具身智能最大的幻覺，是先把人拿掉

從人的動作、目標圖像、真機數據，到分頻控制與云端基礎設施，具身智能正在進入新的階段。

作者｜連冉

編輯｜鄭玄

在艾歐智能深圳辦公室，一只機器人靈巧手依次拿起水壺、剪刀、遙控器和一副小耳機。進一步的演示里，它還要準備早餐、切紫甘藍和番茄。動作看起來并不迅猛，甚至有些謹慎，但當參觀者戴上遙操作設備，試著抓起一個蘋果、把一片薯片放上貨架時，難度很快從屏幕里走了出來。

人類幾乎不經思考就能完成的抓、拿、放，到了機器人身上，需要視覺、定位、控制、網絡和操作者配合。切菜、備餐這類長程任務，還會把誤差不斷累積。一個 Demo 能不能跑通，和一套系統能不能長時間、低成本地運行，是兩件相距很遠的事。

過去幾年，人形機器人最容易被記住的是翻跟頭、跳舞和展臺上的精巧操作。到了 2026 年，產業關注點正在向后移動：機器人為什么能做出這個動作？動作數據從哪里來？模型怎樣轉化為本體能力？失敗后由誰接管？數千臺設備產生的數據，又如何回到下一輪訓練？

騰訊首席科學家、Robotics X 實驗室主任張正友｜圖片來源：騰訊 AI

7 月 18 日的騰訊 AI 應用創新論壇上，騰訊首席科學家、Robotics X 實驗室主任張正友把當下的大模型比作「缸中之腦」：它會寫詩、編程和推理，卻缺少身體，也缺少在持續變化的環境中接受反饋、修正行動的能力。當天發布的具身模型與智能體，從理解物理世界、想象任務完成后的目標狀態，一直延伸到動作生成和高頻控制。發布會列出的是模型名稱，背后更值得關注的變化是，具身智能開始被當作一套連續運行的生產系統來設計。

模型在一次演示中完成了多少動作，仍然重要；但數據能否持續供給，人的經驗能否跨越不同本體，失敗能否回到訓練流程，一套方案能否以可接受的成本復制到下一臺機器，開始更直接地決定產品能走多遠。

這讓具身智能出現了一條藏在鏡頭之外的生產線。它不制造某一種機器人，持續生產的是數據、技能、模型，以及讓機器人反復迭代的能力。

01

動作，正在成為一種需要

被工業化生產的數據

2023 年前后，具身行業對數據的焦慮還很籠統。按照艾歐智能聯合創始人丁哲章的說法，當時連拿紙巾這類簡單動作都缺數據，「不管是什么樣的數據都要采」。兩三年后，簡單抓取的數據逐漸得到補充，缺口開始向更深處遷移：按摩、加油等專用任務，靈巧手的長程精細操作，以及需要全身協調參與的物理交互。

數據依然稀缺，只是「缺什么」變了。

這種變化也重寫了數據的生產方式。艾歐把數據需求分為三段：預訓練需要規模大、場景豐富的人類數據；后訓練需要與具體本體、具體任務高度匹配的真機數據；機器人進入運營后，還要把現場數據持續回流。對應這三個階段，它提供第一人稱采集、遙操作和運營管理三套工具鏈。

過去，一些團隊用少量真機數據搭配大量仿真數據，彌補機器人采集慢、成本高的問題。丁哲章稱，艾歐今年接觸到的一些方案，已經轉向用較高比例的人類數據做預訓練，再以真機數據完成后訓練。原因并不復雜：讓人戴上設備，在真實環境中執行不同任務，比搭建大量仿真場景或持續占用機器人更容易擴張。

單席位工作 8 小時，艾歐給出的經驗值是：真機數據的有效時長可能不到 4 小時；在操作熟練、流程標準的情況下，人的數據可以達到 6 小時以上。效率差距推動人的第一人稱數據迅速升溫，也吸引了一批做過自動駕駛和大模型數據服務的公司進入具身賽道。

靈初智能把這個判斷推得更遠。聯合創始人陳源培認為，互聯網視頻噪聲大，仿真存在從虛擬環境遷移到真實世界的間隙，真實場景又無法在數采廠里窮盡，因此「看來看去，唯一能 scaling 的就是人類數據」。靈初選擇做靈巧手，也和這條路線有關：手的結構越接近人，人類動作轉移到機器人時需要跨越的形態差異越小。

