具身智能：无共识状态下的技术演进与产业机遇

在技术发展的早期阶段，人们往往倾向于寻找唯一正确的技术路径，希望通过一次性的战略押注来突破未知的迷雾。然而，具身智能的复杂性正警示着整个行业：真正的智能并非源于单一的技术路线，而是在无数次的尝试、冲突与协调过程中被逐步‘雕刻’成形。模型的不完美、数据的不完整以及架构的不统一，这些看似缺陷的特质，恰恰构成了具身智能最具活力的生命力源泉。

正如预期，具身智能在2025年末依然以高歌猛进的姿态向前发展。

更在预料之中的是，具身智能领域至今尚未形成统一的技术共识。

在2025年智源具身OpenDay圆桌论坛上，国内顶尖的具身智能从业者展开了一场“各抒己见的坦诚对话”，无论是模型架构的抉择，还是数据策略的应用，都未能在讨论中达成一致方向。一时间，许多人对具身智能仍缺乏共识感到些许惋惜。

但具身研习社指出，“无共识”的另一面恰恰意味着具身智能依然充满想象空间，技术突破很可能在意料之外悄然降临。毕竟，一旦风向过于明确，反而会令创新失去趣味。当我们不再盲目追求“确定性”，反而能洞察到一些潜在趋势。或许，“无共识”本身就是当前阶段最宝贵的共识。

从产业发展的角度审视，共识的缺失具有三重积极意义：

首先，无共识本质上瓦解了单一技术路线可能形成的垄断话语权，防止行业陷入“路径依赖”的创新僵局。在具身智能领域，从“分层架构与端到端模型”的技术路线之争，到“通用人形机器人与垂直场景具身智能”的落地选择分歧，无共识状态为不同技术理念、多元学科背景的团队提供了平等的探索与试错机会；

其次，成熟行业的共识往往伴随着高昂的准入门槛，而具身智能的“无共识”现状，为中小企业、初创团队乃至跨界入局者创造了弯道超车的可能。新玩家无需拘泥于既定的技术标准或商业规则，可以凭借自身的差异化优势切入赛道。

第三，具身智能作为一门高度交叉的前沿学科，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演进路径，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宝贵的“弹性空间”。

在智源具身OpenDay圆桌论坛上，诸多“无共识”的讨论，恰恰折射出更多的可能性。具身研习社基于与会嘉宾的分享，提炼出具身智能发展的五大关键信号，未来的方向或许就隐藏在这些信号之中。

模型尚存局限，行业呼唤全新范式

信号1:世界模型暂时难以独挑大梁

在具身智能的模型讨论中，“当红炸子鸡”世界模型是一个无法回避的话题。

其核心价值在于“预测”能力。让机器人能够像人类一样，根据当前环境状态预判后续变化，进而规划行动，这一点得到了圆桌嘉宾的广泛认同。北京大学助理教授、银河通用创始人王鹤以机器人运动控制为例指出，无论是人形机器人的足式移动、舞蹈，还是灵巧手的精细操控，其底层控制逻辑都离不开对物理交互的预测能力，而世界模型恰好能为此提供支撑。但要让世界模型真正服务于机器人，其训练数据必须包含更多机器人本体产生的数据。

然而，世界模型的短板同样明显，难以单独成为具身智能的“终极解决方案”。王鹤强调，当前许多世界模型依赖于人类行为视频进行训练，但机器人的身体结构（如轮式底盘、多自由度机械臂）与人类存在显著差异，这些数据对机器人实际操作的指导价值有限。加速进化创始人兼CEO程昊也提到，在烹饪、复杂装配等真实场景中，世界模型的预测精度仍然不足，因此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”专门打造

既然现有模型难以完全满足需求，“打造专属于具身智能的模型”成为不少企业的共同选择。

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“大型动作模型”（Large Action Model），这类模型应以“动作”为核心，而非语言。他解释道，人类智能的进化历程是“先有动作、再有视觉、最后有语言”，机器人要适应物理世界，也应遵循类似逻辑——例如驾驶车辆时，人类依靠视觉观察路况、依靠动作操控方向盘，语言并未参与核心操作流程，因此具身模型应优先打通“视觉-动作”的闭环链路。

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依托文字、图片训练，但物理世界中的摩擦、碰撞、力反馈等精细过程，却难以用语言精确描述。当一个机器人抓取鸡蛋时，它需要感知蛋壳的脆弱程度、实时调整握力，这种对物理属性的深度理解，必须依赖专门针对物理世界训练的模型。

信号3:从底层架构开启革新之旅

过去几年，Transformer架构凭借其强大的跨模态处理能力，支撑了ChatGPT等大语言模型的爆发式增长，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“具身智能不能重走从LLM到VLM的老路”。

在他看来，Transformer架构以语言为核心，将视觉、动作等其他模态向语言对齐映射，这与物理世界的操作逻辑相悖——人类执行动作时，视觉感知直接指导肌肉运动，无需经过语言的“翻译”中转。他透露，硅谷的头部团队已在探索“视觉优先”或“视觉-动作优先”的全新架构，让视觉和动作直接交互，减少语言中介带来的效能损耗。

