当前具身智能模型已迈入强调通用性与泛化能力的新阶段，但仍受限于长尾问题、高质量数据稀缺及评测体系缺失。嘉宾指出，百万小时级真实数据是构建强大模型的基础，合成数据和人类视频可辅助但无法替代物理交互的真实性。中美发展路径不同：美国倾向自上而下的大模型探索，中国则结合场景需求双轨并行。端到端模型与分层系统之争尚未收敛，VLA 架构正推动技术趋同。尽管模型水平相当于 GPT-2，预计 1-2 年内可达 GPT-3，短期内机器人将优先落地半结构化家庭场景。商业化需与研发协同，通过大规模部署获取反馈，实现数据闭环迭代，视觉仍是主要感知输入，触觉与力控可在演进中逐步融合。