-one 地利用来自家政、零售、工业仿真等不同真实物理场景的数据以及仿真合成数据，帮助模型更好理解底层物理规律。
另外，我们最近也发现一些有趣现象，比如基模独有的 less is more 的效果。
同一个基座模型，只要微调少量数据左右，就能在灵巧手、轮式等不同机器人本体之间实现泛化和迁移。
👦🏻 杨远骋 Koji
构建一个理解人类的物理直觉和本能的世界模型，这其中最难的事情是什么？
🧑🏻🚀 逆矩阵 陈博远
主要分两点。
第一是范式本身。大家提到世界模型也好、VLA 也好，最核心的是我们怎么从真实物理世界数据里学习。
比如 egocentric 数据，大家关注 Dyna-2 模型之前发布的 100 万小时，Skild AI 直接把人类的示教作为上下文拼进去。但更值得关注的是，Skild AI 在数据质量上花了采集数据 3 倍的成本。
对 egocentric 数据来说，有效的来源是状态之外的动作标签——哪些动作导致世界的哪些状态转移，这是我们对物理本能和物理直觉理解的来源。合成数据更多是提供可大规模 scaling 的东西。
第二是我们怎么从真实物理世界数据里，提炼出模型应该学会的物理结构范式。
我们希望模型看到一个白天拿杯子和晚上拿杯子的动作之后，能理解背后的原理其实是一样的。因为能不能拿起来杯子只跟力触及物体材质有关。然后，模型进一步可以理解焊接、胶装等复杂场景。
这其中的难点是，真实世界充满噪音且部分可观测，它不像语言模型可以通过上下文补全所有信息。
真实物理的几何、材料、约束、受力，这些都是隐藏变量，模型怎么从原始数据里提炼出这些隐藏变量，这是很关键的一步。
这两点合在一起，指向一个判断：
物理 AI 的范式，需要从像素空间、语言空间，回归到更高维的隐空间。 另外，接下来的难点就是数据，也就是反馈闭环。
其实，我们对物理的理解来自交互，而不是来自更多的感知。 人从 1 岁到 10 岁每天交互 10 小时，365 天，3 万多小时，学会了很多物理原理。本质上，我们是在感知世界之外和世界不断交互，在交互过程中不断验证和更新假设。
比如，我看过所有视频杯子都在桌上，就以为桌子有吸力，但当我把杯子碰到地上才发现原来没有——这就是对物理和因果的理解来源。
所以，我们强调两方面： 一是，范式上要回归到比像素空间、语言空间更高维的层次——隐空间（Latent Space），来压缩和提炼这些可抽象泛化的物理规律； 二是，在真实场景里去应用和交互，通过强化学习来形成完整闭环。
陈博远｜逆矩阵科技创始人
在探索中，我们还发现了几个有趣的现象：
首先，物理 AI 基模具备 all-for-one 和 one-for-all 的关系，少量微调就能适配不同本体和不同噪声场景。
其次，数据本身的 diversity 很重要，特别是力触相关的多模态反馈——包括我们和京东在家政、健康、工厂等领域合作获得的数据——能帮助基模快速迭代。
第三，在数据和参数量的 scaling 之外，我们找到了第三条轴——交互范式和交互密度本身。
我们把动作原生地引入到模型的预测和学习中，随着模型学习状态变化导致状态转移的密度提升，模型能持续对物理世界有更好的认知。
这也符合我们的一个直觉：试错密度越高，我们对物理世界的理解越深。
GPT-6 Astra 的启示
👦🏻 杨远骋 Koji
前两天 GPT-6 发布之后，网上很多博主用 Astra 做 agentic 的任务理解和拆分，你们看完这些视频有什么感受？
🧑🎨 智元 姚卯青
我越来越觉得，现在的多模态大模型，在上层系统已经能更好地适应长程任务的理解、规划和过程中的思考了。但对于更精细的操作层面，确实还需要 policy 层面来解决。
