五个核心问题与回答
什么才算具身智能落地？
完成 POC、进入客户工厂，是否已经算商业化？
圆桌给出的标准更严格：用户可以持续使用，产品形成价值闭环，同时满足经济性、稳定性和可靠性。一次演示证明“会做”，长期运行才证明“值得买”。
工厂最先检查哪两个数字？
模型泛化、端到端架构这些技术指标不是更重要吗？
真正进现场后，客户首先看节拍和准确率：能否跟上产线速度，错误是否落在可承受范围。随后才是平均无故障时间、修复时间、集成成本等工程指标。技术先进必须翻译成这些运营数字。
为什么模型、本体和数据必须形成闭环？
买一台更好的机器人本体，或换一个更大的模型，不够吗？
模型需要真实任务数据，本体决定可执行边界，部署反馈又要回流改进模型。三者任何一项脱节，系统都会停留在预设环境。具身智能不是一件硬件加一个软件，而是一套持续学习的生产系统。
泛化应该一步到位吗？
通用机器人是不是比单任务机器人更有投资价值？
学界把跨任务、跨场景泛化视为关键鸿沟；产业侧则强调短期先在有限场景快速学习新技能。两者并不冲突：研究追求能力上限，产品先找边界清楚、价值可算的任务，并从部署中积累扩展泛化的数据。
软件 Agent 可以从物理 AI 学到什么？
机器人现场经验与企业软件有什么关系？
两者都需要把任务、工具、执行、反馈和验收连成闭环。只不过物理世界把失败成本暴露得更早。任何垂类 Agent 若无法给出可验证交付物、接入原有系统并稳定运行，也只是数字世界里的 Demo。
沿着对话，回到问题如何展开
产业嘉宾：落地就是用户可以用、愿意用的产品。它要形成价值闭环，也要满足经济性、稳定性与可靠性。
纪要：圆桌没有从机器人能做什么开始，而是从客户为什么付钱开始。这一顺序主动过滤了许多只在展台成立的能力。
产业嘉宾：真正进入现场，最直接的是两个指标：速度能否匹配节拍，准确性是否满足工艺要求。
纪要：同一动作在实验室慢慢完成与在产线上连续完成，属于不同产品。还要继续追问故障恢复、换线成本和与 MES 等系统的连接。
学界嘉宾：具身智能研究需要模型、本体和数据三者形成闭环。
纪要：本体不是模型的外设，模型也不是硬件的附加功能。能力只有经过真实执行、质量检查和数据回流，才能从一次成功变成可复制技能。
学界嘉宾：最大鸿沟仍在泛化性。真实世界开放、变化多，训练分布无法覆盖所有情况。
产业嘉宾：工厂里更现实的路径，是先让机器人在单任务、有限场景中快速学习并稳定交付。
纪要：产业不必等通用智能完成，也不能把定制项目伪装成通用平台。判断重点是：每次新任务所需数据和工程成本是否持续下降。
论坛嘉宾：模型是技术问题，硬件是工程问题。
纪要：这句话不是割裂二者，而是提醒评估方法不同。模型看泛化和学习效率，本体看可靠性、维护和成本；产品团队必须同时承担两种周期。
纪要：圆桌的共同落点是克制：具身智能的商业进度，不能由最精彩的视频定义，而应由一个客户之后，第二个客户是否更快、更便宜地上线来定义。
现场画面
