行业对谈：打通人形机器人量产的产业链路｜拓斯达2026全球开放日

AI 浪潮正在重塑制造业，具身智能加速奔赴工业实景，成为产业升级的关键引擎。热潮之下，行业仍面临共同命题：怎样让前沿智能技术真正扎根产线，把趋势变成实实在在的产业价值？

11月7日-8日，以“美好，拓手可达”为主题的TOPS DAY 2026 拓斯达全球开放日在广东东莞启幕。

TOPS DAY 2026是一场汇聚趋势解读、AI+产品解决方案首发、标杆案例拆解、产业生态链接于一体的产业盛会——它还原的不仅是一场正在发生的技术浪潮，更希望能探寻工业AI的落地之道与智能制造新机遇。

接下来，就让我们一同回望这场盛会的高光时刻，领略工业 AI 扎根车间、照进制造现场的真实力量。

当具身智能站上产业风口，技术落地不再只是实验室里的猜想，而是精密加工、零部件制造、成型工艺、产业协同共同支撑的系统工程。

在 TOPS DAY 2026 拓斯达全球开放日行业对谈环节，技术企业、高校科研、制造客户......来自具身智能不同产业链环节的嘉宾齐聚一堂。《机友圈儿》主理人刘启迪，联合飞捷科思联合创始人兼CTO杨鼎康、无问智科创始人兼CTO于春磊、香港大学机器人与人工智能中心主任周鹏、南斗星创始人梁胜、拓斯达机器人业务线总经理黄晶，围绕技术规模化落地、细分场景实施路径、客户投入产出、复合型人才建设、产业生态协同等议题开展探讨。

以下是行业对谈实录，经编辑：

刘启迪：非常感谢主办方拓斯达邀请我参加这场峰会。我平时很少参加线下活动，相信关注机器人领域的朋友，有看过我的自媒体，我本身也是一名工业人。

简单自我介绍一下，我叫刘启迪，来自日本法拉克。我平时在北法，和用友一共工作了16年，在北京法拉克工作了10年多，做过市场，做过战略，做过调研。

去年年底，我一直在思考：我们这批深耕传统工业、长期服务大中型制造客户的从业者，该如何拥抱这一轮AI 和具身智能浪潮？于是我做了一个大胆决定，辞职做起自媒体。没想到入局之后，收获了很多人形机器人和创业新贵的关注。目前我单人运营，全网粉丝近三十万，维护着四十多个社群，汇聚了1万多位机器人产业链上下游的精准从业者。所以我自己站在这里，本身就是制造业拥抱工业转型的一个缩影。

接下来，我非常荣幸为大家邀请五位重磅嘉宾，他们分别来自技术前沿、学术高地以及制造一线。今天我们将围绕 AI 与具身智能展开一场深度实战对话。

首先我为大家介绍一下这几位嘉宾：

欢迎杨鼎康博士，飞捷科思智能科技联合创始人兼 CTO、复旦大学博士、香港中文大学 MMLab 博士后、中国人工智能学会清源学者；

欢迎于春磊博士，北京无问智科联合创始人兼CTO、法国CNRS博士及清华博士后；

欢迎周鹏教授，国家教育部海外高层次青年人才、香港大学机器人与人工智能中心主任；

欢迎梁胜董事长，来自深圳市南斗星科技有限公司，；

最后，有请本次东道主之一，拓斯达执行董事、机器人业务线总经理黄晶先生。

今年拓斯达全球开放日的slogan是“美好，拓手可达”，那希望接下来一个小时，我们几个人能够把“具身智能怎么走进工厂”这个圆桌话题聊透。首先请从这边依次开始给大家介绍一下自己和自己的公司。

杨鼎康：大家好，我是杨鼎康。感谢拓斯达的邀请，很高兴能代表飞捷科思参加这场工业制造技术盛会。如今大家正走在从数字世界到物理世界的进程中，而我们公司就是面向具身智能和工业智能制造，向他们提供物理AI技术的关键底座，致力于打通数据、模型、平台和一体化的解决方案，以实现最终的物理AGI。

于春磊：我也非常感谢黄晶总的邀请，我是无问智科的于春磊。很荣幸在拓斯达物理 AI 的征程里，我们贡献了自己的一份力量。我们公司的主营业务是物理 AI基础设施的构建，打通完整的数据链路，同时做模型规模化评测。我们希望帮助具身智能客户用更低成本，更快完成模型迭代，提升场景落地效率。谢谢大家！

