「2026 年将是具身智能的下半场，下半场的核心是应用。应用的供需两侧都在走向成熟。」
在业界普遍认为具身智能行业还处于「技术卡点」阶段的时候，星海图 CEO 高继扬给出了具身智能「下半场」的一些判断。
「过去两年基本上是全民探索具身智能可用场景的阶段。大大小小的企业，所有潜在的用人单位，都在思考如何用具身智能来优化自己的工作流程。许多应用场景正逐渐变得清晰。同时，整个市场的预期也回归到了一个比较理性的状态。」
同时，对于追求「通用人形机器人」的「通用」，高继扬也给出了一些不一样的看法。高继扬认为，从商业和产品价值的角度来看，当前阶段具身智能最有价值的是实现对象泛化和动作泛化。而实现本体泛化在商业上的重要性没那么高。
在 AGI Playground 大会上，高继扬分享了近期他在具身智能领域的最新思考，输出了一些非常精彩观点：
-
具身智能进展缓慢，背后的根本原因在于具身智能所需要的高质量数据是缺失的。而数据缺失，是因为缺少高质量、合适的本体。
-
具身智能，首先要有一个「正确的本体」，一个标准的本体。
-
把数据采集当作一项生产活动来看待。
-
具身智能基础模型在第一阶段会呈现出来的范式是，在垂直场景的简单任务上实现零样本泛化，在复杂任务上实现少样本泛化。这里的「少样本」，定义为完成新任务所需要的增量数据条数，大概在 100 条这个量级。
-
从商业和产品价值的角度来看，在当前阶段，具身智能最有价值的是实现对象泛化和动作泛化。在当前阶段，实现本体泛化在商业上的重要性没那么高。
以下是现场分享实录，经 Founder Park 整理后发布。
超 7000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。
-
最新、最值得关注的 AI 新品资讯；
-
不定期赠送热门新品的邀请码、会员码；
-
最精准的AI产品曝光渠道
01
具身智能是不能有短板的游戏
具身智能并非一个「纯软件」的赛道，它是一个软硬件深度结合的领域。因此，我们称之为一个「没有短板的游戏」，其具体表现就是我们所说的「from motor to model」（从电机到模型）。
具身智能是一个从电机、到整机、再到数据和模型等一系列要素的整合。如果我们做一个对比，会发现大语言模型有一个显著特点，那就是「模型即产品」，模型本身直接决定了产品的体验。而且，在训练大语言模型时，所需要的数据很多都可以在互联网上公开获取，因为人类在过去二十多年里积累了海量的多模态数据。随着模型能力的提升，应用层产品也很快就进入了爆发期。
然而，当我们回到具身智能领域，会发现智能进展比较缓慢。我认为，背后的根本原因在于具身智能所需要的高质量数据是缺失的。而数据缺失，又是因为缺少高质量、合适的本体，也就是我们常说的「整机」。再往上看，会发现整个供应链都是缺乏且不成熟的。所以说，从供应链的零部件、电机，到整机，再到遥操作和数据，具身智能所需要的各项前期工作都还没有完全成熟。
这是具身智能与大语言模型在发展上的一个显著区别。这也印证了刚刚所讲的，「整机」加上「智能」才构成一个完整的产品。只有模型和算法，并不能构成一个可以为用户提供价值的「商品」。因此，做具身智能的核心是「整机+智能」的定位。
在这个定位之下，未来两到三年，具身智能应该为客户和世界提供什么样的产品形态？
我认为，中间这一列所展示的「整机+预训练模型+后训练工具」的组合，是一种概率很高的产品形态。这里的后训练工具，可以理解为是一套遥操作设备，用来遥控机器人完成特定领域或场景下的各种任务。
那么，它带给客户的产品体验应该是什么样的？就像培训一位新员工一样，我们用遥操作设备在任务场景里采集几条到几十条数据，用这些数据去微调（fine-tune）我们的预训练模型，然后将这个模型部署到整机上，这台整机就能完成我们刚才所提到的那些场景化任务了。
整个体验就像培训一位新员工。当这样的产品形态逐渐成熟之后，下游的应用一定会形成一个巨大的生态。在这个生态中，我们星海图始终坚持，自己既是开发者，也致力于赋能其他开发者，共同推动。所以，我们在业务上一直采取「To B， To D」的模式：面向企业（To Business）客户，我们提供「整机+智能」的解决方案；面向开发者（To Developer），我们则将内部使用的所有工具链都开放出来。
02
