数据之争：韩铮为何坚定押注仿真

主持人开场立起数据、智能、场景三个议题框架。苏度科技韩铮解释从2015、2016年开始做仿真器和合成数据，2024年后彻底重构闭源数据管线，在物体和环境几乎无限制下某些操作成功率接近百分之百。他认为真实数据收集效率慢、质量受限，仿真是绕不过去的。

沈宇军：真实数据的不可替代性在于传感器

蚂蚁灵波沈宇军澄清并非坚决选真实数据，而是不同阶段不同数据作用不同。他认为机器人最终只能依赖身上传感器作为唯一观测，而传感器一定有误差。仿真真正的挑战不是sim-to-real gap，而是real-to-sim的规模化。

触觉传感器：仿真难以复刻的具体例子

沈宇军以触觉为例，说明他们测过很多真实传感器，信号频率、幅值、传感器间一致性与仿真结果千差万别，很难在仿真器里做完美复刻。

智能之争：GPT-6 Astra会降维打击具身智能吗

王潜回应Astra控制机械臂视频，指出该模型已训练大量机器人数据，并不奇怪。他提出智能本体存在于数据中，模型只是蒸馏器和容器。他认为基础模型做具身仍需同样的数据与验证基础设施，泛化到具身可能性很小，coding与数学能力会打架就是例证。

许华哲实测Astra：语义空间强，物理接触弱

破壳许华哲分享内部测试结果：Astra在语义和空间泛化上很强，能抓筷子、插杯子，但复杂物理接触任务如用筷子挑开东西、叠盒子、叠衣服都做不了。他提出未来应把大模型与具身模型串在一起，以抓真菠萝与泡沫菠萝为例说明。

沈宇军：具身模型可能反过来影响大模型

沈宇军认为机器人必须依赖传感器源源不断的输入，与数字世界轮式对话不同，输入不可打断。他提出人与人对话是多模态的，下雨、脸色都会改变对话方式，这些现实世界信息可能成为更高级大模型的新语料。

韩铮：上下分层与高成功率下的泛化性

韩铮认为上层抽象理解会分层，底层技能泛化性和高成功率必须与上层模型同等水平。他提到去年底演示中通过语言交互与千问模型理解环境，但必须靠极其可靠稳定的底层操作完成动作训练。

场景之争：什么指标能证明跨过泡沫

主持人提出商业化质疑。韩铮认为高成功率是绝大多数任务前提，九十几个任务几乎要百分之百成功率，且不能靠后训练过拟合。王潜认为指标是客户可持续付钱且越来越多，并提到物流场景已超过人类水平。

许华哲：后训练商业化与具身大模型化

许华哲把商业化分两类：后训练类看部署效率和ROI；另一类是与语言大模型相似度，追求具身智能的大模型化。他解释大模型百分之五十成功率可用，机器人百分之五十成功率会推掉杯子，所以要等它从百分之五十到百分之九十九点九。

五年回看：韩铮谈供应链与技能泛化

韩铮认为最被高估的是中国供应链的先进程度，具身所需供应链距大工业制造水平仍有差距。被低估的是非后训练过拟合的方法，接下来一到两年某一大类任务会在各行业快速被处理掉。

沈宇军：系统工程被低估，训练技术被高估

沈宇军认为被低估的是具身作为复杂系统工程的能力，落地要看成本和系统鲁棒性而非只归咎模型。被高估的是训练模型的技术，具身会走相同模式但不会走相同技术路线，一定会有自己的新训练范式。

王潜：具身重要性与RSI的物质前提

王潜认为被低估的是具身的重要性和潜力，物理直觉是AGI无法避开的部分。他讨论RSI，认为语言模型不足以实现完整RSI，缺物质上的重制造，需要算力、芯片、电力。他展望五年后造飞机可能像造app一样简单。

许华哲压轴：数据量被高估，进展被低估

许华哲认为被高估的是对数据量的盲目追求，大体量数据并未训出超越预期的模型。被低估的是具身智能模型的进展，他判断三年内具身智能就可以在很多地方开始通用服务，而非后训练好的服务。主持人总结收束。