既要摸高，也要过河。
“如果只能选一个变量，今天最限制机器人从 Demo 走进真实世界的究竟是什么？”
9月9日，JDDiscovery-2026 京东全球科技探索者大会上，一场主题为“具身智能走出 Demo：真实世界数据如何成为产业基础设施”的产业圆桌，开场便围绕这个犀利的问题展开。嘉宾是已经完成从 Demo 到产业跨越的企业创始人和行业专家。
本场圆桌由 Koji 主持，五位嘉宾分别是：智元联合创始人、联席总裁、具身业务体系总裁姚卯青；智平方联合创始人张鹏；鹿明机器人创始人兼 CEO 喻超；逆矩阵科技创始人陈博远；京东探索研究院图像与多模态实验室主任黄浩洋。
他们分别代表了具身智能产业链的不同生态位，也是这一轮具身产业化的积极实践者。
本场讨论从一个最现实的问题开始：
机器人从 Demo 走向真实世界，到底还缺什么？
大家的答案逐渐指向同一个方向——真正的门槛已经不再只是单点模型能力，而是数据、反馈闭环和系统能力。
而 GPT-6 Astra 的出现，又把这个问题往前推了一步：具身模型本身的范式，会不会也要变了？
以下是本场对话的内容分享，经十字路口整理：
限制机器人走进真实世界的
是什么？
👦🏻 杨远骋 Koji
如果只能选一个变量，你们觉得今天最限制机器人走进真实世界的，究竟是什么？
🧑🎨 智元 姚卯青
变量的确很多。如果只选一个，我觉得最核心的是“智能化”本身。
机器人要能像人一样智能、灵活地去处理各种工作，而且要高效、高成功率，核心就是智能能力。
姚卯青｜智元联合创始人、联席总裁、具身业务体系总裁
🤵🏻♂️ 智平方 张鹏
现在这个阶段，我们非常关注的一点是“真实的落地”。
从智平方的角度来说，我们关注的是，它到底能不能真实地产生生产力价值、到底能不能站得住脚。
张鹏｜智平方联合创始人
🕵🏻♂️ 鹿明机器人 喻超
核心是，在真实场景里的任务闭环能力。
拆开来看有这几个层面：一是任务本身的闭环；二是闭环过程中的可靠性和泛化性，这里面涉及模型、智能、以及整个基建的层面；三是闭环过程中能不能持续地进行迭代。
现在已经不是某一个单点的问题，而是整体的系统级能力。
喻超｜鹿明机器人创始人兼CEO
🧑🏻🚀 逆矩阵 陈博远
我更偏向于“反馈闭环”。
第一是模型侧本身的智能。
我们现在在一些受控场景里能做出非常好的 Demo，但真实场景是充满噪音和连续变化的。真实场景中，那些所谓的边缘情况其实不是长尾，而是常态。
所以，我们对通用智能的需求，是希望它能在家庭、工业场景等这些真实场景里，都能完成任意任务。这就需要模型要足够的智能，能进入到更深的场景。
第二也是更重要的一点是，要把真实场景里及时的数据，包括 corner case 数据反馈给模型，形成整个反馈的闭环。
陈博远｜逆矩阵科技创始人
🧑🏻🏫 京东探索研究院 黄浩洋
京东图像与多模态实验室一直在做多模态基础模型，我们从大规模互联网语料里，学习视频生成和视频理解。
体现在具身这里，我觉得最缺的是“规模化的、可标注的、带动作标注的高质量真机数据”。
这是我们目前认为限制具身发展的最大因素，也是京东主推第一人称操作数据的原因。
黄浩洋｜京东探索研究院图像与多模态实验室主任
关于落地、数据采集，来自一线的经验
👦🏻 杨远骋 Koji
谈到落地，鹿明机器人有不少产业落地的实践，最近有什么新的观察可以分享？
🕵🏻♂️ 鹿明机器人 喻超
我们在实践中看到，真实场景落地对整个系统能力的要求确实比较高。
它包括数据、data feedback，回流的数据怎么在模型里再次用起来，以及这部分数据怎么跟前面的数据做多源配比，等等。
另外，如果全部靠人工，节奏会非常慢，所以其实也需要一个类似“Codex for 具身”的系统。
现在，鹿明也正在构建自己的 NexCore 系统，作为实现任务闭环能力的载体。
👦🏻 杨远骋 Koji
能不能用一个具体案例展开讲讲，这套系统是怎么做到的？
🕵🏻♂️ 鹿明机器人 喻超
比如，我们早期做柔性质检、螺丝锁付。
最开始我们是在自己的工厂收集数据，然后做模型 training，再把机器人部署到真实产线，在这个过程中，我们会有多次数据迭代，根据实际运营情况调整回流数据，根据 failure case 去补充、调整。
随着机器人运转时间和工作时间的积累，整体的作业表现指标开始逐步往上走，我们现在也正在经历这个过程。
👦🏻 杨远骋 Koji
浩洋，从京东探索研究院图像与多模态实验室的角度，你们怎么看不同数据采集路径？
🧑🏻🏫 京东探索研究院 黄浩洋
各有特点。
第一种是真机遥操数据。它是最高质量的数据，能真实反馈行动和状态的改变，能对模型做实质性激发，但代价是非常昂贵、成本很高，很难规模化。
第二种是 UMI 数据，它能实现人类动作和机器动作之间的关联，成本相对较低。
第三种是仿真数据，这类数据的好处是，它能覆盖很多长尾情况，覆盖真实场景里很难触发的极端情况。
第四是我们最看重的 egocentric 数据，也就是第一人称视角的操作数据，它可以更快地规模化。
在我们看来，这四种数据构成了一个数据金字塔：
先用 egocentric 或仿真数据做模型预训练，让模型学会对空间和动作的理解；
然后用 UMI 数据，连接人类操作和机器操作之间的关联；
