今天的 AI 越来越强调持续学习、自我改进和闭环迭代，但真实世界并不是一份预先准备好的数据集。对机器人而言，真正重要的不只是“拿什么数据训练”，而是如何理解数据产生时的任务、环境、硬件、模型版本与人工介入，如何从真实执行中识别能力缺口，并进一步决定下一轮该采什么、在哪里采、由谁执行，以及如何验证一次改进是否真正有效。

本次分享将介绍一种面向真实世界学习的系统视角：把任务、事件、状态、数据和资源组织在持续演化的时间轴上，通过端、边、云协同，把问题发现、数据产生、模型学习、评测验证和下一次行动连接成闭环。最终，数据集不再是系统的起点和终点，而是持续学习过程中动态形成的一种结果。

演讲提纲：

1. 真实世界不是一份数据集
   • 为什么机器人学习不能只围绕静态数据集展开，以及数据集视角天然会丢失哪些关键上下文。
   • 从数据走向事件与上下文：任务创建、机器人执行、人工介入、失败、换件、标定、模型发布，本质上都属于学习系统的一部分。
2. 学习并不是从训练开始的
   • 模型评测发现能力缺口后，需要进一步反向决定下一轮“由谁、在哪里、采什么、如何验证”。
   • 一次失败，不一定意味着再训练一次。失败可能来自模型能力，也可能来自硬件、环境、标定、数据质量或人工介入。
   • 系统需要先理解反馈，再决定下一步行动。
3. 从数据流水线走向学习系统
   • 端、边、云不只是数据传输链路，而是一个能够协同处理问题、组织资源和驱动下一轮行动的系统。
4. 持续学习真正需要什么
   • 核心不是单纯增加数据或扩大模型，而是缩短“发现问题—获得证据—产生改进—验证改进”的完整周期
   • 数据集不再是系统的起点和终点，而是持续学习过程中动态形成的一种结果。

实践痛点：

1. 机器人学习若只围绕静态数据集展开，就会天然丢失任务、环境、硬件、模型版本与人工介入等关键上下文。
2. 学习若从训练而不是从评测发现能力缺口开始，就难以反向决定下一轮由谁、在哪里、采什么、如何验证。
3. 把一次失败简单归因于“再训练一次”，会忽略模型能力、硬件、环境、标定、数据质量或人工介入等真实原因。
4. 端、边、云若只是数据传输链路而不能协同处理问题、组织资源和驱动下一轮行动，就无法缩短“发现问题—获得证据—产生改进—验证改进”的完整周期。

前沿亮点：

1. 提出“真实世界不是一份数据集”的系统视角，把任务、事件、状态、数据和资源组织在持续演化的时间轴上。
2. 重新定义学习起点，主张学习并不是从训练开始，而是从模型评测发现能力缺口、理解反馈开始。
3. 将端、边、云从数据流水线升级为协同处理问题、组织资源和驱动下一轮行动的学习系统。
4. 重新定义数据集与核心指标，让数据集成为持续学习过程中动态形成的结果，并以缩短“发现问题—获得证据—产生改进—验证改进”周期为目标。

听众收益：

1. 理解为什么机器人学习不能只围绕静态数据集展开，以及数据集视角会丢失哪些关键上下文。
2. 掌握把任务、事件、状态、数据和资源组织在持续演化时间轴上的真实世界学习系统视角。
3. 学会从真实执行中识别能力缺口，并反向决定下一轮“由谁、在哪里、采什么、如何验证”。
4. 获得失败归因与闭环度量框架，能够以缩短“发现问题—获得证据—产生改进—验证改进”周期来重新审视自身系统。

物理世界正成为人工智能新的主战场。具身智能要真正进入家庭、工厂、园区和公共空间，仍需突破数据、理解、泛化与落地四大难题。大晓机器人通过环境式数据采集方案构建高质量数据闭环，以具身基础模型打通理解、决策、执行与评估，并结合“晓途”开放场景自主作业方案，探索从数据、模型到行业应用的完整链路，推动机器人实现跨任务、跨场景、跨本体泛化，加速物理智能进入更多真实产业现场。

演讲提纲：

1. 物理世界为什么需要新的智能基础设施
   • 从数字智能到物理智能：机器人面临的真实世界复杂性
   • 环境式数据采集的价值：让数据与物理世界对齐
   • 具身基础模型的发展趋势与当前产业化难题
2. 如何构建高质量环境式数据资产
   • 环境式采集方案：如何实现多模态、全流程真实交互数据采集
   • 数据生产链路：从采集、标注到质量管理，构建可持续迭代的数据闭环
   • 数据标准化实践：统一空间坐标、本体结构、动作时序与数据质量
3. 如何训练具身基础模型并提升泛化能力
   • 能力架构：空间理解、导航决策、操作执行、任务评估的统一建模
   • 世界模型与真实交互：从理解环境到预测结果，再到自主规划与闭环控制
   • 跨任务、跨场景、跨本体泛化：面向家庭、零售、物流等复杂环境的模型验证
4. 如何让具身智能真正进入行业现场
   • 开放场景自主作业方案：从单一动作到多任务协同
   • 行业应用中的部署、评测、反馈与持续优化
   • 从单点验证到标准化复制：基础模型赋能合作伙伴共创垂直方案
5. 总结与展望
   • 环境式数采、具身基础模型与行业方案的协同演进
   • 面向未来，构建连接数据、模型、本体与产业的物理智能基础设施
   • 让机器人在更多真实场景中理解世界、适应变化并可靠完成任务

