7月8日到10日，沙特利雅得的国际科技盛会LEAP，头一回到了香港，办了场LEAP East。

展会期间，优必选海外业务负责人秦晓军和北京大学人工智能研究院助理教授、灵初智能首席科学家杨耀东，在中东通·高层会客厅论坛上聊了个很实际的话题：具身智能的“ChatGPT 时刻”，到底什么时候能来？

杨耀东教授直言，2025年春晚之后，具身智能算是彻底火出了圈，机器人唱歌跳舞打太极，样样都能露一手。但热闹归热闹，大家心里都清楚，关键还得看人形机器人能不能真下厂干活。说白了，整个行业都在盼那个“ChatGPT 时刻”，可坦率讲，离那一天还有相当一段距离。

现阶段，具身智能用的模型大多是7B、14B参数规模，属于小参数模型，整体能力还有很大提升空间。模型规模上不去，背后是核心元素的缺失——缺场景数据，数据飞轮转不起来。

秦晓军则在论坛上分享了优必选的实战数据：去年全尺寸人形机器人卖了1079台，这个量在全尺寸人形机器人赛道里算是最多的之一。但得客观看，这些货分散在几十个客户手里，绝大部分都是在做早期概念验证（POC），没有哪家客户真能一次上几百台。这也是整个行业的现状——客户自己也得花大力气，针对自家场景一点一点做训练。

秦晓军进一步解释，机器人的通用化时代还没来。眼下每个场景都得从头收集足够多的数据，才有可能形成数据飞轮效应，把任务成功率提上去。但很多工厂场景里，成功率还没达到客户预期，再加上生产节拍的要求，挑战一下就大了。所以优必选的计划是，从2026年下半年开始，挑几个普适性比较高的场景做预训练模型，这样一来，后续场景训练的数据量就能降下来。普适性强的场景，规模化落地的速度才起得来——要是每个场景都从零练起，难度实在太大。

那机器人要做到通用场景适配，核心挑战到底在哪？杨耀东认为，通用化目前看还没有明确的可行路径。大语言模型的语料能从网上扒，但具身智能模型需要的数据，根本没法靠这种方式获取，落地难度甚至比自动驾驶还高。他同时强调，具身智能机器人目前还没有成熟的L2级规模化应用形态，数据生产过程本身就是重投入的制造业环节。

在杨耀东看来，如何让具身智能模型真正实现泛化、完成各类通用任务，最大的瓶颈还在于数据。根据学界的共识性观点，大概需要1亿小时的人类操作数据，才能支撑具身智能模型实现能力跃迁。单从手部操作看，国内每小时人类操作数据的采集成本大概是300元，如果放在美国，成本还要高得多。所以从全球范围来看，要训练出可用的具身智能模型，数据瓶颈确实是眼下最突出的问题。