图源：受访企业提供
蓝鲸新闻7月16日讯（记者翟智超）7月15日，上海世界人工智能大会（WAIC）开幕前夕，地瓜机器人在上海办了一场媒体沟通会。台上，地瓜机器人CEO王丛被问到一个问题：旭日S600的560TOPS算力，是不是当前具身机器人的主流算力区间？
他的回答很直接：“现在行业里没有任何一个标准，这个芯片算力应该做到多大，也没有任何一个人跟我说你的算法要跑多大。”
这大概是整个具身智能行业当下最真实的写照。从芯片算力到数据标准，从算法路线到落地场景，充满了不确定性。王丛打了个比方，当年做智驾芯片，从1T到4T再到10T，也是一步步摸索过来的，“直到现在，也没人知道汽车行业应该做多大”。
不确定中，地瓜机器人是少数已经开始交付的玩家之一。在沟通会上，地瓜机器人公布了旭日S600发布半年来的落地进展：已与它石智航、优必选、北京人形机器人创新中心、自变量机器人等20余家头部客户达成合作，覆盖人形机器人、工业轮式双臂、3C柔性作业、具身大模型等场景。它石智航A3机器人将搭载旭日S600实现规模化工业部署，北京人形“天工3.0”计划2026年下半年量产交付，人形机器人（上海）“灵龙2.0”将于三季度完成多场景验证。超过100家产业链伙伴已完成协同适配。
芯片算力没有标准答案，产业落地却已经有了具体的时间表。王丛的判断是，仓储搬运、物料分拣这类场景技术门槛相对更低，目前已经基本跑通。
端侧模型至少会到30B，云端到100B以上——想要实现具身的真正效果，“至少要有几十B”。至于行业什么时候能跑通？他的回答是：“先行投入探索、走几次弯路，自然会形成可行的落地路径。”
以下为蓝鲸科技等媒体与王丛对话内容，经编辑整理：
具身智能芯片该做多大算力，现在没人知道
提问：旭日S600目前产品算力为560TOPS，能否介绍一下，500~600TOPS是不是当前具身机器人的主流算力区间？这个判断是基于哪些真实工作负载得出？下一阶段如果继续提升算力，大概会到什么量级？
王丛：现在行业里没有任何一个标准，这个芯片算力应该做到多大，也没有任何一个人跟我说你的算法要跑多大。我还记得原来做智驾的时候，从1T，4，4T，10T，一点一点做大，那会跟智驾也不知道要多大的算力。直到现在，也没人知道汽车行业应该做多大。放到现在也一样，没有定论。所以这个问题每年都有不一样的答案，就看2026年这一两年的落地需求，算法也在不断提高。我觉得，这个行业要是什么都定死了，也就没法发展了。这个行业未来要走十年、二十年，能效、算法、数据这些维度都会持续演进。
提问：摩尔线程、高通等企业也都在布局具身计算与大模型算力，行业竞争越来越激烈。想请教您如何看待这种竞争态势？
王丛：现在行业里不少玩家都参与进来，但真正已经做出可落地产品的并不多。国内科技行业历来如此，就像早年手机行业起步时，大家都会跟进热门赛道，这是行业发展初期的正常现象。目前行业还远没到白热化竞争的阶段，我们的核心关注点始终是打磨产品、响应客户需求。行业整体向前发展，玩家越来越多，对所有参与者来说都是好事。
提问：从傅利叶、优必选，到小雨智能，我们的客户覆盖人形、工业具身、具身大模型等各个方向。在您看来，哪一个细分场景最有可能率先实现大规模量产？
王丛：现在各个赛道都在探索落地。从技术复杂度来看，仓储搬运、物料转运这类场景的技术门槛相对更低，特定工业场景的物料分拣、上下料，目前技术层面都已经基本跑通。
技术成熟之后，核心要解决两个问题：一是产品的性价比，也就是投入产出比能不能打平；二是落地过程中的系统对接，不同行业有各自的生产管理系统，做解决方案需要适配大量非标需求，这很容易走弯路。
三大配资看似简单的搬运场景，不同仓库的货架高度、场地尺寸都不一样，还要对接仓库已有的搬运设备、WMS仓储管理系统，这些都是落地必须解决的实际问题。
我认为有两个关键点会推动规模化落地：一是供应链持续降本，这一点在中国的产业环境下很有希望，也会很快实现；二是行业和客户一起把“最后一公里”的解决方案打磨成熟。技术路径都是通的，只是时间问题。当然，“规模化”和“大规模”的定义不一样，不同场景的落地节奏也会有差异。
