“判断一项技术是否真正成熟，关键在于它能否切实解决实际问题，能否在真实业务场景中经受住考验。”9月9日，在“2026京东云大会”现场，京东云总裁曹鹏发表了这样的观点。

据徽声在线记者现场观察，这场年度科技盛会传递出两条鲜明的行业趋势：一是企业AI的应用正从“为员工配备工具”转变为“为组织配备AI数字员工”，办公模式面临根本性变革；二是具身智能技术正集体突破Demo阶段，迈向真实世界的应用。

京东云大会现场实景 图片来源：徽声在线记者 郑欣蔚 摄

然而，具身智能的落地之路并非坦途，其门槛远比想象中更为坚硬。问题并非出在模型本身不够强大，而是数据、算力、存储以及组织流程等方面尚未做好充分准备。现场嘉宾达成共识：数据是物理AI最为稀缺的资源。

优必选副总裁、具身智能与人形机器人研究院院长焦继超直言不讳地指出，数据仍然是制约行业发展的“卡脖子”环节；京东探索研究院图像与多模态实验室主任黄浩洋也强调，规模化、高质量且带有动作标注的真实实操数据匮乏，是限制机器人走进真实世界的核心因素。

在语言模型的上限问题上，行业内部存在更为尖锐的分歧。逆矩阵创始人陈博远以GPT-6操控夹爪拿杯子耗时近一小时为例，指出语言难以完全描述物理直觉，Token逐一生成的推理模式下，即便100毫秒的延迟在聊天窗口中几乎难以察觉，但在真实机器人操作中却可能意味着三个控制周期的错失。因此，他认为物理AI必须拥有自己的基座模型；而鹿明机器人创始人兼CEO喻超则持不同看法，他认为只要配上合适的表征系统，语言模型的上限远未达到极限。

Demo展示再精彩，真实世界才是那道难以逾越的墙。在翻越这道墙之前，谁掌握了数据，谁就掌握了进入下一轮竞争的门票。

具身智能突破Demo：数据成为最大障碍

“AI正在从数字世界向物理世界拓展。而一旦进入物理世界，对基础设施的挑战将成倍增加。”京东集团副总裁、京东云基础云业务负责人龚义成在演讲中指出，物理AI对算力和存力的需求达到了前所未有的高度。

算力是训练和推理的基石，而存力则需要承载物理世界中海量、多模态且迅速膨胀的数据资产。“同时，面向物理AI世界的数据又极其稀缺。如何将真实物理世界还原、重建并数字化，以加速模型学习和AI落地，是另一个亟待解决的重要课题。”龚义成补充道。

数据是物理AI最为稀缺的资源，这一点在具身智能行业已形成广泛共识。

黄浩洋将具身数据划分为仿真数据、人类操作数据和真机数据等多个层次：仿真数据适用于规模化预训练，人类操作数据能够连接人的动作与机器动作，真机数据则用于后训练和精细化操作。这些不同层次的数据并非相互替代，而是共同构成了“数据金字塔”。

值得一提的是，京东已经宣布将在未来两年内累计采集超过1000万个小时的真实场景视频数据，以支持具身智能的研究和应用。

喻超结合企业实践指出，具身智能在真实场景落地时，对数据能力的要求极高。如何将回流数据有效融入模型迭代，如何与前期数据进行多元配比等，都是难以回避的难题。如果完全依赖人工调整，节奏将过于缓慢，必须借助类似代码化的自动化系统来增补和处理数据。

为此，鹿明机器人正在构建自己的数据闭环系统，作为任务闭环能力的支撑。喻超以柔性质检为例介绍说，最初团队自行采集数据、进行训练，但放到真实产线上，第一次大概率无法正常运行。之后需要经过多轮迭代，根据实际运营情况调整回流数据，并针对特定案例补充数据。如此反复，设备的运转时长、作业准确率等指标才能逐步提升。

