AI觀察｜具身智能進(jìn)化不等人！“大腦”在爭吵 身體已開跑

童話《綠野仙蹤》的“鐵皮人”、電影《機(jī)器人總動(dòng)員》的“瓦力”、漫畫《鐵臂阿童木》的“阿童木”……影視文藝作品中具有自主意識、友好能干的金屬伙伴，描繪了人類對具身智能（機(jī)器人）的美好想象。

王靖/制圖

走進(jìn)現(xiàn)實(shí)，2025年沖入大眾視野的具身智能，在飛速成長中遭遇不少質(zhì)疑：功能是噱頭，沒了遙控能走多遠(yuǎn)，目前還屬于昂貴的大玩具？歲序更替之際，2025智源具身Open Day圓桌論壇的思想碰撞、國家發(fā)展改革委關(guān)于具身智能產(chǎn)業(yè)的政策部署、上海財(cái)經(jīng)大學(xué)《具身智能十大觀察》報(bào)告的深度剖析等相繼展開，或?qū)�幫我們抽絲剝繭，管窺2026年具身智能行業(yè)可能迎來的質(zhì)變機(jī)遇。

數(shù)據(jù)“不夠用、不好用”，如何破題？

數(shù)據(jù)是具身智能的“燃料”，但當(dāng)前行業(yè)普遍面臨“數(shù)據(jù)稀缺”與“需求旺盛”的矛盾——想要的高質(zhì)量數(shù)據(jù)不夠多，能用的數(shù)據(jù)又未必適配需求。在2025智源具身Open Day圓桌論壇上，嘉賓們對此展開熱議。

“我們相信真實(shí)物理世界采集的數(shù)據(jù)，這是模型落地的根基。”招商局集團(tuán)AI首席科學(xué)家張家興說，在數(shù)字金字塔中，以人自身為本體采集的數(shù)據(jù)成本最低、量級最大，尤其適合用于預(yù)訓(xùn)練階段，“真實(shí)場景的交互數(shù)據(jù)能精準(zhǔn)反映物理世界的規(guī)律，這是合成數(shù)據(jù)難以完全替代的”。

在柳州市北部生態(tài)新區(qū)機(jī)器人產(chǎn)業(yè)園，柳州優(yōu)必選智能科技有限公司量產(chǎn)工業(yè)人形機(jī)器人下線，它的名字叫“Walker S1”。通訊員 黎寒池 攝

這一觀點(diǎn)得到了不少嘉賓呼應(yīng)，清華大學(xué)交叉信息學(xué)院助理教授、星海圖聯(lián)合創(chuàng)始人趙行認(rèn)為，數(shù)據(jù)策略需堅(jiān)守“真實(shí)性、多樣性、規(guī)模化”三大原則，“從真實(shí)機(jī)器人數(shù)據(jù)采集起步，深入各類真實(shí)場景拓展數(shù)據(jù)維度，再通過擴(kuò)大采集規(guī)模、降低采集成本實(shí)現(xiàn)量化突破，讓數(shù)據(jù)規(guī)模化反向驅(qū)動(dòng)模型進(jìn)化”。這種“場景全覆蓋+數(shù)據(jù)全維度”的采集模式，能讓機(jī)器人在訓(xùn)練中接觸到不同環(huán)境、不同任務(wù)的復(fù)雜情況，從而逐步擺脫對人工遙控的依賴。

但真實(shí)數(shù)據(jù)的采集并非處處可行，北京大學(xué)助理教授、銀河通用創(chuàng)始人王鶴將目光投向了合成數(shù)據(jù)的補(bǔ)位價(jià)值。他以人形機(jī)器人行走、靈巧手操作為例，指出這類復(fù)雜物理交互的底層控制，在仿真環(huán)境中學(xué)習(xí)效率更高，“模擬器能提供豐富的物理交互基礎(chǔ)，為真實(shí)世界的數(shù)據(jù)飛輪轉(zhuǎn)動(dòng)打下基礎(chǔ)，這正是合成數(shù)據(jù)的核心使命”。

上海財(cái)經(jīng)大學(xué)《具身智能十大觀察》報(bào)告通過英偉達(dá)機(jī)器人基礎(chǔ)模型研發(fā)等案例，分析了合成數(shù)據(jù)在突破真實(shí)數(shù)據(jù)采集局限上的獨(dú)特優(yōu)勢。在此背景下，2026年行業(yè)實(shí)踐的融合路徑或許是：在各類場景訓(xùn)練中，通過合成數(shù)據(jù)完成基礎(chǔ)技能搭建，再以真實(shí)數(shù)據(jù)精準(zhǔn)優(yōu)化，讓數(shù)據(jù)資源在互補(bǔ)中實(shí)現(xiàn)價(jià)值最大化。

