当前全球人形机器人产业在“功能突破”和“商业化落地”之间仍存在明显落差。尽管部分实验室产品已能完成基础动作指令，但进入真实场景后，反应迟滞、应变能力不足等问题依然突出。这背后折射出人工智能从算法走向实体应用时面临的关键挑战。王晓刚在论坛发言中直指核心：传统数据采集方式严重限制了机器人的学习效率。“过去依赖真机操控获取的10万小时数据，仅相当于目标数据量的1%。”这种偏离真实场景的采集方式不仅数据质量不高，也使不同机型之间的数据难以复用。更棘手的是，现有视觉-语言-动作（VLA）模型能力边界较为明显，往往只能胜任分拣等结构化任务，面对动态环境中的复杂决策仍显吃力。
人形机器人的竞争，表面看是硬件形态之争，深层则是数据体系与模型范式之争；把数据采集从“为机器而采”转向“在真实世界自然生成”，把模型从“完成动作”推进到“理解世界并能规划”，有望为机器人走向规模应用打开更宽通道。面向未来，唯有在真实场景中持续迭代、在安全与效率之间稳妥平衡，才能让“看似能用”真正迈向“可靠好用”。