具身智能是否有泡沫？CEO们等待从“能做”到“能用”，年轻创业者又在押注什么

9月11日，在2026外滩大会上，多位具身智能产业人士、投资人和青年创业者围绕行业泡沫、技术路线以及“ChatGPT时刻”等话题展开讨论。

在他们看来，当前具身智能行业的“泡沫感”，更多来自产业发展阶段、市场估值与实际商业价值之间的阶段性错配。行业仍处于早期，技术路线尚未完全定型，但一些关键能力已经开始出现。与此同时，从技术能力走向规模化生产力，具身智能仍需要跨过系统工程、算力、数据和场景泛化等多重门槛。

回应“泡沫论”：具身智能仍在“黎明前期”

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”，多位与会嘉宾认为，与其说行业已经进入泡沫阶段，不如说当前市场对产业发展速度和商业价值的预期，与实际进展之间仍存在一定差距。

至简动力联合创始人兼CEO贾鹏表示，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。”贾鹏称，具身智能需要更多人力、GPU等资源，针对研发和技术迭代的实际投入仍有较大空间。

大晓机器人创始人兼董事长王晓刚也认为，当前行业的焦虑，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。

在他看来，具身智能与垂直行业结合紧密，未来仍会保持较强的多样性。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。

在苏度科技联合创始人兼CEO韩铮看来，中国丰富的供应链和应用场景，为具身智能提供了较大的技术探索空间，因此本体、具身模型和世界模型等方向都出现了较多企业和技术尝试。

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然存在机会。

这意味着，当前具身智能产业链看似拥挤，但行业最终的竞争格局仍远未定型。随着技术路线逐渐收敛，企业之间的分工和组合方式也可能随之发生变化。

距离“ChatGPT时刻”还有多远？从能做，到真正形成生产力

如果说大语言模型的“ChatGPT时刻”意味着模型能力出现跃迁，那么具身智能面临的问题要复杂得多。机器人不仅需要具备理解和决策能力，还需要将这些能力与本体、控制、算力、数据等环节结合起来，最终在真实物理世界中稳定执行任务。

因此，对于“具身智能自己的ChatGPT时刻何时到来”，几位嘉宾给出的答案并不相同，但都指向同一个问题：如何让已经出现的单项能力，最终变成一个可靠、可泛化、能够规模化部署的系统。

韩铮认为，如果类比大语言模型的发展阶段，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；但如果以真正形成生产力为标准，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。但他所关注的，并不是单纯的数据规模，而是数据最终能否推动机器人形成更强的泛化能力。

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。

从系统整合到算力，再到数据和泛化能力，判断虽然各有侧重，但指向的是同一个产业问题：具身智能真正需要突破的，是让多个技术环节共同跨过从“能做”到“能用”的门槛。

当机器人面对一个此前没有训练过的新任务，也能够依靠已有能力完成执行，具身智能才能真正从技术演示走向规模化生产力。

路线尚未收敛，年轻创业者如何寻找“解法”

如果说行业层面的争论集中在“有没有泡沫”和“何时出现ChatGPT时刻”，对于身处其中的年轻创业者而言，更现实的问题是在技术路线尚未完全收敛的情况下，应该如何做出选择。

论坛上，多位95后、00后创业者也从自己的创业实践出发，谈到世界模型、物理世界以及全球竞争。

“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，如今世界模型已经成为具身智能领域的重要技术方向之一，但对于创业公司而言，概念本身并不是最重要的，关键还是要看具体解决什么问题。

李一鸣表示，创业公司首先需要判断未来的终局可能是什么样，再拆解实现终局所需要的技术路线，并结合优先级以及团队自身的背景和优势做出战略选择。

自然意志创始人丁宁则将目光放到了物理世界。他判断，“具身智能领域的GPT-3时刻已经到来，只是还没被大家看到”。

丁宁指出，2025年以后，大模型的发展已经解决了一些根本性问题，但如何真正操作物理世界，仍然是需要突破的关键问题。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，中国仍然存在机会，其中一个重要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。”

在丁宁看来，物理世界的数据获取，本身就是一个需要硬件、传感器和供应链共同支撑的产业环节，这也可能成为中国参与全球物理AI竞争的重要优势。

22岁的逆矩阵科技创始人陈博远则从另一角度谈到，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。”

陈博远认为，具身智能要真正进入物理世界，物理AI基模需要理解因果关系。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”。

因此，物理AI并不是依靠“一两个小天才”就能完成，而是从模型基础设施、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。”陈博远表示，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。

陈博远认为，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。”