# 未来12~18个月，谁能率先跑通半开放场景的“第一个闭环”？ “未来12~18个月，行业里的一个关键节点，就是真实部署带来的数据闭环。不管部署数字是多少，只要它是真实的。谁能真正在半开放场景里，把第一个闭环跑通，这才是决定性的。” 这话出自上海创智学院副教授、智元首席科学家罗剑岚之口。说得直接，也点明了当下具身智能赛道的核心矛盾——不是模型多强，而是数据有没有从真实场景里长出来。 千寻智能创始人韩峰涛说得更干脆：“我们会尽快面向所有场景——60%家庭、30%商用、10%工业，齐头并进。” 今年以来，几乎所有的海内外头部公司都在拼命抢占家庭、工厂、商业赛道的部署机会。为了争取时间，它们把软硬件一体这条路走到底——机器人本体、大脑、数采设备，甚至灵巧手和关节，全都要自己干。原因很简单：等不起第三方，数据闭环必须攥在自己手里。 这场竞赛，不仅决定技术路径的胜负，也在影响资本和客户对下一阶段的估值与押注。 --- ## 01 为什么所有具身企业都在抢同一个闭环？ 去年底，智元机器人重新排兵布阵：智元侧重工业，上纬新材以“上纬启元”品牌锁定消费市场，灵巧手公司临界点也纳入体系。6月底，智元在全网直播机器人在工厂测试产线干活——地点是龙旗科技的江西南昌工厂。与此同时，“上纬启元”推出首款个人机器人“启元Q1”，可以折叠装进书包，并在深圳、上海开设线下体验店。 动作更猛的，是千寻智能。“我们构建了一个上千人的数采团队，今年年底会到四千人。今年要采集百万小时数据，明年要到上千万小时。”韩峰涛语速很快，强调家庭、商用、工业齐头并进是公司的核心工作，战略上重视就体现在投入上。他还特意提到与博世、宝马的合作。 银河通用也不甘落后——从去年起，在全国铺设无人零售、无人药店，目前已超过百个；工业重载机器人进入了极氪、宁德、奔驰等工厂；与智源研究院联手在酒店落地清洁机器人。 有意思的是，宁德时代成了多家机器人企业的采购方。“它的野心很大”，一位业内人士这么说。 这股浪潮不止在中国。即便是美国领头羊PI（Physical Intelligence）——这家由前谷歌大脑负责人卡罗尔·豪斯曼创办、用真实世界数据做出第一个多任务具身模型的公司——也开始在海外包括中国大量建厂，采集交互数据。业内人士分析，PI“后劲不足”，受限于美国本土制造业，不得不靠海外建厂来弥补数据采集短板。 为什么大家都这么急着干这件事？ “我觉得全球企业CEO都知道要往具身领域投钱，但大家都在等一个信号。一旦这个信号出现，大把美元就会从天而降。”罗剑岚说得直白，“创业公司的优势就是快。谷歌这么大，OpenAI就是硬生生从它护城河最深的地方敲出一块地来。” 行业也预估，今年下半年到明年上半年，是世界模型训练的高峰期。大家都意识到——没有规模化真实数据，模型就没有泛化；没有泛化，就谈不上规模化部署。 “所谓基模的泛化能力，就是把人类不需要专门学习的技能做到70%~80%的成功率，再配上初中学历就能掌握的低部署门槛。”银河通用CTO王鹤这样解释。 所有具身行业的人都认同一个路径——特斯拉数据飞轮。过去十年，特斯拉花了大精力部署车队，构建了一个巨大的飞轮：车队跑出真实数据，数据回流训练模型，更好的模型再下发车队去解决更长尾问题，反复循环。这个思路给具身的提示有两条：第一，真实数据至关重要；第二，真实数据只能靠部署来获取。 眼下，具身数据还少得可怜——有人说“连一颗黄豆都没到”。但一旦数据飞轮转起来，就变成了护城河。别人要再想追，得花同样多的时间、精力、资源，而你已经走到了前沿。 千寻把具身智能的过程分为两个阶段。第一阶段，把基模做出泛化性，让后训练的代价降到分钟级，边际部署成本压到极低。“场景落地所需的后训练数据可以降低60%。”千寻智能副总裁丛源良说。只有这样，才能进入第二阶段——当几千万台、上亿台机器人铺进真实世界干活，数据回流，零样本解决更多问题。 “你得先把数据和Infra做好。这两样没做，根本不用探索模型结构。”一家具身智能独角兽的CTO分析说。而数据和Infra之间，有一个顺序问题：先数据，后Infra。