我是在外滩大会的现场听完蚂蚁灵波CEO朱兴那场对话的当时脑子里盘旋了很久的一个判断突然变得清晰具身智能这个赛道表面上看热闹已经足够多但真正的“百模大战”其实才刚打响。过去两年我们聊“百模大战”聊的是大语言模型是文本生成、代码补全、Agent调用工具。那场仗拼的是算力、数据、算法拼到最后拼成了少数玩家的游戏。而具身智能的“百模大战”完全不是一回事——它拼的是物理世界里的理解、推理、行动闭环是机器人本体、传感器、执行器、实时决策系统的整体工程能力。换句话说大模型那场仗比的是“脑子”具身智能这场仗要比的是“脑子加身体”。朱兴在对话里提到一个我很认同的观点具身智能不是简单地把大模型塞进机器人里而是要让AI在物理世界里学会“干活”。这个“干活”两个字包含的东西远比大多数人想象的多。这篇文章我不想复述对话内容而是想结合现场听到的信息加上我自己的实践观察把具身智能“百模大战”真正在打什么、蚂蚁灵波这类玩家的技术路线怎么理解、以及普通人关心的人才需求和学习路线系统地拆一遍。1. 具身智能的“百模大战”到底在打什么1.1 为什么说这场大战才刚刚开始很多人觉得具身智能已经火了两三年人形机器人公司一家接一家融资怎么还说“刚开始”我的理解是之前的阶段只能算“预热”大家在做的事情本质上是在攒零部件、验证单点技术。真正意义上的“百模大战”指的是具身智能大模型本身——负责感知、决策、规划的“大脑”以及负责运动控制、力反馈、柔顺操作的“小脑”——这些核心模型开始进入规模化竞争的阶段。大语言模型的“百模大战”有一个关键特征模型能力可以用公开榜单量化跑分、上下文长度、推理能力一目了然。具身智能做不到。你没法用一个纯文本榜单去衡量“一个机器人能否在杂乱桌面准确抓取一颗螺丝钉”。它必须在真实环境里跑必须经过电机电流的反馈、视觉遮挡下的重新规划、意外碰撞之后的调整。这套东西需要的是世界模型、运动基元、交互反馈而这些能力目前绝大多数团队还处在从0到1的摸索期。所以朱兴说“刚开始”我认为是非常准确的判断。当前具身智能在大模型层面的积累相当于2022年底ChatGPT出来前后的状态——方向基本被验证了但技术栈、数据标准、评测体系都还没有定型谁都没有建立起真正的护城河。1.2 赛场上的玩家分几路我在现场观察下来现在的具身智能赛道上至少有四类玩家每一类的打法和资源禀赋差异非常大。第一类是互联网大厂阵营代表就是蚂蚁灵波这类。它们的优势在于有云计算底座、有海量互联网数据积累、有成熟的AI工程化能力和商业化场景支付、生活服务、家庭场景。它们做具身智能更接近“用大模型能力赋能物理世界入口”的思路核心是做好大脑和场景闭环。第二类是传统机器人厂商它们在机械结构、运动控制、供应链上积累很深但此前在AI算法层面偏弱现在正拼命补大模型能力。第三类是创业公司比如一批从高校或大厂出来的人形机器人团队。它们胜在单点技术聚焦、组织灵活但普遍面临数据和资金的双重压力。第四类是学术机构和车企背景的跨界者。学术机构贡献算法原型车企则有动力总成、传感器供应链和大规模制造能力。这四类玩家表面上都在做“具身智能”实际上各自切入的角度完全不同。大厂做的是“模型平台场景”机器人厂商做的是“本体控制量产”创业公司倾向于“垂直场景快速迭代”。未来的竞争不是某一项技术的竞争而是“模型能力本体能力数据闭环落地场景”四件事的综合竞争。2. 从朱兴的分享里拆解蚂蚁灵波的技术路线2.1 大脑、小脑、本体的三层架构朱兴在现场把具身智能分成大脑、小脑、本体三层这个划分其实和业界主流的VLAVision-Language-Action架构是呼应的但落地的时候做得更细。我理解的大脑中核心是“理解物理世界”的能力。传统大模型理解的是文本而具身智能的“大脑”要理解的是三维空间、物体属性、物理规律。