29位具身智能CEO谈「泛化」：共识和分歧

在刚刚结束的2026世界机器人大会上（WRC2026上），“泛化”几乎是所有企业高管绕不开的问题。

据「明亮公司」的不完全统计，在主论坛环节中，超过30位企业创始人和负责人分享了关于泛化能力，总结来看，基本上可以描述为“两个共识”和“一个分歧”，共识一是，泛化是当前具身智能最大的技术瓶颈；共识二是，提升泛化的路径仍依赖数据与场景；而关于实现强泛化性的技术路线，则没有形成共识。

有嘉宾认为，目前具身智能的估值直接和泛化能力相关，“为什么有公司的估值更贵？因为他们的模型展现出了更强的泛化能力。”

而随着宇树科技（688836.SH）上市，市场已不再只为具身的"泛化想象力"直接付费，多家券商的研报显示，尽管泛化能力无法直接“量化”，但可以通过四个代理变量为泛化间接定价：出货量、订单质量、技术路线收敛度（已收敛环节稳定估值、未收敛环节高期权）和数据飞轮（估值溢价流向能先拿到真实场景数据的公司）。

「明亮公司」根据大会主论坛嘉宾发言的内容，对企业负责人谈及“泛化能力”的观点进行了梳理，大致可以围绕定义、泛化的瓶颈、技术路线、数据、落地节奏和分歧等六个部分。

#01 如何理解泛化？

星海图创始人、首席执行官高继扬给出了最"市场化"的定义——泛化性就是培训成本。他提出，具身智能走向生产力有速度、精度、泛化性三个关键指标，其中泛化性可以简单描述为"培训成本"：雇佣机器人像雇佣员工一样需要培训，培训成本高就是泛化性低，趋近无穷大就是一直学不会。星海图目前10小时左右的后训练可以完成新任务、长程任务，目标是明年提升到1小时甚至"几条数据"完成长程任务后训练。

跨维智能创始人、首席执行官贾奎把通用泛化性拆成两种耦合的组成部分——语义泛化性与物理泛化性。语义泛化性解决"机器人看到不同对象知道动作该怎么做"，本质是人的认知行为智能，数据必须来自真实人类数据；物理泛化性解决"训练时数据与测试时物理条件改变后仍能稳定工作"，要靠生成式仿真、合成数据后训练解决——这也是跨维选择该路线的第一性原理。

智澄AI创始人、首席执行官胡鲁辉则提出三维框架——物理智能的泛化性包含任务泛化、环境泛化、本体泛化三个层面，且"这三种不是加法而是乘法"，导致数据需求激增、质量与一致性要求越来越高。

Arm物理AI机器人技术研究全球负责人Federico Pecora从系统视角，认为高级机器人可以做到"跨对象的泛化"，尤其在排序、物流、仓储、汽车等特定工作流中能捕捉大部分工作；而推广泛化研究在每一步都创造价值——可在软件、模型、技能层面重复使用、跨任务调度资源，"对机器人公司是巨大的解放，降低工程改造成本"。

#02 泛化为何是最大瓶颈

宇树科技创始人、董事长王兴兴（补充链接）：固定场景下采集训练成功率可以接近100%，但"操作物品或者是环境稍微换一下，成功率下降非常严重"。他把根因归结为AI模型输入输出与真实世界的对齐偏差——语言模型是数字编码、输入输出无损失，而机器人每输入输出一次都有偏差和损失，"最后几个厘米、几个毫米的误差无法修正"。由此他给出具身智能"ChatGPT时刻"的定义，在80%的陌生环境中，通过语音或文字指令能实现80%左右任务，快则2-3年、慢则5-10年。

京东集团技术委员会主席、京东云总裁曹鹏从规模化视角论证：在京东物流的标准任务里，机器人效率成本已接近人工，但"没有办法规模化向更多、更复杂的场景复制，因为模型泛化性不好"——泛化性差直接堵死了规模化复制之路。

