机器人量产了，具身智能为何反而更难了？

机器人本体批量落地，行业要补的课反而更多了。本体数量上来了，具身智能看似离规模化越来越近，但理解世界、学习新任务、持续进化的能力，还无法随机器人一起批量复制。行业关注重点正从如何造出机器人，转向如何持续生产和迭代机器人的能力。

9月16日，在2026智能经济论坛上，百度集团执行副总裁沈抖判断：智能体能力边界快速打开，已能处理更长程任务并进入规模化部署。类比AI时代，今天可能只是灯泡发明后的第一个月，电力带来的社会经济分工调整尚未出现。当智能体进入产业系统，企业知识、数据、流程、工具和具体要求要被组织到真实场景中，交付结果并持续进化。放到具身智能领域，要求更高。机器人每次执行都产生新数据、误差和现场反馈，经验需回流到模型和系统继续迭代，沉淀为可复用能力，才能“越用越会”。

本体量产是起点，能力量产是下一步。所谓能力量产，是把已验证的具身应用技能，通过模型、数据和本体的持续闭环，以稳定可控成本复制到更多真实场景。展台上完成一次叠衣服、上下料，和工厂里连续做一万次是两回事。后者看任务成功率、人工接管率、单位任务成本、稳定运行时长，以及技能复制到更多机器和场景需要多久。一项能力不只取决于模型：本体解决身体如何规模化制造，模型决定能力上限，数据和AI Infra影响学习新技能速度，真实场景检验能否从一次成功变成稳定成功。

具身企业进入高频迭代后，分散的算力、模型、数采、仿真和部署链路容易互相拖慢。全栈基础设施要把数据、训练、评测、推理和反馈接成可重复运行的链路。能力量产需打通三个环节：模型迭代效率、数据持续生产、跨本体和跨场景应用部署。

第一环，让不同模型路线快速迭代。当前VLA、世界模型、全身运动控制等路线并行演进，尚未完全收敛。百度智能云主任架构师应茹认为，技术路线越不确定，AI Infra越要通用灵活。企业需要的是同样预算和时间里多跑几轮训练、仿真和真机验证。百度百舸把数据准备、开发训练、仿真评测和推理部署接入同一工作流。SONIC模型训练配方开源后，百舸集成到云上，可一键扩展至128卡训练规模；针对WAM模型推理瓶颈，测试中推理延迟降至优化前四分之一。无界动力自研MWA™具身大脑，依托百度百舸，训练有效时长超99.5%。

第二环，把真实操作转化为可训练数据。具身数据包含视觉、动作、空间关系、力觉、本体状态和时序关系，与本体、任务、现场高度绑定。东莞具身智能训练场已投入运转，百度落地大湾区首个实体化具身智能采标实验室，规划13个真实产业场景，覆盖家具制造、3C电子、五金模具、物流仓储，配置50台套异构本体，持续部署Ego、UMI等100余台无本体设备。数据生产分三条路：真机遥操作保证真实性，无本体采集降本扩规模，仿真和算法生成补充多样性。训练场还承担中试功能，已服务35家具身智能企业。

第三环，能力稳定落进机器人身体里。模型部署、语音交互、端云协同、安全和本体适配都影响产品体验。上纬启元推出Q1、T1两款机器人，百度百舸提供统一模型训练、微调、推理和测试环境，集中管理AI任务、数据流转与弹性算力调度。其首席科学家董豪表示，这显著提升模型开发效率，缩短实验闭环与算法迭代周期。百度智能云语音交互能力补上机器人与用户沟通的关键环节。只有跨本体、跨场景适配能力建立，已验证技能才有机会复制。

无论工业、商业还是家庭机器人，企业最终都会碰到同一组底层问题：模型怎么更快迭代，数据怎么持续回流，本体怎么稳定部署，能力怎么进入真实场景验证和复制。千寻智能接入百舸后，有效训练时长达到98.8%。智元机器人等合作伙伴也在集中暴露相似的基础设施诉求。