规模小的时候，Infra还发挥不了作用，只有机器人在外部署的数量多了，Infra才会派上用场。“刚起步，做数据收益一定是最大的。到一定规模，再去做Infra。这两样都有了，你再做模型结构，我觉得是这样一个顺序。” --- ## 02 机器人大脑，到底需要什么数据？ 大语言模型用30万亿token训出了GPT，具身智能呢？它需要的，其实是一整套覆盖不同能力的数据体系。 所以具身企业都在抢家庭、工业、商业场景，齐头并进，采集不同的数据源。而每个场景对模型的训练方式也完全不同。 有业内人士分析，工厂是验证模型的好地方，但要求极致节拍。“你错一次，对整个产线的影响是大的。”所以针对具体场景要做后训练，强化学习很重要，这样才能达到成功率和节拍的要求。 家庭不讲究节拍，但需要足够泛化，成功率可以低一点。每个家庭环境都不一样——有人认为，甚至不太需要后训练，部署更快。 虽然行业里有个说法叫“一旦家庭的活儿会干了，其他的活儿都会干了”，但实际并非如此——工厂要求的成功率和家庭的泛化性，是两种不同的能力。“目前在模型上没法统一”，只能在两个方向上同时迭代。商场也一样，有自己的特殊需求。 进工厂这件事本身，就很难。无锡数据集团总经理陈青说，打开工厂的数采场景只能找一把手。老板们不在乎采集补贴，担心的是工艺外泄。他们目前已与12家工业伙伴签订了长期反复进场采集的协议。“我们想让真正掌握模型能力的公司落在无锡，一起深入合作。”重点抓30~50家企业，最好是上市公司——老板更有长远想法，二代老板也非常清楚。“要跟他们结成长期合伙人机制，从数采试点走到产线智能装备升级。” 家庭则是一个可以快速部署的地方。一位资深人士说，家庭的宝贵之处，在于能让真机在开放环境中探索交互数据。人类能为机器人构建的训练环境可能不到1%。“人不知道机器人会在什么地方犯错，只有机器人自己知道”——把机器人放进环境，让它先探索、先失败，人再兜底纠正，这一类数据凌驾在所有数据之上。 不过，如果既想快速部署，又想有商业上的快速回报，无人药店、无人零售店、酒店清洁等就是很好的模式。“限定场景后就可以采数据、做闭环、做销售，不需要泛化到所有场景。这应该是目前大多数具身企业的做法。”一位人士说。 这些场景中，具体需要采集什么类型的数据？行业里流行“数据金字塔”的说法，但陈青更愿意把它比作光谱仪：“光从左到右，不同频率和能量代表不同作用。”所有场景几乎都需要全光谱数据，它们承担不同作用。 其中，真机数据被大量用于最终部署态，但“很难跨本体，采集成本非常高”，在光谱体系中只占一小部分。仿真数据可以做环境数据扩增，在要求毫米级执行、长时间鲁棒性的工业场景中尤为重要，“但它很难真实模拟形变和力控”。陈青认为，当下采集的重心正在转向内容数据——EGO这类以人为中心的数据，能够提炼人的操作逻辑；以及UMI这类无本体数据，把人手臂关节动作和末端映射与机器绑定。 今年以来，EGO数据很火。它是指通过头戴摄像头等设备，采集人类第一人称视角操作的视频。京东、蚂蚁、美团正在通过众包的方式快速Scale up——有业内人士认为，可能未来一天就能到100万小时。 但丛源良认为，UMI数据将会成为主流。UMI数据是一种手上拿着夹爪、戴着摄像头等轻量设备，采集人类真实操作的低成本方案。它的优势是与机器人本体解耦，一套数据能被不同机器人复用。相比EGO数据，UMI数量稍小、精度更高。最精准的是遥操，“但数据量太小，你还得买一个50万的机器人一块弄，遥操上手难度也比较大”。 大家也都提到了触觉数据。每一家主要具身企业都坦言要做。“你要做到穿针引线，触觉的作用是很大的。”上海交通大学长聘教轨助理教授穆尧说。 不过，穆尧曾与多家机构尝试构建触觉数据集，结果“几度心碎”，最终转向仿真引擎去做精细的力和触觉数据的Scale up。过去一年，虽然业内对仿真数据“祛魅”，但他的团队把螺纹配合、齿条啮合，以及多种柔性衣物的复杂任务，通过仿真数据都实现了。 具身企业也在思考数据采集的方式。北京智源人工智能研究院理事长黄铁军说，由于世界模型和具身智能阶段，实时交互性数据会越来越多，“你踢个球、弹个琴、游个泳，所有都是在跟世界互动”。