众擎机器人创始人、首席执行官赵同阳把泛化列为最大卡点之一：客户需求很多，"每个你都要训练的话就会存在你在做专用的工具还是在做通用的（问题）"，数据、模型、架构对多任务同时求解能力和泛化能力的支撑是根本瓶颈。

浙江人形机器人创新中心首席科学家熊蓉点出产业界的普遍困境——"一事一训"：物体、场景、光照一变就要重新采集数据训练；且现有方法"没有真正解决泛化性不够"的问题，甚至"失去了原来机器人所具备的精准、可靠、高效的执行能力"。

苏度科技联合创始人、首席执行官韩铮提出了最严格的商业纪律：具身智能分级应以"成功率99%"为前置前提，达不到就仍属科研阶段；物体操作要"成功率99%同时满足一定泛化性"，且应"先保证物体和环境的泛化性，再去追求物体种类的泛化性"，否则没有商业化路径。他也质疑"一事一训、堆硕博采数据‘炼丹’"对泛化性的意义。

#03 泛化与技术路线

星动纪元创始人、首席执行官陈建宇表示：VLA通过模仿学习"形成一定泛化性但相对有限"，新任务不收集数据很难举一反三；而世界模型构建对物理世界常识性的理解（如水杯倒水会往下流），"具备比较好的泛化性，有望大幅提升泛化能力"。他还区分了泛化层级：VLA可实现物品泛化，但任务级泛化（零样本、没见过没训过的新任务）是"泛化的终极追求"。

无界动力创始人、首席执行官张玉峰则认为：VLA追求"数据量足够大、分布足够好"的概率分布和肌肉记忆，"涌现一直没有看到"；世界模型要突破的是对物理世界底层逻辑的理解，以支撑场景泛化。他给出的落地策略是"工业练技能、商业练泛化、家庭是终极挑战"。

自变量机器人创始人、首席执行官王潜认为：靠基座模型强大泛化性，3个月打通新场景全链条（海外同行做了两年半），"比专用模型、专家工程、单点模型更好的效果、更低的成本、更快的速度，已经是现在时"。

北京人形机器人创新中心总经理熊友军：小脑侧用跨本体泛化操作VLA模型（唯一通过国家标准测试），多构型、多任务、一定泛化能力，"新任务只需20条数据即可解锁"。

银河通用创始人、首席技术官王鹤虽未使用"泛化"二字，但他描述了成果：银河星脑已实现"跨本体、跨任务、跨场景的操作"——一个模型能为五指手做搬运机器人，用人类无标签数据即可让动作预测损失持续下降，并据此宣称2028年问鼎具身智能ChatGPT时刻。

智平方创始人、首席执行官郭彦东指出：人类大脑仅20瓦功耗就发挥"非常强大的泛化能力"，而最先进AI芯片云端计算能效仅10⁻⁷量级——泛化能力的上限与能效强相关，这是其类脑架构NeuroVLA（20毫秒级反应）的出发点。

极佳视界联合创始人、首席科学家朱政：希望世界模型"像语言模型一样做到通用场景的泛化"。

北京飞渡科技联合创始人、总经理宋彬：世界模型要支撑泛化需"多物理场耦合求解+长时序稳定输出+一定正确率"，"就这一件事估计还得攻克很多年"；但他也认同世界模型底座本身应有很强的泛化和通用能力（类比九年义务教育）。

#04 泛化与数据

泛化不是凭空出现的，它依赖数据。这一部分企业负责人的共识度最高，也最接近市场定价逻辑。

京东集团曹鹏指出，行业公认训出"规模化复制、很好泛化性"的机器人大脑需千万小时级数据，当前只有十万小时量级；且存在"跨本体泛化与适应"问题。京东的解法是两年采集1000万小时人类数据+100万小时真机数据，用真实场景多样性换取数据泛化性——其JoyAI-RA模型随数据量从1000小时升到10000小时，泛化成绩显著提升并超过π0.5。