周鹏：非常感谢拓斯达的邀请。我是大湾区大学助理教授周鹏，主要从事具身智能与机器人操作研究，重点关注前沿技术在真实工业场景中的应用与落地。目前，我们与拓斯达正在开展相关科研合作。同时，我也是全为具身（东莞）科技有限公司的联合创始人之一，公司聚焦机器人遥操作、真实交互数据采集及数据治理，致力于提供从数据采集、处理到模型训练的一站式解决方案，推动机器人操作能力的持续提升。今天听了吴董对行业发展的分享，也很受启发。期待未来进一步加强产学研协同，共同推动具身智能技术走向真实工业场景。

梁胜：我就代表台下一众制造业从业者，听听在座各位从技术角度分享，你们能给我们带来什么？

黄晶：相信大家应该对我们都比较熟悉了，我们拓斯达 2007 年成立，2017 年上市。公司三大核心的产品件是CNC、注塑装备以及机器人。去年，我们发布了第一台能够在注塑车间落地的轮式人形机器人 “小拓”。

刘启迪：我们先来一轮快问快答热身，大家手边有 YES / NO 的道具牌子，如果认同就举 YES，不认同就举NO，如果这个问题不想回答或者保持中立，也可以不回答。

第一个问题：很多人说今年是具身智能量产元年，不少商服、零售也已经实现出货。从工业落地的角度，如果以一万台作为量产标准，大家觉得 2027 年能不能实现？

我挑两位观点有分歧的嘉宾来聊聊。鼎康，您先说说为什么您认为做不到？

杨鼎康：对规模化而言，交付数量本身不是难题。真正意义上的规模化交付，要满足一套闭环：真机部署在产线、三班稳定运行、通过客户验收，并且能够带来复购，这对企业至关重要。想要跑通这个闭环，目前仍存在不少瓶颈。

刘启迪：比较难是吗？这个闭环可能还要结合售后、交付、验证等等。

杨鼎康：对，我认为还是有一定空间。但试点交付、科研采购、预研样机，这些已经在路上；所以核心来说，规模化的及格线，从来不是交付多少台设备，而是能否形成完整闭环 —— 由底座服务商、数据服务商、具备工业制造与本体能力的团队协同推进，像拓斯达这样优秀的企业，正是打通闭环里非常关键的一环。如果我们飞捷科思能够和拓斯达以及更多的行业伙伴深度协作、形成飞轮效应，规模化落地有可能真正到来。

刘启迪：于博士觉得有可能实现的理由是什么？

于春磊：对于具身智能落地，我是坚定的乐观派。从我们的客户情况就能看到积极信号：有的已经在汽车场景落地，有的落地在电子工厂。国内制造业拥有极其丰富的落地场景，像 3C、电子这类场景，精密操作已经得到验证，跑通了落地链路。

另一方面，刚刚很多嘉宾都提到数据，我也看到整个具身智能产业正在形成清晰的分工：电子零部件、真机本体、模型、数据，行业共识逐步建立。在这样的产业分工之下，落地速度会持续加快。我认为今年差不多已经实现了数千台落地，到明年突破一万台，我觉得不是难以跨越的瓶颈。

刘启迪：那总结起来就是两点：第一，你认为明年各个细分场景会百花齐放，一万台的目标可以达成；第二，这一轮具身智能与 AI 的浪潮，也会倒逼工业人更加重视数据积累，对吗？

于春磊：对，我认为这个场景会进一步加速。

刘启迪：第二个快问快答会犀利一些。今年很多厂商包括数据公司，都在扎堆布局工厂场景，虽然刚刚不少演讲都做了解读。但这能不能理解为，现在大家优先做搬箱子这类任务，是受限于当前的精度、通用性和稳定性，属于一种无奈选择？周教授，先说说您为什么不认同这个说法？

周鹏：我对这个问题持相对中立的态度。从垂直场景切入并不是无奈之举，而是现阶段具身智能走向产业化的一条务实路径。但在深耕具体场景的同时，也需要持续积累机器人的通用智能能力。目前，一些头部企业已投入大量资源，采集数万小时的真实机器人操作数据，但绝大多数制造企业并不具备这样的数据采集和模型研发能力。因此，从实际工业场景出发，在解决具体问题的过程中积累高质量数据，是一条可行路径。与此同时，行业也需要更加开放的数据生态。我们可以借鉴ImageNet等开放数据集的建设思路，探索行业协同、数据共建共享，逐步形成可复用的工业操作数据与技能资源体系。从长远来看，机器人的智能系统可能像智能手机操作系统一样，逐步形成通用的基础能力，而不同工业场景则可以在此基础上调用和拓展相应技能。我们既要通过垂直场景解决实际需求，也要不断沉淀可迁移、可复用的通用能力。

