在某些特定行业，当前面临的痛点是人员稳定性与用工难题。

消费电子产线的工作场景较为特殊，工人需在固定时间点重复同一劳动数百遍，休息时间也有严格限制，整体工作枯燥甚至压抑，人员被高度机械化要求。

电子厂内部 视频截图

这种高强度、重复性的工作模式，使得年轻工人难以长期坚持，人员流动性极大。而对于消费电子这类需要大批量出货的行业而言，人员的频繁流动，既影响产品质量的一致性，也会干扰产能的稳定性。

姚卯青认为，机器人完全可以解决这一问题，所有机器人共享统一程序，不仅没有情绪波动，也不会出现跳槽等情况，能够持续稳定地执行工作，从而有效保障产能与产品品质的双重一致性。

值得一提的是，自动驾驶算法与人形机器人的具身智能技术路径高度重合，许多人认为，自动驾驶算法的经验可以完全复用到具身智能行业中来。

当前自动驾驶领域的新概念包括VLA（向量逻辑架构）和世界模型等，客观上看，它们和车辆上实际部署、用户真正在使用的系统关联度其实不高。

这些技术可能仅在一些辅助环节中偶尔被触发使用，而在实时执行的核心系统环节，依然以原有方案为主。毕竟受限于实时性要求和算力瓶颈，VLA与世界模型暂时难以应用到实时执行场景中，这一点也可以通过行业调研去证实。

姚卯青认为，具体到机器人领域，肯定还是要循序渐进，不能急于求成。

具体来说，首先需要在可控性强、相对简单的单一作业环境中，通过多种技术的融合，实现快速应用与落地，真正到真实的客户现场去证明自己，而不是仅仅频繁发布相关成果。过去有不少公司热衷于这类发布，但最终没有拿出真正落地的案例，这样的情况并不少见。

所以，他表示，智元更看重实际效果：发布最新成果固然重要，但能让这些成果真正落地到客户现场，转化为订单、形成收入，才是最有力的证明。

总的来看，姚卯青表示，机器人要发展，还是需要一个从本体到数据、算法、应用，再回归到本体的飞轮去迭代。

这其实也是他一直以来想要表达的观点，在此前举办的2025世界机器人大会上，他曾在公开演讲中对这一概念进行了解释，原话如下：

首先，你需要一个优秀的机器人本体，就像人类需要强健的体魄才能完成多种多样的任务。有了机器人好的本体，才能生产出稳定、一致性强且高质量的数据。对于人工智能大模型，无论是语言模型还是物理智能，数据质量决定了模型的上限。我们经常讲“garbagein，garbageout”，只有高质量的数据才能有优秀的智能体。脏数据对模型训练是有害的。

姚卯青在发表讲话

有了海量、优质的数据之后，这些算法也必须围绕实际应用场景进行落地试错，而不是凭空想象。我们常说“人工智能通用”是一个美好的愿景，但不能脱离实际去思考，必须结合场景。最终，在场景中的摸爬滚打（更多时候可能是惨痛的教训），会为本体设计、数据采集方法论以及大模型架构思考带来新的指引，让这个“飞轮”进入新的迭代。

活动中，他也在继续阐述这一观点，他提到，目前，在数据应用方面，真机数据依然占绝对主导，占比在90%以上，这一点和自动驾驶领域比较相似。

事实上，无论是实际落地的自动驾驶车企，还是相关供应商的方案，基本都以98%、99%以上的真实数据为核心，仅搭配少量仿真数据来覆盖一些极端边缘场景（corner case）。对于机器人而言，用于提升环境泛化性的仿真数据，占比可能也在10%以内。

对于行业来说，现在最重要的，就是能够让机器人尽可能多的进入真实场景，然后在真实场景中获取高质量的数据，他认为，这是对机器人公司当前选择深耕的技术路径来说最关键的一步。

而真机数据的获取，其实也就是智元一直在强调的迭代飞轮。

尽管智元目前已经对行业落地与ROI有着清晰的规划，但当下具身智能领域仍有诸多疑问待解。

一方面，今年不少具身公司虽手握订单，但真正能算清账目、切实解决生产生活核心需求的落地场景并不多见，一年之内，具身智能究竟能在哪些场景实现规模化“真落地”？智元G2的订单又将在汽车零部件制造、消费电子精密装配等场景中攻克哪些具体痛点？这些细节仍需市场给出答案。

另一方面，工业场景的成本账始终绕不开，精灵G2单台采购价高达50万-60万元，加之后续工程师维护等费用，官方所说的2-3年收回成本，是否真的已充分考量过了不同工厂的产能需求、产线适配调整成本以及机器人的实际故障率等因素？其真实ROI又能否如预期般达成？

这些问题也都还需要更多来自一线生产的实际数据来佐证，毕竟，商业化的最终检验标准，永远是市场的真实反馈与可持续的盈利模式。