随着大模型的前进与普及，具身智能俨然已经成为了下一波技术浪潮的当红炸子鸡。真正的具身智能什么时候来到，我们离机器人通用模型还有多远？
1月11日，AI+ 和锦秋基金于 1 月 11 日共同举办了这场机器人技术圆桌论坛，邀请了多位来自产业与学界的重量级嘉宾，涵盖从工业安装到灵巧手操作，再到基础模型与硬件系统等多个方向。具体背景如下：
主持人：
Lynn（AI+ 创始人）
天宇（锦秋基金合伙人）
Panelist：
丁雨（Roboforce 联合创始人，从事 To B 太阳能板安装机器人）
陈涛（Dexmate 创始人，从事灵巧手）
Xuzhuo（Deepmind Robotics Foundation Model 研究员）
黄迪（灵巧手创业创始人）
Roger（Apple Intelligence Robotics 团队）
Justin（Apple 硬件团队）
在此次圆桌论坛中，嘉宾们围绕机器人闭环安全、仿真与真实环境的差距、通用模型与垂直场景的选择等热点问题展开讨论，为新一代机器人应用与落地带来了前沿观点与务实思考。以下是这次panel的采访稿：
Q1（主持人Lynn）
在机器人实际应用里，想实现安全且完整的闭环，往往需要同时解决感知和控制的问题。我们看到过去有些公司尝试用如diffusion等方法做闭环，但可控性不足。也有人依靠Segment Anything Model做场景重建，仍受到视角限制。请问各位嘉宾，当前要想在真实场景里实现可靠的闭环控制，面临的主要障碍是什么？仿真与真实环境之间的差距又该如何弥合？
A（丁雨，Roboforce）
想真正做闭环，一种方式是直接在真机上实验，但成本极高；另一种则是使用仿真。仿真可在一定程度上替代真实测试，但感知层面的渲染以及物理层面的摩擦力、电机模型等都和现实有差距。所以我们希望有一种高保真的仿真，让机器人在其中“见过”足够多变量，学到通用规律，然后再迁移到真实世界中。这样才有机会在现实里实现闭环。
A（陈涛，Dexmate）
仿真主要有两大gap：视觉的逼真度与物理的准确度。视觉渲染若要做到电影级别，需要海量算力和资源；物理属性里，材质、重力、摩擦系数等都很难精确模拟。所以理想策略是用仿真先做大量训练，再把真实数据做校正。若控制器够鲁棒，不需要对每个细节进行极度精确建模，也能在现实中有相当的外推能力。
A（黄迪，灵巧手创业）
此外，还有系统管理层面的问题。机器人硬件、关节、电机、系统延迟等方面，仿真与现实往往不完全吻合，需要进行system identification或其他方法去估计和弥补这个误差。目前在一些抓取、分拣等子任务上已有论文探讨如何让仿真结果与真实世界保持关联，但距离通用的闭环安全方案还需要更多探索。
Q2（主持人天宇）
在自动驾驶领域，Waymo依靠海量真实行驶数据，另一类公司则先用大量预训练再做真实校正。机器人界也有类似争论：有人偏好依赖真实部署，不断修正；有人想先构建庞大的模型再落地。各位怎么看当前机器人行业的主流混合模型（Hybrid Model）路径？是否已经有某种成熟的做法？
A（丁雨，Roboforce）
自动驾驶已经有相当规模的真实上路数据，但机器人尚未到处跑。因此大家多采用结合仿真与真实场景的小范围验证。根本原因还是数据。机器人实际使用的数据成本高，无法像自动驾驶那样规模化。算力和模型架构并非最大瓶颈，关键是如何获得足够多样且有质量的交互数据。
A（陈涛，Dexmate）