前阵子我参加了一场小型行业论坛，主题就一句话横幅：“具身智能如何抵达‘ChatGPT时刻’？”台上坐着某研究院的负责人、某高校的机器人方向教授，还有三位各自的机器人创业公司创始人。原本以为又是一场概念宣讲，结果整场下来几乎没有人在聊“未来很美好”，反而一直在争“数据到底该怎么攒”“真机评测能不能别自说自话”“硬件成本怎么降”这些特别落地的问题。我自己的感受是：具身智能这个赛道，谈“ChatGPT时刻”的人很多，但真正能把“时刻到来前缺什么”讲清楚的并不多。这篇文章就基于那天的讨论，加上我过去两年在相关项目里摸爬滚打的经验，把具身智能距离“里程碑时刻”还差的那几步，掰开揉碎说一说。1. 一个共识：具身智能还没等到属于它的“ChatGPT时刻”1.1 “ChatGPT时刻”到底指什么先把这个词拆清楚。ChatGPT在2022年底出现后，大家用“时刻”来形容它，不只是因为它能做对话，而是因为三个特征同时出现：第一，模型能力跨过了一个让普通用户愿意主动使用的临界点；第二，开发者开始围绕它构建生态，而不是靠官方一家推动；第三，技术路线本身被验证可扩展，数据和算力堆下去效果还能继续涨。这三个特征放在一起，才叫“时刻”。单独能力强不叫时刻，比如下棋AI早就超过人类，但它没有形成开发者生态；单独增长快也不叫时刻，很多推荐系统规模很大，但没有通用性可言。所以当我们问“具身智能何时迎来ChatGPT时刻”，本质上是在问：机器人领域什么时候能出现一个模型/系统，让随机一个普通客户愿意直接掏钱购买并信任它解决任务，同时让不同团队都能基于同一套范式往前迭代。1.2 机器人现在卡在哪那天论坛上，主持人让几位嘉宾用一个词形容当前的具身智能，答案五花八门，但意思差不多：“小学生水平”“能演示但没法交付”“实验室里跑得欢、客户现场没法看”。一位创始人说得更直接：“我们现在做出来的系统，在视频里很厉害，但放到真实仓库里干两天活就会翻车。”这不是某一家的问题，而是整个行业的状态。单看技术演示，这几年的进步非常大，机械臂能开洗衣机、叠衣服、插线缆，人形机器人能在工厂里搬运、分拣。但所有这些都高度依赖特定条件：光照、物体摆放位置、夹具类型、任务流程不能超出预设范围。换一个场景、换一件没见过的物体，成功率就会掉到令人尴尬的水平。所以整场讨论实际上在回答一个问题：从“演示成功”到“系统可用”，中间缺的到底是什么？几位嘉宾的答案虽然表述不同，但底层指向大致一致——数据、评测和硬件迭代速度，这三件事不解决，口号喊得再响也到不了真正的“时刻”。2. 大模型成功路线为什么在机器人身上失灵2.1 文本数据是现成的，机器人数据得现采复盘ChatGPT之前GPT系列的路径，核心逻辑特别简单：互联网上已经有海量文本，把这些文本喂给Transformer，预测下一个token，能力就一点点冒出来。这个过程里，数据是免费且无限供应的，不需要专门找人生产，不需要标答案，语言本身就是监督信号。但机器人策略训练完全不是这样。让一个模型学会“拿起杯子”这个动作，需要的数据形态是“观察-动作-结果”的三元组：机器人看到什么，关节怎么动，最后有没有成功。这种数据在互联网上不存在，必须靠真实机器人运行来采集。一台机械臂一天能跑多少条有效数据？几百条到几千条，视任务复杂度和自动化程度而定。对比GPT训练动辄数万亿token，这个量级差了至少六七个数量级。论坛上一位教授给了个很形象的类比：文本数据像现成图书馆里的书，你随时可以搬去读；机器人数据像你非要写本新书，而且每本书都得亲自做完实验才能写出来。这个差距不是靠优化算法就能弥补的，它是数据生产成本的硬约束。2.2 算力可以无脑堆，机器人不能无脑堆大模型还有个“作弊”之处：只要你给足够多GPU，训练的loss就会下降，模型能力就会提升。这是一个非常干净的可扩展性关系。但机器人训练不可能只靠GPU，必须有真实物理世界参与，或者说，必须有足够好的物理仿真环境参与。