有「正确的本体」，
才能生产「好数据」
要做好这一切，背后所需要的供给，是从电机（motor）、到整机、再到遥操作的整个系统、数据管线，最后到模型这五个层面的全面成熟。只有这五层都准备好了，下游的应用才有可能繁荣起来。回到当下这个时间点，具身智能发展过程中最主要的问题，我们认为还是数据问题。其实许多算法要素已经具备，而「算法+数据=模型」，现在最大的瓶颈就在于数据；再往前追溯，根源在于没有一个在「正确本体」上产生的数据。
我们回顾一下 ImageNet 这件事。ImageNet 的出现已经是十几年前了，正是因为计算机视觉领域有了 ImageNet 这样大规模、高质量的数据集，才催生了后续我们看到的 AlexNet、VGG 等一系列代表性工作，也开启了深度学习的第一次崛起。
我觉得，这个过程给整个业界带来的最大经验（lesson learn）就是：要想有好的算法和模型，前提是要有好的数据。先有高质量数据，再有高质量模型。这一点，无论是大语言模型还是自动驾驶领域，我们都看到了类似的规律。而具身智能领域，我们看到一个特殊之处，那就是它所需要的数据并不是天然存在的。
具身智能发展所需的数据，不是互联网上的图片、文字、视频这类相对低质量的数据，而是更需要「本体与物理世界交互」的数据，比如操作一个物体、开门、关门、抓取、放置等。这就像一个婴儿出生后，通过与物理世界不断地交互、摸索，逐渐积累经验，在这个过程中积累下来的，才是我们所说的具身智能需要的高质量数据。而要做到这一点，就需要一个标准的硬件，所以我们强调，首先要有一个「正确的本体」，一个标准的本体。
只有在这个本体之上，我们才能去积累与物理世界交互的数据，然后定义任务、定义基准（Benchmark），后续模型的发展才能进入一个相对高速的时期。我们就是遵循着这样的思路，从创业之初，着手去定义我们的产品。因为我们的重点是做双臂操作，在具身智能领域，像宇树科技可能更侧重于双足的运动控制和全身运动控制，而我们则聚焦于让机器人能「干活」，也就是双臂操作。
在双臂操作领域，我们定义本体和整机时，一个很核心的理念就是「智能定义本体」。
那么，双臂操作究竟需要什么样的本体呢？可以给大家举一些例子，这里面其实有很多从智能本身出发，对硬件提出的需求。比如，我们的双臂系统采用的是低减速比电机和行星减速器，这与传统采用谐波减速器的机械臂系统有很大区别。我们的设计更能满足像人一样的高动态性能，更符合模仿学习的需求。
在双臂系统上，我们追求低减速比、高动态、大负载。很多时候，为了让算法达到更好的效果，我们甚至需要直接修改底层的驱动（FOC）层。在躯干部分，我们则采用了高减速比的电机，并且都带有抱闸。因为我们观察到，在作业过程中，一旦发生紧急掉电等情况，双足机器人可能会直接瘫倒在地，这种情况是我们不希望发生的。所以，我们躯干的四个电机都采用了高减速比设计，使其本身就具备较好的支撑性，同时还配有抱闸，确保在紧急断电时机器人不会倒下，而是能撑在原地。
还是机器人的底盘部分。人类双腿有一个很重要的作用，就是能够全向移动。比如，我横着跨一步，或者斜着往前走一步，都无需转身。这种跨步横移、全向移动的能力，对于上半身的操作而言至关重要。反观传统的轮式底盘，比如 AGV，大多采用两轮差速驱动，需要先转身，再前进一步，然后再转回来，这整个过程与双臂操作的配合是脱节的。因此，我们首创了六电机、三舵轮的全向移动底盘技术。
这就是我们围绕双臂操作的智能需求，重新去定义的整机本体。现在已经有了 R1、R1 Pro 和 R1 Lite 三款产品，特别是 R1 Lite 是我们和 Physical Intelligence 团队联合定义的，他们也在我们平台上开发了 Π-0.5 模型。
我再强调下刚才的观点：要想有好的数据，必须先有正确的本体。
03
要先实现对象和动作泛化，
场景和本体泛化当前没那么重要
有了本体之后，我们到底需要什么样的数据？现在很多具身智能领域得公司在获取数据时，第一反应是去建一个自采场。但我们认为，预训练所需要的是开放场景下的真实数据。因此，我们没有大规模地去构建采集场，而是选择直接进入真实世界环境。
目前，我们有几十台机器人，部署在酒店、公园、食堂、商场等真实场景中采集数据。要做好这件事并不容易，因为它涉及到大量的工具、数据生产运营和工艺问题。我们是把数据采集当作一项生产活动来看待的。