刘启迪：从客户的视角，梁总有什么想跟我们分享的吗？

梁胜：我说说我的看法，我们当下最现实的困境是招工难。我们测算过，搬运工人一天的行走步数至少在两万到三万步之内，而人体合理的单日运动量一般在一万到一万六千步。长此以往，资历老的工人年纪越来越大，年轻人又不愿意做这类工作，搬运岗位的用工缺口迫在眉睫。

另外一点，很多具身机器人现在其实并不实用。站在制造业的角度，我们非常现实：首先，没有人给我24小时不停地搬运作业；其次，搬运本身成本可控。

所以如果人形机器人、灵巧手想要落地，我最关心的是：它能不能像我车间那台已经连续运行近十年、24小时不停歇的爱普生机器人一样稳定。制造业不需要会跳舞的机器人，我们要的是成本可控、提升产能。

现在科研圈讨论 “人形机器人量产元年” 固然很好，但作为企业主，我们的每一笔投入都是真金白银，稳定性、使用寿命、综合成本，才是我们最看重的指标。而眼下最迫切的场景，就是用工紧缺的搬运岗位。

刘启迪：这个确实是，我经常和国内外网友交流，包括东南亚代工厂，像粉尘很重的家具工厂，都迫切希望用机器人、具身智能或设备去解决用工难题。黄总，您怎么看这个问题？

黄晶：梁总说得很好，他从需求层面讲得非常透彻。我可以从另一个角度补充一下这个观点，我认为这并不是一个无奈之举。除了刚才梁总说的需求先爆发，其次还有一个能力和工艺复杂性的问题，工艺越复杂，对数据、打磨时间的要求就越高。简单的任务，比如搬运、分拣，它对数据的数量级要求就小很多，所以它就会最先爆发出来。

第二，前面我们也讲到了“懂工艺，会干活，能落地”。其中“懂工艺”，像拓斯达沉淀了将近20年才一点一点磨出来。时间本身就是护城河，从这个角度来说，复杂的工艺需要我们花费更多的时间去沉淀。

刘启迪：顺着这个话题，我们引出第三个问题——梁总刚刚提到人才问题。其实在我们企业转型的路上，既要懂传统设备工艺的成熟人才，又要懂 AI、具身智能的年轻人才。现在有一种声音：这类复合型人才人才与其外部高薪引进，不如内部自主培养。大家是否认同？我们先请黄晶总来聊聊。

黄晶：我选择的是内部培养。过去机器人推广长期卡在一个痛点：懂工艺的不会编程，懂编程的不懂工艺，符合双重要求的人才太少。而 AI 时代给了我们新机会：只要懂工艺就足够，编程这件事可以交给 AI。从这个角度来看，从产业内部长出人才是更有利的；他们经过长期深耕积累了专业能力，再借助 AI 的放大效应，可以快速形成产出，拿到结果。

刘启迪：周教授有不同的看法？

周鹏：我认为内部培养和外部引进并不是非此即彼，而是各有优势、相互补充。正如黄总提到的，企业内部人才具有深厚的工艺经验和场景理解能力，而高校则在人工智能、机器人算法和前沿技术方面具有优势。如何将两者结合，是培养具身智能复合型人才的关键。目前，我们也正在与拓斯达探索校企联合培养模式，让学生在掌握机器人、人工智能专业知识的同时，深入真实工业场景，理解生产工艺与实际需求。具身智能需要的不仅是懂算法或懂工艺的人才，更是能够将智能技术与工业需求有机结合的复合型人才。 通过产学研协同培养，让学生兼具科研创新与工程实践能力，是一条值得持续探索的路径。

刘启迪：谢谢周教授。第一轮三组快问快答的热身环节到此结束，接下来我们进入深度探讨。刚刚黄总提到拓斯达 “懂工艺、会干活、能落地” 这个很实在的理念。那第一个深度问题来了：具身智能走进工厂，现阶段真正的卡点到底在哪里？大家可以结合自身实践、踩过的坑依次分享，我们先请鼎康分享一下。

