蚂蚁灵波朱兴:具身智能还没等到Scaling Law时刻
(文/汤普济 编辑/吕栋)2026年,人形机器人正以前所未有的速度走出实验室,但真正能够胜任生产任务的,仍是少数。市场研究机构Counterpoint Research数据显示,今年上半年全球人形机器人出货量超过2.2万台,同比增长近300%。然而,其中用于智能制造和仓储物流的比例分别只有13%和5%,文娱商演、科研及
2026年,市场研究机构
机器人造得越来越多,可要真正变成生产力,路还有多长?
近日,
48小时真机调试里,各团队补训练数据、接入外部感知模型、调整机械臂控制,想办法让机器人在不同任务里跑得更稳。
选手正操作机械臂,做双臂协作清扫垃圾的任务
现场暴露的问题也很有代表性:目标认得出来,手却不一定抓得准;训练做完了,环境稍微一变,执行效果照样打折扣。
这些偏差看着不大,却是具身智能走向规模化应用绕不开的坎。有团队就发现,按原始训练数据去抓簸箕手柄,夹爪接触面积太小,簸箕容易打滑甚至翻过去。团队索性弃用原有示范数据,重新采集334条操作轨迹,把夹持位置挪到簸箕后沿,抓取稳定性才有所改善。
团队换了抓取方式
还有团队发现,机械臂往外伸的时候,
部分团队则用上
这些做法反映出各队应对技术难题的路数不同,也说明就算有通用大模型的能力打底,机器人也得经过针对性训练和优化,才能在特定场景里稳定干活。
真实世界比预设的测试环境复杂得多。光照、物体位置,甚至操作对象的一点细微变化,都可能让原有的优化方案失灵。
更何况,训练数据加得越多,机器人也未必更聪明。有团队重点补了部分任务的数据,结果模型把原先掌握的操作给忘了;还有团队清扫前半段动作练过了头,机器人后续倾倒垃圾的步骤反而做不流畅。
中国信通院
面对这些瓶颈,11月16日,蚂蚁灵波CEO朱兴对观察者网等媒体表示,具身智能还没有迎来真正的
按他的看法,不同类型的数据该在不同训练阶段派用场。互联网操作视频、
数据也不是越多越好。朱兴提醒,如果还没摸清数据采集的技术经验和质量控制方法,一味扩规模可能白费资源。到底要什么数据、补哪些场景、怎么控制数据分布,得由模型训练需求来定。
技术之外,商业成本同样决定机器人能走多远。
朱兴此前就说过,眼下具身智能落地受能力和成本两头夹击。环境越开放、任务链条越长,异常情况就越多;创造的价值盖不住成本,商业模式就很难持续。
哪怕机器人能在一家药房干好活,把同一套方案搬到另一家门店,布局、商品种类和摆放方式一变,适配成本照样可能很高。朱兴认为,根子在于当前具身模型的泛化能力不够。
《具身智能发展报告(2026年)》
不过,具身智能产业其实已经进入实际作业环节。
Counterpoint Research
在制造业里,上下料、物料搬运、仓储分拣这类任务目标比较清楚,环境也相对可控,最有可能先跑出稳定需求,成为具身智能商业化落地的一个突破口。
机器人正在完成分拣作业。
朱兴在11月16日还提到,跟去年比,工厂和物流场景的试点在持续铺开,复杂真机操作案例也多了起来。模型能力虽然没有出现颠覆性的质变,但提升已经到量级层面。他说,机器人要真正进入物理世界干活,任务成功率、作业速度、成本能不能控住,这几项才是关键。
朱兴预计,从2027年起,具身智能的产业应用会迎来一定规模的加速。更多机器人进入真实工作场景后,执行中攒下的异常数据会持续回流,形成类似自动驾驶那样的循环。
眼下分散的技术路线也可能慢慢收敛。朱兴判断,评测机制、模型架构和数据采集标准逐步统一之后,具身智能行业有望迎来第一轮。