实践痛点：

• 如何以合理成本持续获得覆盖多任务、多环境和多本体的高质量交互数据
• 如何让具身基础模型在陌生场景中保持稳定的空间理解、任务规划与动作执行能力
• 如何建立可量化的模型评测体系，推动从实验室指标走向真实业务效果
• 如何将通用模型能力转化为可部署、可复制、可持续运营的行业应用

前沿亮点：

• 完整的具身智能技术链路：从环境式数据采集、数据工程、具身基础模型到“晓途”行业方案，系统呈现物理智能的研发与落地实践
• 真实场景下的泛化能力探索：结合家庭、零售、物流等实际应用，分享机器人跨任务、跨场景、跨本体协同工作的技术路径与工程经验

听众收益：

• 了解大晓环境式数据采集方案如何支撑具身基础模型训练与持续迭代
• 理解具身基模型在空间理解、导航决策、操作执行和任务评估方面的技术思路
• 掌握从数据、模型到“晓途”行业解决方案的落地方法与关键实践
• 了解具身智能在开放场景中的部署、评测和规模化复制路径
• 理解如何与具身智能企业开展生态合作，共同构建面向真实业务的垂直应用

具身 Scaling，是当前具身智能赛道最核心的命题之一。人形机器人硬件不断成熟，大量具身基础模型层出不穷，但实验室的优秀效果，很难直接复制到真实物理场景，如何完成规模化能力释放，把模型能力转化为实实在在的产业生产力，成为行业突围的关键。本次围绕演讲主题《具身 Scaling：从基础模型，到生产力落地》，结合大量真机一线实践，分享具身基础模型规模化迭代的技术思考与产业洞察。

演讲提纲：

1. 拆解具身基础模型最新技术进展，厘清具身 Scaling 下模型能力的上限与现实性能边界；
2. 深度剖析模型规模化过程中的共性痛点，探讨如何破解模型规模膨胀，但真机效果不达预期的行业难题；
3. 解读数据、算力、算法三位一体协同体系，如何驱动具身基础模型持续迭代、实现能力规模化增长；
4. 分享具身模型面向工业等场景的落地实战案例，复盘从算法原型走向可交付生产力的商业化经验；
5. 展望具身 Scaling 赛道中长期技术演进路线，探讨产业链协同共建具身智能产业生态的可行路径。

实践痛点：

1. 效果鸿沟：模型规模持续膨胀、参数屡创新高，但真机成功率、稳定性与泛化能力并未同步提升——"规模上去了，效果没跟上"成为行业共同的焦虑；
2. 边界模糊：具身基础模型快速迭代，但模型能力的上限在哪、现阶段的性能边界在哪，行业缺乏清晰共识，技术选型与投入决策容易失焦；
3. 协同失衡：数据、算力、算法任一环节短板都会拖累整体迭代效率，三者各自为战、缺乏体系化协同，导致模型能力增长难以持续；
4. 落地断层：从算法原型到可交付的生产力之间隔着工程化、稳定性与成本多道关卡，大量成果停留在 Demo 阶段，商业化闭环难以跑通。

前沿亮点：

1. 厘清能力边界：拆解具身基础模型最新技术进展，系统梳理具身 Scaling 路径下模型能力的上限与现实性能边界，帮助行业建立清晰的技术坐标系；
2. 破解规模悖论：深度剖析模型规模化过程中的共性痛点，探讨"模型膨胀但真机效果不达预期"这一行业难题的破解思路；
3. 三位一体协同体系：解读数据、算力、算法如何形成协同闭环，驱动具身基础模型持续迭代、实现能力的规模化增长；
4. 生产力落地实战：分享具身模型面向工业等场景的真实落地案例，完整复盘从算法原型走向可交付生产力的商业化经验。

听众收益：

1. 看清技术全貌：一次掌握具身基础模型的最新进展与具身 Scaling 的中长期演进路线，建立对赛道现状与走向的系统判断；
2. 带走解题思路：获得应对"规模膨胀、效果不及预期"的可复用方法论，以及数据、算力、算法协同体系的建设经验；
3. 借鉴落地经验：从工业等场景的真实案例中，学习从原型验证到规模化交付的完整路径与踩坑教训；
4. 共探生态机遇：与产业链各方共同探讨协同共建具身智能产业生态的可行路径，寻找合作与卡位机会。

具身智能正加速走向真实世界，新一代创业者也在重新定义机器人的技术路径与应用边界。本场圆桌将邀请多位具身智能领域的新锐实践者，围绕模型、数据、泛化与落地展开讨论，分享他们正在押注的方向，以及对机器人未来形态的判断。

更多嘉宾敬请期待。