“ChatGPT时刻”未至，具身大脑已掀起“百模大战”新风云

在机器人产业领域，软件发展滞后于硬件已成为不争的事实，“脑体倒挂”现象如同行业的一块心病，如何突破软件端的瓶颈，成为业内众多企业积极探索的方向，大家可谓“各显神通”。

在刚刚落下帷幕的“2026世界机器人大会（WRC）”上，银河通用创始人王鹤分享了一组颇具对比性的数据。2025年，银河通用发布世界动作模型论文时，在相关领域能找到的类似论文仅有他们这一篇；然而仅仅一年多后，当他在网上再次检索时，相关论文数量已飙升至171篇。与此同时，星海图创始人高继扬也指出，自2025年至今的18个月里，全球范围内已经涌现出100多款开源具身基础模型。

随着这一趋势的发展，涉足该领域的公司数量也急剧增加，赛道变得愈发拥挤。

仅在世界模型这一细分赛道，截至8月31日，据徽声在线记者不完全统计，国内至少已有30家公司发布、预告或明确宣布涉足世界模型领域。

具身大脑的发展态势开始呈现出上一轮“百模大战”的显著特征，而且这一趋势比很多人预想的来得更早。

回顾2023年百模大战爆发时，ChatGPT已经完成了一次近乎全民规模的产品教育，大语言模型赛道构建起了相对清晰的技术基础。后来者即便在模型规模大小、开源还是闭源等问题上存在争论，但至少清楚自己正在追赶的目标。然而具身智能领域却截然不同，行业尚未迎来一个能让所有人都能深刻感受到的“ChatGPT时刻”，对于模型路线也未达成统一共识。

不过，当公司数量达到最为繁盛的阶段时，往往也意味着真正的淘汰赛拉开了帷幕。

乐聚机器人展区 图片来源：徽声在线记者 可杨 摄

答案未明，模型竞相涌现

在过去几年里，具身大脑的主流解决方案是VLA（视觉 - 语言 - 动作模型）。该模型将视觉、语言和动作整合到同一个端到端模型中，让机器人通过学习人类示范来决定下一步动作。这其实是在“借鉴”被大语言模型验证过的路线，既然大语言模型能够通过预测下一个词学会写作和推理，那么机器人是否也能通过预测下一个动作学会工作呢？

在过去的两年里，机器人行业在一定程度上证明了这一思路的前半部分是可行的。经过充分的训练后，机器人已经能够完成抓取、整理、折叠、搬运等动作，甚至可以完成由几个动作组成的任务。

但也正是因为如此，下一个难题也清晰地浮现出来。

宇树科技创始人王兴兴提到，机器人在固定场景中，经过充分的采集训练后，成功率可以接近100%。然而一旦环境或物体稍有变化，成功率就会大幅下降。他表示：“最后几个厘米或者最后几个毫米的成功率或者偏差，无法很好地与真实世界相匹配……最终误差难以有效修正，导致成功率急剧暴跌。”

对于致力于成为生产力的机器人而言，实验室里的一条失败样本，在工厂的连续作业中会被不断放大，其影响不容小觑。

墨奇智能联合创始人兼CTO黄青虬进行了一番详细的计算。硬件、软件和算法这三个模块，假设每个模块的失败率是1%，那么单个动作的成功率就是0.99的3次方。如果机器人要完成一个长程任务，可能需要10个动作的组合，那么成功率可能就是0.99的30次方。

按照这样的计算方式，成功率会从99%衰减到73.97%。这意味着在工厂等真实连续作业场景中，如果不解决长程任务的稳定性问题，机器人每执行三四次任务就可能失败一次。

在这种情况下，世界模型自然而然地被推到了具身智能竞争的核心位置。

它承载着行业对下一阶段能力的期望，人们希望机器人不仅能够模仿过去见过的动作，还能预测动作发生后环境和自身状态的变化，从而提高对新任务和长程任务的处理能力。

然而，当大家谈论世界模型时，所指的内容却并非完全一致。有人强调预测未来画面，有人将视频、动作和机器人反馈整合到同一个模型中，也有公司尝试引入更多的物理规律。

图片来源：主办方供图

伽利略研发总监刘伯韬认为，就现阶段而言，真机实测数据、端侧算力以及模型能力，还不足以支撑开放环境下的真正通用化能力。在许多场景下，所提及的泛化能力仍然面临着现实的瓶颈。

