9月18日，物理AI场景落地研讨会于高新兴科技集团举办。现场汇聚高校学者、科创企业家、技术专家及新阶代表人士，围绕数据底座、端侧入口、跨域技术复用、产业技术底座四大维度剖析物理AI落地痛点。
华南理工大学电子与信息学院人工智能系主任张鑫教授在《AI数据：从供需错位到能力转化》主题分享中探讨了“AI 为何需要大量数据”“需要什么样的数据”“没有高质量数据怎么办”三个核心问题。在数据标准层面，她将AI对数据的要求划分为“有用”与“好用”两层：有用数据需具备明确业务意义、对应目标标签、时空维度结构和完整上下文关联；高质量数据则需与场景任务精准适配、覆盖充分且分布均匀、拥有可量化的可信参考值并全链路可追溯，物理AI数据还须采集设备实际执行结果而非指令结果，形成包含反馈的闭环，并满足合规、脱敏、留痕的管控要求。
针对数据缺口，她提出真实场景采集为主、仿真生成补充长尾、小样本算法弥补稀缺三条路径，最后，她提出数据飞轮的核心逻辑——推动工作范式从“有什么数据就训练什么”转向“模型缺什么就收集什么”，物理 AI 时代数据竞争力的关键在于持续产出高质量数据并实现可验证的模型能力提升。
高新兴科技集团副总裁、董事会秘书刘佳漩指出，感知和连接是物理AI的起点——没有高质量的物理数据采集，上层模型就是“物理幻觉”。目前，高新兴自主研发的智能终端，正成为AI从数字世界走向物理世界的入口，在实际应用场景中实现了“终端实时感知—云端智能研判—人机协同决策—物理世界执行与反馈”的闭环。让AI走出屏幕，融入每一辆车、每一条街道、每一个生活场景。她指出，围绕物理AI战略，高新兴正逐步完善组织能力，与合作伙伴一同推动物理AI生态共赢，做穿越周期的长期主义者。
机智云创始人兼董事长黄灼表示，物理AI的核心护城河是由物理连接、私域场景数据、模型迭代三者咬合形成的自进化数据飞轮，落地过程需要把握任务定义权、现场真值权、安全边界权三项核心权限。
堃华科技（广州）董事长助理韩嘉琪指出，通用具身智能系统训练需要约100亿小时高质量交互数据，当前全球存量高质量交互数据仅50万小时，大量原始数据处于沉睡状态，经过加工、具备业务价值的标注数据占比仅11%，韩嘉琪据此提出以数据采集标注为基础、以平台化能力为效率杠杆、以场景深耕为商业切入点、以视觉大脑订阅为商业化目标的四步演进路线，产品定位坚持 “能力增强” 而非 “人力替代”，推动机器人从基础移动执行向感知、理解、推理升级。
南方+记者 郜小平
配资查询提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
推荐资讯
