在技術(shù)早期，總有人試圖尋找唯一正確的路線，希望通過一次性押注來穿越迷霧。但具身智能的復(fù)雜性正在提醒行業(yè)，具身智能不是從一條路徑長出來，而是從無數(shù)次試錯、沖突與調(diào)和中被“雕刻”出來。模型不完美，數(shù)據(jù)不完整，架構(gòu)不統(tǒng)一，這聽上去像缺陷，卻恰恰是具身智能最真實(shí)的生命力所在。

作者：彭堃方

編輯：呂鑫燚

出品：具身研習(xí)社

意料之內(nèi)的是具身智能在2025年末依然保持高昂姿態(tài)前行。

更在意料之內(nèi)的是，具身智能依然沒有共識。

2025智源具身OpenDay圓桌論壇上，國內(nèi)最頂尖的具身從業(yè)者來了一場“各執(zhí)一詞的真心話”，無論是模型架構(gòu)的選擇，還是數(shù)據(jù)的使用都未能在圓桌對話上找到統(tǒng)一的發(fā)展方向。
一時間不少人對于具身智能仍無共識這事兒，抱有遺憾。

但具身研習(xí)社認(rèn)為，“無共識”的另一層意思是具身智能仍值得期待，技術(shù)還會在不經(jīng)意間“偷襲”。畢竟，有明確風(fēng)向了反倒是略顯無聊。當(dāng)我們不再訴諸“確定性”，其實(shí)能夠看出一些趨勢?；蛟S“無共識”本身就是一種共識。

圖片來源：智源研究院

從產(chǎn)業(yè)視角來看，共識的缺失有三重利好意義：

其一，無共識本質(zhì)上打破了單一技術(shù)路線的壟斷性話語權(quán)，避免行業(yè)陷入“路徑依賴”的創(chuàng)新陷阱。在具身智能領(lǐng)域，從“分層架構(gòu) vs 端到端”的技術(shù)路線分歧，到“通用人形機(jī)器人vs場景化具身智能”的落地選擇，無共識狀態(tài)讓不同技術(shù)理念、學(xué)科背景的團(tuán)隊獲得平等試錯空間；

其二，成熟行業(yè)的共識往往伴隨著高準(zhǔn)入壁壘，而具身智能的“無共識”狀態(tài)，為中小企業(yè)、初創(chuàng)團(tuán)隊乃至跨界玩家提供了彎道超車的機(jī)會。無需遵循既有的技術(shù)標(biāo)準(zhǔn)或商業(yè)規(guī)則，新入局者可憑借差異化優(yōu)勢切入賽道。

其三，具身智能作為交叉學(xué)科賽道，其技術(shù)基礎(chǔ)仍在快速迭代，過早形成共識反而可能固化技術(shù)路徑，限制行業(yè)向更高維度突破。無共識狀態(tài)的核心價值，在于為技術(shù)迭代預(yù)留了“彈性空間”。

在智源具身OpenDay圓桌論壇上，講述了太多“無共識”，也折射出更多可能性。具身研習(xí)社基于在場嘉賓的回答，洞察出具身智能五大信號，未來發(fā)展的方向或許就藏在信號中。

模型還不夠好

有人要另起爐灶

• 信號1:世界模型暫時扛不起大梁

在具身智能的模型討論中，“當(dāng)紅炸子雞”世界模型是繞不開的話題。

它的核心價值在于“預(yù)測”。讓機(jī)器人像人類一樣，根據(jù)當(dāng)前時空狀態(tài)預(yù)判下一步變化，進(jìn)而規(guī)劃動作，這一點(diǎn)得到了圓桌嘉賓的普遍認(rèn)可。北京大學(xué)助理教授、銀河通用創(chuàng)始人王鶴以機(jī)器人運(yùn)控為例，指出無論是人形機(jī)器人的足式行走、跳舞，還是靈巧手的精細(xì)操作，其底層控制邏輯都需要對物理交互的預(yù)測能力，而世界模型恰好能提供這種支撐，但要讓世界模型真正服務(wù)于機(jī)器人，它的訓(xùn)練數(shù)據(jù)中必須包含更多機(jī)器人本身的數(shù)據(jù)。

