（问题）随着智能技术加速向实体经济渗透，具身智能被视为智能系统与物理世界深度交互的重要形态之一；多方预计，未来两三年将成为涉及的技术从试验验证走向纵深应用的关键窗口。全国政协委员、天娱数科董事长贺晗调研基础上提出，当前我国相关产业在应用创新和场景探索上进展较快，但底层数据、通用能力与工程化体系上仍存短板，亟须通过顶层设计补齐基础能力，避免产业陷入“能演示、难上岗”的困境。 （原因）贺晗认为，具身智能面临的首要约束是高质量交互数据供给不足。与通用模型可利用海量互联网文本、图像不同，具身智能训练更依赖“任务级、过程级”的物理交互数据，覆盖抓取、装配、搬运、分拣、巡检、护理等典型动作与长流程任务。这类数据采集成本高、传感器链路复杂、标注难度大。行业数据显示，具身智能可能需要数百PB级物理交互数据，而现有存量缺口超过99%；在灵巧手等关键环节，优质数据供给量不足产业化需求的10%。同时，国内不同机构和企业在采集平台、传感器接口、数据格式、标注规范上各自为政，造成数据难互通、难复用，制约了大规模开源数据集形成。 除数据约束外，智能体“大脑”能力也面临“泛化不足”。在一些场景中，系统可以完成展示性任务，却难以稳定适配真实工况；在某一工厂跑通的方案，也可能难以迁移到另一工厂。贺晗指出，部分企业仍以面向单一任务的定制化算法为主，缺乏具备强迁移、强鲁棒性的具身智能基础模型，遇到光照变化、物体多样性、工位差异及碰撞干扰时易出现策略失效、长任务中断等问题。 （影响）上述问题叠加，直接影响产业规模化应用速度与投入效率。一上，场景端存“碎片化需求、验收口径不一、预算与迭代机制不足”等现实矛盾，企业在“项目制交付”与“产品化复用”之间反复摇摆，难以沉淀可复制的规模化上岗模板。另一上，软硬件解耦程度不高、通用操作系统与中间件不足，开发者往往需要围绕不同硬件重复开发，推升行业成本并放大同质化竞争风险。若缺少统一标准、公共数据底座与权威验证平台，产业易出现低水平重复与无序价格战，挤压长期研发投入，削弱国际竞争力。 （对策）围绕破题路径，贺晗在建言中提出以国家层面组织推动为牵引，形成数据、算法、场景、生态“四位一体”的协同体系。其中，关键抓手是启动国家级“具身数据要素工程”：一是建设若干国家级具身智能数据采集与预训练中心，围绕典型任务构建可复用的高质量数据集和预训练能力，降低行业数据获取与训练门槛；二是推动统一数据标准与接口规范，完善动作轨迹、力触觉、视觉、语义指令等多模态数据的采集、存储、清洗、标注、评测全流程规则，打通数据流通与共享通道，减少“数据孤岛”；三是强化场景牵引与验证机制，围绕制造、物流、商服、养老等重点领域，建设可测试、可验收、可迭代的应用验证平台，形成可复制的评价体系与交付模板；四是推进自主可控的智能体生态，支持基础模型、工具链、中间件与开源社区建设，促进软硬解耦与跨平台适配，降低开发者重复投入，提升产业协同效率。 （前景）业内人士认为，具身智能的发展不仅取决于单点技术突破，更取决于数据要素供给、标准体系、应用场景与产业生态的系统成熟。通过国家级工程化组织方式补齐底座能力，有望加快数据规模化供给与技术迭代速度，提升智能体跨场景迁移与可靠性，推动从“试点示范”走向“规模上岗”。同时，规范有序的公共数据与标准体系，也将为资本投入、产业分工与国际合作提供稳定预期，促进产业在竞争中走向高质量发展。
具身智能的竞争本质上是数据积累、算法创新和生态建设的长期较量。贺晗委员的建议直指该领域的关键瓶颈。从技术演示到实际应用，从单点突破到规模推广，每一步都需要系统性支持。国家层面能否及时完善顶层设计，将决定我国能否在全球智能化的新一轮竞争中占据主动。