【ZiDongHua 之“会展品牌秀”标注关键词：灵生科技 人工智能 机器人 传感器 中国智能驾驶论坛 】
 
　　灵生科技杨洪兵出席 2026 中国智能驾驶论坛，解读人本数据与具身智能新方向
 
　　6月28日，由中国人工智能学会主办，中国人工智能学会智能驾驶专委会与北京航空航天大学交通科学与工程学院联合承办的“2026中国智能驾驶论坛”在北京海淀·万集空间举行。大会以“AI重塑未来出行”为主题，聚焦产业发展趋势、关键技术突破、场景创新应用及产业生态建设，通过院士专家报告、专题分享、圆桌论坛等形式，共同探讨人工智能赋能未来出行的新路径，为政产学研用各方搭建高水平交流平台。
 
　　01
 
　　智驾与具身智能同源
 
 
　　在大会上，北京灵生科技有限公司CEO杨洪兵围绕“人本数据采集助力具身模型迭代进化”进行了分享。他从智能驾驶与具身智能的联系出发，重点探讨了行业大模型的发展趋势、具身智能数据需求变化，以及未来机器人训练数据体系建设等话题。
 
　　杨洪兵表示，很多人认为智能驾驶和具身智能属于两个不同领域，但从技术路径来看，两者其实有很强的关联性。智能驾驶解决的是车辆如何理解复杂环境并完成决策，而具身智能解决的是机器人如何在真实世界中感知、理解并完成任务。无论是汽车还是机器人，本质上都需要面对同一个问题：如何让机器真正理解现实世界。
 
　　过去几年，智能驾驶领域围绕环境感知、多传感器融合、预测规划和决策控制等方向积累了大量经验，这些技术能力也正在被具身智能领域借鉴。未来机器人想要进入真实场景，同样需要具备对环境变化的理解能力，而不仅仅是完成简单动作。在演讲中，杨洪兵重点介绍了从VLA（Vision-Language-Action，视觉-语言-动作模型）到WAM（World Action Model，世界动作模型）的变化。他提到，早期行业对于世界模型的发展方向曾存在不同观点，有人认为通过视觉和语言模型直接生成动作即可。但随着近几年研究和产业发展，越来越多的人开始认识到，机器人如果想具备更强的泛化能力，仅仅学习“怎么做动作”是不够的，还需要理解“世界如何变化”。
 
　　相比VLA直接根据视觉和语言输入生成动作，WAM进一步加入了世界模型，让机器人能够预测未来状态，再决定下一步行动。也就是说，机器人不只是“看到什么做什么”，而是能够提前理解环境变化，并根据结果调整行为。
 
　　现场
 
　　他在现场还用 “剥鸡蛋” 做了一个形象的解释。他说，剥鸡蛋看起来是一个简单动作，但实际上并不能只靠视觉完成。如果机器人只通过摄像头看到鸡蛋和蛋壳，很难真正理解应该如何完成这一过程。人在剥鸡蛋时，需要同时结合视觉观察、手上的触感以及力量控制：用力太大会把鸡蛋捏碎，用力太小又无法剥开；随着蛋壳破裂情况变化，手上的动作也会不断调整。这个过程实际上是视觉、触觉、动作控制和经验判断的结合。人不是看到鸡蛋以后执行一个固定程序，而是在不断感知和调整中完成任务。
 
　　他认为，这也是当前具身智能发展的关键难点。机器人面对真实世界时，环境往往是不确定的，仅靠视觉信息或者简单动作数据，很难让机器人真正掌握复杂任务。未来模型需要学习的不只是 “做过什么动作”，还包括动作背后的环境变化和因果关系。
 
　　02
 
　　人本采集破局挑战
 
 
　　而这也带来了具身智能目前最大的挑战之一：数据。
 
　　杨洪兵指出，与大语言模型依靠互联网大量文本数据训练不同，具身智能需要的数据来自真实物理世界中的人与环境交互，包括视觉信息、动作轨迹、空间变化以及任务过程。机器人想要真正理解现实世界，仅靠少量示范数据远远不够，需要覆盖更多场景、更复杂任务以及更丰富变化的大规模真实交互数据。
 
　　他在演讲中提到，行业普遍认为，具身智能要达到真正可用的水平，至少需要 1000 万小时级别的真实交互数据。但目前全球高质量真实物理交互数据规模仍处于较早阶段，仅约 50 万小时量级，距离未来通用具身智能训练所需要的数据规模仍存在明显差距。
 
　　所以他认为，这种数据缺口并不仅仅是技术问题，也正在形成一个巨大的产业机会。与大模型时代依靠互联网数据推动能力提升类似，具身智能同样需要建立自己的 “数据基础设施”。未来竞争的关键，不只是机器人硬件能力和模型能力，更在于谁能够持续获取高质量、多场景、可复用的真实世界数据。
 
　　在这一过程中，“人本采集” 成为关键方向。相比传统机器人采集方式，人类在真实环境中的操作天然包含更加丰富的任务变化、环境信息和行为逻辑。通过采集人的视觉、动作以及交互过程，可以将复杂的人类操作转化为机器人能够学习的数据。
 
　　围绕这一方向，杨洪兵介绍了 UMI 数据体系。他表示，未来机器人需要学习的是更加接近真实世界的人类操作数据，而不是单一机器人在固定环境中的动作记录。通过 “人本采集”，可以让数据覆盖更多真实场景，也降低不同机器人之间的数据壁垒，为 VLA 和 WAM 模型训练提供更加丰富的数据基础。从 UMI 数据采集，到模型训练，再到机器人应用部署，杨洪兵认为，未来具身智能需要形成完整的数据闭环。只有让机器人不断从真实世界中学习，才能逐渐提升对复杂任务的理解和执行能力。
 
　　未来展望
 
　　从智能驾驶到具身智能，从车辆理解环境到机器人理解世界，人工智能正在进入新的发展阶段。在杨洪兵看来，未来机器人竞争的关键，不只是模型大小，而是谁能够拥有更丰富、更真实、更高质量的数据。