9月11日，在2026外灘大會上，多位具身智能產業人士、投資人和青年創業者圍繞行業泡沫、技術路線以及“ChatGPT時刻”等話題展開討論。
在他們看來，當前具身智能行業的“泡沫感”，更多來自產業發展階段、市場估值與實際商業價值之間的階段性錯配。行業仍處於早期，技術路線尚未完全定型，但一些關鍵能力已經開始出現。與此同時，從技術能力走向規模化生產力，具身智能仍需要跨過系統工程、算力、資料和場景泛化等多重門檻。
回應“泡沫論”：具身智能仍在“黎明前期”
具身智能行業發展不過數年，卻已經聚集大量資本和創業公司。面對近期持續升溫的“泡沫論”，多位與會嘉賓認為，與其說行業已經進入泡沫階段，不如說當前市場對產業發展速度和商業價值的預期，與實際進展之間仍存在一定差距。
至簡動力聯合創始人兼CEO賈鵬表示，目前大家感受到的“泡沫”，更多是階段和估值的錯配。從長期看，具身智能可能形成比手機、汽車更大的產業規模，產業鏈也足夠長，從感測器、零部件到最終應用，都有空間容納不同類型的企業。
“這個階段大家之所以感覺有泡沫，我覺得可能跟現在還沒有創造更多價值有關係，是一個階段的錯配。”賈鵬稱，具身智能需要更多人力、GPU等資源，針對研發和技術迭代的實際投入仍有較大空間。
大曉機器人創始人兼董事長王曉剛也認為，當前行業的焦慮，一部分來自市場此前對發展速度的較高預期，而模型和場景落地的實質性突破仍在等待出現。
“我感覺，我們處在黎明的前期。”王曉剛表示，相比去年更多依賴真機資料、VLA和小模型路線，今年隨著以人為中心的Ego資料、世界模型的加入，已經開始看到Scaling Law的展現。
在他看來，具身智能與垂直行業結合緊密，未來仍會保持較強的多樣性。目前資料、零部件、模型、本體和場景等環節相對分散，未來不同類型的公司可能進一步重新組合。
在蘇度科技聯合創始人兼CEO韓錚看來，中國豐富的供應鏈和應用場景，為具身智能提供了較大的技術探索空間，因此本體、具身模型和世界模型等方向都出現了較多企業和技術嘗試。
他認為，具身智能最終大機率是一個複雜系統，目前技術路線已經開始出現收斂跡象。未來能夠提供完整底層方案和模型的公司可能不會特別多，但在垂直應用、全球市場以及模型組合等方向仍然存在機會。
這意味著，當前具身智能產業鏈看似擁擠，但行業最終的競爭格局仍遠未定型。隨著技術路線逐漸收斂，企業之間的分工和組合方式也可能隨之發生變化。
距離“ChatGPT時刻”還有多遠？從能做，到真正形成生產力
如果說大語言模型的“ChatGPT時刻”意味著模型能力出現躍遷，那麼具身智能面臨的問題要複雜得多。機器人不僅需要具備理解和決策能力，還需要將這些能力與本體、控制、算力、資料等環節結合起來，最終在真實物理世界中穩定執行任務。
因此，對於“具身智能自己的ChatGPT時刻何時到來”，幾位嘉賓給出的答案並不相同，但都指向同一個問題：如何讓已經出現的單項能力，最終變成一個可靠、可泛化、能夠規模化部署的系統。
韓錚認為，如果類比大語言模型的發展階段，目前具身智能大致相當於2018年至2019年前後的階段。很多關鍵技術框架已經出現，當前更大的挑戰是，如何把不同技術整合成一個商業可用、高可靠、具有泛化能力的大系統。
“這個整合大系統，是現在具身智能整個行業裡最需要解決的問題。”韓錚說。
賈鵬則表示，他並不喜歡“具身ChatGPT”這一說法，因為具身智能和數字AI解決的問題並不完全相同。大語言模型做到80分可能已經是一個不錯的產品，但具身智能進入真實物理世界後，對可靠性的要求要高得多。
他判斷，如果只看模型能力，具身智能已經開始表現出一部分ICL（上下文學習）能力；但如果以真正形成生產力為標準，可能還需要三四年甚至四五年。
如果只能選擇一個最大的卡點，賈鵬認為是GPU算力，既包括訓練算力，也包括端側和邊緣側推理算力。很多工廠場景不能聯網，機器人必須在邊緣側完成部署，端側算力不足會直接限制模型能力。
