具身智能的无共识：技术早期的生命力与未来趋势

在技术发展的初期，总有一些人急于寻找唯一正确的路径，期望通过一次押注就能拨开迷雾。然而，具身智能的复杂性正不断向行业发出警示：具身智能并非从单一途径发展而来，而是在无数次试错、冲突与调和的过程中被“雕琢”而成。模型不够完善、数据存在缺失、架构尚未统一，这些看似是缺陷的方面，却恰恰是具身智能最真实的生命力所在。

在技术早期，总有人试图寻找唯一正确的路线，希望通过一次性押注来穿越迷雾。但具身智能的复杂性正在提醒行业，具身智能不是从一条路径长出来，而是从无数次试错、冲突与调和中被“雕刻”出来。模型不完美，数据不完整，架构不统一，这听上去像缺陷，却恰恰是具身智能最真实的生命力所在。

不出所料，到了2025年末，具身智能依旧保持着高昂的姿态向前发展。

更在预料之中的是，具身智能领域仍然没有形成共识。

在2025智源具身OpenDay圆桌论坛上，国内顶尖的具身智能从业者们展开了一场“各抒己见的真心话”交流。无论是模型架构的选择，还是数据的运用，在这场圆桌对话中都未能达成统一的发展方向。一时间，不少人对具身智能领域仍无共识这件事感到遗憾。

但具身研习社认为，“无共识”的另一层含义是具身智能依然值得期待，技术还会在不经意间带来惊喜。毕竟，当发展方向有了明确的风向，反而会显得有些无趣。当我们不再追求“确定性”时，其实能够发现一些趋势。或许“无共识”本身就是一种共识。

从产业的角度来看，共识的缺失具有三重积极意义：

其一，无共识本质上打破了单一技术路线的垄断话语权，避免行业陷入“路径依赖”的创新陷阱。在具身智能领域，从“分层架构与端到端”的技术路线分歧，到“通用人形机器人与场景化具身智能”的落地选择，无共识的状态让不同技术理念、不同学科背景的团队获得了平等试错的空间；

其二，成熟行业的共识往往伴随着较高的准入壁垒，而具身智能的“无共识”状态，为中小企业、初创团队乃至跨界参与者提供了弯道超车的机会。新入局者无需遵循已有的技术标准或商业规则，可凭借差异化优势进入赛道。

其三，具身智能作为交叉学科领域，其技术基础仍在快速迭代，过早形成共识反而可能固化技术路径，限制行业向更高维度突破。无共识状态的核心价值，在于为技术迭代预留了“弹性空间”。

在智源具身OpenDay圆桌论坛上，关于“无共识”的讨论众多，也折射出了更多的可能性。具身研习社基于在场嘉宾的回答，洞察出具身智能的五大信号，未来的发展方向或许就隐藏在这些信号之中。

模型有待完善，部分从业者寻求新方向

信号1:世界模型暂时难以担当重任

在具身智能的模型讨论中，“热门”的世界模型是一个绕不开的话题。

它的核心价值在于“预测”。让机器人像人类一样，根据当前的时空状态预判下一步的变化，进而规划动作，这一点得到了圆桌嘉宾的普遍认可。北京大学助理教授、银河通用创始人王鹤以机器人运控为例，指出无论是人形机器人的足式行走、跳舞，还是灵巧手的精细操作，其底层控制逻辑都需要对物理交互的预测能力，而世界模型恰好能提供这种支撑，但要让世界模型真正服务于机器人，其训练数据中必须包含更多机器人本身的数据。

但世界模型的短板同样明显，难以单独成为具身智能的“万能方案”。王鹤强调，当前很多世界模型依赖人类行为视频训练，可机器人的身体结构（如轮式底盘、多自由度机械臂）与人类差异巨大，这些数据对机器人实际操作的帮助有限。加速进化创始人兼CEO程昊也提到，在做饭、复杂装配等真实场景中，世界模型的预测精度仍不足，只能先通过分层模型解决简单任务，再逐步迭代升级。

