乐聚联手蚂蚁灵波亮相世界机器人大会，机器人行业不缺高光时刻

勇砺商业评论 阿桶观察 曾宪勇

八月的北京亦庄，2026世界机器人大会的展馆里依旧热闹。

几天来，机器人们翻跟头、叠衣服、倒咖啡、跳街舞……聚光灯和掌声一项不少。可机器人的表演越丝滑，行业就越需要回答一个“现实”的问题——离开预设环境，它还能不能稳定干活？

8月20日，乐聚智能与蚂蚁灵波联合举办的“从本体到模型，数据炼成的物理智能”论坛，讨论的正是聚光灯背后的世界。

乐聚智能CEO常琳到场，乐聚合伙人、技术总监王松主持数据圆桌。来自整机、零部件、芯片、数据与模型环节的12位嘉宾，把问题收束成三件事：一副能被模型学会的身体，一套能重复使用的数据，以及一个真正能指导迭代的评测体系。

王松没有从宏大的参数叙事谈起，而是先描述行业一年间的变化：“去年，具身数据是一片荒漠，没有任何标准；到今年，数据的声音有点太杂、太多。”在他看来，从没有路，到岔路太多，这恰好构成了具身智能从技术验证走向工程落地的真实切面。

这也意味着，行业正在从“奇迹点”竞争进入工程系统竞争。会不会做一个动作，和能不能在真实现场长期做成一件事，中间隔着的不是一版更漂亮的PPT，而是一条漫长的泥泞路。

01 本体先变：从“像人”到“好学、好用”

过去的机器人硬件主要服务于人：好装配、好维护，精度和成本可控。大模型进入机器人之后，本体多了一类新的使用者——模型。

无锡泉智博科技创始人陈万楷说得很直接：“本体今天已经不仅仅是一个物理载体，它的特性会一路影响数据和模型。”

这句话改变了硬件的评价坐标。关节能否准确建模，不同机器之间的一致性够不够，仿真参数能否对齐真机，观测是否完整，都会直接影响数据复用和模型迁移。一个难以描述、难以复现的本体，即使装上更大的模型，也可能只是把误差放大。

国地共建人形机器人创新中心常务副总经理刘宇飞援引公开统计称，国内整机平台已超过400家、核心零部件企业超过600家。他同时强调，这一判断“跟行业、乐聚机器人未来真正让机器人干活的方向是契合的”。“真正进场景的分水岭，不是做出一次动作、一组动作或一套动作，而是能够稳定工作、批量交付，并在场景里持续运营。”

因此，“易采、易学、易迁移”开始取代单纯追求参数，成为本体工程的新关键词。芯片和末端执行器也在发生同样的变化。

辉羲智能创始人兼CEO徐宁仪提出：“到底是芯片为本体设计，还是算法定义了芯片架构？我认为这是螺旋上升的事情。”

黑漫科技创始人杨子赫则尝试用可变构灵巧手，兼顾多指操作的上限和夹爪的稳定、好训练。行业正在从崇拜“像人”，转向追问“是否适合模型、是否适合任务”。

02 数据不是油田，而是一条流水线

如果本体是身体，数据就是身体与模型之间不断往返的信号。王松把乐聚的立场讲得更具体：“一个好的本体很重要，它要提供好数据的基础；再用一个好的本体，加上一个好的遥操作，去产生一个好的数据。”

在他看来，行业已经形成一个朴素共识——“数据的上限，最后就是模型的上限”。“做数据并不是一个特别高大上的活，它是一个辛苦活。”他说。

这句“辛苦活”并非修辞。采集员的状态、视觉模糊、本体公差、逆运动学求解，以及后续的标注、转换、云端交付，都可能把误差层层传下去。乐聚智能作为本体厂商介入数据议题，也释放出一个信号：机器人交付不能停在硬件出厂，真实场景中的失败必须回到数据和模型。

