问题：从屏幕里的能力到真实世界的能力，仍有“最后一米”的鸿沟。
近年来，大模型与算力快速迭代，带动机器人“看得更清楚、说得更像人”。
但在工厂装配、精密抓取、易碎品搬运等任务中，机器人面临的核心挑战并非“会不会识别”，而是“能不能稳稳地抓、轻轻地放、遇到变化能否即时调整”。
行业普遍存在“脑子越来越聪明、手却仍显笨拙”的结构性短板：对接触、受力、摩擦、滑移等细微物理量的感知与控制能力不足，使得机器人在复杂、非结构化环境中难以稳定完成高标准作业。
原因：数据供给结构不匹配，制约了“物理直觉”的形成。
张栋认为，文本与通用视觉数据的规模化供给，曾使部分市场产生“模型足够大就能包打天下”的误判。
现实是，机器人要在物理世界中获得可靠能力，必须积累可学习、可复用的“接触级”数据，包括触觉反馈、接触力变化、材质纹理、摩擦系数、滑移趋势等。
这类数据生成成本高、采集难度大、标注与同步要求严，且高度依赖真实场景与高精度传感。
与互联网文本不同，物理交互数据难以“天然沉淀”，需要通过系统化采集设备、标准化流程与规模化部署来形成可持续供给。
换言之，行业从“模型竞赛”加速走向“数据资产竞赛”，谁能更低成本、更高效率地沉淀高密度高质量的触觉数据，谁就更接近灵巧操作的工程化门槛。
影响：竞争焦点转向“数据基础设施+场景验证”，产业格局或将重新洗牌。
CES等国际展会释放出明确信号：具身智能正从“概念演示”转向“物理落地”，市场与资本对可交付、可复制、可盈利的应用提出更高要求。
张栋提出，触觉感知将从“高端选配”走向“工业标配”，其背后是制造业对良率、节拍、稳定性的硬约束。
一旦触觉与力控能力成为通用底座，机器人在3C装配、汽车零部件、精密仪器、医药分拣等领域的适用边界将显著扩展，产业链的价值分配也会随之调整：仅依赖单一硬件或单一算法的企业将承受更大竞争压力，而能够形成“数据—模型—系统—交付”联动能力的企业将获得更强议价与更长生命周期。
对策：以数据为牵引，贯通“感知—采集—训练—部署—收益”的闭环。
围绕如何破解数据瓶颈，张栋介绍，企业正在尝试通过力/触觉反馈的遥操作数据采集系统，将熟练操作员的“手感”转化为机器人可学习的训练素材：一方面，让操作者在远程操作时获得更真实的触觉与力反馈，从而在抓取易碎物、精密插装等任务中形成高可复现的动作轨迹；另一方面，通过标准化采集，把人类经验沉淀为可泛化的高质量数据，用于训练与迭代灵巧操作模型。
这类路径的关键不在于单点设备发布，而在于形成可复制的“设备—数据—部署”体系：设备负责规模化采集，数据形成可积累资产，部署推动在真实场景中验证并反哺模型迭代，最终由场景付费与持续服务实现商业回收。
对行业而言，这意味着商业化不再只是“卖一台机器人”，而是要在生命周期内通过交付、运维、升级与数据服务建立稳定现金流。
前景：从“十五五”开局看，具身智能或迎来结构性窗口期，但“跑通闭环”仍是硬指标。
随着新旧动能转换加速，制造业智能化升级、劳动力结构变化以及全球供应链再布局，正在共同抬升对高可靠自动化的需求。
我国在制造业门类齐全、应用场景丰富、产业链配套完整等方面具备优势，为物理交互数据的规模化采集与模型迭代提供了“试验场”和“放大器”。
但挑战同样突出：数据标准与接口体系尚不统一，跨企业、跨行业的数据共享机制仍需探索；高精度传感与核心零部件的稳定供给、成本控制与可靠性验证仍需时间；同时，安全合规、操作规范与责任边界也需同步完善。
可以预期，未来两年行业将加速分化：能够把触觉数据、灵巧操作与场景交付打通的企业，将更快形成可持续竞争优势；停留在演示层面的方案则面临淘汰压力。
具身智能产业正站在新的十字路口。
从"大模型狂欢"到"物理世界落地"的转变，本质上反映了技术发展从理论验证向实际应用的必然演进。
数据作为新的竞争要素，将决定未来产业的格局。
中国企业需要抓住这一战略机遇，充分利用制造业体系完整、应用场景丰富的优势，加快高质量物理交互数据的积累。
同时，还需要推动产业链各环节的标准化和协同，形成从硬件、数据到应用的完整生态。
唯有如此，才能在具身智能的下半场竞争中掌握主动权，推动中国机器人产业实现从"制造大国"向"创新强国"的升级。