光轮智能创始人、首席执行官谢晨给出宏大框架：以"100亿小时具身数据"作为达到"高中毕业"级基础泛化能力的目标——真机只占数据金字塔约0.1%，其余靠仿真与人类数据；其EgoSuite真实场景人类数据集直接用于"提升机器人的通用泛化能力"。

帕西尼创始人、首席执行官许晋诚从感知侧定义泛化的前提：泛化依赖"物理经验可规模生产→物理智能可规模泛化"，而触觉是唯一不受光照环境影响的稳定模态（视觉会随环境变化失效），是支撑泛化的感知基础；其数据"四证"体系保障数据原生同构、保真度高，从而支撑泛化。

商汤科技联合创始人、大晓机器人董事长王晓刚以世界模型第一阶段能力回应：数据增强"举一反三、反一百"——世界模型生成多样化数据作为训练补充，从数据侧解决泛化。

优必选副总裁、具身智能与人形机器人研究院院长焦继超：跨本体迁移是Transformer架构面临的大挑战——电机参数、构型不一致导致"在这台机子上可以，在另一台要特调"。

英飞凌科技副总裁刘伟给出类脑侧解法：功能迁移与知识存储让"训练不需要重新培训"，降低对新数据的需求。

章鱼动力创始人、首席执行官都大龙提供了数据采集设备层面的泛化突破：其EgoBio机电手环全球首次实现跨个体零数据泛化——机电/脑电设备过去需逐个体标定重训，WRC现场约六七成佩戴观众零标定即泛化。

#05 泛化与落地节奏

墨奇智能联合创始人、首席技术官黄青虬给出最清晰的"三角矛盾"：能力三维度是效率、准确率、泛化性——工业要极致效率与准确率家庭要极致泛化性，两者完全相反物流与服务居中。因此"家庭是能力累积的终点而非起点"：先以酒店保洁等服务场景作为"家庭模拟训练场"切入（泛化性够高+数据回流够高），再训练可泛化基础模型逐步走入家庭。其模型当前泛化水平是"能叠各种各样花纹的衣服，但大衣、西装还搞不定"。

奥比中光创始人、董事长黄源浩的节奏判断一致：先从人类最不愿意干的脏活苦活累活落地，"后面泛化性好了、智能高了再往更多场景渗透"，数据、模型、本体（手、眼、脑、传感器）需同步迭代。

智澄AI胡鲁辉补充了相反视角：以"刚需或人不愿做的事"为落地场景，认为家庭并不比工业更复杂（AI理解和因果关系差不多），但家庭涉及安全、隐私、伦理。

京东集团智能机器人业务部负责人徐磊从数据侧判断收敛路径：现有数据范式已能做到"数据训练的跨本体能力"，未来本体收敛后"模型在本体通用和跨界能力会更强"。

中科云谷首席执行员曾光给出工业侧的泛化实践：以"感知、规划、控制一体化技术"实现多任务泛化，双足人形机器人作为"泛化跨地形的执行器"接入工业软件体系。

维他动力创始人、首席执行官余轶南为泛化后的风险度量提供了框架：以"失效成本"参数化定义不同场景的危害（空塑料杯掉地vs玻璃杯盛果汁掉地），产品须先沙箱测试、随能力提升逐步授权。

#06 质疑与分歧

科沃斯机器人董事长钱东奇提出全场最尖锐的质疑：语言模型的Scaling Law建立在人类数千年语言积累与Transformer分词向量化之上，而"没有人证明Scaling Law可以泛化到物理AI"；展馆里所有机器人"都是针对一个特定场景做功能，不可泛化"，这是全球共同挑战。因此他给出变通解——"碳硅一体"：用户定义机器人、以人类智能补偿机器人空缺，在物理AI真正成立前从"工具→管家→伴侣"渐进进化。

章鱼动力都大龙则代表乐观Scaling派：坚持"极致Scaling带来极致通用"，公布世界模型路标（10月200亿参数、明年上半年千亿参数以上），并提出评测本身也必须可Scaling（"屏评基建"），否则模型能力无法Scaling。