王曉剛則認為，當前最大的卡點是資料。但他所關注的，並不是單純的資料規模，而是資料最終能否推動機器人形成更強的泛化能力。
在他看來，所謂具身智能的“ChatGPT時刻”，關鍵是能否看到智能湧現、場景泛化和zero-shot能力。
“在各種應用場景裡，如果始終需要針對新的任務重新訓練，就沒有辦法實現規模化推廣。”王曉剛表示，近期通用模型展現出的zero-shot能力，也讓他看到新的可能：這類模型輸出的中間資料，未來有可能幫助具身基礎模型加速進化。
從系統整合到算力，再到資料和泛化能力，判斷雖然各有側重，但指向的是同一個產業問題：具身智能真正需要突破的，是讓多個技術環節共同跨過從“能做”到“能用”的門檻。
當機器人面對一個此前沒有訓練過的新任務，也能夠依靠已有能力完成執行，具身智能才能真正從技術演示走向規模化生產力。
路線尚未收斂，年輕創業者如何尋找“解法”
如果說行業層面的爭論集中在“有沒有泡沫”和“何時出現ChatGPT時刻”，對於身處其中的年輕創業者而言，更現實的問題是在技術路線尚未完全收斂的情況下，應該如何做出選擇。
論壇上，多位95後、00後創業者也從自己的創業實踐出發，談到世界模型、物理世界以及全球競爭。
“我們成立的時候說，未來半年，所有的具身智能公司都會說自己是做世界模型的公司。”釐清智能創始人李一鳴表示，如今世界模型已經成為具身智能領域的重要技術方向之一，但對於創業公司而言，概念本身並不是最重要的，關鍵還是要看具體解決什麼問題。
李一鳴表示，創業公司首先需要判斷未來的終局可能是什麼樣，再拆解實現終局所需要的技術路線，並結合優先順序以及團隊自身的背景和優勢做出戰略選擇。
自然意志創始人丁寧則將目光放到了物理世界。他判斷，“具身智能領域的GPT-3時刻已經到來，只是還沒被大家看到”。
丁寧指出，2025年以後，大模型的發展已經解決了一些根本性問題，但如何真正操作物理世界，仍然是需要突破的關鍵問題。過去一段時間，行業正在以一個“不太正常的速度”發展，“不管是從程式碼量還是實驗的結果，還是幾種不同智能之間的融合，我們都能感受到一股非常強的‘推背感’。”
面對海外掌握巨量計算資源的實體，丁寧坦言“非常焦慮”。但他同時認為，中國仍然存在機會，其中一個重要優勢來自高精度資料背後的硬體和供應鏈能力。
“高精度的資料還沒有Scale起來，而高精度的資料需要更好的硬體感測器，更好的感測器需要更智能的融合技術，這個東西現在全球只能在深圳生產。”
在丁寧看來，物理世界的資料獲取，本身就是一個需要硬體、感測器和供應鏈共同支撐的產業環節，這也可能成為中國參與全球物理AI競爭的重要優勢。
22歲的逆矩陣科技創始人陳博遠則從另一角度談到，自己這一代創業者成長在Scaling Law出現之後。“我們經歷了大模型從潮起到一個更高點的時代，但是我們也看到，大模型現在在解決真實物理世界問題上，依然還有很多不可踰越的挑戰。”
陳博遠認為，具身智能要真正進入物理世界，物理AI基模需要理解因果關係。真實物理世界充滿噪音和連續變化，“邊緣情況不是長尾，而是常態”。
因此，物理AI並不是依靠“一兩個小天才”就能完成，而是從模型基礎設施、資料、演算法到真實物理世界閉環的複雜系統工程。“大家不會因為你原來在大廠，就輕信你選擇的路徑是對的；也不會因為你是一個實習生，就覺得你提出來的想法不切實際。”陳博遠表示，推動技術創新，更重要的是尊重第一性原理，通過小規模驗證、大規模Scaling，尋找最有潛力的技術路線，而不是把判斷建立在某個人或少數人的經驗上。
陳博遠認為，物理AI基模最終還必須進入真實世界，形成從人到機器、再到雲端系統的“端—邊—雲”一體化平台。“它一定是複雜的系統性工程。在這個系統性工程裡堅持第一性原理，越來越重要。” (澎湃新聞)