不過，更容易采集不等于更容易使用。

一段人的第一人稱視頻，前端可能只記錄了多路畫面和少量慣性信息。進入訓練前，系統還要重建手部位置、深度、姿態和動作語義，并把這些信息映射到具體機器人。真機數據采集困難，卻天然帶著關節、傳感器和動作信息，后處理反而更直接。丁哲章將其概括為工作量的「此消彼長」：前端省下來的成本，會在后端轉化環節重新出現。

陳源培給出了更尖銳的提醒：「10 萬小時人類數據，有時候可能不如 1000 小時有效。」在具身智能里，小時數只是最醒目的指標。任務分布是否合理、動作是否準確、標注是否足夠精細，以及數據最終能否轉成機器人可執行的策略，決定了規模能否真正生效。

于是，數據公司的角色也在變化。它們不再只負責把動作錄下來，還要判斷什么值得錄、如何清洗、怎樣跨本體轉化，以及哪些失敗樣本應該優先回流。動作數據開始像一種工業品：有原料、工藝、質檢、規格轉換，也有良率。

02

從人的經驗到機器的能力，

中間仍缺一座橋

如果說人類數據解決了「從哪里獲得更多經驗」，下一個問題就是，這些經驗如何進入機器人身體。

靈初把這座橋拆成 policy 模型和世界模型。前者負責從數據生成動作，后者承擔人類動作動力學向機器人遷移、質量評估和強化學習等工作。處理鏈條中，還會用分割模型識別手部，再疊加機器人模型和圖像信息，修正動作端的偏差。世界模型在這里并非一個宏大的未來概念，更像數據車間里的轉譯器和質檢員。

靈生科技也把世界模型放在數據閉環中理解。負責世界模型訓練的合伙人蔣玉驊提到，模型一方面可以參與機器人決策，另一方面可以生成新數據、篩選舊數據并給數據打分。當算力預算有限時，篩選能力決定了哪些數據應當先進入訓練。他將公司的路線概括為「數據和模型互相促進、互相驅動」。

這也是當前具身智能與大語言模型的一處明顯差別。文本語料經過多年互聯網積累，格式和處理方法相對成熟；具身數據則由視頻、動作、傳感器和不同本體信息組成，碎片化程度更高。蔣玉驊稱，大量小文件使其與常見的 JSONL 文本訓練數據有很大差異，訓練瓶頸有時不在 GPU 本身，反而出現在 CPU 加載數據的環節。昂貴的 GPU 等不到數據，模型規模再大也無法形成有效吞吐。

具身智能的技術路線尚未完全收斂，但在靈生科技看來，以世界模型（World Model）、世界動作模型（World Action Model）為代表的范式正在獲得更多關注，也更可能成為下一階段的主流方向，這也是靈生明確押注的技術路線。

這種判斷首先來自數據邊界的差異。相較于 VLA（Vision-Language-Action）范式，世界動作模型可以進一步吸收海量視頻，從連續畫面中學習環境如何變化、動作會產生什么結果。可利用的數據規模更大、信息密度更高，也意味著更強的 Scaling Potential，為模型能力的持續提升提供了更廣闊的空間。

騰訊這次發布的 RxBrain，提供了另一種理解世界模型的方式。傳統長程規劃往往把復雜任務拆成一串文字子任務；RxBrain 同時生成每一步完成后的目標圖像，讓下游動作模型既知道「要做什么」，也能看到「做成以后應該是什么樣」。當前畫面可以不斷與目標畫面對照，機器人據此判斷進度、識別失敗并重新規劃。世界模型在這里提前為行動建立驗收標準，其任務超出了生成一段看起來真實的視頻。

這條路線試圖填補規劃和執行之間的信息損失。文字可以表達「把杯子放到桌上」，卻很難窮盡杯子的朝向、位置、周圍障礙和任務完成后的空間關系。目標圖像提高了左右「腦」之間的信息帶寬，也把失敗檢測前移到執行過程。不過，它仍需要動作模型、本體控制和現場反饋共同完成閉環；想象出正確終點，不等于身體一定能夠抵達。