比如桌子上有一个杯子大脑要判断它是玻璃的还是塑料的里面有没有液体应该用多大的力去抓这些判断不能靠文本推理完成必须依赖多模态模型对真实世界建立统一表征。小脑负责的是运动控制和操作技巧。同样一个抓取动作机械臂的轨迹规划、关节力矩控制、避障策略都在这儿完成。蚂蚁灵波比较强调“数据驱动控制”而不是传统“解析式控制”也就是说让模型自己从大量真实操作数据中学习抓、放、推、拉这些基础技能而不是靠工程师一条条写控制规则。本体层面朱兴提到不只是人形机器人四足、轮式、机械臂等不同形态都值得做。这个判断很务实。人形机器人确实想象空间大但现阶段成本高、可靠性难保证。相比之下在酒店、写字楼、家庭场景里轮式底盘加机械臂的组合已经能完成大量物理操作任务商业化落地更快。2.2 数据从哪里来仿真、遥操作、真机数据对话中最让我印象深刻的其实是朱兴关于数据的回答。他说蚂蚁灵波在建自己的“数据工厂”这件事我判断会成为未来一到两年所有具身智能公司的核心壁垒。数据工厂解决的是“具身智能的燃料从哪来”的问题。目前行业内有三种主流做法仿真合成数据、遥操作采集数据、真实场景运行数据。仿真数据的优势是量大、便宜但存在Sim-to-Real Gap也就是仿真环境学到的技能迁移到真实世界会打折。遥操作数据质量高但采集成本高一个人一天下来能采的轨迹有限。真实场景运行数据最宝贵但必须要有实际部署的规模才能积累。蚂蚁灵波的做法是三管齐下用仿真数据做大范围探索用遥操作数据做关键技能精修再用真实场景数据做闭环验证。这个组合和我接触过的头部具身智能团队高度一致。数据飞轮一旦转起来模型能力提升反馈到机器人操作成功率成功率提升带来更多真实部署真实部署又产生更多优质数据这是一个典型的正循环。2.3 商业化路径先服务好B端和家庭朱兴现场讲商业化路径时强调“先让机器人在真实场景里把一件事做好再谈规模化”。这和我一直以来的观点完全一致。当前具身智能最忌讳的事就是“万能机器人”的定位。用户不会为一个什么都会一点、但什么都做不好的机器人买单。相反在一个足够标准化的场景里把单任务成功率做到95%以上这才有商业价值。蚂蚁灵波目前的思路在我看来很清晰先在酒店、写字楼、家庭这几个场景里跑通“感知-决策-行动”的闭环积累真实运营数据再逐步扩充任务类型。有一个细节值得注意朱兴提到“家庭场景是最难但也是终局场景”。家庭环境极度非结构化每个家庭的家具布局、物品摆放、光照条件都不同对机器人的泛化能力要求极高。所以一开始切入家庭场景的团队几乎都会先做“半受限环境”——比如固定布局的客厅、特定类型的桌面等数据量上来之后再扩展自由度。这个节奏把握非常重要很多团队死在过早进入非结构化环境。3. 具身智能落地的关键环节数据、仿真与真机验证3.1 数据飞轮为什么是胜负手关于数据我想展开多讲一点因为这是很多人理解具身智能时会忽略的重点。大语言模型的训练数据是现成的——互联网上几十年的文本、图片、代码都可以拿来做预训练。但具身智能没有“互联网上的操作数据”。一个人怎么拿起杯子、怎么拧开瓶盖、怎么整理桌面这些物理交互过程在数字化世界里几乎是空白的。没有数据就没有高质量的行为策略这是具身智能和纯数字AI最大的差别。所以具身智能公司本质上都在做同一件事构建自己的数据采集体系。这里面有几个方向值得关注第一遥操作数据采集的规模化。通过VR设备、动作捕捉、力矩反馈装置让人远程控制机器人完成各种任务同时记录所有传感器数据。这个方式采集的数据质量高但难点在于如何让一套采集方案适配不同形态的机器人以及如何降低操作者的学习成本。第二仿真数据的大规模生成。用强化学习在仿真环境里生成海量操作数据再迁移到真实世界。这些年随着GPU物理引擎的成熟仿真效率提升非常大但如何设计合适的域随机化策略让仿真数据能更好地迁移到真实环境依然是核心难题。第三大模型辅助的数据标注与增强。比如用多模态大模型自动为操作视频打标签“拿起红色水杯放在托盘上”这样的描述可以自动生成大大降低人工标注成本。