问题在于，行业太容易把数据变成库存数字。十万小时、百万小时听起来像护城河，但蚂蚁灵波首席数据科学家黄用韬提醒：“什么是好数据、什么是不好的数据，这个标准每天都在变。”他进一步说，“我们真正积累的并不是数据量，而是对每条数据的生命周期管理。”

简智新创副总裁雷腾用一个具体要求解释多样性的价值：“10万小时数据，希望是5000人每人采20小时，而不是100人每人采1000小时。”

诺亦腾机器人科技合伙人、副总裁何勇则把难点称为“对数据的品味”：“一个数据集大概只有20%左右的数据，对模型行为的改变有核心作用，剩下80%可能是同质化数据。”

由此，数据竞争的重点不再是“囤了多少”，而是能否形成闭环：一次训练暴露什么缺口，评测能否定位问题，下一轮该补哪类场景，失败能否快速变成下一轮训练材料。

对乐聚而言，贴近现场意味着更早看见失败；只有把失败沉淀为可复用的数据资产，再反馈到本体和模型，现场经验才可能变成系统能力。

03 Benchmark不是榜单，而是方向盘

数据闭环的另一端，是评测。

蚂蚁灵波首席科学家沈宇军把标准说得很清楚：“我们希望具身模型是通用的，那Benchmark就要评通用性，并服务于模型能力的迭代。”

这个定义击中了行业的老问题：不少公开评测更像对外展示，能制造高分，却未必能解释模型究竟哪里变好了。

上海交通大学人工智能学院副教授李永露更看重内部Benchmark和相对提升。他的原话更尖锐：“某一个Demo或者某一个分数是对外的，并不是预训练阶段最应该考虑的问题。评测唯一的用处，就是导向数据分布的调整。”如果同一类能力下的相关任务没有同步提升，问题可能不在分数，而在数据组织和训练基础设施还没有抓住规律。

真机与仿真的分歧，也因此变得具体。清华大学交叉信息研究院助理教授许华哲列出三个条件：“首先，真实世界要有明确的好坏；第二，仿真里好意味着真实里好，相关性要非常高；第三，要可规模化。”

北京通用人工智能研究院具身机器人中心主任黄思远则直言：“未来模型迭代肯定会越来越快，全部通过真机现在可能还能做，等模型泛化性进一步提升之后，会越来越困难。”

两种观点并不矛盾：真机负责定义“什么是真的”，仿真负责提高迭代速度。真正可用的评测体系，必须在两者之间建立稳定相关性；既不能把仿真成绩当成现实能力，也不能让每一次小版本都陷入昂贵、缓慢的全量真机测试。Benchmark不该是一张海报，而应是一只方向盘。

04 远征的起点，是承认“脏活”

论坛没有给出一条唯一技术路线。对模仿学习、强化学习、仿真和新数据形态，各方仍有不同信念。这反而更接近行业真实状态：目标大体清楚，路径远未收敛。王松所说的“从荒漠到声音太杂”，不是行业失速，而是进入深水区后的正常噪声。

展台更像4S店，真实场景才是路测。对乐聚而言，真正的考验也在论坛之后：能否把“易采、易学、易迁移”写进产品，把王松口中的“辛苦活”变成可持续的数据生产和反馈体系，把一次次失败变成本体、数据和模型共同迭代的输入。

在笔者看来，机器人行业不缺高光时刻，缺的是把一次演示变成稳定交付的能力。乐聚与蚂蚁灵波把本体、数据和评测摆上台面，也让那些不够光鲜、却更接近产业真相的声音被听见。

对整个AI行业而言，下半场比拼的，不再是谁最先做出一个惊艳Demo，而是谁能把偶然成功变成稳定、可复制、可交付的能力。

光环褪去不是坏事，它意味着具身智能终于开始从“看起来能”，走向“长期做得到”。泥泞路上没有掌声，但真正的规模化，恰恰从这里开始。（曾宪勇）