星源智创始人刘东则认为，在物流分拣等边界明确的场景中，让机器人适应不同物体的小范围泛化已经能够实现。但要在任意环境和任意任务下实现泛化，仍然缺乏足够的数据支持。

于是，世界模型出现了一种有些反常的繁荣景象。

VLA虽然已经相对成熟，但却没有强大到足以终结技术路线的争论，反而将泛化、长程任务等问题暴露无遗。而新的解决方案还远未形成具有强势影响力的共识。

同时，模型本身的门槛也尚未高到能够将大量参与者排除在外。摩尔线程创始人、董事长兼首席执行官张建中提到，目前大量的VLA仍集中在70亿参数左右，训练可能只需要几十张甚至几张GPU（图形处理器）。他认为，具身智能的世界模型要真正走向“ChatGPT时刻”，算力需求必然会达到千卡乃至万卡级。

百万小时之后，数据困境依旧

围绕具身大脑的争论，最终大多会回归到数据问题上。那么，什么样的数据才算是一条好数据呢？

在大语言模型崛起之前，人类已经在互联网上自然地生产了大量的文本、图片和视频。当模型出现后，只需要将这些已经存在的数据进行组织整理即可。

但机器人领域却没有这样的数据基础作为支撑。

黄青虬举了一个擦桌子的例子。数采员可能只按照一条标准轨迹完成擦桌子动作，而真正的保洁人员则会观察污渍情况，调整擦拭的方向、力度和次数。如果一次没有擦干净，还会再擦一次。虽然这两段数据都被称为擦桌子，但机器人能够从中学到的内容却相差甚远。如果1万小时的数据中有9000小时高度重复，那么即使时长增加，也未必能带来新的有效信息。

因此，数据量成为了最容易衡量但也最容易产生误导的指标。

不同公司在数据获取方式上迅速出现了分化。有的公司坚持使用真实数据，有的公司则押注于仿真数据，还有公司将互联网视频、人类操作、合成数据、真机遥操和部署回流等多种数据混合使用。

光象科技将训练过程细分为几个阶段。互联网视频和没有动作标注的人类第一视角数据，主要用于帮助模型建立对物理世界的基础认识；带有动作标注的第一视角数据，则有助于模型学习动作发生后物体状态的变化；真机遥操数据负责使模型适配机器人的真实构型和操作规范；仿真数据则可以在相同状态下批量生成不同动作及其后果，让模型学习哪些动作可行、哪些会导致失败。

王鹤将银河通用的数据体系分为互联网数据、人类数据、合成数据、真机遥操数据和真机回流数据五层。据其披露，公司已经积累了50万小时高精度人类操作数据和50万小时不依赖手持机械装置的人手数据。

百万小时的数据规模开始成为部分企业竞争的目标门槛，但如何将这些数据转化为机器人的实际能力，仍然取决于标注、筛选和训练方法。

真实数据和仿真数据各有其优缺点。真实数据直接来源于物理世界，但采集速度慢、成本高；仿真数据可以进行大规模试错，但需要承担虚实迁移偏差带来的风险。

奥比中光创始人、董事长兼CEO黄源浩提到，机器人操作数据正在从视频扩展到第一视角、触觉和力觉等多个维度。但不同信号之间的时间同步问题仍不成熟，视觉与触觉数据相差15毫秒，都可能影响数据的有效性。而且机器人的关节范围、手部姿态和传感器配置也各不相同，只有完整记录位置、受力和物体状态等信息，数据才有机会在不同本体、不同模型之间实现复用。

图片来源：主办方供图

现阶段，行业尚未探索出一种能够适用于所有任务的数据比例方案。

自动驾驶领域曾经提供了一个极具吸引力的范本：汽车先销售出去，由人继续驾驶，传感器自然会将大量真实驾驶数据反馈回来。部署的车辆越多，收集到的数据就越多；数据越多，模型的性能就越好。

然而，机器人领域很难直接照搬这种模式。在机器人学会自主工作之前，不会有这么多人主动购买和使用它。因此，冷启动数据只能由企业自行采集。

所以，公司争抢工厂、物流和零售场景，不仅仅是为了获得一张订单，更是为了启动数据飞轮的第一圈运转。

黄青虬认为，目前数据规模仍然较小，今天很多基于算法实验得出的结论，随着数据的增长可能会被推翻。VLA之后很可能还会出现新的模型架构，真正能够留存下来的，是数据和模型训练基础设施，以及经历过一轮轮范式变化考验的人才。

