在蚂蚁灵波具身大模型挑战赛现场,15支团队围绕果蔬抓取、化妆品收纳和双臂清扫展开真机测试。它们使用同一款开源预训练模型LingBot-VLA 2.0,机器人硬件和算力条件也保持一致。48小时调试中,参赛者尝试补充训练数据、接入外部感知模型、调整机械臂控制,以提升不同任务的执行表现。
比赛也暴露出具身智能落地中的细节难题:机器人能看到目标,却不一定抓得准;训练完成后,环境稍有变化,执行效果就可能波动。一个团队发现,按原有数据抓取簸箕手柄时,夹爪接触面积偏小,簸箕容易滑动甚至翻转。该团队放弃原有示范数据,重新采集334条操作轨迹,把夹持位置改到簸箕后沿,抓取稳定性才有所改善。
类似偏差还出现在机械臂控制和场地差异上。有团队看到,机械臂向外伸展时,末端执行位置与预期不一致,原本要放入收纳盒的物品可能碰到盒体,只能通过额外测量和位置补偿提高精度。另一支团队复盘时发现,工作台与机械臂之间距离比其他场地多出约5厘米,机器人因此反复放错层级,甚至够不到部分目标。也有团队借助千问等视觉语言模型定位物体,再弱化背景干扰;还有团队用DeepSeek解析任务指令,通过SAM3分割目标,把无关区域亮度降至原来的10%,让视觉语言动作模型更专注于抓取和放置。
这些小偏差指向同一个现实:真实世界比测试环境复杂,光照、物体位置和操作对象的变化,都可能让既有优化方案失效。增加数据也未必直接带来更聪明的机器人。有团队重点补充部分任务数据后,模型反而遗忘了原本掌握的操作;还有团队因过度训练清扫前半段动作,机器人难以流畅完成后续倾倒垃圾的步骤。
行业数据也显示,人形机器人正在加速出货,但距离生产工具仍有距离。市场研究机构Counterpoint Research统计,2026年上半年全球人形机器人出货量超过2.2万台,同比增长近300%。其中,用于智能制造和仓储物流的比例分别为13%和5%,文娱商演、科研及数据采集等用途仍占六成以上。
11月16日,蚂蚁灵波CEO朱兴表示,具身智能还没有迎来真正的Scaling Law时刻,行业尚未找到能稳定支撑模型能力持续跃升的数据路径。他认为,互联网操作视频、第一人称视角数据更适合规模化预训练,拆垛、上下料、物料分拣等任务则更依赖贴近真实环境和机器人本体的真机数据。数据并非越多越好,若缺少采集经验和质量控制方法,盲目扩大规模可能造成资源浪费,需要什么数据、补充哪些场景、如何控制分布,应由模型训练需求决定。
成本同样影响机器人能走多远。朱兴此前指出,具身智能落地受到能力和成本双重制约。环境越开放、任务链条越长,异常情况越多;如果创造的价值覆盖不了成本,商业模式就难以持续。即便机器人在一家药房完成工作,把方案复制到另一家门店,也会因布局、商品种类和摆放方式不同而付出较高适配成本。朱兴认为,根源在于当前具身模型泛化能力不足。
不过,具身智能已经进入部分实际作业场景。Counterpoint Research今年8月发布的报告认为,随着机器人模型能力提升,下半年会有更多工业和商业服务领域机器人试点进入批量部署阶段。制造业上下料、物料搬运、仓储分拣等任务相对明确、环境较为可控的场景,可能率先形成稳定需求。朱兴也表示,相比去年,工厂、物流场景的试点不断铺开,复杂真机操作案例逐步增多;模型能力虽未出现颠覆性质变,但已实现量级层面的提升,关键仍是任务成功率、作业速度以及成本是否可控。他预计,从2027年开始,产业应用有望迎来一定规模的加速,异常数据回流将推动模型迭代,分散的技术路线也可能逐步收敛,中国市场或形成三至五家核心企业为主的格局。
中国信通院与清华大学今年10月联合发布的《具身智能发展报告(2026年)》指出,受控桌面操作评测已趋于饱和,但在环境扰动下,模型性能普遍跌至30%以下,精细操作、长程多步任务和开放语义交互仍是突出短板。报告还显示,相当比例的设备月均开机天数不足10天,整机价格仅占全生命周期成本的40%至60%。部署调试、系统集成和运维等持续投入,仍是无法回避的商业化成本。








