机器人投入实际工作，仍需跨过连续动作、非标准化场景与交互数据三道关卡

9月11日，2026外滩大会具身智能专场对接会上，业内人士普遍将关注点从“会比武、会跳舞”转向更现实的难题：机器人要真正投入实际工作，仍需跨过连续动作、非标准化场景与交互数据三道关卡。

与会者反复提及两类典型环境。足球场上，机器人可能相互碰撞，队友与对手的位置不断变动；工厂里，物体反光、摆放无序同样会形成阻碍。两种情形都要求机器人看懂环境变化，自主作出判断并及时调整动作。

针对这一要求，蚂蚁灵波业务发展专家毕纪葛表示，需要把感知、判断和运动控制配合起来。他介绍，视觉模型Lingbot-VLA 2.0借助未来深度预测辅助动作规划，可同时控制头部、机械臂、腰部和底盘，并支持20种以上机器人类型，既能判断下一步动作，也能安排各部位如何配合。

看得清之后，连续完成多个动作成为下一道题。以折箱、封箱等任务为例，识别、抓取、移动和操作必须环环相扣，任何一环出现偏差都可能影响最终结果。

因此，工厂和零售仓储不只是机器人应用的场所，也是检验和改进技术的测试环境。机器人在实际操作中产生的数据，还能用于下一轮训练，帮助模型应对更多变化。

与标准化程度较高的工业场景相比，居家陪伴类机器人面对的非标准化情形更多。语言、表情和肢体动作需要协调，小型关节还要兼顾响应速度、扭矩和静音，近距离互动也对安全提出了更高要求。

仿生机器人则须在能动之外实现自然动作，这对具身数据构成新的挑战。首形科技市场销售负责人杨守闯认为，情感交互并不是给机器人加上一张人脸那么简单，仿生面部结构、柔性皮肤和情绪驱动模型都依赖真实交互数据；但物理交互数据仍较稀缺，陪伴类机器人进入日常生活还需要较长一段时间。

数据收集也只是第一步。海扬数据库互联网与AI科技行业解决方案负责人王雨地介绍，直接采集的数据不能直接用于模型训练，视频、传感器信息和关节状态等需经过时间对齐、标注和质量检查，再按任务检索片段后才能送入训练。数据量增加后，读取效率还会影响芯片利用率，具身智能的竞争因此延伸到数据的存储、筛选与供给。

在今年外滩大会的另一场交流中，破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲表示，具身智能的内核归根到底在于泛化。他预计，今年会批量看到真正意义上的泛化，即同一个模型在不同地方完成一系列任务，而这是过去三年没有出现过的。

市场有风险，投资需谨慎。本文为AI基于第三方数据生成，仅供参考，不构成个人投资建议。