最后用 SFT 后训练，做精细化的真机操作。
黄浩洋｜京东探索研究院图像与多模态实验室主任
👦🏻 杨远骋 Koji
京东最早做多模态模型用的是互联网数据，现在要和具身结合，有了更多真实场景的真机数据。都是训多模态模型，但在这两个阶段有什么相同和不同？
🧑🏻🏫 京东探索研究院 黄浩洋
一个是关注观测本身，一个是直接监督世界。
互联网数据能提供大规模图像、文本甚至视频的数据，可以让模型快速理解世界，它更多是做“理解世界的监督”——关注观测本身。
但具身数据不同，它更多是“作用于世界的监督”。比如，我执行一个动作，这个动作让世界的状态发生了什么变化——这是两者之间天然的 gap。
举个例子，一个人拿水杯。
对视频生成或理解模型来说，它从大规模语料中找出一个平均表征，生成一个人拿起水杯的视频，它只关注视频的合理性。
但对具身来说，我们要关注的是怎么拿起水杯、从哪个位置拿、用什么力度拿。
这就必须建立从行动到反馈的闭环。
这也是京东主推第一人称操作数据的原因。
今天上午，曹鹏总（京东集团技术委员会主席、京东云总裁）也讲到，我们计划未来两年推出 1000 万小时人体操作数据，同时推出超过 100 万小时真机操作数据。
这些数据都来自京东的零售、物流、家政、工业等真实场景，包含真实物体、真实人物，同时还覆盖大量操作中的失败案例。
事实上，仿真最大的问题是 sim-to-real 的难度很高，但通过真实采集，就能覆盖这些场景。
所以，从我们模型研发来看，我们不再只关注模型理解世界做得好不好，更重要的是“建立从理解世界到执行、到反馈、再到下一步执行的闭环”。
这也是我们现在从生成模型到世界模型、再到 World-Action Model 的转变。
从 Demo 到落地的几个关键点
👦🏻 杨远骋 Koji
在第一个问题中，姚总提到机器人从 Demo 走向真实落地的最大 gap 是“智能化”。从智元的角度，在“智能化”上最需要做的突破是什么？
🧑🎨 智元 姚卯青
从落地角度看，我认为有三个点比较重要。
第一是具备长程记忆，能基于过程做动态决策。
第二是灵巧和精度。人是一个非常精妙的构造，从自由度、全身协调到外部感知和触觉反馈，是一套非常精密的系统。机器人现在其实还在追赶状态，很多我们看起来简单的事情，对机器人来说非常难。
第三是纠错能力。现在机器经常能拟合一些状态和环境，但出现意外或失败时，很难完成闭环纠错。
行业里原来的思路是训一个越来越完备的端到端模型、world model，通过示教数据、RL 探索数据，大家希望靠一个模型完全解决掉。
但这个想法是比较理想化的。
最近大家在讨论：是不是应该通过分层架构，利用多模态大模型的能力，去完成上层对指令的理解、任务的拆分、状态的监督，以及对失败的重新规划、纠错，形成一套 agent harness 系统。
👦🏻 杨远骋 Koji
从智平方的角度，张鹏总你们怎么评估一项能力在 Demo 阶段做到怎样的程度，就可以进入规模化的部署阶段？重点看哪些信号？
🤵🏻♂️ 智平方 张鹏
Demo 和大规模商用之间，是一个探索的过程。从 Demo 走到规模化，有这两个前提：
第一，Demo 是展现技术能力，目标是验证技术框架和路线在场景下能 work，但真正产生商业价值，需要把客户、实际部署场景的各种变量，以及产品如何跟客户系统结合、跟商业模式结合起来，并且真正给客户创造价值。
第二，有了商业价值之后，还必须要有持续性、规模化的商业价值创造——也就是有规模化部署的需求。这里不光是看技术和模型能力，还要看闭环能力、硬件本体能不能支撑长时间稳定应用，以及售后、生产、质量体系能不能跟上。
最近几个月，在很多工业场景和新零售场景里，我们已经在很多场景下实现了长时间、稳定地工作。
这也是我们认为的可以做规模化商业部署的前提。
真实物理世界的基座模型
👦🏻 杨远骋 Koji
逆矩阵是今天在座最年轻的公司和创始人，过去这段时间，逆矩阵具体在做哪些事情？有什么新的成果？
🧑🏻🚀 逆矩阵 陈博远
用一句话总结，我们在构建一个真实物理世界的基座模型。
我们发现，真实物理世界在工业上是高度结构化的，但在家庭场景是非结构化的，同时泛化性要求很高。
这让我们想到语言模型的发展路径：2023、2024 年还有一些垂类的大语言模型，但到了 2026 年，一个通用语言模型就把这些垂类场景 one-for-all 解决了。原因是，通用基模可以利用不同 domain 之间可泛化和可迁移的知识和结构。
我们认为，物理世界也会走同样的路。
我们希望，构建这样一个理解人类物理直觉和本能的物理世界基座模型。
它能 all-for-one 地利用来自家政、零售、工业仿真等不同真实物理场景的数据以及仿真合成数据，帮助模型更好理解底层物理规律。
另外，我们最近也发现一些有趣现象，比如基模独有的 less is more 的效果。
同一个基座模型，只要微调少量数据左右，就能在灵巧手、轮式等不同机器人本体之间实现泛化和迁移。
👦🏻 杨远骋 Koji
构建一个理解人类的物理直觉和本能的世界模型，这其中最难的事情是什么？
🧑🏻🚀 逆矩阵 陈博远
主要分两点。
第一是范式本身。大家提到世界模型也好、VLA 也好，最核心的是我们怎么从真实