五个核心问题与回答
为什么机器人 Demo 越多，“能干活”的问题反而越突出？
动作已经越来越自然，产业为何仍反复谈落地？
演示通常来自有限场景和精心准备，规模部署却要求持续稳定、换任务、处理异常并满足经济性。论坛把差距归纳为数据墙、表征墙和闭环墙：经验不够、世界理解不够、真实反馈回不来。
物理 AI 是否存在自己的 Scaling Law？
继续扩模型和数据就会出现通用机器人吗？
与会者倾向相信规模重要，但物理数据无法像文本一样廉价复制。互联网视频、第一视角数据、仿真和真机经验属于不同质量层，必须通过任务结果验证。物理世界的 Scaling Law 还受到设备成本和安全约束。
为什么世界模型成为共同关键词？
VLA 模型直接从视觉与语言输出动作不够吗？
模仿动作擅长复现训练分布，世界模型试图预测行动后的状态，让系统在执行前推演。它可以提高规划能力，但也会引入长轨迹误差和 Sim-to-Real 偏差，必须由真实反馈持续校正。
人类在环是过渡方案还是长期结构？
后训练阶段依赖人，是否说明系统不够智能？
人类提供示范、纠偏和高风险决策，是物理系统建立安全经验的主要来源。随着能力增长，人会从逐步操作转向定义任务、处理异常和审核边界，但不太可能完全退出。
哪些场景更接近商业闭环？
3C、餐饮、酒店和仓储应该如何选择？
优先半结构化、任务频繁、价值可量化且失败可控的场景。判断标准是部署后每次新增任务的数据和调试成本是否下降，而不是机器人在场景列表上出现了多少次。
沿着对话，回到问题如何展开
浦东相关嘉宾：具身智能需要政策、资本、产业链与量产能力共同支持，形成可持续的创新生态。
纪要：补贴和空间只能加速供给，真实需求、供应链质量和客户复购才决定生态是否自我运行。
姚卯青：高级智能来自表征世界、推理决策、作用于世界并反馈进化的完整循环。
纪要：这一定义把“会识别”和“会动作”放回同一系统。任何断点都会让机器人依赖人工重置。
姚卯青：从能演示到能大规模干活，必须突破数据墙、表征墙和闭环墙。
纪要：数据墙最昂贵，表征墙最难评测，闭环墙最容易在实验室被忽略。三者需要同一任务指标贯穿。
论坛嘉宾：长期看，具身领域值得拥有自己的大模型；也有团队把目标设为控制多种机器人的通用具身大脑。
纪要：两种路线的分界不在口号，而在训练数据和技能是否能跨本体复用。领域模型更快接近业务，通用模型承担更高研究成本。
产业嘉宾：实验室模型与真实世界需求不同，部署中暴露的问题会重新指导研究。
纪要：真实客户不是模型完成后的销售渠道，而是数据和问题定义的一部分。没有部署反馈，研究容易优化不重要的指标。
论坛嘉宾：只有模型、仿真、真机数据和后训练形成飞轮，智能才可能持续进化。
纪要：对投资者而言，飞轮要用单位任务采集成本、部署时间、成功率和跨场景迁移率验证，不能只看数据总量。
现场画面