我觉得接下来一个值得研究的问题是：
架构本身到底是分层的、层与层之间通信的，还是将来会走向单一系统，通过类似 MoE 的架构来自适应切换“快慢系统”？
就像语言模型以前需要人去手工选快速思考还是深度思考，但现在很多产品都自动切换。不可否认，最新的 Frontier VLM 越来越具备这样的思考能力。
姚卯青｜智元联合创始人、联席总裁、具身业务体系总裁
具体到 GPT Astra ，对我的启示有这几点：
第一，语言是一种高效的“智能压缩”。
从最近的语言模型和视频模型来看，语言作为载体，经过人类进化这么多年，对信息和智能进行了压缩。但原生的大模型因为没有经过特别多物理世界、具身智能的后训练和微调，也已经能很好地指挥闭环系统去完成任务。
第二，视频生成模型证明了 scaling law 在高维空间同样成立。
今年主流的视频生成模型，相比去年有质的飞跃。为什么视频生成效果今年能有这么大的飞跃？
因为数据量到了几千万小时，模型参数从小几十 B 的 Dense 模型变成了动辄一两百 B 的 MoE 模型。在更大参数和更大数据量上，只要细节做对，确实可以延续像语言一样的 scaling law。
第三，真正的壁垒在数据，不在模型。
我们看到，几家头部公司花了几千人冷启动，标注几十万小时的数据去训 Caption 模型。我们相信，在具身智能这种十几维、几十维的低维空间里，只要数据标注做得同样足够好，一定也有对应的 scaling law 可以延续。
最近，我们也交流了一些做视频模型的人，大家的感悟也比较深——数据确实越来越重要，因为模型本身并没有那么强的壁垒，但数据至少能拉开 200 到 300 天的领先时间。
🧑🏻🚀 逆矩阵 陈博远
Astra 代表了真正的 VLA 最高 level 的形态——语言模型进入物理世界，形成真实物理闭环。
但是，我自己最近也在尝试用 GPT-6 操作一个夹爪去拿杯子，可能要花 40 分钟到一个小时才能慢慢拿起来，这是真实案例。
这也引发我的进一步反思：语言模型的上限到底在哪里？
我们现在能看到语言模型能操纵真机，Claude 也发了物理 AI 版的 MCP 协议，能操控硬件本体。但其实，语言模型存在很多上限。
人类有运动感知智能、语言认知智能。语言的确是很好的载体，但它也限制了我们任务描述的上限。比如，我能想象怎么系鞋带，但用语言描述不出来。
现在它能完成一些简单地夹取，但是到了真实物理世界，对精度、速度、泛化性都有要求时，它依然是失效的。
另外，语言模型的推理范式也把应用上限锁死了。
因为语言模型还是 token by token 的生成，100 毫秒在聊天窗口没什么感觉，但是对应到真机上，可能就是三个控制周期。真实物理世界时刻在变化，不可能说动作还没执行完、来了新的挑战，模型无法及时响应。
所以 Astra 的出现给了我很大震撼，它让我们看到语言模型进入真实物理世界的表现。
但语言模型核心的问题和挑战也是无法突破的，同时也给了我们更坚定的信心：
物理 AI 一定会存在自己的基座模型，它需要学习人类操作的范式、物理直觉和本能，更高效、更快速地在真实物理世界里做决策和闭环。
🕵🏻♂️ 鹿明机器人 喻超
我觉得 GPT-6 的 Astra 可能不单纯是纯语言模型的上限。
从一些实践来看，你给它补充一些比较好的表征系统，再加上一套执行系统，它的上限会比现在高很多。
比如，我们之前做试验，调硬件时，把轨迹用纯数值丢进去，这和用类似示波器的对比图片输进去相比，效果差异蛮大的。 所以我认为，后面给它（模型）配备合适的表征系统和执行系统——不管是信号层面还是执行层面——整体的上限还会比现在高很多。