提问：去年工业机器人出货大概1万多台，今年预计增长到10万多台。想请问您认为今年具身智能芯片的出货量大概能达到多少？到2028年人工智能芯片的出货量能到什么水平？另外，AI芯片在机器人整机的成本占比大概是多少？
王丛：今年的整机出货数据我听过很多不同版本，不同机构的预测差异比较大，我们还是以实际客户项目的情况来判断，就不对外做具体数值预测了。关于成本占比，现在机器人本体的成本还在快速变化，很难给出准确的数字。可以参考其他成熟行业的规律：手机里旗舰芯片的成本占比大概在5%—10%；汽车行业的芯片成本占比，早期可能高一些，成熟后也会落到5%—10%的区间。不同行业发展到成熟阶段后，芯片成本占比在5—10个百分点是比较合理的分配，机器人行业应该也会遵循类似的规律。
提问：当下机器人进厂是热门趋势，就现阶段来看，工业机器人相较于普通技术工人，有什么优势和劣势？
元股证券:ygzq.hk
王丛：优势方面，我们和很多制造业企业交流下来，最核心的一点是可以填补“人不愿意做的岗位”的缺口。比如制鞋行业的粘底工序，工作环境又臭又脏，待一天鼻子都受不了，年轻人根本不愿意做，甚至很多工厂的实验室人员都没法进入这类工位。这类恶劣环境、高重复性的岗位，是机器人最典型的落地场景。还有搬运这类重复性劳动，现在愿意做的工人也越来越少，机器人可以很好地承接。劣势也很明显，现在机器人的通用能力还不足，规则复杂、差异化大的工厂场景，还没法很好地适配，真正能替代人工的场景还在逐步拓展中，整体还在研发迭代的过程中。
等没人再提“世界模型”四个字，这条路才算跑通
提问：今年明显感觉到具身算法的泛化能力有显著提升，想请问您认为背后有哪些核心原因？泛化能力增强，对前端部署有什么影响和意义？
王丛：我觉得核心原因并不复杂，这是算法发展的必然过程。早期行业的数据采集很不规范，零散杂乱；今年随着数据量逐步积累，大家把数据对齐、数据治理的基础工作做得越来越扎实，配套工具也逐步完善。就像之前达摩院的相关算法，用的还是同类数据，并没有引入全新的技术路线，只是把数据对齐的基础工作做透了，效果就有明显提升。并没有出现什么革命性、颠覆性的技术突破，本质就是行业把基础工作越做越扎实，泛化能力自然就会提升。
提问：您刚提到很多企业的芯片方案落地规模有限，请问这和当前具身模型的尺寸偏小是否有关？目前大部分VLA模型都跟随Pi0的技术路线，参数量大概在2.6B左右，您认为这一现状未来会发生变化吗？
王丛：这个有刷新的，之前Pi0.5版本是2.6B，今年发布的0.7版本已经是闭源了，是一个5B的版本。我记得阿里也调了一个4B的。目前行业模型迭代速度很快，半年基本就会有一次明显的参数升级，后续模型规模还会逐步提升。说实话从7B、13B、30B到70B、100B，这些数据是先让大家探索应该怎么做数据；找到方法后让数据积累到一个大数。等大家把小模型的路径彻底跑通，端侧模型至少会到30B，云端到100B以上的大模型。想要实现具身的效果，至少要有几十B吧，不然连基础的抓取效果都很难保障。
提问：模型需要数据才能提升能力，但高质量数据来自真实场景；可真实场景落地又对模型效果有很高要求，形成了矛盾。请问这种矛盾该怎么解决？数据是不是必须全部来自真实场景？未来会不会像移动互联网时代一样，靠烧钱储备数据跑出技术突破？
王丛：我觉得这个矛盾理论上成立，这个矛盾不是绝对的。就像智驾行业，现在数据存量很大，但真正支撑落地的核心还是真实场景数据。理论上“模型差拿不到场景、没场景练不出好模型”的矛盾确实存在，但在中国的产业环境下，哪怕早期没有商业化收益，行业也愿意先行投入探索，先把数据规模做起来，踩过坑、迭代完再逐步优化。这是行业发展的必然规律。
自动驾驶起步做数据采集的时候，也没有成熟的量产车，都是自己改装车辆，第一批采集的数据很多都废掉了。摄像头怎么装、装几个、配几个雷达，早期都没有标准，都是踩过几个坑之后才慢慢总结出成熟方案。具身智能现在也会经历这个阶段，废掉几波数据、走几次弯路，自然会形成可行的落地路径。
至于烧钱换突破，很多科研技术突破本来就是靠持续投入试出来的。没到一定的投入程度，没人知道正确答案，科学本身就是一套实验求证的方法。这些投入本质都是在做技术验证，是行业发展的必经阶段，没什么问题。