國家發(fā)展改革委2025年11月底公布的數(shù)據(jù)顯示，我國具身智能產(chǎn)業(yè)正以超50%的增速跨越式發(fā)展，2030年將達(dá)到千億元市場規(guī)模。隨著國家支持“仿真與真機(jī)數(shù)據(jù)融合”技術(shù)攻關(guān)的推進(jìn)，數(shù)據(jù)“不夠用、不好用”的困局或?qū)⒅鸩狡平狻?/p>

機(jī)器人的“大腦”會有統(tǒng)一標(biāo)準(zhǔn)嗎？

具身智能搭載的大模型，就像是機(jī)器人的智慧大腦——它決定了機(jī)器人能不能聽懂指令、判斷環(huán)境、自主做事。但目前，關(guān)于這個(gè)“大腦”的技術(shù)架構(gòu)尚未形成統(tǒng)一標(biāo)準(zhǔn)，分層模型、端到端VLA（視覺—語言—?jiǎng)幼鳎┑榷喾N技術(shù)路徑尚處于“百家爭鳴”時(shí)代。

未來行業(yè)內(nèi)能否形成，或是否有必要形成統(tǒng)一的具身智能“大腦標(biāo)準(zhǔn)”？

第22屆東博會上，觀眾興致勃勃地觀看機(jī)器人格斗表演。廣西云-廣西日報(bào)記者 梁凱昌 攝

“具身智能得有自己專屬的技術(shù)架構(gòu)，不能照搬大語言模型發(fā)展路徑。”張家興就此保持中立態(tài)度，“人類的智能進(jìn)化是先會動(dòng)、再能看、最后才會說話，而現(xiàn)在主流的VLA架構(gòu)，相當(dāng)于在‘看’和‘動(dòng)’之間加了‘說話’這一步，不符合實(shí)際操作本質(zhì)。”

張家興舉例說，開車時(shí)我們是直接通過眼睛看路況就操控方向盤、踩剎車，并不需要先在心里把動(dòng)作描述成語言再執(zhí)行。他還透露，硅谷頭部團(tuán)隊(duì)正探索“先看后動(dòng)”或“邊看邊動(dòng)”的新架構(gòu)，2026年可能會出現(xiàn)更多不一樣的技術(shù)創(chuàng)新，打破當(dāng)前單一架構(gòu)的主導(dǎo)局面。

智元機(jī)器人合伙人、首席科學(xué)家羅劍嵐則認(rèn)為，行業(yè)最終會形成一個(gè)整合多種技術(shù)的統(tǒng)一系統(tǒng)。“VLA的大方向是對的，但不會是現(xiàn)在的樣子，它會和世界模型、強(qiáng)化學(xué)習(xí)等技術(shù)融合，既能通過世界模型預(yù)判接下來會發(fā)生什么，又借助強(qiáng)化學(xué)習(xí)在實(shí)踐中不斷優(yōu)化，再配合真實(shí)場景的數(shù)據(jù)持續(xù)升級。”他解釋說，這個(gè)統(tǒng)一系統(tǒng)不是“一刀切”的單一架構(gòu)，而是“核心模塊統(tǒng)一、場景適配靈活”的生態(tài)體系。

統(tǒng)一“大腦標(biāo)準(zhǔn)”的落地需要什么條件？智源研究院院長王仲遠(yuǎn)判斷為“數(shù)據(jù)先行”。他補(bǔ)充解釋，這也是智源布局多模態(tài)世界模型的重要原因，但統(tǒng)一架構(gòu)的出現(xiàn)需要海量數(shù)據(jù)支撐，可能要等大量機(jī)器人在真實(shí)場景中累積足夠多的數(shù)據(jù)后，才會真正落地。

在統(tǒng)一架構(gòu)的具體形態(tài)上，趙行認(rèn)為：“大概率是‘大型動(dòng)作模型’，它會以動(dòng)作能力為核心，先讓機(jī)器人具備靈活運(yùn)動(dòng)的基礎(chǔ)算法，再疊加視覺感知能力，最后融入語言交互功能，就像生物進(jìn)化的自然規(guī)律。”他進(jìn)一步解釋，這種模型能實(shí)現(xiàn)“動(dòng)作—反饋—調(diào)整”的實(shí)時(shí)優(yōu)化，比如機(jī)器人抓取物體時(shí)，能根據(jù)物體的輕重、形狀調(diào)整力度和姿勢，這和大語言模型“問一句答一句”的單向響應(yīng)邏輯完全不同。