但世界模型的短板同樣突出，難以單獨(dú)成為具身智能的“萬能方案”。王鶴強(qiáng)調(diào)，當(dāng)前很多世界模型依賴人類行為視頻訓(xùn)練，可機(jī)器人的身體結(jié)構(gòu)（如輪式底盤、多自由度機(jī)械臂）與人類差異巨大，這些數(shù)據(jù)對機(jī)器人實(shí)際操作的幫助有限。加速進(jìn)化創(chuàng)始人兼CEO程昊也提到，在做飯、復(fù)雜裝配等真實(shí)場景中，世界模型的預(yù)測精度仍不足，只能先通過分層模型解決簡單任務(wù)，再逐步迭代升級。

• 信號2:模型要“另起爐灶”

既然現(xiàn)有模型難以滿足需求，“打造具身專屬模型”成為不少企業(yè)的共識。

清華大學(xué)交叉信息學(xué)院助理教授、星海圖CTO 趙行表示，具身智能需要平行于大語言模型的“Large Action Model”，這類模型要以“動作”為核心，而非語言。他解釋道，人類智能的進(jìn)化是“先有動作、再有視覺、最后有語言”，機(jī)器人要適應(yīng)物理世界，也應(yīng)該遵循類似邏輯——比如開車時，人類靠視覺觀察路況、靠動作操控方向盤，語言并未參與核心操作，具身模型也應(yīng)優(yōu)先打通“視覺-動作”的閉環(huán)。

自變量創(chuàng)始人兼CEO王潛的觀點(diǎn)更為具體，他認(rèn)為具身智能需要一套“物理世界基礎(chǔ)模型”，既能控制機(jī)器人動作，又能作為世界模型預(yù)測物理規(guī)律。虛擬世界的多模態(tài)模型靠文字、圖片訓(xùn)練，但物理世界的摩擦、碰撞、力反饋等精細(xì)過程，卻是無法用語言準(zhǔn)確描述的。當(dāng)一個機(jī)器人抓取雞蛋時，它需要感知蛋殼的脆弱度、調(diào)整握力，這種對物理屬性的理解，必須依賴專門針對物理世界訓(xùn)練的模型。

• 信號3:從底層架構(gòu)開始革新

過去幾年，Transformer架構(gòu)憑借跨模態(tài)處理能力，撐起了ChatGPT等大語言模型的爆發(fā)，但在具身智能領(lǐng)域，它的適用性正受到質(zhì)疑。招商局集團(tuán)AI首席科學(xué)家張家興是這一觀點(diǎn)的代表，他直言“具身智能不能走LLM到VLM的老路”。

在他看來，Transformer架構(gòu)是以語言為核心，將視覺、動作等模態(tài)向語言映射，這與物理世界的操作邏輯相悖——人類做動作時，視覺感知直接指導(dǎo)肌肉運(yùn)動，無需經(jīng)過語言“翻譯”。他透露，硅谷頭部團(tuán)隊已在探索“Vision First”或“Vision Action First”的新架構(gòu)，讓視覺和動作直接交互，減少語言中介的損耗。

王鶴也補(bǔ)充道，Transformer作為一個跨模態(tài)的Attention機(jī)制，是很通用的。比如你發(fā)現(xiàn)它吞吐文模態(tài)、視頻模態(tài)、聲音模態(tài)都是可以的。但“今天具身的問題是，我們?nèi)擞醒?、耳、口、鼻、舌，這么多‘覺’，雖然從Attention的角度，把這些‘覺’Token化以后都能放到Transformer里，但是它在輸出上好像不是那么的理想，根本挑戰(zhàn)是數(shù)據(jù)問題以及與之對應(yīng)的學(xué)習(xí)范式”。

王鶴提出，短期來看，仿真模擬與合成數(shù)據(jù)是突破探索速度的核心手段；長期來看，現(xiàn)實(shí)世界中人形機(jī)器人的規(guī)模必須持續(xù)快速擴(kuò)張，只有足夠大的“機(jī)器人人口”與能力提升相互推動，才能催生真正強(qiáng)大的具身大模型。