采数据的模式也必须变革，核心要考虑成本合理性和便利性。 这样看来，建数采中心、用人控制机器人采数据，“可能是一种成本不一定合理的方式，光建环境就花掉很多代价。”他说，今年开始，有企业让工人戴上设备边工作边采集，工资可能加20%。再往后，人们戴上耳机、智能眼镜，生活和工作的第一视角被数字化——这跟自动驾驶的逻辑差不多，汽车在路上跑的同时，数据就采集到了，只不过汽车上的传感器很多，人身上还比较少。他举例说，乒乓球机器人若能达到陪练水平，进入工会、学校，采数据甚至可以零成本乃至有收益。 “进入实际场景后，有可能找到低成本采数据的方式”——这是过去一段时间，他们一直在思考探索的。 --- ## 03 为什么非要自己攥着闭环？ 在跑闭环的这个过程中，一个值得关注的现象是：去年行业里还有产业链分工模式——有人做大脑、有人做本体。但今年，更多企业明确走向软硬闭环——既有机器人本体，也训练模型，还做数采设备，甚至做灵巧手、关节。 “所有的Recipe（独门秘籍）在无限长的时间里都会变成公共知识。”王鹤解释说，“这个行业最终一定是当前巨头可以做的。”既然如此，初创公司唯一的竞争优势就是快。“快你就得闭环——硬件里头别人做不好的部分，就得控制在自己的环路里。否则你等别人，就慢下来了。”更多具身企业采用了硬件、数采、数据管线到模型的软硬一体模式。 当下，几乎每家企业都提到了数采设备。千寻从2024年开始研发数采设备，据说迭代了七版。“去年12月正式落地，今年下半年成本会有10倍下降。”韩峰涛说。 “这套东西一定要掌握，否则会很被动。”上海交大穆尧说。他举例，自己有很多想法，但大家说做不出来时，他就会到现场去看整个采数过程——顶置相机怎么配置、全身运控传感器怎么摆、人和传感器如何配合。这关系到创新想法的实现。“臂、核心关节、灵巧手上腕部相机的布置，至今没看到任何一个令自己满意的方案。”他认为，如果有能力，也要自己掌握。 它石智航联合创始人、首席科学家丁文超把整个系统类比成一条梯度传递的链路：“具身行业还在早期，模型和应用的梯度还没有传递到前面的硬件，市面上能买到的硬件满足不了规模化应用的需求。”为此，他们决定自己做软硬件，并研究关节甚至灵巧手，把末端传感器配置、硬件形态、数采方式和部署推理效率放进同一个系统里去优化。“这些细节，才是VLA、世界模型这些概念背后真正的冰山。” “数据管线”是当下具身公司比拼的一个焦点。市面上EGO、UMI数据供应商“质量真的是良莠不齐，好的特别少”。企业不得不建立自己的一整套质检和规范，并投入数据管线。而且，数据质检、过滤、标注全靠人工的话，成本谁也扛不住，需要靠模型闭环来提升效率、降低成本。一位业内人士总结，“数据管线”的核心，是把人类的单点经验尽可能汇聚进这条管线，让数据迭代逐步自主化。“第一点就是要做到实时性”——在采集过程中同步质检，而不是事后补救。 在闭环上，外国具身企业“遇到了麻烦”。有业内人士说，虽然它们尝试在海外建厂来解决交互数据采集问题，但“短期内能解一时的困难，长期很难”。根本原因是软硬分离——比如在美国训练，在美国以外做数据采集，沟通成本高，数采设备也难以快速迭代，“你天然得不到很好的数据反馈”。结论是，“软硬一体是国内的優勢，今天各家在模型层面的差距并不大，真正拉开差距的是数据积累，而国内在真机数据的积累上更快。” 对于具身智能的终局，行业有一个初步的时间轴。语言模型的Scaling Law催生了VLA，视频模型的Scaling Law催生了World Action Model。随着真实世界数据持续积累，有企业认为，未来3~5年，期望具身智能行业诞生真正的“原生模型”——而不是简单地把语言、视觉、动作拼接在一起。 千寻判断，大模型从爆发到拥有5亿用户用了数年，而具身智能公司集中成立于2023~2024年，要真正进入规模化阶段，大概率要等到2033年前后。王鹤预计，2028年前后模型通用能力一旦突破关键节点，行业将迎来第一轮出货激增，且主要发生在B端。 但这并不意味着AGI已经实现。从轮式到全人形、从夹爪到灵巧手，具身智能还有漫长的技术长坡要走。