从政策密集部署到地方积极布局，从资本加速涌入到创业企业纷纷涌现，具身智能成为当前最受关注的新兴赛道之一。但热度之下更需要冷静判断：具身智能究竟是什么？它将如何改变社会生产方式和产业结构？商业化落地的关键在哪里？带着上述问题，中国经济时报记者近日专访了国务院发展研究中心产业经济研究部副部长、研究员李燕。

　　具身智能具备万亿元级产业带动潜力

　　中国经济时报：您如何看待我国具身智能相关政策的演进过程？

　　李燕：具身智能是人工智能从虚拟数字世界落地现实物理世界的关键环节，是新一轮科技革命的重要方向。它将AI与物理实体深度融合，通过感知—决策—执行闭环与真实环境实时交互，突破了传统AI以数字信息处理为主的局限，既是生产方式的深刻变革，更是新质生产力的重要载体，将深刻影响生产生活各个领域。

　　国家对具身智能产业的布局有着清晰的政策脉络。2020年以来，习近平总书记多次强调超前布局未来产业，为具身智能纳入国家顶层设计提供了思想引领。在此基础上，2025年“十五五”规划建议首次将具身智能纳入国家未来产业中长期重点布局；2026年“十五五”规划纲要进一步提出推动具身智能等成为新的经济增长点。连续两年的政府工作报告也对具身智能作出明确部署。相关部门从技术研发、创新平台、行业标准、场景开放多维度出台配套举措，各地也同步推进试点落地，目前已初步形成了一个环环相扣、同向发力的政策闭环。

　　相较于传统机器人，具身智能的最大变革在于：从按照固定程序执行单一任务的生产工具，向具备环境感知、任务决策和柔性协作能力的智能体演进。有望逐步应用于工业制造、农业生产、特种作业、民生服务等多类场景，推动相关领域提质增效升级。同时，具身智能的产业链覆盖了模型算法、核心芯片、精密零部件、整机制造、场景解决方案及数据服务等关键环节，具备形成万亿元级产业规模的潜力。

　　拆解具身智能商业化落地时间表

　　中国经济时报：当前具身智能产业发展最突出的瓶颈是什么？政策突破的发力点在哪？

　　李燕：当前阶段具身智能发展还存在一些关键制约：一是高质量物理世界数据稀缺。由于真实场景高度非结构化，且不同本体硬件标准不一，导致数据采集成本高、难以复用。仿真数据和视频学习可用于预训练，但与真实环境之间仍存在显著的迁移鸿沟。总体上，可用于训练的有效数据规模远跟不上模型迭代的需求。二是模型泛化能力不足。实验室训练环境与各种真实工况之间存在较大差异，具身大模型还没有形成可靠的“举一反三”能力。三是部分硬件的工程成熟度还不够。比如灵巧手与关节模组在高负载、高频次运行下的故障率问题，累计误差和精度衰减问题还比较突出。产业发展初期，供应链的碎片化使得系统集成成本偏高。以上瓶颈导致目前具身智能可规模落地的场景有限，无法大规模商业部署就无法产生高质量真机数据，进而难以对模型泛化能力提供有效的真实数据支撑；硬件稳定性与成本因素，又制约了规模化复制，环环相扣，是具身智能从验证走向商用的主要卡点。

　　针对上述制约，需要从数据、场景、技术底座、标准与生态建设等多方面发力破局。近期相关部门已出台一些举措：一是围绕破解数据瓶颈，今年6月，国家数据局发布了行业高质量数据集建设行动方案，明确将具身智能真机交互数据纳入重点支持，各地也在配套建设数据采集训练场。这里的关键在于如何探索跨区域、跨企业的数据共建共享机制，推动异构机器人数据格式统一与平台互通，形成网络效应。同时，发挥好市场化数据服务公司的作用。二是推动场景开放和实景训练。近期工信部、国资委启动了人形机器人与具身智能实景实训专项行动，地方同步推进治安巡检、园区运维等场景开放，通过积累高质量真机数据，可以加快模型能力迭代。三是要强化核心技术攻关。特别是加强对核心零部件、AI芯片、仿生灵巧手、基座大模型等通用方向的统筹支持，为产业筑牢技术底座。四是以标准引领生态建设，今年2月工信部已发布标准体系顶层设计，建议在此基础上，加快急用标准落地，以标准为牵引，统一接口、数据格式和评测尺度，促进供应链协同。

　　总之，具身智能要打破“数据缺乏—泛化不够—硬件可靠性不足—场景受限”的负向循环，核心在于以场景开放为突破口、数据回流为引擎、技术底座为支撑，构建标准引领、同步发力的正向循环，才能加快从技术验证走向大规模商业化落地。

　　中国经济时报：目前市场上机器人大多停留在展会展演、科研测试，要实现真正规模化落地需要具备哪些条件？

　　李燕：从供给侧看，具身智能大规模商业化落地，至少需要三个方面的协同：第一，模型具备跨场景的泛化能力。泛化能力解决的是同一产品在不同场景通用性的问题，目的是实现范围经济。第二，供应链成熟与稳定可靠。灵巧手、感知传感器、伺服执行器、具身专用芯片等的本土供给、成本控制能力必须跟上规模化节奏，通过量产摊薄硬件成本，解决规模经济问题。我国拥有全球最完备的机器人产业链基础，但高端精密部件仍存在短板，需要持续攻关。第三，具身智能落地真实场景形成数据飞轮效应，不断沉淀全新工况数据，反哺模型迭代优化，持续降低试错与调试成本。

　　除了供给侧的这三个必要条件，具身智能大规模落地还需要两个外部条件：需求侧，投入产出比可量化，客户能够清晰地计算投资回报周期，形成可持续的商业模式；治理侧，形成较为健全的安全与信任治理框架，从功能安全、数据安全、伦理规范等方面守住具身智能安全可信的底线。供给侧的三重能力是产业内功，需求侧与治理侧是市场土壤，当这五方面条件渐次成熟、协同到位，具身智能大规模商用便是水到渠成的结果。

　　中国经济时报：按照场景成熟度，产业落地会遵循怎样的时间顺序？哪些领域最先实现规模化应用？

　　李燕：按照场景成熟度，具身智能产业落地可能遵循“结构化工业场景先行、特种危险作业跟进、民生服务场景延后”的梯度演进路径，但三类场景内部也存在从简单到复杂的细分层次，不是绝对线性的。工业制造场景封闭、任务单一、工况结构化，现有产线已经开展物流分拣、焊接等场景的智能机器人试点，是率先迎来规模化探索的赛道。消防救灾、电力巡检、矿山采运等特种场景，能够替代人类进入高危环境，有刚需场景，其中电力巡检、带电作业等特种场景已率先从试点逐步进入规模化部署；消防救灾、矿山采运等其他特种场景，技术成熟度相对滞后，预计2—3年内有望实现小范围定点部署。家政、养老、陪护等生活服务场景环境复杂、人机交互频繁，安全、伦理约束更多，落地周期更长，会在前两类场景成熟后逐步渗透，但长期市场空间最为广阔。

　　具身智能模型绑定复杂物理环境，融合多模态感知，碎片化场景下数据积累需要更长周期，不能简单套用通用大模型发展的节奏。简单标准化任务的具身智能体迭代会更快，但能够适配全场景、多任务的通用具身智能体，需要海量真实场景数据持续喂养，量变到质变存在客观周期。不过当前人才、资本、创新资源加速集聚，产学研协同攻关提速，有助于在一定程度上加快技术突破。