“量产、适配、场景交付”，是今年具身智能展区的关键词，炫技的时代正在成为历史。
7月17日至20日，2026世界人工智能大会在上海举行，本就天气炎热的上海因这场人工智能盛会而更加火热。从展商数量来看，今年有1100余家企业参展，而2023年仅400家、2025年为800家。
7月18日一早，上海世博展览馆门口就已经排起了长队，入场之后，人流最密集的方向依然是具身智能展区。经过一年的迅速发展，今年WAIC具身智能展区的参展企业从去年的80多家猛增至200多家，现场集结208款具身智能终端、超300台真机。
然而，比数量增长更值得关注的是，具身智能行业的评价体系彻底变了。去年WAIC上，展示干活能力的机器人还是少数，展会上的绝大多数机器人刚学会走路、跳舞、翻跟头、抓取物品。而今年的展馆里，从展商到客户，行业关注的重点变成了“机器人如何连续工作24小时”“发出模糊指令机器人是否能完成任务闭环”“能否规模化落地”等。
“量产、适配、场景交付”，这些是今年具身智能展区的关键词，炫技的时代正在成为历史。
从展品到从业者：产线纷纷进入展馆
今年WAIC上，多数具身智能企业都将真实场景搬进了展会现场，机器人落地场景覆盖了消费、家庭、工业、特种、医疗、公共服务等全行业需求。
智元将精灵G2 Max和京东物流合作的部署态场景搬到了现场，据了解，这是人形机器人首次在真实的仓储作业生产场景中部署落地。在展会的产线上，精灵G2 Max不仅能更灵活、更稳定地抓取、搬运标准料箱，还能24小时不间断完成搬运、码垛等工作，无需人工轮岗、夜班值守。
成立十年的具身智能企业傅利叶在现场搭建了真实居家场景，并首次全面展示面向居家陪伴服务的具身智能全链路技术Demo（样本）——傅利叶“具身之家”技术解决方案，傅利叶人形机器人GR-3可独立完成从语义理解到动作执行的闭环。在现场，记者向傅利叶人形机器人直接下达“我渴了”等模糊语义指令，多台傅利叶GR-3机器人将在理解模糊语义的基础上，自主响应指令需求抵达指定地点完成相关任务。
傅利叶相关负责人告诉记者，上述整套方案采用融合设计，大模型负责语义与规划，场景图负责环境认知，调度层负责任务管理，执行层负责落地控制，既保留大模型的灵活性，又保障机器人执行的稳定性与安全性。
号称“最像特斯拉”的通用智能机器人智平方将旗下零售场景“爱宝智魔方”搬到了展会上，除了制作咖啡、冰淇淋等成熟能力之外，其机器人首次新增鸡尾酒制作演示。随着观众现场下单，机器人自主识别订单、精准取杯、自动调配酒液、完成制作，整个流程一气呵成。
“如今具身智能行业发展逻辑已经发生根本转变，从过去单纯展示机器人跑动、跳舞等炫技表演，转向规模化部署、创造真实生产力。”智元联合创始人、总裁兼首席技术官彭志辉对证券时报记者表示，在他看来，行业评判标准已变得更加务实，核心考察指标变为机器人能否长期稳定在工厂、商业场景工作，以及跨任务泛化作业能力等落地指标。
大脑技术路线重构具身智能
随着硬件不断成熟，今年以来机器人的“大脑”成为必争之地。过去两年，VLA（视觉-语言-动作模型）一度被视为具身智能的主流技术路径，但行业逐渐认识到这种范式在泛化学习上存在局限——机器人能在一个场景中完美操作，换一个环境就不知所措。在此背景下，能力圈更广的世界模型成为技术风口。
今年WAIC上，多家厂商集中展出面向机器人的世界模型成果。云深处科技解决方案负责人乔鑫观察到，物理交互实操场景成为今年WAIC的主流，“抓取物品、叠放衣物等与现实世界直接交互的演示大幅增加，核心因素是机器人大小脑相关技术快速迭代成熟。”
不过，世界模型是否能真正替代VLA，行业远未达成共识。智元合伙人姚卯青在接受证券时报采访时直言：“‘世界模型’如今是一个被行业过度营销的标签，不同领域对它定义完全不同，只是企业用来区分旧技术、凸显技术先进性的包装词汇。”在他看来，VLA、世界模型都只是产品标签，并非技术本质，“真正的底层本质是原生面向物理世界的全能多模态大模型。”
千寻智能创始人韩峰涛则认为，世界模型并非VLA的替代。“VLA解决的是‘看到什么就做什么’的直接映射，而世界模型让机器人具备了‘预测这么做会发生什么’的推理能力。”融合VLA与世界模型的混合架构被普遍认为是更优解。彭志辉也表达了类似判断，认为VLA和世界模型是互补关系，长期最优技术架构是世界模型搭配机器人大小脑快慢系统，实现“理解物理世界、预测环境变化、主动改造世界”的完整闭环。
技术路线尚未收敛，但行业共识正在加速形成：具身智能的“大脑”必须从感知执行上升到认知推理。
数据之争：具身智能的“新石油”
当展示逻辑和技术路线都在转向“干活”时，一个更深层的问题浮出水面：支撑机器人“变聪明”的数据从哪里来？
今年WAIC上，“数据”成为出现频率最高的词汇之一。数十家企业展示了自己在数据采集方面的进展。行业共识是：高质量的真实世界数据，才是决定具身智能泛化能力的天花板。
姚卯青在采访中给出了一个判断：当下的行业共识是，需要远超现有存量规模的数据才能实现物理世界“GPT时刻”，更重要的是，这些数据几乎全部必须来源于真实世界，机器人必须用真实物理世界的数据来学习真实世界的规律。
但现实是，当前全球可用的高质量真实物理交互数据总量仅约几十万小时，而语言模型拥有百亿小时级的训练数据，具身智能的数据缺口仍然巨大。
数据缺口如何填补？各家企业的填补路径不尽相同，但方向高度一致，那就是从真实场景中去“挖”。智元旗下觅蜂科技的目标是今年积累近千万小时具身数据，明年向亿小时级跨越。韩峰涛则强调“非完美数据”的价值，坚持从真实场景中采集包含各种干扰、失败案例的数据。
从翻跟头到拧螺丝，从秀参数到拼数据，WAIC三年变化的背后是一条清晰的产业进化线：具身智能正在从“技术概念”走向“数据资产驱动的生产力工具”。技术路线虽有分歧，但目标高度一致——让机器人走出展台，走进工厂，真正干活。具身智能的“落地赛”，才刚刚开始。
更多进阶玩法，请在「小金鲤」中解锁
配资平台提示：文章来自网络，不代表本站观点。