王鹤补充道，Transformer作为一种跨模态的Attention机制，具有很好的通用性。例如，它能处理文本、视频、声音等多种模态。但“当前具身智能面临的挑战在于，人类拥有眼、耳、口、鼻、舌等多种感知通道，虽然从Attention的角度，将这些‘感知’Token化后都能输入Transformer，但其输出效果似乎并不理想，根本挑战在于数据问题以及与之匹配的学习范式”。

王鹤提出，短期来看，仿真模拟与合成数据是加速探索进程的核心手段；长期来看，现实世界中人形机器人的部署规模必须持续快速扩张，只有足够庞大的“机器人人口”与能力提升形成正向循环，才能催生真正强大的具身大模型。

这种底层架构的不匹配，让行业清醒认识到：要实现具身智能的实质性突破，或许需要从架构根源上进行革新，而非在现有框架内进行零星的修补。

数据仍是关键瓶颈，需求日益膨胀

信号4:没有完美数据，只有适配场景的选择

“数据是具身智能的燃料”已成为圆桌论坛的共识，但“使用何种数据”却没有标准答案。由于不同数据类型各有利弊，企业普遍采取“多源融合、按需选取”的策略，根据具体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，便坚持深入真实场景采集数据，他们将数据的真实性、质量视为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，智元机器人同样坚持使用真实数据，并且在数据采集中注重真实场景而非单纯依赖数据工厂，探索一条通过机器人自主产生数据、构建数据飞轮的道路。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军。王鹤认为，在强化学习中，许多极端场景（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，模拟器并非对真实世界的否定，而是以模拟器为起点，为具身企业提供一个良好的基础控制器，从而在真实世界中更高效地转动数据飞轮。

程昊的加速进化团队也采用类似策略，先用仿真数据让机器人掌握基本运动控制能力，再用真机数据微调以适应真实场景。“我们使用仿真数据训练的一个核心目标，是让机器人后续能更高效地获取真实数据，有了真实数据，整体能力才能实现跃升。”在程昊看来，这很可能是一个螺旋式上升的过程。

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，“通过视频数据训练基座模型”这一逻辑，与当下儿童通过观看手机视频认识世界的过程相似——先通过视频学习世界的基本样貌，再通过真实的交互体验来提升实际技能。这些视频数据蕴含时空、因果、意图等多维度信息，且易于大规模获取，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“如何从视频中学习触觉与力控等精细化数据？”时，王仲远也坦言，视频数据确实缺乏力反馈、触觉等信息，但这并不否定其价值。目前智源研究院具身智能实验室也已配备带力反馈数据采集的设备。视频数据更多用于“打下基础”，仍需结合其他数据进行针对性优化与微调。

信号5:“数量”“质量”“种类”，具身企业全方位渴求数据

随着具身智能向复杂场景深入渗透，行业对数据的需求正不断升级，不仅追求“量”的扩大，更强调“质”的提升与“种类”的丰富，形成了日益膨胀的“数据胃口”。

首先是“量”的渴求，“互联网级别”的数据规模已成为行业的共同期待。如赵行认为，数据的规模化能够反向驱动模型的进化与智能的实现。王仲远也表示，“更强大的具身大模型，可能需要等待大量机器人在真实场景中解决具体问题、累积起‘具身智能互联网’级别的数据之后，才会真正涌现”。换言之，没有充足的数据，模型就像未吃饱的孩子，既跑不快也长不壮。

当业内为Generalist模型构建的27万小时真机数据集触及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称为海量数据，距离‘ChatGPT时刻’还相当遥远”。

在“量”之外，是对“质”的追求，“高质量数据比海量低质数据更具价值”的观点逐渐成为主流。王潜认为，数据固然重要，但并非简单的“越多越好”。

事实上，语言模型的发展历程已经验证，单纯堆砌数据规模未必带来最优效果，高质量、高效率的数据才是决定性因素。他认为在具身场景中，数据质量比数据总量更能产生量级上的差距。在此，位于金字塔顶端的真机数据或许可以数量不多，但很可能是奠定基础或弥补仿真、视频数据不足的关键所在。

最后是“种类”的丰富，多模态数据的需求日益迫切。随着机器人应用场景的扩展，单一类型的数据已无法满足需求。例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。当前业内常说的多模态能力，更多是继承自基座大模型的视觉、语言能力，而在真正物理交互中至关重要的触觉、力反馈等模态数据仍非常稀缺。

这种对数据种类日益丰富的需求，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”、“交互产生了何种反馈”、“人类有何种需求”，如此才能让模型更深入地理解物理世界、更精准地响应人类需求。在技术的早期探索阶段，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提醒整个行业：真正的智能并非从单一路径中生长出来，而是在无数次试错、冲突与调和中被精心“雕刻”成形。模型的不完美、数据的不完整、架构的不统一，这些听上去像是缺陷，却恰恰构成了具身智能最真实、最蓬勃的生命力所在。