我给做具身智能数据的朋友一个建议数据工厂的搭建要从第一天就考虑标准化和可回溯性。每一条数据都要记录清楚本体型号、传感器配置、场景布局、任务描述否则数据攒到一定规模后你会发现大量低质量数据在拖累模型训练。3.2 仿真与真实世界的差距怎么补仿真的问题在于“仿真环境永远比真实世界干净”。真实世界有传感器噪声、有机械磨损、有光照变化、有未知物体的物理属性这些都是仿真环境很难完全复现的。我在和不少做机器人控制的人交流时发现大家普遍采用域随机化来缩小这个差距。所谓域随机化简单理解就是在仿真环境里故意加入各种随机变化——物体的重量随机、摩擦系数随机、光照角度随机、传感器噪声随机——让模型在仿真里见过足够多的“变化形态”这样到了真实世界即使遇到没见过的条件模型也能适应。但域随机化也有它的天花板。如果随机范围设得太大模型学到的策略会过于保守表现为动作犹豫、效率低下如果设得太小模型在真实世界仍然会“见光死”。实操中比较有效的做法是两阶段训练先在仿真环境里大规模训练得到一个基础策略再用少量真实数据做微调。同时仿真环境里加入实时渲染的视觉传感器模型让视觉特征分布更接近真实相机输出。我在测试很多机器人的时候发现迁移效果差的模型往往不是控制算法的问题而是视觉Sim-to-Real Gap没处理好。这里有个容易被忽视的细节仿真环境里用的相机内参、畸变模型、曝光参数必须和真机相机完全一致。否则模型在仿真里学到的视觉特征到了真实环境里会因为成像差异而失效。3.3 真机验证的实操要点真机验证是具身智能训练中最耗时、最容易出意外的环节。一台人形机器人造价几十万到上百万跑一次实验的场地成本、人力成本、安全成本都很高。所以真机验证一定要讲方法不能盲目乱跑。我总结了一套比较靠谱的真机验证流程第一先做仿真冒烟测试。任何新的策略模型先在仿真环境下跑通全流程确认不会出现明显越界动作、不会出现目标丢失。仿真这关都过不了的模型直接上真机就是烧钱。第二小范围真机测试。在标准化场景里跑几十次统计成功率、平均操作时长、失败模式分布。重点看失败的case是收敛的还是发散的一类失败是否频繁出现在某个特定物体或某个特定位姿下。如果是收敛的说明模型有明确缺陷可以针对性补数据如果是发散的说明模型稳定性不足需要回炉重造。第三逐步增加环境随机性。先在固定的传感器位置、固定光照下测试再逐步引入随机摆放、遮挡、光照变化。每一步都要记录数据并和仿真测试结果做对比找出差距最大的环节。第四安全兜底机制必不可少。真机测试时必须设置急停开关、力矩限制、速度限制三重保护。尤其在测试人形机器人和协作机械臂时任何一个小概率的失控动作都可能造成设备损坏。这些流程看起来繁琐但每一环都在帮你省钱省时间。我在现场听到朱兴提到蚂蚁灵波在数据采集和真机验证上的基础设施投入说实话这正是很多创业团队不够重视但后期必然要补的课。4. 具身智能行业的人才需求与学习路线4.1 具身智能学习路线怎么规划聊完技术再聊聊很多人私下问我的“具身智能学习路线”。首先要破除一个迷思具身智能不是“只会大模型”就能做的。它需要的能力栈横跨多个学科包括计算机视觉、自然语言处理、强化学习、机器人运动学、控制理论、传感器融合。这也是为什么具身智能岗位的面试从来不是只考一个方向。我建议的学习路径可以拆成四个阶段阶段一是基础补全。如果完全没有AI基础先把Python、线性代数、概率论、深度学习基础过一遍。这一步很多人会觉得枯燥但它决定了后续能走多深。阶段二是多模态大模型和视觉语言模型的理解。重点掌握CLIP、LLaVA这类视觉语言模型的原理和训练方法理解多模态对齐是怎么做的。推荐动手跑一遍开源的VLM模型用Hugging Face上的预训练权重做几个小实验比如图像检索、图文匹配。阶段三是机器人基础。至少要学ROS 2的基本用法能写一个简单的节点发布订阅理解正运动学、逆运动学、URDF模型能用MoveIt做简单的机械臂规划。