信号2:模型需“另辟蹊径”

既然现有模型难以满足需求，“打造具身专属模型”成为不少企业的共识。

清华大学交叉信息学院助理教授、星海图CTO赵行表示，具身智能需要平行于大语言模型的“Large Action Model”，这类模型要以“动作”为核心，而非语言。他解释道，人类智能的进化是“先有动作、再有视觉、最后有语言”，机器人要适应物理世界，也应该遵循类似逻辑——比如开车时，人类靠视觉观察路况、靠动作操控方向盘，语言并未参与核心操作，具身模型也应优先打通“视觉 - 动作”的闭环。

自变量创始人兼CEO王潜的观点更为具体，他认为具身智能需要一套“物理世界基础模型”，既能控制机器人动作，又能作为世界模型预测物理规律。虚拟世界的多模态模型靠文字、图片训练，但物理世界的摩擦、碰撞、力反馈等精细过程，却是无法用语言准确描述的。当一个机器人抓取鸡蛋时，它需要感知蛋壳的脆弱度、调整握力，这种对物理属性的理解，必须依赖专门针对物理世界训练的模型。

信号3:从底层架构开始革新

过去几年，Transformer架构凭借跨模态处理能力，支撑了ChatGPT等大语言模型的爆发，但在具身智能领域，它的适用性正受到质疑。招商局集团AI首席科学家张家兴是这一观点的代表，他直言“具身智能不能走LLM到VLM的老路”。

在他看来，Transformer架构是以语言为核心，将视觉、动作等模态向语言映射，这与物理世界的操作逻辑相悖——人类做动作时，视觉感知直接指导肌肉运动，无需经过语言“翻译”。他透露，硅谷头部团队已在探索“Vision First”或“Vision Action First”的新架构，让视觉和动作直接交互，减少语言中介的损耗。

王鹤也补充道，Transformer作为一个跨模态的Attention机制，是很通用的。比如你会发现它可以处理文本模态、视频模态、声音模态等。但“如今具身智能的问题在于，人类有眼、耳、口、鼻、舌等多种感知器官，虽然从Attention的角度，把这些感知器官Token化以后都能放到Transformer里，但是它在输出上似乎不是那么理想，根本挑战是数据问题以及与之对应的学习范式”。

王鹤提出，短期来看，仿真模拟与合成数据是突破探索速度的核心手段；长期来看，现实世界中人形机器人的规模必须持续快速扩张，只有足够大的“机器人人口”与能力提升相互推动，才能催生真正强大的具身大模型。

这种底层架构的不匹配，让行业意识到：要实现具身智能的突破，或许需要从架构根源上进行革新，而非在现有框架内进行修补。

数据仍是关键问题，且需求持续增长

信号4:没有完美数据，只有适配选择

“数据是具身智能的燃料”，这是圆桌论坛的共识，但“用什么数据”却没有统一答案。由于不同数据类型各有优劣，企业普遍采取“多源融合、按需选择”的策略，根据任务场景匹配最合适的数据来源。真机数据是最“保真”的选择，能直接反映真实物理世界的交互规律，因此成为精细操作场景的首选。赵行所在的星海图团队，就坚持深入真实场景采集数据，他们把真实性、质量看作真实机器人数据采集的起点。智元机器人合伙人、首席科学家罗剑岚也强调，智元机器人也坚持真实数据，并且在数据采集中坚持真实场景而非单靠数据采集工厂，摸索一条通过机器人自主产生数据，构建起数据飞轮的道路。而仿真数据则凭借“低成本、可规模化”的优势，成为底层控制训练的主力。王鹤认为，在强化学习中，很多极端场景（如机器人摔倒、机械臂过载）难以在真机上反复测试，而仿真器可以快速生成大量类似数据，帮助模型学习应对策略。在他看来，模拟器并不是对真实世界的否定，而是以模拟器为起点，它能够给具身企业一个很好的Base Controller，让我们能在真实世界里把数据飞轮转起来。