基于这个判断，我觉得后面具身模型的范式，可能会有很大变化，甚至可能会演变成这类模型的一个子领域。
另外，它对当前具身的数据范式，也会有比较大的颠覆。
现在采集的很多常规数据，特别是 contact 信息不完全够的数据，这类数据的范式，可能都会有很大变化。
喻超｜鹿明机器人创始人兼CEO
👦🏻 杨远骋 Koji
在具身领域，最近几个月你们认为最值得关注的新工作是什么？
🧑🏻🏫 京东探索研究院 黄浩洋
我想聊聊京东之前发布的 JoyAI-RA 模型。
我们采集了很多第一人称操作数据，验证出了一个很有意思的结论。真实人机操作数据上的 scaling law 是存在的，之前我们不确定要多少数据才能激发具身模型的泛化性，现在发现，在看过的任务上，指标确实在不断变好。
这和我们做多模态模型的经验，也是相通的。**我们从海量数据中，已经找到类似的 scaling law。**未来，从更大量的数据中，模型将能学会很多物理规律的变化。
这也侧面说明，我们需要进一步获取真机操作数据。
现在，我们正处于一个逐渐过渡的阶段：从以 egocentric 和仿真数据为主，不断迁移到真实场景数据。
🤵🏻♂️ 智平方 张鹏
整个行业包括我们在内，都很关注智能化本身的发展。我们重点从这几个原则出发来考虑：
一是，从技术路线角度，应该往哪个方向走。
二是，从做产品和落地的角度，要考虑哪些影响因子。 因为最终目的是一致的——我们希望所采用的技术架构和路线，以及机器人通过闭环不断进化的路径，能够实现最终想要达到的目标。
现在大家都在摸索，还没有一条明确的路径出现必须要怎么走。
这也是这一轮具身智能革命里，中美站在同一起跑线的一次机会，我们可以一起去摸索。
姚卯青｜智元联合创始人、联席总裁、具身业务体系总裁（左）张鹏｜智平方联合创始人（右）
前面大家讨论了很多 Astra，但在 Astra 之外，这两个月我比较有触感的是 Tesla 的 Cybercab。
这段时间，在美国市场，专门为无人出租车设计的没有方向盘、没有后视镜的汽车，已经在路上实际运营了。
这个目标马斯克已经讲了很多年——希望有一天你的汽车可以在空置时间自己去跑单，但他也做了很多年准备。
大概 2014、2015 年开始，特斯拉就坚持纯视觉、发布端到端 FSD。这期间，它的产品线在不断地收缩，把汽车的更多数据回传到 data center，而不是要造更多汽车。 也就是说，特斯拉这些年一直在做的是把全世界所有特斯拉上的数据利用起来，行之有效地去进化 FSD，无限接近那个临界点。
它在一个完整的商业闭环里做数据积累，朝着理想目标前进。
这是值得我们学习的：技术的发展、商业的闭环、规模化的部署，我们要如何把这几者结合在一起？ AI 的产品、AI 的系统、AI 的商业闭环，究竟应该如何去做。
结语
我们总是高估未来两年将发生的变化，而低估未来十年可能发生的变化。 对具身行业从业者来说，今天这场对话里，这几个信息尤其值得关注：
第一，竞争重心正在从“模型能力”转向“系统能力”。
具身智能的落地不是单点技术的突破，而是一个涵盖本体、模型、数据、控制、售后的庞大系统工程。谁能把这个系统跑通、跑快，谁就有机会进入下一轮。
第二，数据壁垒的持久性正在被重估。
模型的领先期在缩短，但一个能在真实场景里持续产生数据、持续迭代模型、持续产生商业价值的闭环，会是真正拉开差距的地方。
第三，Astra 所代表的语言基模上限，可能远未被真正触及。
正如鹿明机器人喻超所说，具身模型的范式可能会发生很大变化，甚至可能演变成这类模型的一个子领域。