杨鼎康：我觉得当前的核心卡点并非是如何让机器人动起来，而是如何让机器人读懂产线，现在大部分瓶颈在于：技术方案在虚拟环境、实验室里调试完美，一旦落地真实产线就失效。核心难题是，这套新技术到底能不能理解产线上真实发生的物理规律和现象？

现在主流的具身智能或者World model派系，依靠海量视频训练，生成效果非常逼真，看起来跟真实的没有什么差异，但模型并不天然掌握物理定律。模型训练我们需要的不只是 RGB 图像，而是模型真正的轨迹，以及对交互物理目标的理解，这一点目前还有很大提升空间。

另外，还有很多人看好隐空间变量，认为它蕴藏无限可能。但这个东西它本质上是黑盒，它没办法回答一个物料分拣和产线任务究竟需要多大作用力去抓取它，具体该遵循哪些物理定律。

还有就是空间智能派。这一派主张的是，我把环境构建得足够真实，能够让机器人在里面进行仿真。但它的核心痛点在于，很多孪生环境看着足够逼真，但机器人没办法感知它所处环境的真实物理属性。这也是为什么我认为这个环节最难，因为这一块目前技术侧、产品侧还没有收敛。

刘启迪：我理解一下，就是卡点很多，然后大家的路径也不同，同时还存在非常多的派系之争。于博士，您觉得卡点在哪儿？

于春磊：我从更宏观的视角来解答一下。刚刚黄总、梁总都提到懂工艺，在我看来，所谓懂工艺，本质就是如何把这些工艺技能和经验沉淀、转化为标准化数据。不同工厂、不同产线，从业者的经验千差万别，怎么把这些经验提炼、量化，搭建面向不同业务、不同场景、不同客户的工艺知识库，这件事至今没有做好，我觉得这是最根本的瓶颈，我觉得这是第一个卡点。

第二个核心卡点，是规模化验证与评测。现在我们可以顺利调试十台、一百台设备，但如果未来几十万台、上百万台机器人同时在工厂运行，能不能稳定可靠？到目前为止，我们还缺少规模化验证的数据。所以我们需要一套评测体系，能够验证机器人在产线里的成功率、工作效率，能不能达到人工的80%，甚至更高。

我是个乐天派，对具身智能有信仰，我认为现在的技术本身并不存在多大的卡点。真正的难点，是把一线人员的技能蒸馏、沉淀，搭建完善的底层基础设施，同时建立规模化评测能力——我认为这才是真正的瓶颈。

刘启迪：所以于博士认为卡点都是暂时的，您认为我们的问题都可以解决？

于春磊：我认为基础设施一旦成熟，很多问题都会迎刃而解。不管是数字AI还是物理AI，我们都已经有过成功的路径。这些路径证明了只要基础设施强大，我们的技能就可以持续迸发；只要能够进行规模化评测，我们就知道如何持续迭代。

刘启迪：梁总，从您的角度来看，设备方或者是技术方怎么协同，您才愿意掏钱买单？

梁胜：刚刚各位专家的分享我都在听。我本身既是科技从业者，同时也是个制造者。现在的交流很多时候，我们习惯把成本转嫁到企业主身上。

我很认可 “物理 AI” 这个提法，很多工业问题，归根到底就是物理问题。就像拓斯达解决加工散热问题，核心其实是要解决气泡的问题，本质都是物理层面的难题。

不同企业应该各司其职，让制造这件事变得更简单。对我们制造企业来说，我们只需要专注接单、生产；工艺、设备适配这些复杂问题，应该交给拓斯达这类团队去解决；科研人员应该攻克的是底层的数学与物理问题。

为什么有些进口设备可以稳定运行十年、二十年？背后是钢材、冶炼、结构设计的硬实力，最后给到使用者，体验却足够简单。我们很愿意为国产品牌买单，但希望科研界、技术方去攻克这些底层难题，让机器人能够在高温、高湿，甚至特殊环境下稳定工作。这背后依靠的，就是最基础的数学和物理。

刘启迪：梁总道出了实情，售后、备件、功能迭代，还有大量工作等待探索。我想沿着这个问题再问一下，有人说阻碍落地的是信任问题，也有人说是技术瓶颈。鼎康，您怎么看？

杨鼎康：我非常认同梁总刚才说的。从技术侧讲，刚才我提到的一些派系问题，核心就是当前技术还满足不了真实需求，进而也就无法触及底层的物理和数学问题——这也是我们团队正在攻坚的方向。我们公司取名 Fysics AI，就是结合我们自研的多材质统一求解的可微分物理引擎。本质上是希望在工业产线上做物理推演，把原本的黑盒模型变成可解释的白盒。只有做到这一步，客户才能真正信任这项技术，愿意为它买单。