而仿真环境本身就有“域差距”问题：仿真里的摩擦力、光照、物体形变、关节间隙，做得再精细也跟现实有出入。很多团队试过，在仿真里训练得特别好的策略，拿到真机上成功率大概率断崖式下跌。反过来，如果完全用真机数据训练，成本和耗时又根本撑不起大模型的规模需求。这就是机器人领域的“scale困境”：算法可以scaling，数据很难scaling，很难scaling的部分拖住了整个系统的迭代速度。一位创始人调侃说：“大模型团队比谁GPU多，机器人团队比谁机器人多，但一台机器人一年能产出的有效数据，可能还不如一张A100一天处理的数据多。”这句话有点极端，但方向是对的。2.3 任务表示至今没有统一ChatGPT之所以能涌现出写代码、做翻译、逻辑推理这些能力，很重要一个原因：所有任务都被统一成了“下一个token预测”。不管你是英语、法语还是代码，预处理成token序列以后就是同一件事。这个“统一接口”极其关键。具身智能现在恰好缺这个接口。同一个动作，“抓取”这件事，在不同机器人上对应的是完全不同的关节角度序列和力矩；同一个任务“倒水”，在不同杯子、不同桌面高度、不同机器人臂型下，状态表示都不一样。虽然大家现在都在尝试用视觉语言动作模型（VLA）把输入统一成图像+文本+离散动作，但动作输出层还是没有统一标准，各家机器人本体的运动学差异更是天然的不兼容。没有统一表示，就很难有跨场景积累的数据复用。你做咖啡的数据，我做拧螺丝的数据，本质上完全无法共享，最后每个人都从小白状态开始攒数据，效率极低。3. 现场争论最激烈的三个死结：数据、评测、硬件3.1 数据到底靠遥操作、仿真还是自动采集这场论坛上关于数据路线的争论是全场火药味最重的部分，大致分成三派。第一派认为，数据必须靠真人遥操作来采。理由是真实动作的质量最高，包含人对接触、力控、异常处理的隐式经验，直接模仿学习效果最稳。问题是成本太高，一个熟练操作员一天能采的数据量有限，而且遥操作设备本身不便宜，规模化招聘采集员的管理成本也很大。第二派主推仿真合成数据。用GPU批量并行跑仿真环境，理论上一天能生成数以百万计的轨迹数据，成本摊薄后非常便宜。但这派被追问最多的问题就是“域差距怎么解决”。虽然现在有domain randomization、系统辨识等方法，但做到“仿真里行、真机也行”依然靠大量人工调参，并没有一个统一解法。第三派介于两者之间，主推“人在环路的半自动采集”：机器人按预设轨迹跑，人在关键节点介入纠偏，把纠偏过程自动记录为有效训练数据。好处是比纯遥操作快，比纯仿真数据真实；坏处是流程设计复杂，而且对任务的多样适应性要求很高。我个人比较认同第三派接近量产，但就像论坛上一位嘉宾说的：“别太纠结哪条路绝对正确。现在阶段谁的数据闭环跑得更快，谁就有资格在下一轮迭代中定义标准。”数据路线之争的本质，其实是对“一两年内谁能先攒出可用的千万级有效动作数据”的押注。3.2 没有统一评测，谁都说自己第一这是我在现场最头疼也最有共鸣的话题。现在每家机器人团队都会放出演示视频，看起来一个比一个厉害。但你细看评测条件就会发现，是在固定桌面、固定物体、固定位置、固定光照下测出来的成功率。你要是把物体挪个位置、换个颜色，指标直接没法看。论坛上一位教授现场吐槽：“我看过不少论文，成功率95%，你仔细一看，test set里所有物体形状都一样，换个形状没训练过，立刻掉到40%。这哪里是泛化，这是背题。”这话引起一片掌声，也说明大家苦“表演式评测”久矣。我认为这里面有两层问题。第一层，缺少公认的benchmark任务集。像视觉那边有ImageNet，语言这边有GLUE/MMLU等一整套评估体系，机器人领域至今没有一个能让全行业服气的公共评测场。不是没人牵头做，而是任务设计难度太大：既要能区分算法好坏，又不能过度依赖某个特定硬件，还要覆盖足够多真实场景。