不需要成为机械专家但要知道机器人控制的边界在哪里模型输出的指令在物理世界执行时面临哪些约束。阶段四是具身智能专项。切入VLA模型和模仿学习、强化学习的实操。建议在仿真环境MuJoCo、Isaac Lab里做一个简单的抓取任务从零训练一个策略模型。这个过程会让你理解具身智能和普通深度学习任务最大的区别环境的反馈来自物理世界状态转移是连续的训练信号充满噪声。每个阶段都要有对应的项目产出可以是一个完整的GitHub仓库也可以是一套可演示的机器人Demo。现在具身智能岗位招聘非常看重真实项目经验简历上有仿真训练项目和真机部署经验比任何证书都有说服力。4.2 具身智能面试的典型考点分析结合近年来的面试情况具身智能方向面试主要考四类内容。第一类是基础算法题。Python、C编程能力常见的数据结构和算法这部分和普通AI岗位类似但会加一些几何计算相关的题。第二类是深度学习基础。Transformer结构细节、注意力机制、RLHF流程、多模态模型训练中的数据配比策略。面试官会追问你在训练中遇到的实际问题比如loss不收敛、过拟合、多模态数据不匹配怎么处理。第三类是机器人领域知识。坐标变换、雅可比矩阵、正逆运动学、PID控制、模型预测控制的基本原理。这里卡住很多人因为纯AI背景的候选人普遍缺乏控制理论基础。我的建议是至少熟练掌握ROS 2的操作并理解机械臂的运动学解算过程。第四类是具身智能项目的深度追问。比如某个项目里你是怎么做数据采集的数据量是多少模型参数量多大在仿真里和真机上成功率分别多少失败case怎么分析这些问题没有标准答案但面试官会通过追问判断你是否真的动手做过而不是只看了几篇论文。有一个容易被忽略的加分项对行业主流模型和开源社区的了解程度。面试官如果问你“现在主流的VLA模型有哪些”“开源方案有什么特点”答不上来会显得你对行业缺乏跟踪。平时多刷arXiv和开源代码库关注RT-2、OpenVLA、Octo这类代表性工作这些积累在面试里很加分。4.3 普通人怎么理解并参与具身智能也有很多人是开发者或者产品经理背景不打算做算法研究但想参与具身智能行业。这类人同样有切入点。开发者方向可以关注具身智能仿真平台的开源生态。Isaac Lab、MuJoCo、SAPIEN这些仿真工具的学习成本并不高掌握了之后可以参与开源机器人算法项目。目前具身智能领域开源氛围很浓很多团队会在GitHub上开放数据和模型权重参与社区贡献是很好的切入方式。产品方向需要更多关注场景分析和需求定义。具身智能产品的核心问题是“在哪里用、解决什么问题、用户愿不愿意付费”这和互联网产品的逻辑有很大区别。了解硬件BOM成本、交付周期、售后维护这些硬核问题会帮助你在产品经理岗位上有差异化竞争力。运维和测试方向做机器人数据采集、真机测试执行、场景标准化标注这些岗位缺口也很大。尤其是数据工厂的建设需要大量既懂机器人操作又懂数据管理的人。我做这行最大的感受是具身智能是一个典型的“需要把自己放低”的行业。做算法的人要下车间、跑现场做产品的人要学硬件、懂供应链。任何只坐在电脑前的人都不可能真正理解物理世界的复杂性。5. 常见问题与避坑指南5.1 这个领域最常见的五个误解在实际接触大量做具身智能的同学和投资人之后我发现有一些误解非常普遍列出来给大家排雷。第一个误解是“具身智能人形机器人”。实际上具身智能是一种技术范式强调的是AI通过物理实体与环境交互并学习。轮式机器人、机械臂、四足机器人同样属于具身智能的范畴。单纯押注人形机器人的形态在商业化上会面临很大风险。第二个误解是“大模型可以端到端控制机器人”。目前的VLA模型确实可以实现从视觉输入到动作输出的端到端控制但这并不意味着不需要底层的运动控制和安全机制。实践中几乎所有落地系统都是“大模型做高层规划和部分操作策略底层仍保留可靠的控制器和安全保护”。