統一架構的想象，在機器人領域并不容易成立。機器人必須面對摩擦、重量、延遲、碰撞和硬件差異。模型在屏幕里生成正確答案只是開始，身體還要在真實世界里把答案做出來。

張正友并不認為現階段適合把全部能力壓進一個同頻運行的端到端模型。他給出的理由首先是實時性：高層認知可以按需調用大模型，中間的感知—行動系統要以約 15 赫茲持續更新，碰撞、失衡等底層反應還需要更高頻率。觸覺反饋與視覺反饋的速度也并不相同。讓所有模塊等待同一次推理，機器人可能已經錯過保護自己或人的時間窗口。

騰訊將這種思路組織成三層同時在線的架構。上層回答下一步做什么，中層根據現場變化調整動作，底層像條件反射一樣處理碰撞和失衡。分層不代表各部分永遠割裂，訓練仍可以在閉環中協同；它更像一種工程上的頻率分工，用結構先補償數據、算力和實時控制尚未成熟的現實。

因此，人的數據也無法徹底替代真機數據。它適合為基座模型擴充場景和任務，但要讓某一款機器人穩定完成某個動作，仍需要用真機數據校準。艾歐認為，以人為中心的采集可以緩解跨本體問題，卻抹不掉具體執行器、關節和傳感器帶來的差異。越接近交付，數據越要重新回到身體。

模型與本體之間的橋，也會反向改變公司的邊界。靈初早期并不打算做整機，后來卻發現，外部整機的底盤速度、腰部自由度和整體節拍無法滿足物流場景，只能補上一套「小而全」的本體。按照陳源培的表述，采用原有整機時，某個客戶項目的節拍指標從 90 起步；更換自研整機后接近 450。采訪材料沒有給出這一指標的單位，但變化本身說明了一個現實：軟件能力走到現場，最終仍會被硬件結構定義上限。

具身公司的分工因此很難長期保持整齊。做數據的會進入模型處理，做模型的要理解硬件，做末端執行器的可能補整機，做產品的也需要建立云端能力。所謂全棧，很多時候源于交付過程中不斷暴露的缺口。

03

商業化先接受「不完全自主」

數據和模型最終都要接受同一個檢驗：機器人能否進入真實場景，并持續創造足以覆蓋成本的價值。

在這一點上，幾家公司給出的答案并不一致。

艾歐更接近自動駕駛的漸進路線。丁哲章認為，機器人可以先以 20% 到 40% 的自主能力進入現場，剩下部分由人通過遙操作或預編程補足。運行過程中產生的數據再回到模型，逐步從一對一遙操作，走向半自主和動態協助，最終逼近全自主。

這種「人在回路」的方案看上去不夠激進，卻可能是當下更現實的商業化起點。行業里談落地的需求明顯增加，真實案例未必以同樣速度增長。場景方想象中的機器人，往往已經具備接近人的通用能力；當前的本體和模型，只能在有限任務、有限環境里保持穩定。接受中間狀態，意味著客戶也要重新設計流程，把人類接管、異常處理和責任邊界寫進系統。

騰訊云披露的一項日化工廠實測，給出了比 Demo 更具體的坐標：高混合、小批量產線要求動作成功率高于 95%，單次節拍快于 6 秒，新增 SKU 留給數據采集和后訓練的時間少于 3 天。騰訊在現場演講中稱，相關模型已經達到這組測試條件，并計劃進一步推進產線應用；具體任務范圍、統計口徑和正式部署狀態仍待核實。

它說明具身模型開始接受生產指標約束，也提醒人們謹慎理解「可用」：在同一場論壇的圓桌中，工業機器人企業代表提到，部分工位對準確率的要求會達到 99% 甚至 99.8%。95% 是一次進展，距離不同產線的穩定交付仍有一段由工程細節構成的路。

數字智能體已經先遇到相似問題。騰訊云 ADP 與找鋼網的實踐，都把模糊判斷、確定性工作流和人工確認分開處理。這個經驗可以映照機器人落地：自主能力擴大系統可處理的問題，流程、規則和人守住交付；物理世界還多了碰撞、損壞和人身安全，代價更高。

艾歐在 2025 年的一次挑戰賽上完成了「人在深圳、機器人在美國」的跨境遙操作。遠程操作需要同時傳輸控制流和圖像流，還要處理弱網、延遲與安全問題。它既是一個技術展示，也暴露出「人」在具身系統中的另一種位置：人類不只負責訓練前采集數據，在部署后仍可能成為遠程兜底者。