既然是生产活动，如何完成一次遥操作？这里面涉及工艺问题，就像如何完成一次装配、组装一个零部件一样，有许多工艺细节需要优化。工艺问题解决之后，就是如何运营整个团队，以及需要什么样的工具链来支撑我们的数据生产活动。
到今年第三季度，我们将累计获得一万小时、由我们的本体与物理世界交互产生的数据。这些数据覆盖的操作对象将超过 1000 个，任务数超过 300 个，这些构成了我们进行具身智能基础模型预训练最重要的数据基础。并且，所有的数据都将围绕着两个在我们看来是「正确」的本体 R1 Pro 和 R1 Lite 来采集，我们也会有步骤地将这些数据释放并开源给整个社区。
有了本体和数据之后，就是智能的部分了。在基础模型训练方面，我们坚持两个核心原则：一是端到端，二是真机数据为主。
先解释这「两个端」分别是什么：一端是视觉（Vision）和指令输入（Language），这个指令可以是自然语言，也可以是结构化的编码指令；另一端是 Action，也就是机器人最终的动作输出。我们希望模型是基于这种完整闭环的输入输出来训练的。整体的训练架构，其实和我们看到的其他领域的基础模型有一些相似——也是「预训练 + 后训练」的结构。
特别解释一下，对于具身智能而言，预训练到底是在做什么？预训练是在解决「本体与物理世界交互的基本法则」这个问题。打个比方，这更像是一个婴儿从出生到三五岁，再到上小学的这个过程。他不断地与物理世界接触、碰撞、摸索，学习如何与世界交互，如何支配自己的身体。这就是预训练。
而后训练，则更像是在一个特定的岗位上，去执行特定的任务。这就是我们理解的，具身智能中预训练和后训练之间的区别与关系。
具体到预训练的模型结构，我们采用的是一个「快慢结合」的模型结构，慢的部分我们叫做「慢思考」。这种「快慢结构」是由我们星海图的联合创始人赵行博士在自动驾驶驾驶领域首创的，后来这一结构也被用在具身智能领域。
「慢思考」主要负责进行逻辑层面的思考、任务拆解以及与人交互，这部分工作更多地可以由多模态大语言模型（VLM）来完成。比如，谷歌发布的 Gemini Robotics 模型，就是在 VLM 和「慢思考」领域一项非常重要的工作。
「快执行」这一部分，是 VLA 或具身智能公司目前真正需要聚焦解决的问题。它相当于一个实时的执行闭环、反馈控制以及感知识别等，这些功能都被整合在「快执行」模型中。「快执行」模型的参数量一般在 10 亿量级，而慢思考的 VLM 的参数量级可能是百亿甚至更大。也正是因为这样的模型架构，在终端部署时，会出现云、厂、端协同工作的问题，同时也存在很多工程优化方面的问题。
后训练方面，更多是围绕特定任务。比如，「拿起一个杯子倒一杯水」。围绕这样的任务，我们可能会收集 100 到 200 条数据，每一条数据就是对这个任务的一次完整执行。
经过这一系列的预训练和后训练后，我们期望看到的效果是：在垂直场景的简单任务上实现零样本泛化，在复杂任务上实现少样本泛化。这里的「少样本」，我们定义为完成新任务所需要的增量数据条数，大概在 100 条这个量级。这就是我们看到的，具身智能基础模型在第一阶段会呈现出的一个范式。
预训练到底是怎么做的，给大家展示一些案例。预训练并不局限于特定的任务。我们现在的做法是，当机器人到达一个新场景后，我们会观察人类在这个场景里会做什么，甚至利用大语言模型去定义各种各样的任务。有了这些任务之后，组织我们的数据生产团队，通过遥操作去采集数据。比如，清理桌面、整理台面，甚至把一件衣服挂到柜子里。下图右下角这个是在开一扇窗户。此外，还包括拿取和放置物品、给一个假人戴上毛线帽、打开冰箱门并放入东西，甚至使用一些工具来完成工作等等。
这就是我们所说的预训练阶段，本质就是让本体（整机）在尽可能多的场景中，围绕尽可能多的任务，与物理世界进行交互、理解和学习。在这个阶段，我们需要的数据量级是几千到上万小时的交互数据。
最后，我想谈一个非常重要的问题，这也是具身智能在发展过程中，技术与商业逐渐结合的体现。从技术的角度来说，具身智能的「智能」部分，核心是要解决泛化问题。那么，具身智能的泛化究竟是什么？归纳为「四个泛化」：对象泛化、动作泛化、场景泛化和本体泛化。这四个泛化组合在一起，构成了具身智能在技术上的终局形态。
