文｜腦極體

越來越多的人，開始對機器人祛魅了。

過去兩年來，在舞台上完成一套完整的表演，被認為是機器人技術的大進展。如今人們已經不會再輕易地被這些漂亮的機械動作打動，反而開始普遍追問：這些機器人到底能有什麼用，動作是不是編好的，究竟能幫我做什麼？恰恰說明具身智能行業正在進入一個關鍵的轉換期。

成功跨越周期的企業，必須具備一個殺手鐧：大腦。

在許多炫酷的賽場，我們都可以看到機器人是由人類工程師去遙控的，動作也是預設的。在預設框架內，再由AI策略自主執行，這已經是行業裏比較先進的形態。 

但是，在人類的指令下完成預設的動作，這並不意味着機器人能夠理解環境，也不意味着它能夠在陌生的環境當中自主地完成任務。這樣的機器人，當然只能在特定場景，比如說工廠、園區、公園等，執行一些有限的任務。

可能有人會問，現在的工業機器人，已經能夠穩定地在汽車工廠、電子工廠中承擔一些焊接、搬運、裝配等工作。這種場景下，根本就不需要大腦呀。

但只是那樣的話，具身智能就跟傳統的機器人產業或自動化沒什麼太大區別了。

具身智能這個概念之所以成立，就是機器人到了一個陌生的環境下，能夠自主決策、自主識別、自主行動，把過去的經驗遷移到新的任務，還需要能夠從失敗中學習，成為真正的通用機器人。換句話說，沒有大腦，具身智能這個概念都會被直接證僞。

由此可見，具身智能行業從比拼身體展演，轉向比拼誰的大腦更強。甚至可以說，有沒有大腦，將是具身智能公司的斬殺線。

那麼，誰正在這條「大腦派」的路上狂奔呢？

或許你看了今年的機器人運動會、機器人馬拉松，覺得現在的機器人進化得太厲害了，能組成隊列，跑得飛快，還能拳打老師傅。機器人是不是快把人類取代了？那可以放心了。其實，人形機器人的智力，還停留在不如一隻邊牧的水平。

在2025年的機器人世界大會上，一位具身智能公司的創始人就說過，目前機器人的底層模型普遍採用VLA模型，就是相對傻瓜式的架構。卡內基梅隆大學教授、Skild AI聯合創始人Deepak Pathak也認為，機器人對物理世界缺乏真實理解。

由此可見，很多機器人看起來驚豔，但實際上只能照本宣科，人類指哪打哪。這恰恰說明了大腦是具身智能最有價值的部分，如果這一環做不出來，這一波人形機器人就只能是泡沫。那讓機器人長出腦子這件事情，為什麼難做呢？  

一是數據。具身數據必須靠機器人與物理世界交互產生。谷歌曾組織16人團隊，花了17個月，投入上千萬美元，只採集了23萬條真機軌跡。

二是封閉。如此珍貴且稀缺的數據，各家公司好不容易積累起來，肯定不願意共享，所以各家企業數據封閉成為具身智能的關鍵瓶頸。

三是仿真。既然真實的數據如此稀缺，那麼有些企業就選擇了仿真，但是在仿真虛擬世界裏面訓練出來的機器人模型，到了真實的世界裏就會遭遇sim-to-real的鴻溝。於是出現了世界模型這個方向，希望能夠解決仿真問題。但是，世界模型只是構想，目前還沒有明確的、可實現的工程突破。

讓機器人真正長出腦子，行業內各有祕技。

既然數據是機器人智力的瓶頸，那麼誰家的數據多，就像擁有了一個巨大的藏經閣，可以讓自家的產品在裏面自我修煉。所以，修一座數據的藏經閣，就是企業打造大腦的基礎設施。

2025年1月，智元第1000台通用具身機器人量產下線。這些機器人既是產品，也是數據採集器，逐步形成了一個大力出奇跡的專有數據集AgiBot World，其中包含超過100萬條真機軌跡、217個任務、5大部署場景，比此前任何公開數據集都大一個數量級。有數據顯示，在這套數據集上預訓練的策略，平均表現比在谷歌牽頭的跨本體數據集OXE上，要高出30%。

真機數據的採集護城河很深，但是代價也比較大，數據得一條一條地採，每一次場景遷移都得重新採集，數據的擴張曲線是線性的，無法指數級增長。

這一重資產，智元正在一步步地積累。同時，也有人另闢蹊徑去解決數據規模不足的問題。銀河通用，就決定把合成數據，搬進機器人的藏經閣。

合成數據真的能達到真機數據的效果嗎？2023年，銀河通用團隊的DexGraspNet，就是完全在仿真中構建的大規模靈巧手抓取數據集。發展到2025年，他們又更進一步構建了具有十億級仿真抓取數據的SynGrasp-1B，GraspVLA就基於這一數據集訓練，抓取成功率98.3%，實現了零樣本泛化。

可以發現，合成數據這條路，銀河通用走了很多年。之所以如此堅持，是他們發現，具身智能所依靠的數據，99%可以藉助高質量合成數據完成，只有在合成數據無法處理時，才需要採集使用那1%的真實數據。

舉個例子，在零售場景中，讓機器人按順序抓取貨架上的礦泉水，先通過百億級別的合成仿真數據完成預訓練，然後只需一個人一天的真機數據，即可完成微調，合成數據的邊際成本趨近於零，這種成本結構對中小型具身智能企業非常有吸引力。