樂享科技選擇了一條更冒險的路徑：直接進入家庭。

樂享機器人 M1 ｜圖片來源：騰訊云

樂享聯席 CTO 李元慶把家庭機器人拆成 Pet、Partner 和 Assistant 三種屬性，對應情緒價值、陪伴與協作、純功能價值。技術上，樂享保留規則系統處理安全和邊界情況，用模塊化模型承擔感知、決策、記憶與動作，再逐步向端到端能力演進。

這套混合架構背后，是消費產品對成功率和成本的雙重壓力。在工廠里，環境可以圍繞機器人改造；在家中，老人、兒童、寵物、門鎖、窗簾和雜亂物品都可能成為變量。一個指令被識別，不代表任務已經完成。李元慶舉例說，系統收到「下雨后關窗簾」的指令，窗簾可能沒有真正關上，機器人還要走過去確認，失敗后再通知中控執行一次。

張正友把養老視為更嚴苛的牽引場景，原因也在這里。

工業抓取可以依靠夾緊完成，機器人接觸老人時，觸覺、力覺、視覺和本體控制必須共同工作，攙扶和按摩不能容忍傷害。他在接受采訪時直言，進入家庭前，安全性需要得到絕對保障。騰訊研發小六按摩機器人，是為了用高風險的人機接觸場景暴露技術難題，再把相關能力沉淀到開放平臺；騰訊同時表示，無意以此進入養老硬件市場。這是一條研發路徑，距離成熟養老產品仍隔著真實機構測試、長期數據和責任制度。

類似的閉環也出現在老人跌倒場景：IoT 設備先發現異常，機器人靠近老人，通過呼叫和接觸進行二次確認；如果沒有回應，再發送警告截圖，甚至進一步聯動急救和門鎖。材料同時顯示，這套能力仍在提高成功率，距離成熟交付尚有距離。

樂享還展示了更輕松的場景：用戶可以讓機器人在某只股票上漲時，導航到自己所在的房間并跳一段舞。它看似是一個玩笑，卻點出了家庭機器人的產品難題。家庭用戶購買的未必是一臺縮小版工業設備。情緒連接、個性化和可持續互動，可能比單次完成一個高難動作更早形成付費理由。

李元慶因此不贊成所有公司都沿著「先工業、再商用、最后家庭」的路徑前進。他說：「如果你想做未來 ToC 的事情，你現在筆直去做 ToC，你這里積累的每一個 bug，都是未來 ToC 一定會遇到的 bug。」

這和艾歐的漸進部署并不矛盾，它們回答的是兩個不同問題：前者決定先進入什么市場，后者決定以什么能力水平進入。家庭路線可以從第一天開始，產品卻仍需要規則保護、云端補能和人工兜底。真正的分歧在于，企業愿意把哪一種復雜性留到以后，又愿意從今天開始承擔哪一種復雜性。

靈初對商業化階段的劃分更直接：第一波是能唱歌跳舞的硬件，第二波是數據，第三波才是真正的產品交付。它已在物流場景推進 POC，并準備從試點走向放量，但也承認從一臺設備運行良好，到復制 50 臺、100 臺，仍有大量問題需要解決。

對具身智能而言，「商業化元年」或許不是一個準確的年份，更像一段漫長的過渡期。機器人會先以功能有限、需要協助的形態進入場景；客戶在使用中修正預期；公司用現場數據補齊長尾。全自主是方向，部分自主才是眼前的產品形態。

04

云端正在變成機器人的隱形車間

當行業開始認真處理數據和交付問題，云基礎設施也從幕后走到了討論中心。

靈初曾遇到一個很具體的故障：海量數據處理中創建了過多軟鏈接，傳統文件系統里不常見的規模開始影響性能。另一次，短時間內突然涌入大批數據，底層資源需求成倍放大。騰訊云存儲解決方案專家架構師楊冠軍回憶，云上需要在數小時到半天內補充資源，才能接住處理洪峰。

靈生遇到的則是大量碎片化小文件和視頻流式加載問題。數據放在成本更低的云端，訓練即將讀取時再調入本地高速存儲；采集階段提前完成編碼和預處理，盡量減少 GPU 等待。艾歐的數據平臺還要承接清洗、標注、格式轉換和訓練調度，并為跨境遙操作提供穩定的網絡鏈路。

