大咖观点｜2026世界机器人大会主论坛

NOTICE

谢少锋 开放原子开源基金会理事长、工业和信息化部人形机器人与具身智能标准化技术委员会主任委员

人形机器人与具身智能产业当前面临技术路线分散、产品标准缺失和可持续发展基础薄弱三大挑战，重复研发、数据孤岛与接口割裂正在抬高协同和商业化成本。应以开源构建统一的操作系统、控制系统、通信协议和数据底座，汇聚企业与开发者共同攻克基础共性技术；同时推动开源成果与标准制定协同迭代，完善覆盖研发、运行、更新、召回和退出的全生命周期治理，并以系统培训和人才认证壮大产业生态。

Seng Chuan Tan 世界工程组织联合会主席

机器人创新不仅要追求技术能力和商业回报，更要坚持安全、伦理、可持续、可负担和以人为本，使技术成为服务人类而非替代人类的工具。工程界应主动参与政策和规则塑造，把能力建设、终身学习、透明问责与联合国可持续发展目标纳入产业生态，并通过跨国家、跨学科团队共享人才、数据和基础设施，让新兴经济体和不同群体都能从机器人发展中受益。

张建中 摩尔线程创始人、董事长、首席执行官

具身智能迈向“GPT时刻”需要数据、算法和算力协同跃迁，未来的视觉模型、世界模型和VLA模型将依赖千卡、万卡级集群以及更大参数规模。应把AI基础设施建设成贯穿模型训练、推理服务和智能体生产的完整体系，以全功能GPU同时支持AI计算、三维渲染和物理仿真，并打通合成数据、基础模型、后训练与强化学习、仿真评测和虚实迁移；再通过云边端一致的计算架构，让高质量模型真正部署到机器人本体。

Gordon Cheng 德国慕尼黑工业大学认知系统讲席教授、认知系统研究所所长

具身智能需要神经科学、工程学、数学和物理等多学科共同理解大脑与身体的协同机制，不能只依赖海量数据和动作模仿。机器人学习应从外观模仿进一步转向有目的的认知学习：通过身体图式、观察、语义和目标理解任务，在实践中发现错误、主动修正并形成可迁移的知识；当任务的目的和基本动作被压缩成可分发的通用表示后，不同机器人就能以更少数据快速掌握复杂技能。

熊友军 北京人形机器人创新中心有限公司总经理

具身智能产业存在重复建设、验证成本高和体系割裂等痛点，生态建设不能只开放代码，更要开放支持创新与产业化的完整土壤。北京人形机器人创新中心将以“开物生态”开放机器人本体、大小脑模型、数据采集与开发平台，联合上下游开展技术攻关和场景二次开发，并以开发者培训、标准建设和中试验证降低从实验室样机到小批量试制的门槛；技术最终要在商业服务、能源巡检、检测检验、工业和物流等真实场景中创造价值。

Alexander Verl 国际机器人联合会技术委员会主席、德国斯图加特大学教授

全球机器人市场仍具有长期结构性增长动力，中国已成为最大的工业机器人市场，协作机器人、专业服务机器人和医疗机器人等领域也保持较快增长；劳动力短缺、制造业回流和更多非汽车行业采用自动化将继续扩大需求。机器人普及还需要IT与OT融合、员工技能提升和人机协作接受度，并同步解决网络安全、隐私和治理问题；人形机器人尤其要先证明可靠性、效率与安全，建立相应标准，才能逐步形成可持续的市场份额。

Alois Knoll 德国慕尼黑工业大学教授

类脑智算的核心是借鉴神经元、突触以及存算紧密耦合等生物机制，以远低于数据中心的能耗实现高效感知、记忆和决策；其硬件可沿数字、模拟和数模混合三条路径发展。产业应从传感和底层控制等适合落地的环节逐步走向更复杂智能，同时把产品与标准、科研与产业价值链、伦理责任和技术安全放在同一框架下讨论；圆桌形成的基本共识是，半结构化场景有望率先规模化，但仍需持续验证时间判断。

