9月11日上午，在2026 Inclusion·外滩大会上，多位具身智能领域的产业人士、投资人及青年创业者齐聚一堂，围绕行业泡沫、技术路线以及“ChatGPT时刻”等议题展开了深入探讨。多位嘉宾指出，当前具身智能的“泡沫感”更多源于产业阶段、估值与商业价值之间的错配，行业仍处于“黎明前期”；与此同时，虽然关键能力已现，但距离真正形成规模化生产力仍有距离，系统工程、算力和数据仍是主要瓶颈。
**具身智能尚处黎明期，行业格局远未定型**
尽管具身智能行业发展仅数年，却已吸引了大量资本与创业公司。面对近期持续升温的“泡沫论”，多位创业者认为，行业整体仍处早期，当前的“泡沫”更多是估值、技术进展与商业价值之间的阶段性错位。
至简动力联合创始人兼CEO贾鹏认为，目前感知到的“泡沫”本质上是阶段和估值的错配。从长远看，具身智能有望形成比手机、汽车更大的产业规模，产业链足够长，从传感器、零部件到最终应用，均有空间容纳不同类型的企业。他坦言，之所以感觉有泡沫，是因为目前尚未创造更多价值，且行业整体在人力、GPU等资源上的投入仍显不足。
大晓机器人创始人兼董事长王晓刚也认为，焦虑部分来自市场此前对发展速度的高预期，而模型和场景落地的实质性突破仍在等待。他形容行业正处于“黎明前期”。相比去年更多依赖真机数据、VLA和小模型路线，今年随着以人为中心的Ego数据、世界模型的加入，已经开始看到Scaling Law的展现。他认为具身智能与垂直行业结合紧密，未来仍将保持多样性。目前数据、零部件、模型、本体和场景等环节相对分散，未来不同类型的公司可能进一步重组。
苏度科技联合创始人兼CEO韩铮表示，中国拥有相对丰富的供应链和场景尝试环境，因此在本体、具身模型和世界模型等方向都出现了较多探索。他认为具身智能最终大概率是一个复杂系统，目前技术路线已经开始出现收敛迹象。未来能提供完整底层方案和模型的公司可能不会特别多，但在垂直应用、全球市场以及模型组合等方向仍有巨大机会。
**系统、算力和数据：制约规模化生产力的三大瓶颈**
围绕“具身智能的ChatGPT时刻何时到来”，几位嘉宾从系统、算力和数据等不同角度给出了判断。
韩铮认为，如果类比大语言模型，目前具身智能大致相当于2018年至2019年前的阶段。虽然很多关键技术框架已经出现，但当前更大的挑战在于如何把不同技术整合成一个商业可用、高可靠、具有泛化能力的大系统。他强调，整合这个大系统是现在整个行业最需要解决的问题。
贾鹏则表示，他并不喜欢“具身ChatGPT”这一说法，因为具身智能和数字AI解决的问题并不完全相同。大语言模型做到80分可能已是一个不错的产品，但具身智能进入真实物理世界后，对可靠性的要求要高得多。他判断，如果只看模型能力，具身智能已经开始表现出部分ICL（上下文学习）能力；但如果从真正形成生产力的角度看，可能还需要三四年甚至四五年。如果只能选择一个最大的卡点，贾鹏认为是GPU算力，既包括训练算力，也包括端侧和边缘侧推理算力。很多工厂场景不能联网，机器人必须在边缘侧完成部署，端侧算力不足会直接限制模型能力。
王晓刚则认为，当前最大的卡点是数据。在他看来，所谓具身智能的“ChatGPT时刻”，关键是能否看到智能涌现、场景泛化和zero-shot能力。如果始终需要针对新的任务重新训练，就没有办法实现规模化推广。王晓刚表示，近期通用模型展现出的zero-shot能力也让他看到了新的可能：这类模型输出的中间数据，未来有可能帮助具身基础模型加速进化。
**年轻创业者谈路线选择：世界模型、物理世界与全球竞争**
论坛上，多位95后、00后创业者也从自己的创业实践出发，谈到技术路线和全球竞争。
厘清智能创始人李一鸣表示，公司成立时曾预言，未来半年，所有的具身智能公司都会说自己是做世界模型的公司。但他认为，世界模型公司很多，关键还是要看具体解决什么问题。在他看来，创业公司首先要判断未来终局可能是什么样，再拆解实现终局所需要的技术路线，根据优先级以及团队自身背景和优势做战略选择。
自然意志创始人丁宁则判断，“具身智能领域的GPT-3时刻已经到来，只是还没被大家看到”。他表示，2025年以后，大模型的发展已经解决了一些根本性问题，但物理世界的操作问题仍待突破。他形容，过去一段时间行业正在以一个“不太正常的速度”发展，“不管是从代码量还是实验的结果，还是几种不同智能之间的融合，我们都能感受到一股非常强的推背感。”
面对海外掌握巨量计算资源的实体，丁宁坦言“非常焦虑”。但他同时认为，中国仍有机会，其中一个优势来自高精度数据背后的硬件和供应链能力。“高精度的数据还没有Scale起来，而高精度的数据需要更好的硬件传感器，更好的传感器需要更智能的融合技术，这个东西现在全球只能在深圳生产。”
22岁的逆矩阵科技创始人陈博远则表示，自己这一代创业者成长在Scaling Law出现之后。“我们经历了大模型从潮起到一个更高点的时代，但是我们也看到，大模型现在在解决真实物理世界问题上，依然还有很多不可逾越的挑战。”在他看来，具身智能要真正进入物理世界，物理AI基模需要懂得因果。真实物理世界充满噪音和连续变化，“边缘情况不是长尾，而是常态。”
陈博远认为，物理AI并不是依靠“一两个小天才”就能完成，而是一个从模型基础设施、数据、算法到真实物理世界闭环的复杂系统工程。“大家不会因为你原来在大厂，就轻信你选择的路径是对的；也不会因为你是一个实习生，就觉得你提出来的想法不切实际。”他表示，真正推动技术创新，更重要的是尊重第一性原理，通过小规模验证、大规模Scaling，寻找最有潜力的技术路线，而不是把判断建立在某个人或少数人的经验上。他认为，物理AI基模最终还必须进入真实世界，形成从人到机器、再到云端系统的“端—边—云”一体化平台。“它一定是复杂的系统性工程。在这个系统性工程里坚持第一性原理，越来越重要。”