兩位具身智能頭部玩家的隔空交火

文｜三少爺

2026年4月，智元機器人APC生態大會上，鄧泰華高調宣布公司從“開發態”進入“部署態”，目標直指今年量產數萬臺。兩個月后，星海圖全球開發者大會（WDC 2026）上，高繼揚意味深長地表示：“在技術尚未支撐生產力場景前，過早大規模商業化反而可能成為負債。”

兩家的表態不可謂不理性，邏輯也都很自洽，但在規模量產這個事關公司命運的事情上，兩位頭部玩家卻秉持著背道而馳的做法。問題就這么猝不及防地甩到了我們眼前：具身智能到底該現在就拼規模，還是再等一等呢？

智元，大干快上

數據是AI時代最真實的護城河，真實世界的交互數據是具身智能最有效的燃料。智元的底層邏輯很清晰——大規模本體跑起來產生海量真機數據，數據反哺模型，讓大腦更聰明，聰明了就部署到更多場景，產生更多數據。

智元把這套邏輯具象化為“四維一體飛輪”，是不是很熟悉？其實就是特斯拉“影子模式”的具身版。眾所周知，特斯拉FSD的優勢不只在于算法架構的先進，還在于幾百萬輛車每天在真實道路上產生的、可促進駕駛智能進化的海量“極端場景”數據壁壘。

關于數據，這里有兩層遞進關系值得拆開。

第一層，真實數據和仿真數據的區別。仿真可以生成海量場景，但它生不出真實世界的那層“物理噪音”——摩擦力、形變、接觸力矩的不可預測性。這些噪音不是缺陷，是訓練物理AI的必修課。不在真實工廠里實際上下料，你永遠不知道照明變化、工件公差、產線節奏波動會讓模型怎么崩潰。

當然，仿真數據肯定有用——它在加速訓練、覆蓋長尾場景上有不可替代的價值。但它的天花板也很明顯：它只能幫你逼近真實，不能替代真實。這個差距，就是具身智能和自動駕駛都繞不過去的坎。正因為仿真有用但不夠用，在具身智能領域才有了真機數據派和仿真數據派的分野，智元顯然是前者的扛旗人。他們的邏輯很硬，如果仿真真的那么管用，自動駕駛何至于還困在L3？

第二層，同樣是真實數據，還有Robot-Centric和Human-Centric之分——這是同一條“真實數據”戰壕里兩種截然不同的采集模式。

Robot-Centric路線里，機器人在真實產線上干活，順帶把數據傳回來。數據格式嚴格匹配自身本體的物理約束——包含真實的關節電機角度、力矩反饋、本體攝像頭視角的圖像幀。這是100%的以機器人為本位的數據。優勢在于零Sim-to-Real Gap：采來的數據直接就能用于訓練自家的模型，訓完直接OTA下發，本體執行毫無違和感。因為數據本身就包含了機器人的物理極限和誤差，模型學到的就是“在我這個身體上該怎么動”。

Human-Centric路線會大量使用UMI等人類穿戴設備、外骨骼或第三視角設備，在真實場景里讓人類操作員戴著設備干活，記錄人類的手部運動軌跡和視覺信息，再通過算法“翻譯”成機器人的動作指令。這種模式的采集效率高、成本低——人類干活天然平滑高效，不需要等機器人算法迭代好。

但代價同樣明顯：巨大的跨本體遷移鴻溝。人的手是五根柔軟的手指，機器人的夾爪或靈巧手是剛性電機；人的視點身高是1.7米，機器人可能是1.3米或輪式底盤。把人類數據強行映射到機器人身上，會遇到物理約束不符、視角偏差的問題，極其考驗“域適應”和“遙操作映射算法”能力。

啥數據都趕不上真實場景部署的Robot-Centric數據，智元的邏輯很清晰：復制影子模式，拿到真機數據。那，星海圖暫緩大規模量產又有什么道理？

星海圖，等一等再上量

星海圖的邏輯不是“不量產”，而是“現在的硬件還不值得著急大規模量產”。高繼揚把整機和供應鏈叫“有限游戲”，智能和應用叫“無限游戲”。翻譯過來就是：智能上限決定產業上限。在硬件會越來越成熟、越來越便宜的背景下，在硬件快速迭代的階段砸錢上量，等于把資產建在注定過時的底座上。

星海圖這套“不著急”也有理論地基。高繼揚在WDC大會上系統闡述了具身智能的三重躍遷——本能智能讓機器人學會控制身體，作業智能讓機器人產生生產力，進化智能讓AI反向定義機器人的身體形態。在這個框架里，過早押注某一個硬件版本去沖量，等于在智能底座還沒搭穩之前就把本體形態鎖死了。

