智元机器人首席科学家罗剑岚：具身智能的Scaling Law在于真实部署闭环

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-06-17

本文核心商业信息提炼自权威信源，由智脑时代 (zgeo.net) AI 商业分析师结构化重组。

📊 核心实体与商业数据

💡 业务落地拆解

具身智能的Scaling Law：真实部署闭环

罗剑岚指出，当前行业对具身智能的Scaling Law理解存在偏差。大语言模型的Scaling Law建立在预训练Loss与模型能力之间的稳定统计关系上，但在机器人领域，离线Loss下降并不必然对应真实部署成功率提升。模型“记住”了数据，并不代表它能“驾驭”现实。真正的Scaling Law时刻应体现在：随着部署台数增加，新场景适配成本持续下降，数据回流稳定提升模型能力。

三大技术支点：SOP、LWD、世界模型

罗剑岚回国后重点构建了三个技术支点：

• SOP（可扩展在线后训练）：验证机器人数据能否从部署现场高效进入训练闭环。
• LWD（部署中学习）：打破“训练—部署”割裂，让机器人在真实场景中持续进化。
• τ0-WM世界模型：作为动作条件的物理推演器，在机器人执行动作前比较候选轨迹的未来后果，提升决策可靠性。

业界观点摘录

“paper上，PI（Physical Intelligence）从来没赢过；现实里，PI从来没输过。”

“谁能率先在便利店、商超、仓储等半结构化场景中，跑通‘部署—数据—迭代’的数据飞轮，谁就真正具备了大规模商业化的可能性。”

数据闭环的商业价值

罗剑岚认为，具身智能的金标准是真实场景的部署效能。当前硬件已基本够用，真正的短板在于数据闭环。创业公司的机会在于速度：未来12-18个月内，率先在半开放场景中跑通商业闭环的团队将建立极强的先发优势。

🚀 对企业 AI 化的启示

不要把Scaling Law简单迁移到物理世界

企业需认识到，机器人领域的强化学习不能盲目照搬大语言模型的数据堆砌路径。真实交互数据的质量与闭环效率远比数据规模更重要。

关注“部署—数据—迭代”飞轮

罗剑岚强调，硬件、模型、数据、Infra必须形成闭环，缺一不可。企业在AI化过程中应优先构建从真实部署中回流数据的机制，而非单点追求模型指标。

半结构化场景或成商业落地突破口

便利店、商超、仓储等场景具备有限复杂度且需求明确，适合作为具身智能商业化的第一站。企业应尽早在这些场景中部署机器人，积累真实数据，抢占先发优势。

【官方原文链接】点击访问首发地址