提问：现在行业里已经有几十台、几百台规模的落地项目，同时学术界也在不断发表相关论文。您觉得论文里体现的模型泛化性，和当前产品落地的实际效果之间是什么关系？泛化能力达到可用的临界点，还需要多大投入、多长时间？
王丛：泛化性本身是分维度的：有最高层面的通用泛化能力，也有特定场景下的局部泛化能力，甚至我们现场演示的方案里，也有局部的泛化设计——比如同一个动作逻辑，更换不同的末端执行器、更换操作目标，都可以适配。不同团队对泛化的理解和发力方向其实不一样。目前行业顶层的通用泛化方法论，还没有发展到成熟的阶段，大家解决的还都是局部场景的问题。现在所谓的落地起量，也都是小范围逐步爬坡，从50台、100台往上走，这是行业发展的正常过程，大家还需要逐步接受。
提问：现在行业里大家都在布局世界模型，相关的消息也很多。想请问世界模型在端侧的运行效率如何？未来的发展走向是怎样的？
王丛：目前大家都很关注世界模型，各个团队也都在布局，我们也和相关研究团队有合作。
世界模型并不是完全独立的一套体系，很多时候是作为特征提取模块，为VLA等模型提供特征输入，辅助数据验证和测试。现在行业还处在早期，技术路线分很多流派，大家都在做不同的尝试。什么时候世界模型能真正大规模广泛应用？等到大家不再刻意提“世界模型”这四个字的时候，就说明这条路真的跑通了，技术已经融入产品里，不再是单独的概念。就像自动驾驶行业，早年大家会反复讨论各种技术路线、名词概念，现在没人再纠结自动驾驶用的是什么技术流程，直接看实际运行效果就行。世界模型的发展也会经历这个过程。
中国市场不存在不可突破的壁垒，最终要落脚客户需求
提问：和头部算力厂商相比，地瓜目前最核心的卡点是什么？是算力、生态、供应链，还是客户心智、产品定位？
王丛：我觉得不存在什么绝对的壁垒或者既定规则。不管是芯片本身、供应链能力还是生态建设，国内外厂商的发展路径和所处环境本来就不一样。坦白说，在中国市场，很难说有什么不可突破的壁垒，其中也有政策环境的影响。最终我们的做法是，向海外头部企业学习研发细节——芯片架构上哪些设计更优，软件工具链上哪些方案更成熟，我们都会吸收借鉴。但学习不只是停留在技术层面，最终还是要落脚到客户的真实需求上。刚才不少环节也提到，客户都认可地瓜在硬件层面的交付能力。现在整个行业都处在探索阶段，大家都是新入局者，算法侧也在不断探索新的技术逻辑。我们恰好踩中了行业最核心的需求：把市面上主流的模型、算法产品都完成了深度适配，适配效果和落地速度都比同行更好，帮客户打消了模型部署的核心顾虑。把这件事做实之后，剩下的就是持续向行业顶尖的企业学习技术细节，不断打磨优化。
提问：相比英伟达的方案，适配地瓜芯片需要投入更多人力。想请问你们收到的客户反馈集中在哪些方面？客户希望你们在哪些层面加快改进？你们是怎么回应这些需求的？
王丛：我认为这是个必然，切换到不同的芯片架构，就必然需要投入更多人员做算法迁移和适配，这是更换技术路线的正常现象，这并不冲突。有量化部署经验、熟悉端侧优化的团队，比如有智驾开发背景的团队，迁移起来就会快很多；如果是之前只做算法原型、没有端侧量化经验的团队，上手成本自然会高一些。很多熟悉英伟达平台的开发者，其实忽略了英伟达方案要跑出高效率也需要做深度量化优化，只是大家已经习惯了那套开发流程而已。我们和客户的合作衔接很顺畅，客户有问题都会直接反馈，我们也会一步步配合优化工具链和配套支持，跟着客户的节奏把适配工作做扎实。整体走一遍完整流程下来，适配工作并没有大家想象的那么难。
提问：机器人真正运营产生的海量数据，都在客户的系统里，地瓜能拿到这些数据吗？比如客户要在地瓜的平台上做训练，配合意愿高吗？
王丛：我们不拿客户的业务数据。地瓜不是靠客户数据来迭代自身算法的，我们做自研算法的核心目的，是帮助客户更好地适配芯片——客户不熟悉我们的芯片架构，我们先在芯片上把基础算法跑通、做好优化金融行业信息服务网，给客户提供一个可用的基础模型，客户可以在此基础上快速迭代自己的算法。整个过程都是和客户共创的，我们不会获取客户的核心业务数据。
配资新闻网提示：本文来自互联网，不代表本网站观点。