至于數據，星海圖的策略很務實：一方面帶著機器人去真實的酒店、餐廳、家庭、超市、醫院，采集真實場景中的操作任務；另一方面，今年上半年聯合亦莊機器人公司和亦莊國投，共同發起成立了數據公司“亦數智能”，目標圍繞百萬小時到千萬小時的真實物理世界數據做規模化采集，首批15家合作伙伴已經入局。但星海圖的采集主力并非真機自主干活，而是前文所述的Human-Centric模式——先用低成本把人類操作動作海量錄下來，等模型學會干活、硬件收斂到位，再跳進量產。

兩邊的邏輯都對，也都漂亮。但問題是，甘蔗沒有兩頭甜，兩條路線也都各自帶著不一樣的風險。

兩邊都有坑

智元這條路最大的風險有兩個。

硬件本體在輕量化技術、關節方案、靈巧手上還在演化，每一輪迭代都可能讓上一批出貨變成老版本。現在鋪下去的產線、簽下來的客戶合同、建起來的供應鏈——都綁在了一個注定會被迭代的硬件版本上。

第二，從研發到制造到交付，量產是一套端到端的重型投入——智元相當于比星海圖提前深度介入了整個制造和交付體系。但提前介入制造體系并不總是優勢。這就不得不提一個前車之鑒：威馬汽車。

當年威馬是所有新勢力中最早自建工廠的，在制造和交付上下了大功夫，產線、供應鏈、品控體系一應俱全。結果呢？產品競爭力沒跟上來，那些花大價錢建起來的制造能力全部變成了沉沒成本。

對于智元來說，它的產品競爭力目前看起來足夠——但產品競爭力不僅要看相對值（比對手強多少），還要看絕對值（能不能強到觸發社會的規模訂單）。那個臨界點到底什么時候來？兩三年？還是十年？如果臨界點在十年后，那么智元前五年在制造和交付上的投入就是純粹燒錢，燒到臨界點到來之前——飛輪的臨界點在哪里，沒人給過確切答案。這才是智元真正要賭的東西。

再看看星海圖，它的賭注同樣面臨不小的風險。最大的軟肋還是數據。雖然它也是真實場景數據派，但Human-Centric路線天生背著一層“翻譯”的成本——人類操作數據必須通過算法映射到機器人的物理軀體上，而人的身體和機器身體之間的鴻溝是物理層面的，不是算法能完全抹平的。

第二個風險在于，量產本身不是你想跳就能跳進去的。從小規模量產到大規模量產，橫著不可壓縮的時間鴻溝。如果哪天具身智能突然涌現了——就像ChatGPT一夜之間讓全世界見識了大語言模型的能力——訂單會瞬時井噴。但量產能力不是靠錢能堆出來的，它是靠時間堆出來的。供應鏈管理、品質控制、規模化制造、售后服務體系，每一條都是需要在水里泡久了才能學會的。你沒有提前下水——等到浪來了再跳，大概率是跳不進去的。

兩邊的邏輯和風險都攤開了，孰優孰劣，該怎么判斷？總不能當端水大師，給兩種做法都點贊吧。

這里有三個值得逐一掂量的維度。

第一，數據的成本。就像特斯拉的幾百萬車主每天免費貢獻行駛數據一樣，智元數萬臺機器人進入真實場景后，數據是自動涌出來的。客戶花錢買的是機器人提供的勞動，數據是順帶產生的副產品，邊際成本為零。而星海圖需要為數據單獨付費。

第二，硬件本體能否支撐算法持續迭代。回頭看自動駕駛行業，攝像頭+激光雷達+毫米波+域控的架構延續了好多年。車企的策略從來不是等硬件成熟了再動手，而是先預埋、再通過OTA把軟件能力持續往上刷。具身智能的硬件層面，關節、感知、計算平臺的規格正在標準化，今天的底座足夠支撐未來兩三年算法的OTA升級。至于兩三年之后，在模塊化設計的支持下，客戶付費更換模塊即可。

第三，量產的組織能力能不能快速錘煉出來。制造業的經驗反復證明：大規模量產不是按一下開關的事。手機那么小一個玩意，羅永浩老師不也感慨自己低估了制造的難度嗎？

三個維度攤開來看，智元押注大規模量產，志在構筑兩道護城河——量產能力，以及面向豐富真實場景的、以機器人為中心的真機數據。量產能力靠時間堆，真機數據靠部署攢，一個是苦活，一個是壁壘，苦活越早去干，壁壘越早去筑，先發者的身位就越難被撼動。