程昊的加速进化团队也采取类似策略，先用仿真数据让机器人掌握基本运控能力，再用真机数据微调适配真实场景。“我们用仿真数据训练的一个目标，是让机器人接下来能获得更多真实数据，有了真实数据，整体能力才能再提升。”在程昊看来这很可能是一个螺旋上升的过程。

视频数据则成为基座模型训练的重要补充。智源研究院院长王仲远认为“视频数据训练基座模型”这一套逻辑其实跟现在小朋友刷手机来认识世界是一个原理——先通过视频学习到这个世界，再通过真实的交互体验来提升他们的技能。这些视频数据包含时空、因果、意图等多维度信息，且能大规模获取，是当前缺乏海量真机数据时的“折中最优解”。但在具身研习社追问“从视频中学习如何解决触觉跟力控精细化数据？”时，王仲远也承认，视频中确实缺乏力反馈、触觉等信息，但这并不影响其价值。现在智源研究院具身智能实验室里也备有带力反馈数据的采集设备。视频数据更多用于“打基础”，还需结合其他数据做针对性优化、微调。

信号5:“数量”“质量”“种类”，具身企业全方位需求数据

随着具身智能向复杂场景渗透，行业对数据的需求正不断升级，不仅“量”要大，“质”要高，“种类”也要更丰富，形成了越来越大的“数据胃口”。

首先是对“量”的渴求，“互联网级别”数据成为行业共同的期待。如赵行认为，数据的规模化，能够反向驱动模型的进化和智能的实现。王仲远也表示“更好的具身大模型，可能要等大量机器人在真实场景中解决具体问题、累积出‘具身智能互联网’级别的数据之后，才会出现”。换句话说，没有足够的数据，模型就像没吃饱的孩子，跑不快也长不壮。

当业内为Generalist构建的27万小时真机数据集，疑似触碰到所谓规模化法则而欢呼时，王仲远对具身研习社坦言，“几十万小时的数据依然不能叫海量数据，还远没到ChatGPT时刻”。

在“量”之外，是对“质”的追求，“高质量数据比海量低质数据更有价值”的观点逐渐成为主流。王潜认为，数据虽然很重要，但不是简单的“越多越好”。

事实上，语言模型已经验证过，单纯堆数据规模未必带来最好效果，高质量、高效率的数据才是决定性因素。他认为在具身场景里，数据质量比数据总量更能拉开一个量级上的差距。在这里，站在金字塔顶尖的真机数据或许可以少，但很可能是打地基的那一层或者说是针对仿真、视频数据之外，支撑大局的存在。

最后是对“种类”的丰富需求，多模态数据的需求日益迫切。随着机器人应用场景扩展，单一类型的数据已无法满足需求。比如在家庭服务场景中，机器人需要同时处理视觉（识别物体）、听觉（理解指令）、触觉（感知物体软硬）、力反馈（控制动作力度）等多维度信息。当前业内所说的多模态能力，多是承袭基座大模型的视觉、语言能力，在真正物理交互中的触觉、力反馈等模态少之又少。

这种对数据种类的丰富需求，也让行业意识到：未来的数据采集，不仅要记录“机器人做了什么”，还要记录“环境发生了什么”“交互有何反馈”“人类需要什么”，才能让模型更懂物理世界、更懂人类需求。在技术的早期，总有人试图寻找唯一正确的路线，希望通过一次性押注来穿越迷雾。但具身智能的复杂性正在提醒行业：真正的智能不是从一条路径长出来，而是从无数次试错、冲突与调和中被“雕刻”出来。模型不完美，数据不完整，架构不统一，这听上去像缺陷，却恰恰是具身智能最真实的生命力所在。

本文来自微信公众号“具身研习社”，作者：彭堃方，编辑：吕鑫燚，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com