第二层，评测本身没统一，产业界和学术界各玩各的。学术界喜欢在仿真benchmark上刷分，产业界只关注自己真实场景里能不能稳定运行，两边没有被同一个标尺度量过。没有统一评测的后果很直接：科研资源的投入难以对齐到真正的问题上，资本和客户也无法判断谁是真正靠谱的团队。长此以往，劣币驱逐良币的风险会越来越大。3.3 硬件本体迭代太慢，拖了软件后腿具身智能还有一个大模型完全没有的麻烦：它必须有一个物理载体。大模型的“载体”是服务器，买更多GPU就行，没有物理磨损和安全性问题。机器人本体则完全不同，关节电机、减速器、夹爪、传感器、电池，任何一环出故障，整个系统的实测数据采集就得停摆。论坛上一位创始人对这一点特别感慨：“我们的算法团队其实进步速度挺快的，但真正限制我们的不是算法，是硬件稳定性。一台人形机器人平均能稳定运行两小时就不错了，跑一会儿就过热报警、关节异响、线缆松了，数据采集被迫中断。这种情况下，你怎么攒数据？”两位创始人都提到，他们目前自研或者深度定制关节模组，核心动机不是炫技，而是国产通用零部件在寿命、精度、一致性上撑不住大规模数据采集这种高负载工况。另外，硬件成本还直接限制了“并行采数据”的规模。大模型训练，你开一个1万卡集群就行；机器人数据采集，你想把数据产量提高10倍，就得买10倍的机器人，那可是实打实的硬件采购成本。按目前人形机器人几十万一台来算，一个团队想凑够100台做并行采集，光硬件投入就大几千万，还没算运维人员成本。这种资金密集程度，根本不是普通团队能承受的。4. 三位创始人的路线分歧：端到端、世界模型、场景打穿4.1 路线一：先堆大脑，运动控制先靠传统方法兜底第一位创始人的思路很典型：“大模型已经在语言和视觉上证明了自己，没道理不能理解物理任务。我们现在把大部分研发预算放在多模态大模型上，让它输出高层任务规划，底层运动控制继续用传统的MPC加力位混合控制兜底。”这个路线的优势是见效快，毕竟底层控制不用全盘重做，高层模型只要能把任务分解成子步骤，现有控制栈就能执行得不错。风险也很明显：它本质上还是“大脑+小脑”的拼接，上层模型对物理世界没有真实的体感，遇到规划之外的动态变化会反应不过来。创始人自己也不回避这个问题：“我们现在能实现的是在结构化环境里的长时间任务执行，比如让机器人按指令从货架上取6种不同商品并放进打包箱。真要让它应对完全无序的场景，比如从一堆杂物里找指定工具，还得靠数据量再上一个台阶。”4.2 路线二：先造一个“物理世界模型”，让机器人真正理解规律第二位创始人选择了另一个方向：“我们不急着让机器人马上干活，我们想先学一个物理世界的动态模型。机器人看到物体，能预测‘如果我推它一下，它会怎么动’，这种具身的理解能力才是真正的护城河。”这个思路其实非常接近学术界最近非常火的“世界模型”方向：让模型不只是在像素上做预测，而是在物体关系、物理约束、因果逻辑层面做预测。一旦有这个模型，机器人的规划、操作、避障都能受益。但这场路线的争议在于“远水难解近渴”。在场的一位教授直接问：“世界模型训练需要海量物理交互数据，这些数据从哪来？如果还是靠真机采，成本问题没解决；如果靠仿真学，学出来的世界模型到底能不能迁移到真实物理规律上？”创始人承认这个问题目前无法完全回答，但他的坚持也很有道理：“ChatGPT之所以强，是因为它从海量文本里学到了世界知识。机器人如果永远只学‘动作-结果’，不学‘世界如何运转’，就永远只能在特定任务上打转。”4.3 路线三：先打穿一个垂直场景，用真实订单换数据第三位创始人的策略最接地气：“我们不跟人形机器人那些大叙事，我们就做物流仓库里的一个小环节——包裹分拣。这个场景足够简单，客户愿意买单，我们能在这个场景里每天录真实运行数据，用赚来的钱养研发团队。等这个场景的数据量足够大，我们再想办法横向迁移到相邻场景。”这条路线最大的好处是现金流和数据的双重积累。