「对象泛化」指的是，同样是抓取和放置的动作，我今天抓一个瓶子，明天可以抓一个杯子，后天可能换成一个手机或某个小物件；「动作泛化」指的是，对于同一个杯子，我今天可以把它拿起来放到某个位置，明天我可能要用它倒水，后天我可能需要把杯盖拧开；「场景泛化」是指，同样一个任务，今天我是在这张桌面上完成，明天换了另一张桌面、另一个背景，它依然能够完成；最后是「本体泛化」，即我训练出的模型，不仅可以在一种类型的本体上工作，也可以在另一种类型的本体上运行。这四个方向如果都做到了，具身智能的智能问题就算是被解决了。但从另一个角度，即从商业和产品价值的角度来看，在当前阶段，最有价值的是实现对象泛化和动作泛化。
为什么场景泛化和本体泛化在技术上很重要，但在商业上却可能没那么重要？因为当我们审视具身智能真正的工作场景时，会发现有相当比例的场景是「工站式」的，即在某种相对固定的工位或场景里，提供序列化的工作和服务。在这种情况下，场景泛化的挑战性远没有自动驾驶那么强。自动驾驶的车辆需要在马路上到处跑，场景泛化的需求和难度都要大得多。
而本体泛化，正如我刚才所说，具身智能的产品形态是「整机+智能」，而不是纯模型。既然产品形态是「整机+智能」，那么本体泛化在其发展的第一个阶段，商业上的重要性没那么高。所以我认为，在当前阶段，具身智能应优先解决对象泛化和动作泛化。这两个问题一旦解决，就有相当比例的应用场景可以被开发出来，其商业价值也能够得以释放。
04
市场回归理性，
商业闭环的核心在于开发者
最后一部分，谈谈具身智能的应用和商业化的问题。在我们公司内部，特别重视开发者群体，具身智能商业闭环的核心变量在于开发者群体。
背后的逻辑是，具身智能领域要繁荣，前提一定是应用繁荣，因为应用才能创造价值。而应用繁荣的前提，是有一群充满活力、非常聪明的开发者在创造各种各样的应用。在这个过程中，开发者们需要支持和帮助。我们自己走过这条路，深切感受到具身智能的链条非常长，从供应链、电机制造、整机、遥操作到数据等等，把这些前期工作都做完，我们才能谈论做模型、做应用。但我们不能要求每一位开发者都从头把这些工作完整地做一遍。所以，我们的一个理念是：星海图自己是开发者，我们面向场景去做应用；同时，我们也尽可能地将我们的工具和整机提供出来，帮助全球的开发者与我们一起，共同把这件事做成。
星海图目前在全球有 50 多个客户和合作伙伴，我们正逐渐构建一个集本体、数据、模型、应用于一体的商业循环。
在今年 8 月份举办的 WRC（世界机器人大会）上，我们将开源我们的第一个具身基础模型，是我刚才介绍的一整套本体、数据管线和训练技术打造出来的模型产品。接着 9 月份，在 CoRL（Conference on Robot Learning）上，我们也将进一步开放我们的数据集与完整的训练模型。这两次重要的开源发布，我们希望能够对具身智能的开发应用起到激活的作用。
具身智能现在已经走到了上半场的结尾，我们即将迎来下半场。下半场一定是「应用为王」。
2026 年将是具身智能应用的「元年」。
从供给侧来看，机器人本体正在逐渐成熟和稳定。其次，模型开始具备初步的泛化能力。这里有几个定量的指标，首先是精度，它能完成什么精度的动作？目前还无法达到毫米级，但厘米级的操作精度是可以实现的；其次是速度，大约能达到人类执行速度的 70%到 80%；最后是泛化性，我们评价泛化性的指标是「学习一个新任务需要多少样本」，现在的水平大概在百条这个量级。
当这三个指标构成的智能供给形成之后，也就是基础模型成熟后，下游的应用将呈现出爆发式增长的状态。同时，还有一个关键因素，具身智能的开发者群体正在全球范围内快速增长。
从需求侧看，过去两年基本上是全民探索具身智能可用场景的阶段。大大小小的企业，所有潜在的用人单位，都在思考如何用具身智能来优化自己的工作流程。许多应用场景正逐渐变得清晰。同时，整个市场的预期也回归到了一个比较理性的状态。可能两年前，当特斯拉刚发布一些人形机器人的演示视频时，大家想的是人形机器人马上就要进入工厂，把所有工人都替换掉。但现在我们看到，大家回归了理性，更多地是着眼于一些局部环节，先从工站式的、以及面向人的服务型环节入手，先把商业模型「跑通」，再逐渐走向规模化量产和应用。
基于以上判断，我认为，2026 年将是具身智能的下半场，而下半场的核心就是应用。应用的供需两侧都在走向成熟。
（文：Founder Park）