總之，真機數據就像是歷年的高考真題，讓機器人經歷真實的考試；合成數據就像是名師出的《三年模擬》，可以讓機器人大規模刷題。顯然，高質量的模擬題也不是誰都能出的。

合成數據需要很好的圖形學、物理仿真、物理渲染和自動動作合成管線，並不斷校準仿真與現實之間的差距，這些都需要長期的積累。

無論是現實世界的真題，還是仿真世界的模擬題，都是機器人大腦不斷進化的藏經閣。唯有在大量任務、交互、失敗和反饋中，機器人才能走向真正的智能化。

在全球具身智能賽道上，Physical Intelligence是大腦派的極端樣本，不造機器人的本體，只專注於模型本身。PI提出了一個發現，或許不需要依靠很多的數據，通過架構層面的設計，再結合在線強化學習迭代，一樣可以讓機器人連續工作幾個小時。

這就像是降龍十八掌，通過一套動作的銜接與設計，疊加起來，發揮出比實際內力更強大的作用。所以，如果架構設計好了，大腦需要的數據比想象中少得多。

但是設計一個好的架構並不容易。以星海圖為例，研究團隊來自Waymo、Momenta 等自動駕駛廠商，在AI算法架構設計上獨善戰場。2025年開源了G0，採用雙系統VLA設計，其中System 1用擴散模型學細粒度動作執行，System 2是VLM，負責高層多模態規劃，這一系統曾一度是行業的主流。

然而到了2026年，星海圖G0.5的架構發生了一個巨大的轉變，放棄了雙系統的分離式設計，選擇將具身推理和控制統一到單個自迴歸序列中，單個模型在統一token流中完成推理、規劃和行動。

這樣做的好處是讓語言模型直接說出動作，推理與行動一口氣完成，這樣機器人的動作表現就能完整繼承大語言模型的scaling law，有望進一步增強機器人的物理智能。

當然，除了星海圖的這條路線之外，行業內也有其他方向的探索。比如智元提出的ViLLA架構，則通過引入「隱式動作標記」（latent action tokens）這個中間表示，讓VLM的語義知識能流進動作生成，模型先在語義空間理解了要做什麼，再在潛空間翻譯成怎麼做，最後落到具體關節控制。人類視頻、不同機器人的異構數據，全都可以餵給中間層學習。

這個方法的效果也比較好，首個基於ViLLA架構的通用具身基座大模型GO-1，在「倒水」「補貨」等需要指令理解與位置泛化的任務上，成功率明顯優於RDT和π0模型。

當然，目前機器人大腦的架構路線，還遠沒有定型。不過，至少共識已經明確了，相同的數據、相似的基礎模型，在不同的架構下，完全可能產生不同的實際效果。

你有你的降龍十八掌，我有我的大力金剛手，看誰能讓機器人大腦學到更多的東西。

有沒有一種功法，能快速平息江湖紛爭？世界模型這個方向的出現，被寄予厚望，來解決算法與現實的鴻溝，從而提升機器人的泛化能力。但這一路線，可以看作是具身智能領域的崑崙之巔，想要求得祕籍，是一條略顯遙遠的路。

星動紀元，決定踏上這段旅程。

這不讓人奇怪，其創始人陳建宇，清華本科，師從加州大學伯克利分校控制論泰斗Masayoshi Tomizuka（模型預測控制奠基人）。星動紀元也是清華大學唯一持股的人形機器人創業公司。仰望星空，符合學院派的氣質。

具體來說，星動紀元的設想是，想讓世界模型成為VLA的原生部件。一方面，世界模型讓模型在行動之前先預測，我這麼做會發生什麼，先試錯再出手，就能大大提高任務的成功率。另一方面，世界模型可以使用海量互聯網視頻，就像馬斯克讓FSD看老司機的駕駛視頻一樣，既降低了真機採集的數據成本，又讓模型學會真實的物理常識。

從2024年一個7B參數的世界模型，一步步探索，2025年自研端到端VLA具身大模型ERA-42，已經是一個原生融合世界模型的端到端VLA，模型會在腦內先想象未來的畫面，再從想象反推出該做什麼動作。來到2026年，星動紀元參與的VLAW，讓世界模型與VLA策略協同迭代優化，專治世界模型看起來對但物理不對的老毛病。

讓大腦學會做夢，在夢裏訓練自己，這條路處在最前沿，也有着現實的工程難題。但機器人的崑崙之巔，總要有人去攀。

當下，大家覺得具身智能產業，尤其是人形機器人賽道存在一些泡沫。如果要給現在的人形機器人產業尋找一個最核心的泡沫觀察指標，我認為是：有沒有大腦。

這個問題進一步細化是一家企業有沒有自己的基礎模型？有沒有持續產生真實世界數據的能力？有沒有把數據轉化為模型能力的能力？有沒有把模型能力轉化成通用技能的能力？  

只有這個閉環建立起來，機器人的泛化能力增強，才能告別展演和demo階段，走進更大的場景去證明自己的價值。

宇樹科技創始人王興興最近談到機器人產業時，也給出了一個爆發臨界點：把一台機器人放進一個陌生的家庭環境，只通過語音、語言指令，它就能夠自主完成大約80%的日常任務。

而做到這件事情，核心就在於一個真正強大的大腦。機器人的內功，仍然有待修煉。