真实商用环境里跑，客户需求是硬约束，系统不能只演示五分钟，得一天跑八小时不出大问题。这种压力会倒逼团队解决大量工程化问题：部署调试、异常恢复、与现有系统对接。而那些解决工程问题的过程，恰恰会产生非常高质量的真实场景数据。风险也很直接：垂直场景很容易把团队做成集成商，赚辛苦钱，但积累的数据不一定具备通用性。创始人回应这个质疑时说了句挺实在的话：“我承认可能到最后我们只是解决了分拣这个场景，但那也不丢人。先把一个场景做到别人替换不了的水平，比做十个只能演示的场景有价值得多。”5. 从“小爆发”到“真时刻”：我观察到的几个先行信号5.1 基础模型开始给机器人带来“白嫖”的感知能力虽然之前说了很多问题，但具身智能确实在迎来自己的拐点前兆。其中最明显的一个信号：大规模预训练的视觉语言模型，正在免费提供给机器人一个“理解世界”的底座。过去做机器人抓取，对物体的检测、分类、位姿估计都要单独训练模型。现在，很多团队直接把视觉语言模型当作开放的感知接口：传送带上来了一个没见过的零件，模型能告诉机器人“这是一个六角螺栓，大致朝哪个方向，需要从侧面夹取”。这种开箱即用的基础能力，两年前根本不敢想。它不能解决运动控制问题，但能省掉大量场景定制的人力。这让我有个判断：具身智能大概率会依附于通用基础模型往上长，而不是像老派机器人那样从底层感知到运动控制全部自研。基础模型能力越强，机器人团队要啃的硬骨头就越集中在“如何把高层理解和底层动作衔接”这一层上。5.2 数据采集工具链开始标准化，成本在下探第二个积极信号是数据基础设施在变好。早期的机器人数据采集非常原始，要么买几十万一套的遥操作设备，要么工程师手动编写采集脚本。过去一年里，已经出现不少开源或者商业化的数据采集方案：低成本力反馈手柄、视觉示教、动作捕捉手套、自动化标注流水线，选择比之前丰富得多。一位创始人在论坛里分享了一个数据：他们去年搭建一套数据采集工位大概要花30万，今年复用已有硬件，加一套软件框架，单个工位成本降到5万以内，采集效率还翻了一倍。“当数据采集成本降到足够低，我们就能用更多人海战术去攒多样性数据，多样性上来了，模型泛化的可能性才真正存在。”成本下降带来的可不只是省钱，而是让“攒数据”这件事变得可规模化。5.3 商业闭环已经在低垂场景里率先出现最后说说商业层面。很多人一提到具身智能就想到通用人形机器人，但我的观察是，最先跑通商业闭环的一定是那些“低垂的果实”：物流仓库的包裹搬运、工厂里的上下料、实验室里的样品分装、餐饮后厨的标准化清洗。这些场景有两个共同特征：任务相对固定，但环境有适度变化；客户对自动化有硬需求，且能明显核算ROI。论坛上做物流分拣的那位创始人有一句话我印象很深：“客户要的不是一个聪明的机器人，要的是下个月能稳定省掉三个人力。只要你能达到这个目标，哪怕你的AI看起来很笨都没关系。”这句话糙理不糙。“ChatGPT时刻”在C端表现成用户主动涌入，在具身智能领域大概率会表现成B端客户主动复购和加单。当若干个细分场景的客户不再把你当“试点”，而是当成“产线必需品”时，这个领域的飞轮就真正转起来了。我觉得，具身智能的“ChatGPT时刻”不会是一个突然出现的单点事件，更可能是一个渐进的过程：基础模型的感知能力越来越强，数据采集成本越来越低，细分场景的商业闭环越滚越多，当这三条曲线同时越过一个阈值，整个行业会突然发现自己已经回不到原来的研发范式里了。那个时刻可能看起来并没有ChatGPT发布时那么声势浩大，但它对整个实体产业的影响，会比聊天机器人深远得多。最后聊一点个人体会。我自己也折腾过一阵子机器人项目，最深的感受是：千万别被“通用”两个字带偏。真去做一个场景就知道，把某个具体任务做得足够稳定，会让你对数据、对模型、对硬件问题的理解远超那些一直在刷演示视频的团队。某种程度上，具身智能的“ChatGPT时刻”不是等来的，是各个团队在脏活累活里一点一点磨出来的。