徐宁仪 辉羲智能公司创始人、首席执行官

具身智能计算正从简单的感知—决策—执行链路转向分层、异步、自学习的复杂系统：不同层级分别承担运动、快速操作和慢思考，既减少重复训练与数据需求，也支持机器人针对个体差异和现场环境持续适应。面对预测、意图、记忆和仿真等复杂任务，应通过系统工程把能力拆分为原子技能并建立反馈闭环；半结构化工厂已进入部署阶段，但规模化还必须以软硬件冗余保障安全，并在伦理上形成共同底线。

刘伟 英飞凌科技副总裁

类脑系统可以把视觉、声音、触觉等信息处理后作为知识储存并按需调用，通过不同形态的计算和传感减少重复训练；系统能耗的重点也不只是计算本身，更在于数据搬运，因此需要从感知、通信、实时协调和执行能力出发匹配硬件。现有模型已能支持一定程度的主动交互，下一步应通过问题解构明确每类动作所需的Token、算力和功率，在降低成本的同时推进部署；3—5年规模化具有可能，但通用软件生态成熟会更慢。

杨宇欣 黑芝麻智能公司首席市场营销官

机器人产业的研究、研发和商业化正在并行推进，短期内预训练仍离不开海量数据和算力，而面向具体场景的后训练与强化学习可降低落地数据需求。端侧芯片应利用进存计算等架构减少带宽、面积、成本和功耗，同时建设易用的软件工具链以适配不断演进的模型；随着VLA向世界动作模型发展，机器人的记忆、预测和反馈能力会加快形成，但类脑芯片成熟可能快于软件和供应链生态，因此对全面规模化应作5—8年的审慎判断。

李兆石 沐曦AI研究院院长

计算系统中真正昂贵的是数据搬运而非计算本身，类脑或模拟域计算的价值在于让计算靠近数据，并利用稀疏、异步机制降低功耗。其商业化可从感知、触觉和简单VLA等System 0、System 1层级逐步突破，而更复杂的System 2仍发挥传统数字计算优势；世界动作模型提供的时空先验也将增强机器人的可塑性。半结构化工厂有望在3—5年内规模部署，家庭等开放场景因伦理、安全和长尾问题可能需要5—8年。

熊蓉 浙江人形机器人创新中心首席科学家

人形机器人进入多场景应用，要应对需求碎片化、长程任务、柔性变化和非结构化环境，并弥合泛化能力与工业级可靠性、效率、成本和亚毫米精度之间的差距。技术上应融合视觉与力触觉表征，增强空间理解和环境预测，让世界模型与具身大小脑协同进化，并结合专家知识、真实数据、仿真数据和真机强化学习减少重复训练；产业上则要以通用基座、整机和工具链连接供应链、场景方、数据伙伴、开发者与院校，形成可跨行业复制的生态。

Federico Pecora  Arm物理AI机器人技术研究全球负责人

通用机器人的核心难题不是掌握孤立技能，而是在陌生任务和动态环境中自主组合、调整并恢复各项技能。系统设计必须同时解决模型与控制能力的选择、多速率工作负载的调度、云边端算力的合理放置，以及自适应过程中始终有效的安全约束；未来需要一个能够动态组装、调度、部署和治理机器人能力的智能层，打通模型、规划器、控制器、工具与机器人接口，让终端用户也能通过自然语言安全地教授新任务，从而降低定制和工程集成成本。

酆毅 AMD大中华区嵌入式事业部副总裁

物理AI不是单一模型推理，而是持续感知、场景理解、决策、实时控制、运动协同和安全监测并行运行的完整系统，其目标是放大人的能力并接管重复、高危和高强度工作。自主机器人的整机表现不能只看峰值TOPS，还要重视CPU调度、确定性控制、传感器融合和AI加速的协同；通过高性能CPU与GPU的均衡异构计算、统一内存、开放软件栈和量产级开发平台，可同时满足低时延、可靠性、功能安全和开发迁移效率，缩短从原型验证到规模部署的路径。