第三个误解是“仿真数据足够解决问题”。仿真数据的价值毋庸置疑但没有真实数据支撑的模型很容易在关键时刻掉链子。真实世界有仿真永远无法建模的细节比如物体弹性形变、液体流动、温度变化。数据飞轮必须是仿真遥操作真机三方协同。第四个误解是“先烧钱做通用机器人后面再找场景”。这是很多明星创业公司踩过的坑。通用机器人目前还是一个研究命题不是工程命题。合理的路径应该是场景先行、垂直深耕把一个场景做到极致之后再横向扩展。第五个误解是“硬件成熟度已经不是问题了”。实际上传感器精度、电机响应带宽、电池续航、散热这些硬件指标仍然严重制约着具身智能的落地效果。很多算法在仿真里表现优异一旦换到低成本的量产硬件上性能立刻大幅缩水。5.2 实操中容易踩坑的四个环节下面这些坑多数是团队在真实项目中会遇到的分享几个典型的第一个坑是数据采集时传感器标定不严格。机器人上往往有相机、IMU、里程计多个传感器如果坐标系标定不统一采集到的数据在训练时会出现严重的模态冲突。实操上建议每次数据采集前做完整的传感器标定并记录标定参数文件保证数据集的时空对齐是一致的。第二个坑是仿真任务设计得过于简化。很多团队的仿真场景只包含一个物体和一个简单的目标位置训练出的策略在真实环境里根本不可用。我的建议是在仿真里从一开始就加入多物体、随机布局、不同光照让模型在有一定难度的环境里学习虽然训练时间会翻倍但迁移效果会好很多。第三个坑是只关注任务成功率忽略操作质量。抓取成功率高不代表动作是安全的。如果模型学到的策略每次都是“大力出奇迹”短期内效果不错但长期运行会导致机械结构疲劳甚至损坏。要在训练目标里加入力觉约束、加速度约束让模型学会“温柔地干活”。第四个坑是忽视评测体系的一致性。具身智能项目的评测很容易做“魔术式汇报”换一个物体、换一个角度分数大不相同。为了避免这个问题项目一开始就要定义固定的评测基准同一套传感器配置、同一套场景布局、同一套初始状态分布。否则你无法判断模型的真实进步也无法和外部基线进行公平对比。5.3 给团队的几条实操建议最后给出几条给具身智能团队的建议都是从实际项目中沉淀出来的。第一数据基础设施的建设优先级一定要提前。很多团队先招算法工程师做模型等模型做出来才发现没有像样的数据流水线再返工补数据成本极高。建议团队成立的第一天就规划好数据采集方案、存储方案、标注方案。第二一定要有自建的仿真评测环境。不要让算法工程师自己搭仿真环境很容易出现“搭一个自己好跑的躲开难的问题”的情况。评测环境最好由专门的基础设施组维护和算法组分离保证评测结果客观。第三多让算法工程师上真机。做仿真做得再好的研究员也该定期到真机现场观察模型的表现。很多时候你在日志里看不懂的失败原因现场看一眼机器人卡在哪一步就全明白了。这个习惯能大幅减少团队在错误方向上的投入。第四关注安全冗余设计。机器人的软硬件设计都要有安全兜底。软件层面要有急停逻辑、异常状态检测、速度限制硬件层面要有力矩传感器、碰撞检测。不要等到出了事故再补安全设计那时候损失的可能不止是设备。我自己的体会是具身智能这个行业最难的地方不是单一技术的突破而是把AI模型、机械本体、数据闭环、场景需求这四件事捏合在一起。任何一环存在短板整个系统就会表现为“不够好用”。朱兴说“百模大战刚开始”背后的意思就是——现在还没有任何一家做出真正接近“通用物理操作能力”的系统大家都还在同一条起跑线上。谁能在数据飞轮、场景落地和人机安全这三件事上同时跑通谁才有机会成为这场长跑中真正跑出来的玩家。最后再分享一个小技巧如果你正在组建具身智能团队或者准备加入相关项目一定要去问问对方“你们场景里失败率最高的动作是什么你们打算怎么针对它补数据”。这个问题能把大部分只会讲宏大叙事的人问倒也能帮你立刻判断一个团队是真正在做产品还是在做概念。数据闭环的颗粒度永远是具身智能项目最诚实的镜子。