刘启迪：于博士您刚讲到智驾技术，您觉得这一波技术迁移，对工业落地有什么可以参考的吗？

于春磊：无问智科的创始团队都是做智驾出身，我们的背景来自百度阿波罗团队和清华汽车系团队，基本完整经历了自动驾驶早期发展。熟悉这个领域的人都知道，自动驾驶初期是完全基于物理规律，或者rule based在做自动驾驶。但这条路很难覆盖纷繁复杂的真实道路。

最后能够落地，依靠的是数据驱动。用海量场景数据喂养端到端大模型，让模型自主理解环境，车辆才能从园区开到高速，再驶入城市环线。这就是自动驾驶落地的一个路径，它的本质就是通过这种规模化的数据驱动大模型，然后让它形成很强的场景理解。

我认为具身智能最终也会走上这条路。因为具身智能交互的复杂度，比自动驾驶更高。所以，突破具身智能的核心就是采集足够多的真实交互场景、一线员工的技能数据，喂给模型，从而催生真正的具身智能。

实际上，现在已经有不少垂类场景落地顺利，效率可以达到人工的七成到八成，工厂老板也愿意接纳机器人，因为它们更好管理，可以不间断作业，也能缓解招工压力。长期来看，垂类场景会持续跑出越来越多的成熟方案，这也是我让我感到乐观的原因。

刘启迪：照这个逻辑，明年行业可能迎来一个分化：各个细分垂类和赛道，会诞生不同的数据公司、模型公司、本体厂商、场景服务商，大家扎根各自的赛道。比如专注拧螺丝，就配套拧螺丝的数据、模型和场景方案，可以这样理解吗？

于春磊：是的。具身智能会分阶段发展。前期，大量场景化落地团队跑通应用；同时，也会出现一些具身基模的公司，他们致力于解决通用化的具身模型，实现“一脑多行”或者是一脑解决多种任务场景的落地。长期来看，我认为最终我们会收敛在这条路线上。但是前期那些高价值、高危险、高强度的场景，会优先成为具身智能落地的选择。

刘启迪：接下来再请教一下周教授和黄总。在我的社群里，大家经常提出各种需求，其中不少属于伪需求。很多项目前期看着靠谱，进入落地阶段却中途夭折。这类项目烂尾，到底是客户高估了具身智能，还是项目本身推进出了问题？黄总您怎么看？

黄晶：其实这个话题和我刚分享的 “懂工艺、会干活、能落地的具身智能解决方案” 高度相关。现在产业分工非常细碎，不少团队做出机器人本体，却不知道该交付给谁、怎么交付。但是客户真正要的是像刚刚梁总讲的，你能给我提供什么价值？你能给我解决什么问题？你能让我的现场变得简单吗？

具身智能的产业链，有底层技术、关键部件、产品，还有数据模型和最终的场景，整个链路是非常长的。我们拓斯达一方面致力于搭建全链路能力，另一方面也联合生态伙伴、推进校企合作，从而把整条链路打通，交付出让梁总期待的那样足够简单、拿来就能用的方案。

刘启迪：只要前面这些环节都打通，项目落地就顺畅很多。

梁胜：核心还是性价比，大家都希望兼顾效果和成本。

刘启迪：周教授，您对伪需求、项目烂尾的看法如何？

周鹏：

刚才黄总已经从产业实践角度做了深入分析。我想从技术研发角度补充一点：目前行业对于具身智能的技术成熟度，可能还存在一定程度的乐观预期。实验室里的技术验证与真实工业场景中的稳定运行，是两个不同层次的问题。机器人能够在实验室完成任务，并不意味着已经具备工业化部署能力。工业场景对可靠性、一致性和长期稳定性要求极高。对于关键生产环节而言，80%甚至90%的任务成功率可能远远不够，往往需要达到99.9%甚至更高的可靠性水平。而从80%提升到90%，再到99%、99.9%，每一步的技术难度都可能显著增加。具身智能产业化的真正挑战，不只是让机器人能够完成任务，而是让这种能力在复杂工业环境中持续、稳定、可靠地发挥作用。 这是一件难而正确、需要长期坚持的事情。