前阵子我参加了一场小型行业论坛，主题就一句话横幅：“具身智能如何抵达‘ChatGPT时刻’？”台上坐着某研究院的负责人、某高校的机器人方向教授，还有三位各自的机器人创业公司创始人。原本以为又是一场概念宣讲，结果整场下来几乎没有人在聊“未来很美好”，反而一直在争“数据到底该怎么攒”“真机评测能不能别自说自话”“硬件成本怎么降”这些特别落地的问题。我自己的感受是：具身智能这个赛道，谈“ChatGPT时刻”的人很多，但真正能把“时刻到来前缺什么”讲清楚的并不多。这篇文章就基于那天的讨论，加上我过去两年在相关项目里摸爬滚打的经验，把具身智能距离“里程碑时刻”还差的那几步，掰开揉碎说一说。1. 一个共识：具身智能还没等到属于它的“ChatGPT时刻”1.1 “ChatGPT时刻”到底指什么先把这个词拆清楚。ChatGPT在2022年底出现后，大家用“时刻”来形容它，不只是因为它能做对话，而是因为三个特征同时出现：第一，模型能力跨过了一个让普通用户愿意主动使用的临界点；第二，开发者开始围绕它构建生态，而不是靠官方一家推动；第三，技术路线本身被验证可扩展，数据和算力堆下去效果还能继续涨。这三个特征放在一起，才叫“时刻”。单独能力强不叫时刻，比如下棋AI早就超过人类，但它没有形成开发者生态；单独增长快也不叫时刻，很多推荐系统规模很大，但没有通用性可言。所以当我们问“具身智能何时迎来ChatGPT时刻”，本质上是在问：机器人领域什么时候能出现一个模型/系统，让随机一个普通客户愿意直接掏钱购买并信任它解决任务，同时让不同团队都能基于同一套范式往前迭代。1.2 机器人现在卡在哪那天论坛上，主持人让几位嘉宾用一个词形容当前的具身智能，答案五花八门，但意思差不多：“小学生水平”“能演示但没法交付”“实验室里跑得欢、客户现场没法看”。一位创始人说得更直接：“我们现在做出来的系统，在视频里很厉害，但放到真实仓库里干两天活就会翻车。”这不是某一家的问题，而是整个行业的状态。单看技术演示，这几年的进步非常大，机械臂能开洗衣机、叠衣服、插线缆，人形机器人能在工厂里搬运、分拣。但所有这些都高度依赖特定条件：光照、物体摆放位置、夹具类型、任务流程不能超出预设范围。换一个场景、换一件没见过的物体，成功率就会掉到令人尴尬的水平。所以整场讨论实际上在回答一个问题：从“演示成功”到“系统可用”，中间缺的到底是什么？几位嘉宾的答案虽然表述不同，但底层指向大致一致——数据、评测和硬件迭代速度，这三件事不解决，口号喊得再响也到不了真正的“时刻”。2. 大模型成功路线为什么在机器人身上失灵2.1 文本数据是现成的，机器人数据得现采复盘ChatGPT之前GPT系列的路径，核心逻辑特别简单：互联网上已经有海量文本，把这些文本喂给Transformer，预测下一个token，能力就一点点冒出来。这个过程里，数据是免费且无限供应的，不需要专门找人生产，不需要标答案，语言本身就是监督信号。但机器人策略训练完全不是这样。让一个模型学会“拿起杯子”这个动作，需要的数据形态是“观察-动作-结果”的三元组：机器人看到什么，关节怎么动，最后有没有成功。这种数据在互联网上不存在，必须靠真实机器人运行来采集。一台机械臂一天能跑多少条有效数据？几百条到几千条，视任务复杂度和自动化程度而定。对比GPT训练动辄数万亿token，这个量级差了至少六七个数量级。论坛上一位教授给了个很形象的类比：文本数据像现成图书馆里的书，你随时可以搬去读；机器人数据像你非要写本新书，而且每本书都得亲自做完实验才能写出来。这个差距不是靠优化算法就能弥补的，它是数据生产成本的硬约束。2.2 算力可以无脑堆，机器人不能无脑堆大模型还有个“作弊”之处：只要你给足够多GPU，训练的loss就会下降，模型能力就会提升。这是一个非常干净的可扩展性关系。但机器人训练不可能只靠GPU，必须有真实物理世界参与，或者说，必须有足够好的物理仿真环境参与。