问题：从“能说会写”到“能干会做”，智能系统跨越物理世界门槛 大模型推动的智能化正从数字空间向现实空间延伸。与互联网时代更多改变信息流转和组织方式不同，具身智能面向的是生产与服务环节的“动手能力”：看得见、拿得起、放得准、做得久。行业普遍认为，当语言理解等能力在数字世界快速成熟后，如何让智能体在复杂环境中稳定执行任务、持续学习并规模化部署，成为新一轮技术竞速的关键。同时，具身智能落地并非单点突破即可实现，算法、硬件、工艺、供应链、场景数据与安全规范缺一不可，产业链协同难度显著高于纯软件赛道。 原因：产业化需要“硬科技+硬工程”，必须把研发链条延伸到工厂车间 业内人士指出，具身智能的最大不确定性不在“能不能演示”，而在“能不能量产、能不能长期运行、能不能形成可复制的交付能力”。星海图创始人、CEO高继扬的经历折射出此变化：既有前沿算法研究背景，也经历过自动驾驶等领域的工程化与量产路径。在其判断中，具身智能创业若长期停留在实验室，容易陷入“指标漂亮、成本失控、可靠性不足”的困境；真正的竞争将发生在制造与供应链环节，包括零部件一致性、装调效率、工艺良率、售后维护和场景适配等。为此，团队将研发验证前移到工厂一线，通过高频迭代把技术路线嵌入产业体系，以缩短从样机到产品的距离。 影响：路线选择决定速度与成本，数据能力成为新的产业壁垒 从行业趋势看，具身智能的技术路径正在分化。一类企业押注双足人形，强调通用性与人类环境适配；另一类则更关注可用性与交付周期，优先选择稳定、成本可控的底盘与执行结构。在星海图的规划中，核心在于打造端到端视觉—语言—动作大模型作为“通用大脑”，再以不同形态的机器人作为载体服务多元场景，形成“一脑多形”的产品体系。其量产策略更倾向于以轮式双臂等结构率先切入真实工商业场景：稳定性更强、部署门槛更低、维护成本更可控，有利于尽快获得持续数据回流。 数据被认为是具身智能竞争的“分水岭”。与互联网数据可大规模获取不同，物理世界数据需要通过设备在场景中“做出来”：包含动作轨迹、力反馈、环境变化与任务失败等信息，采集成本高、标准化难、可迁移性弱。为提升模型迭代效率，有关企业开始探索更体系化的数据采集流程与标注规范，将数据获取变成可重复的“工艺”。业内认为，谁能率先形成稳定的数据闭环与工程标准，谁就更可能在后续规模化部署中占得先机。 对策：以场景牵引、工程验证与产业协同推动落地，建立可复制的交付体系 多位受访者认为，具身智能要走向广泛应用，需要从三上同步发力。 一是坚持场景牵引。优先进入需求明确、任务标准化程度较高的领域，如仓储物流、工厂搬运与分拣、实验室与园区运维等，通过“先可用、再通用”的路径积累能力，避免过早追求全能形态中消耗资源。 二是强化工程化验证。围绕可靠性、耐久性、安全性、可维护性建立指标体系，推动测试标准、接口规范与操作流程沉淀，提升产品一致性与批量交付能力。 三是做强产业协同。具身智能天然依赖供应链与制造体系，需要在核心部件选型、成本控制、质量管理与售后服务上建立组织能力，同时与场景方形成联合研发与数据合规机制，降低试点成本与推广阻力。 前景：万亿级空间可期，但关键在“从样机到规模化”的跨越 随着制造业智能化升级与服务业提质增效需求持续释放，具身智能被视为未来重要的生产力工具之一。业内普遍判断，短期内行业将进入“真实场景比拼期”，谁能在成本、可靠性与可维护性上率先达标，谁就更有机会形成订单与规模；中长期则取决于通用大模型能力、数据闭环效率以及产业生态构建水平。对中国企业来说，完备的制造体系与供应链基础为具身智能产业化提供了独特优势，但也需要在核心算法、关键零部件、系统软件与标准体系上持续攻关，推动从“单点示范”走向“规模应用”。
从实验室到生产线——高继扬的创业经历说明——科技创新的价值在于把前沿理论落到产业实践中。在全球科技竞争加速的背景下，中国需要更多既懂技术又懂工程、既能做研发也能做交付的人才与团队。星海图的探索也表明，只有扎根真实需求、尊重产业规律，才能把技术优势转化为可持续的产品与规模化应用。