近日，工业和信息化部、国务院国资委联合印发《关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知》（以下简称“专项行动”），提出面向工业、特种、服务等领域重点场景，一体推进实景实训空间建设、创新应用联合体培育、作业技能攻关和应用部署验证，推动人形机器人与具身智能产品在真实生产生活环境中常态化部署应用，加速实现规模化发展。
这一政策信号明确行业拐点：具身智能的竞争重心，已从“能否做出模型”转向“能否在真实环境稳定落地”。产业从技术验证、样机展示阶段，走向实景训练、应用验证和常态化部署新阶段。高质量真机数据、模型迭代能力、多方协同打造可复制方案的能力，成为企业下一阶段的核心竞争力。
作为人工智能企业，开普云紧跟产业趋势，依托开悟大模型，布局具身智能模型算法、数据工具链、智能体工程化与场景应用能力。结合专项行动要求，公司凭借通用模型底座、数据闭环工具链及整体集成能力，探索具身智能从训练场到生产场景的能力迁移路径。
实景实训成为具身智能落地关键环节
具身智能既要实现任务理解，更要保障在复杂物理环境中稳定运行。物理场景环境多变、物体状态不一、突发异常频发，让实景训练与验证成为规模化落地的核心环节。
▲本图由AI生成，图为机器人在真实作业环境中训练
专项行动提出，要打造可训练、可测试、可验证的实景实训空间，依托真实场景训练持续优化具身智能模型算法，积累高质量真机数据。这意味着，未来具身智能发展不能只依靠仿真环境或少量单次演示数据，而需要在真实作业流程中不断采集数据、排查问题、优化模型，并最终形成稳定可靠的作业能力。
在开普云看来，实景实训并不是针对某一个单一场景进行孤立训练，而是要依托更完善的模型底座和数据工具链，构建可持续迭代的能力体系。这也是我们区别于行业单点定制化路线的核心差异：通过广域真机数据采集，提升模型基础能力，结合生产场景适配微调，在应用中完成数据回流、模型迭代升级和更新部署，才能推动具身智能从单点演示走向规模化应用。
以平台型能力参与创新应用联合体建设
专项行动鼓励用户、整机企业牵头，联合算法、零部件供应商及科研院所组建创新应用联合体。具身智能是复杂系统工程，无法依靠单一企业独立完成，需要各方协同整合场景、本体、算法、数据与工程集成能力。
▲多主体协同推动具身智能从单点验证走向能力共建
开普云副总裁、首席技术官杨春宇博士表示，现阶段开普云的定位既包括通用模型底座研发，也包括数据工具链研发，同时还承担整体技术集成工作。实景实训要依靠优质的模型底座，而非局限于单一场景的专项训练。开普云通过训练场建设和广域数据采集，夯实模型基础能力，并在训练场中搭建实际操作场景锤炼核心能力，再将成熟能力迁移到真实生产场景中完成环境适配。
这一定位与专项行动提出的创新应用联合体建设方向高度契合。在联合体中，开普云可充分发挥模型算法与平台型企业的综合优势，一方面为具身智能应用筑牢模型能力根基，另一方面依托数据采集、模型训练等工具链能力，串联用户单位、整机企业、科研机构及产业链上下游伙伴，推动多主体协作从简单分工迈向能力共建。
构建从数据采集到模型迭代的闭环体系
数据是具身智能迭代进化的核心基石。专项行动要求构建高质量、高保真数据集，补齐空间语义、物体属性、异常处置、边界工况等实景数据短板，这也是当前行业发展的主要瓶颈。
杨春宇博士认为，模型迭代绝非简单完成真机部署和实时监控，就能够自然训练出优质模型并完成二次部署，整个过程存在大量亟待解决的工程问题。结合开普云真机数据采集、国际比赛实践和客户场景试点经验，公司已经搭建起数据异步回流、精细层次化标注、模型增量微调、强化学习训练、模型在线部署等体系，后续还将持续完善人工实时接管、异常工况恢复等配套工具能力。
▲从数据采集到模型迭代的闭环体系
在这一过程中，数据回流效率、标注质量、模型训练方式和部署验证机制，都将直接左右模型迭代效果。不同于数字智能领域比拼算力与模型规模的发展思路，具身智能更注重在真实物理环境中获得持续反馈，并将反馈转化为可训练、可复用、可迁移的数据资产。唯有建立完整的数据闭环，才能让模型在不同任务、不同设备、不同工况下，稳步提升泛化能力和执行稳定性。
同时，具身智能应用不能止步于单一场景的局部适配。如果一味追求对某一场景的短期适配，极易产生大量不可复用的硬编码，难以沉淀长期价值。开普云更聚焦依托训练场、真机数据和模型闭环，打磨模型在场景理解、任务规划、操作执行、人机协同、异常恢复等方面的核心能力，让模型具备适配更多真实场景的迁移能力。
面向未来，开普云将持续深耕实景实训、真机数据采集、模型训练优化和应用部署验证等领域，不断完善从训练场到真实生产场景的能力迁移路径，打造从数据回流到模型再部署的全链路闭环工具链，助力具身智能完成从技术验证迈向常态化作业的跨越。
海量资讯、精准解读，尽在新浪财经APP
益通网提示：文章来自网络，不代表本站观点。