而仿真环境本身就有“域差距”问题：仿真里的摩擦力、光照、物体形变、关节间隙，做得再精细也跟现实有出入。很多团队试过，在仿真里训练得特别好的策略，拿到真机上成功率大概率断崖式下跌。反过来，如果完全用真机数据训练，成本和耗时又根本撑不起大模型的规模需求。这就是机器人领域的“scale困境”：算法可以scaling，数据很难scaling，很难scaling的部分拖住了整个系统的迭代速度。一位创始人调侃说：“大模型团队比谁GPU多，机器人团队比谁机器人多，但一台机器人一年能产出的有效数据，可能还不如一张A100一天处理的数据多。”这句话有点极端，但方向是对的。2.3 任务表示至今没有统一ChatGPT之所以能涌现出写代码、做翻译、逻辑推理这些能力，很重要一个原因：所有任务都被统一成了“下一个token预测”。不管你是英语、法语还是代码，预处理成token序列以后就是同一件事。这个“统一接口”极其关键。具身智能现在恰好缺这个接口。同一个动作，“抓取”这件事，在不同机器人上对应的是完全不同的关节角度序列和力矩；同一个任务“倒水”，在不同杯子、不同桌面高度、不同机器人臂型下，状态表示都不一样。虽然大家现在都在尝试用视觉语言动作模型（VLA）把输入统一成图像+文本+离散动作，但动作输出层还是没有统一标准，各家机器人本体的运动学差异更是天然的不兼容。没有统一表示，就很难有跨场景积累的数据复用。你做咖啡的数据，我做拧螺丝的数据，本质上完全无法共享，最后每个人都从小白状态开始攒数据，效率极低。3. 现场争论最激烈的三个死结：数据、评测、硬件3.1 数据到底靠遥操作、仿真还是自动采集这场论坛上关于数据路线的争论是全场火药味最重的部分，大致分成三派。第一派认为，数据必须靠真人遥操作来采。理由是真实动作的质量最高，包含人对接触、力控、异常处理的隐式经验，直接模仿学习效果最稳。问题是成本太高，一个熟练操作员一天能采的数据量有限，而且遥操作设备本身不便宜，规模化招聘采集员的管理成本也很大。第二派主推仿真合成数据。用GPU批量并行跑仿真环境，理论上一天能生成数以百万计的轨迹数据，成本摊薄后非常便宜。但这派被追问最多的问题就是“域差距怎么解决”。虽然现在有domain randomization、系统辨识等方法，但做到“仿真里行、真机也行”依然靠大量人工调参，并没有一个统一解法。第三派介于两者之间，主推“人在环路的半自动采集”：机器人按预设轨迹跑，人在关键节点介入纠偏，把纠偏过程自动记录为有效训练数据。好处是比纯遥操作快，比纯仿真数据真实；坏处是流程设计复杂，而且对任务的多样适应性要求很高。我个人比较认同第三派接近量产，但就像论坛上一位嘉宾说的：“别太纠结哪条路绝对正确。现在阶段谁的数据闭环跑得更快，谁就有资格在下一轮迭代中定义标准。”数据路线之争的本质，其实是对“一两年内谁能先攒出可用的千万级有效动作数据”的押注。3.2 没有统一评测，谁都说自己第一这是我在现场最头疼也最有共鸣的话题。现在每家机器人团队都会放出演示视频，看起来一个比一个厉害。但你细看评测条件就会发现，是在固定桌面、固定物体、固定位置、固定光照下测出来的成功率。你要是把物体挪个位置、换个颜色，指标直接没法看。论坛上一位教授现场吐槽：“我看过不少论文，成功率95%，你仔细一看，test set里所有物体形状都一样，换个形状没训练过，立刻掉到40%。这哪里是泛化，这是背题。”这话引起一片掌声，也说明大家苦“表演式评测”久矣。我认为这里面有两层问题。第一层，缺少公认的benchmark任务集。像视觉那边有ImageNet，语言这边有GLUE/MMLU等一整套评估体系，机器人领域至今没有一个能让全行业服气的公共评测场。不是没人牵头做，而是任务设计难度太大：既要能区分算法好坏，又不能过度依赖某个特定硬件，还要覆盖足够多真实场景。