☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
9月11日上午，在2026 Inclusion·外滩大会上，来自具身智能产业一线的企业家、资深投资人及新生代创业者齐聚一堂，围绕行业是否存在泡沫、主流技术路径走向、“ChatGPT时刻”是否临近等核心议题展开深度交锋。多位与会嘉宾指出，当前所谓“泡沫感”，实则是行业发展阶段、市场估值预期与实际商业价值产出之间尚未匹配的结果；整体仍处于大规模爆发前的蓄势期——即“黎明前夕”。与此同时，具身智能的关键能力已初现端倪，但距离真正支撑规模化落地仍有明显差距，系统集成能力、算力供给瓶颈以及高质量具身数据的匮乏，仍是横亘在产业化道路上的三大关键制约因素。
回应“泡沫争议”：尚处早期演进阶段，终局格局远未锁定
具身智能虽兴起仅数年，却已吸引大量资本涌入与创业力量集结。面对近期持续发酵的“过热质疑”，多位一线创业者强调，行业仍处于技术验证与场景探索并行的初级阶段，当前所谓的“估值虚高”，更多源于阶段性进展与商业化节奏之间的错位。
至简动力联合创始人兼CEO贾鹏指出，所谓“泡沫”，本质是发展阶段与资本定价之间的暂时性脱节。从长远视角看，具身智能有望催生比智能手机、新能源汽车更为庞大的全新产业生态，其产业链条极长，覆盖传感器、执行器、本体结构、AI模型、操作系统乃至终端应用等多个层级，足以容纳多种类型企业的差异化发展。
“大家之所以觉得有泡沫，可能正因为它还没创造出足够多的实际价值——这是典型的发展阶段错配。”贾鹏补充道，具身智能对人才、GPU资源等投入强度极高，而目前全行业的整体投入水平，其实还远远不够。
大晓机器人创始人兼董事长王晓刚同样认为，部分市场焦虑源自此前对技术落地速度的过度乐观预判。事实上，模型能力提升与真实场景闭环之间，仍存在显著鸿沟，实质性突破尚待时日。
“我判断，我们正站在黎明前最深的夜色里。”王晓刚表示，相较去年主要依赖真机采集数据、视觉-语言-动作（VLA）融合及轻量化模型路线，今年随着以人类第一视角（Ego-centric）为核心的具身数据集构建、世界模型（World Model）的引入，已初步观察到类似大模型时代的Scaling Law趋势。他进一步指出，具身智能天然与垂直行业深度耦合，未来将呈现高度多元化的生态格局。当前数据采集、硬件零部件、模型研发、本体设计与应用场景等环节仍相对割裂，后续或将迎来新一轮跨环节整合与角色重构。
苏度科技联合创始人兼CEO韩铮则强调，中国具备全球领先的智能制造供应链基础与丰富的场景试验土壤，这使得本土企业在本体研发、具身大模型训练、世界模型构建等方向上均涌现出一批活跃探索者。在他看来，具身智能终将演化为一个高度复杂的系统工程，目前技术路径正逐步收束。未来能提供完整底层架构与通用模型能力的企业或属少数，但在垂直领域深耕、出海拓展、模型组合创新等维度，仍将存在大量结构性机会。
“具身版ChatGPT”何时破茧？系统整合、算力支撑与数据基建成决胜变量
关于“具身智能专属的ChatGPT时刻究竟何时到来”，几位嘉宾分别从系统工程化、算力基础设施、数据质量与规模三个维度给出研判。
韩铮类比大语言模型发展历程指出，当前具身智能整体技术水位大致相当于2018至2019年的大模型早期阶段——基础框架已基本成型，但真正的挑战在于如何将感知、规划、控制、交互等模块有机整合，构建出稳定、可靠、可泛化、可商用的端到端大系统。
“这个‘整合型大系统’，正是当下整个行业亟需攻克的核心命题。”韩铮强调。