這些需求很難被一句「上云」概括。具身系統需要同時處理冷數據的長期保存、熱數據的高速讀取、突發清洗任務、異構芯片適配、端側實時控制和云端復雜推理。小腦式的平衡與運控必須留在本體，任務理解和長鏈規劃可以調用云端更強算力。云、邊、端的劃分，最終由安全、延遲、成本和模型大小共同決定。

數據 IO、熱數據加速和對象存儲被視為訓練流水線的一線問題。模型訓練所需的數據規模繼續增長，數據合規又限制了獲取方式；端側芯片很難長期承載快速增大的模型，云端因而仍是訓練、后訓練和復雜推理的中心。具身系統的實時性要求同時劃出邊界：網絡可以幫助機器人思考更復雜的問題，卻不能替代本體在毫秒級完成保護動作。

騰訊云希望扮演「數字基座層」：不生產機器人本體，向上提供存儲、計算、網絡、訓練平臺、遠程操控和具身開發工具。比數字更值得關注的，是云廠商與機器人公司的關系已經從租用 GPU，深入到共同改造數據和訓練流程。

這個位置描述更接近機器人行業里的「安卓」。蘋果式路線由一家公司包攬本體、模型和應用，另一條路線則通過硬件抽象層連接不同機器人。張正友舉例稱，鈦螺絲平臺早期適配某些導覽場景需要數月，能力沉淀后，后續適配其他本體可縮短到數天，個別機器狗項目約一天完成。上述時間來自騰訊采訪口徑，不能直接外推為行業平均水平；它揭示的方向是，平臺價值取決于一次定制能否轉化為下一次復用。

這也解釋了為什么接口標準會成為隱形生產線的一部分。不同本體擁有不同電機、傳感器和技能，若每個模型都從頭適配，規模化會被集成成本吞噬。硬件抽象層試圖把上層規劃、感知和技能與具體機器解耦，同時允許廠商擴展自身能力。開放平臺能否成立，最終要看這種抽象能覆蓋多少真實差異，以及平臺方與本體公司如何劃分數據和產品邊界。

這種深入也說明，具身智能正在形成自己的工程體系。自動駕駛留下了大規模視頻處理、仿真和數據閉環經驗，但機器人面對的環境更開放：廚房、倉庫、工廠和家庭擁有不同物體、任務與安全規則。舊有工具可以復用，卻無法直接覆蓋從人的動作到機器人動作的全部鏈條。

云端也不是萬能答案。最有效的數據來自真實部署，而真實部署量不足，數據飛輪就難以啟動；模型可以調用更大算力，現場動作仍受網絡和本體約束；數據上傳越多，企業對隱私、隔離和可信計算的要求越高。基礎設施能降低摩擦，無法替代產品找到 PMF。

但它確實改變了具身公司的生產方式。過去，機器人研發更像一組分散的實驗：采一批數據、訓一次模型、做一個 Demo。現在，它逐漸接近持續運行的軟件與制造系統：數據實時回流，模型反復迭代，技能被管理和分發，失敗被記錄，遠端可以接管，資源按任務波峰調度。

機器人面對的是一條很長的反饋鏈。每一次失敗既可能是模型判斷錯誤，也可能來自數據分布、本體結構、網絡延遲或流程設計。所謂運營機器人，實際是在運營這整條因果鏈，并決定哪類錯誤交給模型學習，哪類風險必須由規則和人直接截斷。

機器人生產線因此有了兩層含義。一層制造身體，包括電機、關節、靈巧手和整機；另一層制造能力，包括動作數據、訓練管線、模型、云端服務和運營反饋。后一層看不見，卻越來越決定前一層能走多遠。

具身智能接下來的關鍵進展，未必以一次震撼發布出現。它更可能發生在許多不夠戲劇化的細節里：有效數據多了幾個小時，加載少等了一段時間，遙操作延遲更低，某個動作的成功率提高，機器人能夠多承擔一部分工作，人類少接管一次。

當這些改進被組織成一條穩定的生產線，機器人或許才真正地進入了現實世界。

*頭圖來源：騰訊 AI

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你如何看待具身智能？