工厂掌握淘汰赛的“投票权”

“百模大战”这个词，从本质上就带有淘汰赛的意味。

在上一轮大语言模型的竞争中，大量模型在发布后迅速消失，竞争的焦点从参数规模逐渐转向推理成本、产品入口、生态与收入等方面。

对于机器人产业而言，更大的变化在于客户开始更加理性地评估成本和收益。

星动纪元联合创始人席悦提到，过去不少机器人项目仅仅停留在概念验证阶段，客户在采购时不会将价格作为首要考虑因素；但今年以来，越来越多的客户开始认真计算投资回报率，以及机器人是否能够实现批量、持续、稳定运行。

星动纪元WRC展区 图片来源：徽声在线记者 可杨 摄

光象科技首席科学家吕尧认为，行业需要建立一些基准来比较不同模型的能力，但最终的验证还是要回到真实的机器人和工业产线上，看具体工位的任务成功率以及能否为客户创造实际价值。

光象科技创始人兼CEO张涛也提到，现有的各种榜单还不足以全面代表模型的能力，排名靠前只能说明模型进入了第一梯队，很难直接证明其在实际部署中的水平。

张涛坦言，客户必然会关注成本问题。如果一家企业声称不关心成本，其目的很可能并非真正推动产品的落地应用。更重要的是要让产品成本与场景价值相匹配，对于那些已经存在更便宜、更成熟解决方案的任务，没有必要投入价格更高的具身机器人。他认为，具身智能更适合应用于传统自动化难以处理，同时具备真实需求和规模化潜力的场景。

这些指标最终都会转化为具体的成本数据：一项新任务需要训练多长时间，一台机器人每天能够处理多少件产品，更换场地需要投入多少工程师，单位劳动成本能否低于人工成本。

与零样本、跨场景和跨本体等指标相比，这些数据虽然不够引人注目，但却能更早地决定一家公司的去留。

与此同时，训练成本也在不断上升。

极佳视界联合创始人、首席科学家朱政测算，团队使用几十万小时数据训练几十亿参数的世界模型和具身基础模型，成本已经达到约1亿元。如果未来数据规模扩大到几千万乃至上亿小时，参数增加十倍、百倍，而数据利用效率没有同步提高，那么训练模型的成本将飙升至上千亿元。

图片来源：主办方供图

王兴兴认为，当机器人进入陌生环境后，仅凭语言指令就能完成约80%的任务，这可以看作是接近“ChatGPT时刻”的标志，他预计这个时间快则两三年，慢则五到十年。

黄青虬给出了两个不同的时间尺度：如果从商业部署的角度来看，三年内有1000台机器人在真实产业中工作可以算作一个标志性事件；如果要求机器人在陌生环境和任务中都达到较高的成功率，那么至少还需要五年的时间。

高继扬则认为，具身智能未必会像大语言模型那样拥有一个被公众同时感知的“GPT时刻”。大语言模型上线后，每个人都可以立即打开电脑试用；而机器人的第一批有效部署可能会隐藏在工厂、仓库和零售后场等场所。技术的拐点可能已经悄然发生，但公众可能要等到机器人渗透到足够多的生产环节后，才会后知后觉地发现它们已经无处不在。

尽管如此，“百模大战”仍然具有其独特的价值。

在技术路线尚未收敛的情况下，足够多的模型、数据方案和本体实验，可以更快地排除错误答案。但最终的胜负不会由参数数量、模型名称或一次展台演示来决定。

相较于大语言模型的“百模大战”，具身智能的筛选可能会更早发生。毕竟，大语言模型可以先进行训练，再寻找用户和应用场景；而机器人公司在模型尚未收敛时，就已经被推入了产业现场，算法、数据和硬件将同时接受市场的检验。

不过，借鉴汽车工业的经验，在20世纪初，蒸汽车、电动车和汽油车曾经同时行驶在街道上，没有人能够确定哪一种代表未来。如今回头再看，那些消失的技术共同组成了一个新产业寻找主流形态的过程。

历史总是不断地循环往复，当一个产业最不清楚答案的时候，往往也是答案最多的时候。