贾鹏则直言不讳地表达对“具身ChatGPT”这一提法的保留态度：“数字世界的AI和物理世界的AI，解决的是两类根本不同的问题。”他解释称，大语言模型即便达到80分水准，也可能成为一款广受欢迎的产品；但具身智能一旦进入真实物理空间，其容错率极低，对安全性、鲁棒性、实时性提出近乎严苛的要求。就模型本身而言，目前已初步展现出上下文学习（ICL）等能力；但若从真正驱动生产力变革的角度衡量，预计还需三至五年甚至更长时间。
当被问及当前最大瓶颈时，贾鹏明确指向GPU算力——不仅包括云端训练所需的大规模算力，更关键的是边缘侧与端侧推理所需的低功耗、高效率算力。“很多工厂环境无法联网，机器人必须在本地完成全部决策与执行，端侧算力不足，直接制约模型能力上限。”
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
王晓刚则将焦点落在数据层面。他认为，“具身智能的ChatGPT时刻”本质标志在于：是否出现智能涌现现象、能否实现跨场景泛化、是否具备zero-shot任务迁移能力。
“如果每个新任务都要重新采集数据、重新标注、重新训练，就永远无法走向规模化复制。”王晓刚指出，近期通用大模型所展现的zero-shot能力，也为具身领域带来新启发——这些模型输出的中间表征数据，未来或可作为高质量先验知识，反哺具身基础模型的快速迭代与进化。
Z世代创业者发声：聚焦世界模型落地、深耕物理世界逻辑、直面全球算力竞争
论坛现场，一批95后、00后创业者也基于自身实战经验，分享了他们在技术选型、全球化布局与底层范式突破上的思考。
“我们公司成立之初就打趣说：未来半年，所有具身智能创业公司都会宣称自己在做世界模型。”厘清智能创始人李一鸣坦言，世界模型概念虽热，但关键不在标签，而在能否精准锚定真实问题，并以务实路径予以解决。
他主张，初创团队应首先设想终局形态，再逆向拆解达成该目标所需的技术栈与能力图谱，结合团队基因、资源禀赋与优先级排序，做出理性且可持续的战略选择。
自然意志创始人丁宁则判断：“具身智能领域的GPT-3时刻已经悄然降临，只是尚未被广泛识别。”他指出，2025年后，大模型已在语义理解、内容生成等维度取得质变突破，但面向物理世界的精细操作能力仍是待解难题。
“过去一段时间，行业发展速度明显异于常规——无论是代码复杂度、实验迭代频次，还是多模态智能体间的协同效果，都让我们强烈感受到一种‘推背式’加速。”丁宁坦言，面对海外拥有海量算力资源的头部实体，团队确实存在紧迫感；但他同时指出，中国在高精度传感硬件、智能融合算法及柔性制造体系方面具备独特优势。“高精度具身数据尚未规模化，而这类数据依赖更高性能的传感器；高性能传感器又仰赖更先进的多源融合技术——而这项能力，目前全球只有深圳能稳定量产。”
22岁的逆矩阵科技创始人陈博远则从代际视角出发指出，他们这一代创业者成长于Scaling Law确立之后。“我们亲历了大模型从萌芽到跃升的全过程，但也清醒看到：它在应对真实物理世界复杂性时，依然面临诸多难以绕过的硬约束。”
在他看来，要让AI真正扎根物理世界，物理AI基座模型必须具备因果推理能力。现实世界充满不确定性、连续扰动与高频噪声，“边缘情况不是小概率长尾事件，而是日常运行的基本状态。”
陈博远强调，物理AI绝非靠“一两个天才灵光乍现”即可建成，而是一项涵盖模型底座、数据飞轮、算法演进与真实闭环验证的系统性工程。
“没有人会因为你曾在顶尖大厂任职，就默认你选的技术路径一定正确；也不会因你尚在实习阶段，就否定你提出的构想缺乏可行性。”他表示，推动真正意义上的技术创新，关键在于回归第一性原理，通过小步快跑验证假设、再依托规模化实践筛选最优路径，而非简单复刻他人经验。
他进一步指出，未来的物理AI基模必须嵌入真实世界，构建起“人—机—云”深度融合的“端—边—云”一体化平台。“它注定是一个庞大而精密的系统工程。在这个过程中，坚守第一性原理，只会越来越重要。”