Nagesh Puppala 英特尔物理AI与机器人业务总经理

物理AI必须感知真实环境并驱动物理行动，因此比数字AI更依赖实时语境、确定性时序、边缘侧功耗与空间约束，以及行动前的安全验证；其规模化仍受真实世界数据不足和计算经济性两大缺口制约。应把大规模训练放在云端，把车队编排和分析放在边缘，把即时感知、控制和动作决策留在机器人本地，并以CPU、GPU、NPU异构计算和经过验证的控制逻辑把可适应的智能转化为可靠行为；开放工作流、参考平台和伙伴生态则能减少重复集成，加快模型微调和硬件部署。

Clemens Christoph  ORCA Dexterity首席执行官

灵巧手是机器人适应人类环境和完成多样任务的关键，但高价格、封闭设计和使用门槛限制了学生、研究者与开发者获得先进工具。应通过开源、低成本和易组装的硬件设计，配套可直接下载使用的仿真与控制软件，让用户能够自行3D打印、部署和二次开发；再把全球实验室和企业的反馈用于持续改进触觉、状态感知和工业适配能力，使灵巧操作研究从少数机构的昂贵设备走向广泛参与的开放生态。

王坚 之江实验室主任、阿里云创始人

世界模型走向服务人类，需要回答它与语言模型、VLA等范式的本质差异，明确理解、预测、生成和行动等核心能力，并处理数据来源、物理规律与真实世界验证之间的关系。具身数据比语言数据更稀缺、更昂贵，高质量标准如何建立、数据如何治理和共建，将直接影响创新企业能否持续发展；因此产业界既要比较不同技术路线，也要围绕场景、数据标准、模型能力和安全责任形成协作机制，让世界模型从概念热度转化为可验证的现实价值。

王晓刚 大晓机器人董事长、商汤科技联合创始人

世界模型正从数据增强、模拟仿真走向直接部署在机器人端的世界动作模型，其优势在于对未来状态进行生成和预测，并把理解、生成、预测和控制统一起来。服务复杂场景还需要生成智能、物理智能和认知智能，其中最短缺的是对空间、物理属性、因果和第一视角交互的理解；高价值数据应来自真实生产生活环境，与场景龙头合作采集多视角、力触觉以及成功和失败样本，形成规模效应并逐步减少单项技能对大量真机数据的依赖。

黄源浩 奥比中光科技集团股份有限公司创始人、董事长

大语言模型主要以语言交付，世界模型则要让机器人真正进入物理世界干活，其进步依赖模型、物理规则、视觉与触觉数据以及机器人本体共同演进。具身智能的数据应从学习人的移动和操作技能中获得，特别是眼、手、力等信号的毫秒级同步；当前数据质量参差、标准不一，行业应尽快统一空间、姿态、力和物体状态等记录规范，使不同采集设备获得的数据能够跨本体、跨模型流通和复用，以降低成本并加速数据—模型飞轮。

张玉峰 无界动力创始人、首席执行官

世界模型应突破单纯模仿学习的限制，学习物理世界底层逻辑、长程任务和场景泛化能力，可采用空间世界模型与强化学习结合的路线，在高维空间表征中高效预测动作后的状态。产业化可先用工业场景训练技能、用商业场景训练泛化，再逐步走向家庭，同时配置独立安全机制和类似教孩子的低门槛示教；数据体系既要降低采集成本，也要重视交互信息密度和失败样本，并通过真实部署形成数据回流与模型迭代的螺旋上升。