結(jié)合業(yè)界學(xué)界的觀點(diǎn)不難判斷，具身智能“大腦架構(gòu)”的“百家爭鳴”不會驟然終結(jié)，但或?qū)⒃?026年進(jìn)入“分歧收窄、共識凝聚”的冷靜期。

預(yù)判功能 是必需還是錦上添花？

世界模型，被業(yè)內(nèi)視為具身智能的“物理模擬器”——能在虛擬環(huán)境里推演重力、碰撞等規(guī)律，預(yù)判蘋果拋落軌跡這類環(huán)境變化，靠“提前想一步”的能力幫機(jī)器人規(guī)劃動(dòng)作。這一能力的重要性已被行業(yè)普遍認(rèn)可，但關(guān)于它是落地必需的核心功能，還是可后續(xù)補(bǔ)充的加分項(xiàng)，業(yè)內(nèi)仍有不同理解。

“世界模型的預(yù)測能力是核心，但訓(xùn)練數(shù)據(jù)必須來自機(jī)器人自身。”王鶴表示，當(dāng)前通過人類行為視頻訓(xùn)練世界模型的思路存在局限，機(jī)器人與人類身體結(jié)構(gòu)差異巨大，這類數(shù)據(jù)幫助有限，只能靠大量機(jī)器人自身數(shù)據(jù)訓(xùn)練獲得。

在賀州市科技館，學(xué)生們正與機(jī)器人一起做健身操。通訊員 黎豪圖 攝

在落地節(jié)奏上，王仲遠(yuǎn)的看法更加務(wù)實(shí)。他認(rèn)為世界模型“有用但非必需”，具身智能不用等技術(shù)完美再落地，可先通過簡單的決策邏輯實(shí)現(xiàn)基礎(chǔ)功能，在實(shí)際應(yīng)用中收集數(shù)據(jù)，再逐步迭代世界模型的精度，就像自動(dòng)駕駛從基礎(chǔ)輔助到高階自主的演進(jìn)過程。

加速進(jìn)化創(chuàng)始人兼CEO程昊從企業(yè)落地視角補(bǔ)充：“我們關(guān)注世界模型，核心是看中它能提前規(guī)劃多步動(dòng)作，讓落地更高效，先讓機(jī)器人‘活下來’，再用真實(shí)數(shù)據(jù)反哺模型優(yōu)化。”他以工業(yè)場景舉例，當(dāng)前不少工廠的具身機(jī)器人，雖未搭載復(fù)雜的世界模型，但通過精準(zhǔn)的視覺識別和簡單的路徑規(guī)劃，已能完成零部件搬運(yùn)、質(zhì)檢等任務(wù)，創(chuàng)造了實(shí)際價(jià)值。

這種“先落地再優(yōu)化”的路徑，在其他領(lǐng)域也有成熟先例。中國科學(xué)院大學(xué)教授趙冬斌以自動(dòng)駕駛為例佐證：“自動(dòng)駕駛的發(fā)展就是先落地收集數(shù)據(jù)，再通過數(shù)據(jù)迭代模型。當(dāng)各類機(jī)器人能在真實(shí)場景中邊工作邊收集數(shù)據(jù)，世界模型的訓(xùn)練自然水到渠成。”

政策層面也在為技術(shù)落地保駕護(hù)航。國家發(fā)展改革委明確提出，接下來將推動(dòng)訓(xùn)練與中試平臺等基礎(chǔ)設(shè)施建設(shè)，促進(jìn)技術(shù)、數(shù)據(jù)、資源的開放共享，加速具身智能體在真實(shí)場景中落地應(yīng)用。

可以預(yù)測，世界模型將加速從實(shí)驗(yàn)室技術(shù)走向場景化應(yīng)用，在工業(yè)制造、物流配送等標(biāo)準(zhǔn)化場景中率先實(shí)現(xiàn)突破。而在家庭服務(wù)等復(fù)雜場景中，世界模型或以一屋一定制的“輕量化模塊”形式逐步滲透，隨著具身智能一道，走入更多生活場景。

《廣西日報(bào)》1月14日4版版面截圖。