面壁智能邹振盛：具身智能落地关键在可靠性与经济账

9月23日，中国经济信息社数字经济研究中心在京举办“新华未来机遇对话·闯关——从演示级智能到规模化应用具身智能高质量发展研讨会”。北京面壁智能科技股份有限公司工程副总裁邹振盛在会上表示，具身智能并非一家公司的游戏，而是一场生态协同。只有把通用模型底座做深，场景迁移才具备工程意义。

他认为，具身智能规模化落地的最后一公里，不是酷炫的演示，而是可靠性，以及让客户算得过来经济账。这一判断也构成其后续对数据、场景与商业化路径讨论的主线。他将其概括为从演示级智能走向规模化应用的关键门槛。

在数据配比策略上，邹振盛介绍，面壁智能成立于2022年，由清华大学自然语言处理实验室技术成果转化而来。不同训练阶段需要不同数据配比策略，这是模型持续进化的关键保障。数据策略并非固定配方，而是随训练阶段动态调整。

他称，人类第一视角数据是目前唯一供给能扩展到千万小时量级的具身数据，最有潜力成为支撑具身Scaling Law的预训练底料；但它缺少动作标签和本体感知，需要跨本体对齐。真机遥操作数据则是当前后训练主力，对接触密集任务的成功率增益最直接，但采集成本较高。可用数据与所需标签之间的差距，仍是核心工程难题。

在场景梯队方面，邹振盛认为落地节奏取决于三个维度：任务可定义度，即成功标准是否明确；失败代价的可承受性；数据回流的难易程度。据此可形成清晰梯队。这一框架有助于判断具身智能先在哪些场景释放价值。

第一梯队是汽车、物流分拣等任务标准化程度高、数据回流顺畅的场景。第二梯队为特种场景，第三梯队为商业服务，第四梯队为家庭场景。家庭场景非标特性突出，任务成功定义难以统一，数据回流也最困难。相比之下，家庭环境要求广泛泛化，且对失败容忍度低。

谈及制约下游大规模商用的核心因素，他坦言，真正的卡点不止在模型能力，还在可靠性与系统工程，关键是能否让客户算得过来经济账。客户需要看到清晰回报，才会决定部署。

对于未来两到三年，邹振盛判断，端侧大模型的产业格局将沿感知、思考、行动能力闭环逐步展开。成熟度最高的是语言模型，多模态次之，具身VLA模型仍在演进中。每一层能力都建立在前一层基础之上。

在应用场景上，车载将率先规模化。在模型能力密度提升和端侧芯片算力增强的双轮驱动下，消费电子将紧随其后，机器人也将会是最大的商业化场景。这一顺序既反映技术成熟度，也反映市场需求。

他呼吁，具身智能不是一家公司的游戏，而是一场生态协同。希望更多产业伙伴加入，共建多模态协同的数据闭环和评测体系，同时建立公开可用的数据集标准与交易机制，打破数据孤岛。他认为，这类机制对可持续进展至关重要。