第二层，评测本身没统一，产业界和学术界各玩各的。学术界喜欢在仿真benchmark上刷分，产业界只关注自己真实场景里能不能稳定运行，两边没有被同一个标尺度量过。没有统一评测的后果很直接：科研资源的投入难以对齐到真正的问题上，资本和客户也无法判断谁是真正靠谱的团队。长此以往，劣币驱逐良币的风险会越来越大。3.3 硬件本体迭代太慢，拖了软件后腿具身智能还有一个大模型完全没有的麻烦：它必须有一个物理载体。大模型的“载体”是服务器，买更多GPU就行，没有物理磨损和安全性问题。机器人本体则完全不同，关节电机、减速器、夹爪、传感器、电池，任何一环出故障，整个系统的实测数据采集就得停摆。论坛上一位创始人对这一点特别感慨：“我们的算法团队其实进步速度挺快的，但真正限制我们的不是算法，是硬件稳定性。一台人形机器人平均能稳定运行两小时就不错了，跑一会儿就过热报警、关节异响、线缆松了，数据采集被迫中断。这种情况下，你怎么攒数据？”两位创始人都提到，他们目前自研或者深度定制关节模组，核心动机不是炫技，而是国产通用零部件在寿命、精度、一致性上撑不住大规模数据采集这种高负载工况。另外，硬件成本还直接限制了“并行采数据”的规模。大模型训练，你开一个1万卡集群就行；机器人数据采集，你想把数据产量提高10倍，就得买10倍的机器人，那可是实打实的硬件采购成本。按目前人形机器人几十万一台来算，一个团队想凑够100台做并行采集，光硬件投入就大几千万，还没算运维人员成本。这种资金密集程度，根本不是普通团队能承受的。4. 三位创始人的路线分歧：端到端、世界模型、场景打穿4.1 路线一：先堆大脑，运动控制先靠传统方法兜底第一位创始人的思路很典型：“大模型已经在语言和视觉上证明了自己，没道理不能理解物理任务。我们现在把大部分研发预算放在多模态大模型上，让它输出高层任务规划，底层运动控制继续用传统的MPC加力位混合控制兜底。”这个路线的优势是见效快，毕竟底层控制不用全盘重做，高层模型只要能把任务分解成子步骤，现有控制栈就能执行得不错。风险也很明显：它本质上还是“大脑+小脑”的拼接，上层模型对物理世界没有真实的体感，遇到规划之外的动态变化会反应不过来。创始人自己也不回避这个问题：“我们现在能实现的是在结构化环境里的长时间任务执行，比如让机器人按指令从货架上取6种不同商品并放进打包箱。真要让它应对完全无序的场景，比如从一堆杂物里找指定工具，还得靠数据量再上一个台阶。”4.2 路线二：先造一个“物理世界模型”，让机器人真正理解规律第二位创始人选择了另一个方向：“我们不急着让机器人马上干活，我们想先学一个物理世界的动态模型。机器人看到物体，能预测‘如果我推它一下，它会怎么动’，这种具身的理解能力才是真正的护城河。”这个思路其实非常接近学术界最近非常火的“世界模型”方向：让模型不只是在像素上做预测，而是在物体关系、物理约束、因果逻辑层面做预测。一旦有这个模型，机器人的规划、操作、避障都能受益。但这场路线的争议在于“远水难解近渴”。在场的一位教授直接问：“世界模型训练需要海量物理交互数据，这些数据从哪来？如果还是靠真机采，成本问题没解决；如果靠仿真学，学出来的世界模型到底能不能迁移到真实物理规律上？”创始人承认这个问题目前无法完全回答，但他的坚持也很有道理：“ChatGPT之所以强，是因为它从海量文本里学到了世界知识。机器人如果永远只学‘动作-结果’，不学‘世界如何运转’，就永远只能在特定任务上打转。”4.3 路线三：先打穿一个垂直场景，用真实订单换数据第三位创始人的策略最接地气：“我们不跟人形机器人那些大叙事，我们就做物流仓库里的一个小环节——包裹分拣。这个场景足够简单，客户愿意买单，我们能在这个场景里每天录真实运行数据，用赚来的钱养研发团队。等这个场景的数据量足够大，我们再想办法横向迁移到相邻场景。”这条路线最大的好处是现金流和数据的双重积累。