刘启迪：作为科技公司，梁总您拥抱 AI的心路历程是什么？

梁胜：我相信具身机器人前途光明，但道路注定曲折。国内制造业发展三十年，长期走的是粗放路线，这导致一些核心材料、基础工艺尚未实现较大的突破，反而陷入了低价竞争。导致我们如今出现断档的真正问题，不在于机器人本身，而在于我们的真实需求是把良率怎么从80%提到99.9%。

不少企业家可能会觉得，引入机器人就是为了替代人工。但核心诉求并不是这样。我们要做的，是拉高良率、提升加工精度。很多老板嘴上说想要降本，单纯降本其实是没有尽头的；我们研发机器人，目标是做出复杂度更高的产品，在全球竞争当中对标德国、日本，而不是仅仅替换一名工人，省下每月五六千的人工成本。

所以我想说，科研工作者不要只专注机器人本身，而是要在模型、底层物理上做更深的突破。

刘启迪：梁总的这番话非常有情怀。最后一个问题，请大家依次谈谈工业与具身智能结合的启发，从鼎康开始。

杨鼎康：行业从来不缺做准备的那一天，缺的是迈出第一步的那一天。我们和拓斯达一起深耕场景，打磨模型，从垂类走向通用，打造融合物理、数学规律的模型、本体与数据体系。具身落地不是单点问题，而是一套系统工程。希望可以缓解大家的焦虑，稳步向前，让工业因为这项技术变得更好，呼应拓斯达 “美好，拓手可达” 的愿景。谢谢！

于春磊：我一直对具身智能保持乐观，但乐观建立在渐进落地的路径之上。很高兴看到赛道里成熟分工慢慢成型，也建议同行和客户尽早沉淀自有场景数据。想要实现 AI for AI，前提就是把工艺、技能沉淀、蒸馏成高质量数据。这也是我们和拓斯达合作的核心价值。我们希望把数据基础设施的成本压缩至原来的十分之一，目前已经帮助不少客户把从采集、处理到赋能模型的整条链路降本九成。谢谢大家！

周鹏：我对具身智能的未来始终保持谨慎乐观。从当前的垂直场景应用走向通用机器人智能，必然是一个长期探索、持续迭代的过程。现阶段，一个核心瓶颈仍然是高质量真实机器人交互数据的稀缺。尤其对于精细操作、复杂接触等任务，仅依靠互联网视频或仿真数据，还难以支撑机器人形成可靠、可泛化的操作能力。这也是我们与拓斯达合作，以及在创业过程中重点关注的方向：通过真实场景中的机器人数据采集、技能学习与持续迭代，打通从数据、模型到实际应用的技术闭环。未来需要坚持两条路径并行：一方面扎根工业垂直场景，解决实际需求；另一方面从具体任务中提炼可迁移、可复用的操作技能，逐步积累通用智能能力。从垂直场景走向通用智能，从技术验证走向可靠部署，这条路虽然漫长，但未来值得期待。

刘启迪：周教授这次不再中立了，是谨慎、乐观。

梁胜：最后说一句，复杂的难题还是要交给专业的人去攻克，能不能落地主要还是取决于你们，真正做出好用、能创造真实价值的产品。

黄晶：具身智能的未来是确定的，或迟或早，它只是一个节奏的问题。AI 浪潮扑面而来，没有人可以置身事外。与其临渊羡鱼，不如退而结网。如今我们已经打通链路，通过拓斯达把大家集合了起来。未来，我们也期待更多伙伴、客户、场景加入，共同推进具身智能的产业化落地。

刘启迪：拓斯达从传统制造快速转向 AI 与具身智能赛道，转型速度让人印象深刻。

让我们把掌声送给五位嘉宾：年轻有为的杨鼎康，乐观笃定的于春磊，保持审慎的周教授，心怀产业情怀的梁胜董，还有东道主黄晶总。

听完这场对话大家会发现，AI 和具身智能没有想象当中那么科幻，想要抵达美好，离不开脚踏实地。这是一场漫长马拉松，需要所有人携手同行。希望今天短暂的交流，能够给大家带来启发，让各位之后落地项目时，多一份底气。我相信拓斯达也是大家最好的伙伴。

再次感谢五位嘉宾，也谢谢现场各位的聆听。期待未来，我们能在更广阔的车间里，看到更多落地成果。本场圆桌论坛到此结束，谢谢大家！