這種底層架構(gòu)的不匹配，讓行業(yè)意識到：要實(shí)現(xiàn)具身智能的突破，或許需要從架構(gòu)根源上革新，而非在現(xiàn)有框架內(nèi)修修補(bǔ)補(bǔ)。

數(shù)據(jù)依舊是卡點(diǎn)

且胃口越來越大

• 信號4:沒有完美數(shù)據(jù)，只有適配選擇

“數(shù)據(jù)是具身智能的燃料”，這是圓桌論壇的共識，但“用什么數(shù)據(jù)”卻沒有統(tǒng)一答案。由于不同數(shù)據(jù)類型各有優(yōu)劣，企業(yè)普遍采取“多源融合、按需選擇”的策略，根據(jù)任務(wù)場景匹配最合適的數(shù)據(jù)來源。
真機(jī)數(shù)據(jù)是最“保真”的選擇，能直接反映真實(shí)物理世界的交互規(guī)律，因此成為精細(xì)操作場景的首選。趙行所在的星海圖團(tuán)隊，就堅持深入真實(shí)場景采集數(shù)據(jù)，他們把真實(shí)性、質(zhì)量看作真實(shí)機(jī)器人的數(shù)采起點(diǎn)。
智元機(jī)器人合伙人、首席科學(xué)家羅劍嵐也強(qiáng)調(diào)，智元機(jī)器人也堅持真實(shí)數(shù)據(jù)，并且在數(shù)據(jù)采集中堅持真實(shí)場景而非單靠數(shù)采工廠，摸索一條通過機(jī)器人自主地去產(chǎn)生數(shù)據(jù)，構(gòu)建起數(shù)據(jù)飛輪的道路。
而仿真數(shù)據(jù)則憑借“低成本、可規(guī)模化”的優(yōu)勢，成為底層控制訓(xùn)練的主力。王鶴認(rèn)為，在強(qiáng)化學(xué)習(xí)中，很多極端場景（如機(jī)器人摔倒、機(jī)械臂過載）難以在真機(jī)上反復(fù)測試，而仿真器可以快速生成大量類似數(shù)據(jù)，幫助模型學(xué)習(xí)應(yīng)對策略。在他看來，模擬器并不是對真實(shí)世界的否定，而是以模擬器為始，它能夠給具身企業(yè)一個很好的Base Controller，讓我們能在真實(shí)世界里能把數(shù)據(jù)飛輪轉(zhuǎn)起來。

程昊的加速進(jìn)化團(tuán)隊也采取類似策略，先用仿真數(shù)據(jù)讓機(jī)器人掌握基本運(yùn)控能力，再用真機(jī)數(shù)據(jù)微調(diào)適配真實(shí)場景。“我們用仿真數(shù)據(jù)訓(xùn)練的一個目標(biāo)，是讓機(jī)器人接下來能獲得更多真實(shí)數(shù)據(jù)，有了真實(shí)數(shù)據(jù)，整體能力才能再提升?！痹诔剃豢磥磉@很可能是一個螺旋上升的過程。

視頻數(shù)據(jù)則成為基座模型訓(xùn)練的重要補(bǔ)充。智源研究院院長王仲遠(yuǎn)認(rèn)為“視頻數(shù)據(jù)訓(xùn)練基座模型”這一套邏輯其實(shí)跟現(xiàn)在小朋友刷手機(jī)來認(rèn)識世界是一個原理——先通過視頻學(xué)習(xí)到這個世界，再通過真實(shí)的交互體驗(yàn)來提升他們的技能。這些視頻數(shù)據(jù)包含時空、因果、意圖等多維度信息，且能大規(guī)模獲取，是當(dāng)前缺乏海量真機(jī)數(shù)據(jù)時的“折中最優(yōu)解”。
但在具身研習(xí)社追問“從視頻中學(xué)習(xí)如何解決觸覺跟力控精細(xì)化數(shù)據(jù)？”時王仲遠(yuǎn)也承認(rèn)，視頻中確實(shí)缺乏力反饋、觸覺等信息，但這并不影響其價值?，F(xiàn)在智源研究院具身智能實(shí)驗(yàn)室里也備有帶力反饋數(shù)據(jù)的采集設(shè)備。視頻數(shù)據(jù)更多用于“打基礎(chǔ)”，還需結(jié)合其他數(shù)據(jù)做針對性優(yōu)化、微調(diào)。