真实商用环境里跑，客户需求是硬约束，系统不能只演示五分钟，得一天跑八小时不出大问题。这种压力会倒逼团队解决大量工程化问题：部署调试、异常恢复、与现有系统对接。而那些解决工程问题的过程，恰恰会产生非常高质量的真实场景数据。风险也很直接：垂直场景很容易把团队做成集成商，赚辛苦钱，但积累的数据不一定具备通用性。创始人回应这个质疑时说了句挺实在的话：“我承认可能到最后我们只是解决了分拣这个场景，但那也不丢人。先把一个场景做到别人替换不了的水平，比做十个只能演示的场景有价值得多。”5. 从“小爆发”到“真时刻”：我观察到的几个先行信号5.1 基础模型开始给机器人带来“白嫖”的感知能力虽然之前说了很多问题，但具身智能确实在迎来自己的拐点前兆。其中最明显的一个信号：大规模预训练的视觉语言模型，正在免费提供给机器人一个“理解世界”的底座。过去做机器人抓取，对物体的检测、分类、位姿估计都要单独训练模型。现在，很多团队直接把视觉语言模型当作开放的感知接口：传送带上来了一个没见过的零件，模型能告诉机器人“这是一个六角螺栓，大致朝哪个方向，需要从侧面夹取”。这种开箱即用的基础能力，两年前根本不敢想。它不能解决运动控制问题，但能省掉大量场景定制的人力。这让我有个判断：具身智能大概率会依附于通用基础模型往上长，而不是像老派机器人那样从底层感知到运动控制全部自研。基础模型能力越强，机器人团队要啃的硬骨头就越集中在“如何把高层理解和底层动作衔接”这一层上。5.2 数据采集工具链开始标准化，成本在下探第二个积极信号是数据基础设施在变好。早期的机器人数据采集非常原始，要么买几十万一套的遥操作设备，要么工程师手动编写采集脚本。过去一年里，已经出现不少开源或者商业化的数据采集方案：低成本力反馈手柄、视觉示教、动作捕捉手套、自动化标注流水线，选择比之前丰富得多。一位创始人在论坛里分享了一个数据：他们去年搭建一套数据采集工位大概要花30万，今年复用已有硬件，加一套软件框架，单个工位成本降到5万以内，采集效率还翻了一倍。“当数据采集成本降到足够低，我们就能用更多人海战术去攒多样性数据，多样性上来了，模型泛化的可能性才真正存在。”成本下降带来的可不只是省钱，而是让“攒数据”这件事变得可规模化。5.3 商业闭环已经在低垂场景里率先出现最后说说商业层面。很多人一提到具身智能就想到通用人形机器人，但我的观察是，最先跑通商业闭环的一定是那些“低垂的果实”：物流仓库的包裹搬运、工厂里的上下料、实验室里的样品分装、餐饮后厨的标准化清洗。这些场景有两个共同特征：任务相对固定，但环境有适度变化；客户对自动化有硬需求，且能明显核算ROI。论坛上做物流分拣的那位创始人有一句话我印象很深：“客户要的不是一个聪明的机器人，要的是下个月能稳定省掉三个人力。只要你能达到这个目标，哪怕你的AI看起来很笨都没关系。”这句话糙理不糙。“ChatGPT时刻”在C端表现成用户主动涌入，在具身智能领域大概率会表现成B端客户主动复购和加单。当若干个细分场景的客户不再把你当“试点”，而是当成“产线必需品”时，这个领域的飞轮就真正转起来了。我觉得，具身智能的“ChatGPT时刻”不会是一个突然出现的单点事件，更可能是一个渐进的过程：基础模型的感知能力越来越强，数据采集成本越来越低，细分场景的商业闭环越滚越多，当这三条曲线同时越过一个阈值，整个行业会突然发现自己已经回不到原来的研发范式里了。那个时刻可能看起来并没有ChatGPT发布时那么声势浩大，但它对整个实体产业的影响，会比聊天机器人深远得多。最后聊一点个人体会。我自己也折腾过一阵子机器人项目，最深的感受是：千万别被“通用”两个字带偏。真去做一个场景就知道，把某个具体任务做得足够稳定，会让你对数据、对模型、对硬件问题的理解远超那些一直在刷演示视频的团队。某种程度上，具身智能的“ChatGPT时刻”不是等来的，是各个团队在脏活累活里一点一点磨出来的。