贾奎 跨维智能创始人、首席执行官

世界模型的长期目标是生成一个三维几何和物理规律正确、可交互、可动态演化的世界，把感知理解、内容生成和机器人行动统一起来。通用物理AI需要同时解决语义泛化与物理泛化，因此必须从一开始考虑Physical Token的数据基础设施和经济性：以不干扰工作生活的方式低成本获取人类真实经验，再用生成式仿真和合成数据完成高效后训练，使机器人在真实场景中达到高成功率、精度与稳定性，并通过应用端的自主数据闭环持续进化。

胡鲁辉 智澄AI创始人、首席执行官

世界模型的核心任务是让AI理解虚拟与物理世界的动态、交互和因果关系，并在数字空间和机器人实体中形成应用闭环。具身智能的任务、环境和本体三类泛化相互叠加，对数据质量与一致性提出更高要求，但第三视角视频、生成数据和模型对规律的理解有望降低对无穷数据的依赖；世界模型还应具备生成难采样本的能力。真正进入家庭、工业和特殊场景时，除技术突破外还必须把安全、隐私和伦理作为可由技术机制解决的核心问题。

宋彬 北京飞渡科技股份有限公司联合创始人、总经理

面向工业和政企场景，世界模型应具备快速理解、模拟推演、物理常识、时空拓扑、因果链和任务规划能力，不能只追求黑盒效果；客户真正需要的是长时序、可确定、可靠和可解释的输出。落地还要考虑端侧算力、空间语义解析成本和投资回报，并设置数据隔离层与熔断机制保障安全；高质量数据治理可从物理常识、空间约束和观测数据中的因果关系出发，同时由政府、联盟和企业开放基础数据集，结合市场化价值交换推动数据流动。

沈宇军 蚂蚁灵波科技首席科学家

世界模型对视频和动态过程的建模只有在能够真正提升机器人操作时才有价值，不能停留在生成或时序理解本身。机器人还面临智能上限与低功耗之间的矛盾：数据和参数规模越大，推理算力与能耗越高，但本体的电池和边缘资源有限，因此必须提高计算效率。数据建设也不应只追求最高精度和最大体量，而要先明确模型可接受的精度下限，并设计覆盖不同动作与任务的合理分布，在有限成本下平衡质量、规模和有效性。

朱政 极佳视界联合创始人、首席科学家

世界模型需要从自动驾驶、具身和内容生成等垂直形态走向通用模型，预测未来世界的真实物理状态，而不只是生成可见像素。当前最大短板仍是模型能力：既要从无标注视频和异构数据中组织更丰富的知识、扩大模型容量，也要通过与家庭和工业场景持续交互实现自进化；同时，数据和参数规模扩张可能使训练成本失控，行业必须同步提高样本利用效率，在可承受预算内完成具身基础模型和通用世界模型的训练。

Michael Nielsen  RealSense公司首席营销官、副总裁

物理AI规模化的关键是缩小感知与行动之间的鸿沟：二维像素只能说明世界看起来怎样，深度视觉、状态感知和多传感器融合才能告诉机器人物体在哪里、如何运动以及应当采取什么动作。世界模型还要理解时空关系、因果规律和真实噪声，并用少量真实数据生成丰富的合成场景，通过仿真—现实反馈闭环不断提升鲁棒性和响应速度；同时应把快速部署与安全标准结合起来，在实际应用中持续迭代并沉淀可全球复用的规范。

Alexander Schmitz  XELA Robotics公司首席执行官

仅靠视觉和AI，机器人仍难以稳定抓取未知、易碎或形态多变的物体，触觉是实现灵巧操作与仓储、制造、农业等场景自动化所缺失的关键能力。高密度三轴触觉传感器应同时具备低延迟、高灵敏度、耐用、可替换和易集成等特点，并通过软件接口与视觉、机械手和控制器协同，使机器人能够感知压力、滑动、重量、硬度和接触方向，实时调整抓力和姿态；软硬件一体化的触觉平台可把人的触感迁移给机器人，提升插装、拣选和柔性物体操作的可靠性。

求点赞

求分享

求喜欢