• 信號5:“數(shù)量”“質(zhì)量”“種類”，具身企業(yè)全方位要數(shù)據(jù)

隨著具身智能向復(fù)雜場景滲透，行業(yè)對數(shù)據(jù)的需求正不斷升級，不僅“量”要大，“質(zhì)”要高，“種類”也要更豐富，形成了越來越大的“數(shù)據(jù)胃口”。

首先是“量”的渴求，“互聯(lián)網(wǎng)級別”數(shù)據(jù)成為行業(yè)共同的期待。如趙行認(rèn)為，數(shù)據(jù)的規(guī)?；?，能夠反向的驅(qū)動模型的進(jìn)化和智能的實(shí)現(xiàn)。王仲遠(yuǎn)也表示“更好的具身大模型，可能要等大量機(jī)器人在真實(shí)場景中解決具體問題、累積出‘具身智能互聯(lián)網(wǎng)’級別的數(shù)據(jù)之后，才會出現(xiàn)”。換句話說，沒有足夠的數(shù)據(jù)，模型就像沒吃飽的孩子，跑不快也長不壯。

當(dāng)業(yè)內(nèi)在為Generalist構(gòu)建的27萬小時真機(jī)數(shù)據(jù)集，疑似觸碰到所謂規(guī)?；▌t而歡呼時，王仲遠(yuǎn)對具身研習(xí)社坦言，“幾十萬小時的數(shù)據(jù)依然不能叫海量數(shù)據(jù)，還遠(yuǎn)沒到ChatGPT時刻”。

圖片來源：智源研究院

在“量”之外，是“質(zhì)”的追求，“高質(zhì)量數(shù)據(jù)比海量低質(zhì)數(shù)據(jù)更有價值”的觀點(diǎn)逐漸成為主流。王潛認(rèn)為，數(shù)據(jù)雖然很重要，但不是簡單的“越多越好”。

事實(shí)上，語言模型已經(jīng)驗(yàn)證過，單純堆數(shù)據(jù)規(guī)模未必帶來最好效果，高質(zhì)量、高效率的數(shù)據(jù)才是決定性因素。他認(rèn)為在具身場景里，數(shù)據(jù)質(zhì)量比數(shù)據(jù)總量更能拉開一個量級上的差距。在這里，站在金字塔頂尖的真機(jī)數(shù)據(jù)或許可以少，但很可能是打地基的那一層或者說是針對仿真、視頻數(shù)據(jù)之外，扶大廈之將傾的存在。

最后是“種類”的豐富，多模態(tài)數(shù)據(jù)的需求日益迫切。隨著機(jī)器人應(yīng)用場景擴(kuò)展，單一類型的數(shù)據(jù)已無法滿足需求。比如在家庭服務(wù)場景中，機(jī)器人需要同時處理視覺（識別物體）、聽覺（理解指令）、觸覺（感知物體軟硬）、力反饋（控制動作力度）等多維度信息。
當(dāng)前業(yè)內(nèi)所說的多模態(tài)更能力，多是承襲基座大模型的視覺、語言能力，在真正物理交互中的觸覺、力反饋等模態(tài)少之又少。

這種對數(shù)據(jù)種類的豐富需求，也讓行業(yè)意識到：未來的數(shù)據(jù)采集，不僅要記錄“機(jī)器人做了什么”，還要記錄“環(huán)境發(fā)生了什么”“交互有何反饋”“人類需要什么”，才能讓模型更懂物理世界、更懂人類需求。
在技術(shù)的早期，總有人試圖尋找唯一正確的路線，希望通過一次性押注來穿越迷霧。但具身智能的復(fù)雜性正在提醒行業(yè)：真正的智能不是從一條路徑長出來，而是從無數(shù)次試錯、沖突與調(diào)和中被“雕刻”出來。模型不完美，數(shù)據(jù)不完整，架構(gòu)不統(tǒng)一，這聽上去像缺陷，卻恰恰是具身智能最真實(shí)的生命力所在。