问题——从“会说会写”到“会做会干”，具身智能落地仍面临多重门槛。近年来，大模型语言、推理等数字空间能力进步明显，但要把能力迁移到物理世界，系统必须同时具备感知、规划、控制与安全协同，并能在复杂、动态、带噪声的环境中稳定完成操作任务。行业热度上升的同时，也暴露出两类现实挑战：一是部分企业更重展示与概念验证，距离高频刚需场景仍有差距；二是物理数据获取难、成本高、标准不统一，限制了模型迭代速度与泛化能力。 原因——技术链条长、工程复杂、产业协同不足是主要掣肘。具身智能不同于单一软件产品，往往需要算法、传感器、执行器、整机结构、可靠性验证与供应链管理共同支撑。尤其在工厂、仓储等场景，设备要满足连续运行、故障可诊断、维护及时、成本可控等要求，这些约束推动研发从实验室走向车间。同时，物理世界数据难以像互联网数据那样规模化获取，“采集—标注—回放—训练—验证”的闭环对资金投入、组织能力和工程体系提出更高门槛。 影响——产业竞争正从单点技术转向“系统能力+制造能力”的综合较量。业内认为，未来机器人形态可能多样，但跨任务迁移的通用能力将成为核心竞争力。星海图创始人兼首席执行官高继扬结合自动驾驶的工程经验指出，企业不仅要掌握模型训练与端到端策略，更要“扎根物理世界”，把制造、供应链与质量体系作为同等重要的能力建设。在此思路下，优先进入可规模化的工业与商用场景，有助于形成数据回流与快速迭代的闭环，并带动上下游在传感、关节模组、控制器与整机集成等环节同步升级。 对策——以“通用大脑+多形态载体”提高复用率，以可控形态先行切入真实场景。星海图提出“一脑多形”路线，强调端到端视觉-语言-动作大模型为核心，机器人外形可根据任务与成本进行组合配置。针对行业曾集中追逐双足形态的趋势，该公司选择轮式双臂平台作为优先方向，主要考虑稳定性、制造成本和场景适配效率，以便更快进入工厂等真实环境采集数据并验证可靠性。围绕数据瓶颈，企业在组织层面强化“数据工艺”，通过场景化任务拆解、流程化采集与工程化评测，提升数据可用性与迭代速度；在产业层面强调与供应链深度协同，确保关键部件可获得、成本可控制、交付可持续。 前景——具身智能有望成为连接大模型能力与实体经济的重要接口，但规模化仍取决于安全、成本与标准体系。业内分析认为，具身智能将优先在结构化程度高、流程清晰、回报可测算的场景落地，如制造、仓储、园区运维等，并逐步向更开放环境扩展。对中国而言，完善的制造体系、丰富的应用场景和工程人才储备，为具身智能产业化提供了基础。下一阶段竞争焦点可能集中在三上：一是模型泛化能力与安全边界的可验证；二是数据闭环效率与评测标准的建立；三是供应链国产化、可靠性与全生命周期成本控制。企业若能在“算法—数据—硬件—交付”全链条形成稳定能力，将更有机会在全球竞争中掌握主动。
从数字智能走向物理智能，胜负往往不取决于单点技术表现，而在于把技术真正融入产业系统的能力；具身智能的“最后一公里”在工厂车间、在供应链、在真实任务的反复验证中。面向未来，谁能以更稳健的工程体系、更高效的数据闭环和更顺畅的产业协同推动落地，谁就更可能在新一轮生产力变革中赢得主动。