物理AI是否需要自己的基座模型？

“限制机器人走进真实世界的变量众多，但最核心的还是智能化水平。”智元联合创始人、联席总裁姚卯青在圆桌对话中分享道。

姚卯青指出，提升智能化水平需要在三个方面取得突破：长程记忆与动态决策能力、精细化灵巧操作能力、自主纠错与重规划能力。只有在这三项能力上取得突破，机器人才能更好地在充满噪声和不确定性的复杂真实世界中完成任务闭环。

陈博远则从底层逻辑出发提出了不同观点。他认为，尽管真实物理世界充满噪声和连续变化，但物理规律不会因场景切换而失效。

“2023年、2024年涌现出各种垂类大语言模型，如今一个通用语言模型就能解决各种垂类场景的问题。”陈博远说，语言模型能够在学习理解语言知识的基础上实现推理预测。对于真实物理世界而言，人类能够在习得物理规律的基础上获取类似于“我能轻松拿起一个杯子”的物理直觉和本能。或许，也能有一个理解人类物理直觉、本能的通用世界基座模型，来实现真实物理世界的“one for all”。

逆矩阵作为今年刚成立的公司，正致力于探索这一通用世界基座模型。陈博远认为，人类的物理本能并非仅仅来自感知，而是来自与真实世界的持续交互、试错和验证。因此，构建物理AI基模的关键是从真实物理世界数据中提炼出“哪些动作导致哪些状态转化”的因果规律，在比像素和语言更高维的隐空间里压缩、抽象出可泛化的物理知识。同时，让模型在真实场景中不断交互，通过强化学习形成完整闭环。试错密度越高，对物理世界的理解就越深入。

“下一步，我们将在基模层提升其智能上限。只有拥有更强的智能模型，才能将其放心地应用于更深入、更复杂的场景，从而获得高质量的真实数据。另一方面，真实数据如何形成闭环更为关键。这是一个从人到真机，再到虚拟平台的过程。但真实场景数据迭代失效速度极快，因此需要探索构建一个端边云协同平台，以完成数据闭环。”陈博远表示。

陈博远还分享了他近两三个月来关注到的行业突破：GPT-6 Astra。这个被OpenAI誉为当今世界智能水平最高、对齐表现最好的模型，在电脑操作、浏览器使用、软件工程、网络安全、科学研究和专业工作等领域实现了进一步突破。它能像人一样“看”屏幕像素，模拟移动鼠标、敲击键盘，自主操作浏览器、办公软件和桌面应用。此类计算机操控、真机操控能力引发了广泛热议。

“大模型可以直接操控真机了，这确实令人震撼。”陈博远说，自己最近也曾尝试用GPT-6操作夹爪去拿一个杯子，花了四十分钟到一个小时才慢慢拿起来。

这个案例却让他对语言模型的上限进行了深入反思：语言能涵盖的只是你能用语言指令描述的内容。“我能想象怎么解鞋带，但用语言描述其实是解不出来的”。更关键的是时延问题。Token逐一生成的推理模式下，100毫秒的延迟在聊天窗口中几乎无感，但放在真机上“就是三个控制周期出去了”。真实物理世界时刻在变，动作还没执行完，新的挑战已经来了。因此，“物理AI必须拥有自己的基座模型，学习人类操作的范式、隐式的直觉和本能”。陈博远总结道。

喻超对“语言模型上限”的问题持保留意见。“GPT-6的能力可能不单纯是纯语言模型的上限。”喻超说，“给它配上合适的表征系统，不管是信号还是执行方面的，它的上限会高很多。具身模型的范式、甚至具身数据的范式也都可能被颠覆。”

对于近期的行业突破，姚卯青则提到了主流视频大模型今年发生的质变。“视频模型能产生更好效果，关键在于更大的数据量。只要细节做对，确实可以延续像语言一样的scaling law（指模型性能随模型参数、数据量和计算资源增加而提升的规模化法则）。而这些细节来自大量的数据标注工作。”他表示，同视频模型领域类似，相比于模型架构参数，数据体系质量、闭环能力或许也是具身领域更关键的长期壁垒。