在近日举办的科技盛会上，行业专家们聚焦具身智能与物理AI的发展，指出这一领域正面临从概念验证到真实场景落地的关键转折。与会者普遍认为，尽管技术演示效果惊艳，但数据匮乏、算力瓶颈与组织流程适配问题，已成为阻碍具身智能走向产业化的核心障碍。
京东云基础云业务负责人龚义成在演讲中强调，物理AI对基础设施的要求远超数字世界。他指出，训练与推理需要海量算力支撑，而存储系统则需应对多模态数据的指数级增长。更棘手的是，真实场景数据极度稀缺，如何将物理世界数字化以加速模型学习，成为行业亟待解决的课题。京东宣布将在两年内采集超1000万小时真实视频数据，这一举措被视为突破数据瓶颈的重要尝试。
数据分层利用策略成为讨论焦点。京东探索研究院黄浩洋提出"数据金字塔"概念：仿真数据用于规模化预训练，人类操作数据连接人机动作，真机数据则支撑精细化操作。他坦言，当前规模化、高质量的实操数据仍严重不足，这直接限制了机器人适应复杂环境的能力。优必选副总裁焦继超更直言，数据获取已成为行业"卡脖子"环节。
关于物理AI是否需要专属基座模型的争论尤为激烈。逆矩阵创始人陈博远通过实验指出，用GPT-6操控机械臂取杯耗时近一小时，揭示语言模型在物理操作中的天然缺陷。他解释，Token生成模式带来的100毫秒延迟，在真实控制周期中会被放大三倍，而物理世界的变化速度远超语言处理能力。因此，他主张构建能理解物理因果规律的专用模型，通过真实场景交互与强化学习形成闭环。
鹿明机器人CEO喻超则持不同观点。他认为，语言模型的上限尚未触及，若配备合适的表征系统，其潜力可能被低估。他以企业实践为例，说明具身智能落地需解决数据回流与模型迭代的自动化问题。其团队构建的数据闭环系统显示，经过多轮真实场景迭代后，设备作业准确率才能逐步提升，这一过程高度依赖自动化数据处理能力。
智元联合创始人姚卯青从智能化能力维度提出突破方向。他指出，长程记忆、精细操作与自主纠错能力是机器人适应复杂环境的关键。参考视频大模型的发展轨迹，他认为数据体系质量与闭环能力可能构成具身智能的长期壁垒。OpenAI近期发布的GPT-6 Astra模型引发热议，其真机操控能力虽展现突破，但操作效率问题仍暴露出语言模型在物理世界中的局限性。
这场争论折射出行业对技术路径的分歧。支持专用基座模型者强调物理直觉的不可替代性，主张从真实数据中提炼因果规律；而另一派则认为现有模型通过架构优化与表征系统升级，仍可拓展应用边界。可以确定的是，数据获取与处理能力已成为决定技术落地速度的关键因素，谁能在真实场景数据闭环上取得突破，谁就将掌握下一阶段竞争的主动权。
