具身智能行业正站在从实验室迈向实际应用的关键转折点，但数据稀缺、算力瓶颈和技术路径分歧三大难题，如同三座大山横亘在通往物理AI“ChatGPT时刻”的路上。在2026世界人工智能大会“智启具身论坛”上，智元合伙人、觅蜂科技董事长兼CEO姚卯青一针见血地指出：“如果只是通过示教进行模仿学习，成功率不管怎样都不会很高。”以下基于他的深入分析，为你梳理当前行业的真实面貌与未来预判。

图：智元合伙人、高级副总裁、具身业务部总裁，觅蜂科技董事长兼CEO姚卯青

数据缺口：与语言模型存在“万倍差距”

要将机器人的能力提升到“开箱即用”、能跟随自然语言指令完成日常任务的水平，当前具身数据的规模远远不够。姚卯青透露，具身数据规模与语言模型预训练语料之间存在万倍以上的差距。要实现对通用物理规律、开放式指令理解与任务规划能力的隐式掌握，至少需要亿小时级别的数据积累，才能让常见任务的基础成功率达到70%到80%。

面对这一巨大缺口，行业正探索“开源”与“节流”并行的路径：

• 高精度真机数据（塔尖）：通过遥操作采集，用于后训练阶段的监督微调（SFT）。
• 低成本大规模数据（基座）：众包方式采集人类操作视频，成本可降至传统真机摇操的三分之一甚至更低。

姚卯青介绍，觅蜂科技通过众包方式，今年目标是达到千万小时级规模，目前已经到百万小时级别。但他强调，摇操并未被放弃——它是数据金字塔最上层的真机部分，在具体场景落地时，后训练依然需要大量摇操数据。不过，当前市面上能满足模型精度需求的数据源“说实话不多”，能同时具备大规模运营交付能力的团队更是凤毛麟角。需求仍然大于供给，数据基础设施建设仍是关键瓶颈。

小提示： 数据采集方案成本对比——遥操作采集（真机）精度高，但成本高昂（约每台每天数千元）；众包视频（无本体）成本可降至传统摇操的三分之一，但需要大量清洗和标注，适合构建预训练数据。

算力隐忧：下一代平台面临挑战

在算力层面，国产端侧平台已在部分场景投入使用，但未来存在隐忧。姚卯青透露，智元在不少部署场景已依托国产算力平台投放应用，“国产现在在很多应用场景是可以用的状态。”但当前模型参数量偏小——无论开源模型π0.5还是智元的GO-1、GO-2，均在100亿参数以内，能在边缘端实现10到20赫兹的推理频率。

“但如果要进一步形成智能涌现，推进到几百亿参数的MOE架构，现在国内国外最新已投入使用的平台，在算力和显存通信带宽上都存在一些瓶颈。”姚卯青表示，这需要整个产业链向下一代平台推进。

路线分野：技术终局尚未收敛，但语言是必经之路

关于物理AI的技术路径，行业远未形成统一答案。是端到端的VLA（视觉-语言-动作）模型，还是强调物理规律预测的世界模型（WAM）？姚卯青提出了“世界推理动作大模型”（WRAM）的概念。

“动物可以表演杂技，但没法帮你收拾整个家，因为它没法进行任务规划和判断。”姚卯青以此比喻说明，要到达智能涌现的程度，语言知识体系不可或缺。VLA模型也好，世界模型也好，最终一定是集合了视觉、语言、动作的多模态体系。

他进一步阐释，未来的具身基座模型必须具备两个特征：

• 理解与生成一体化：既能理解指令进行规划，也能生成对未来画面的预测和动作轨迹。
• 架构足够简洁：能够通过离散自回归Transformer等可扩展架构，吸收百万甚至千万小时的数据，实现不同模态间的有机融合。

常见问题： 什么是VLA模型？
VLA是视觉-语言-动作（Vision-Language-Action）模型的缩写，它结合了视觉感知、自然语言理解和动作执行，让机器人能根据指令和视觉信息直接输出动作。而世界模型（WAM）则更侧重于预测物理世界的未来状态，两者各有侧重，但最终可能融合。

行业预判：2027年底有望看到“涌现时刻”

当被问及物理AI的“GPT-3.5时刻”何时到来时，姚卯青给出了相对明确的判断：“我认为在2027年底到2028年初会看到。”支撑这一判断的，是数据量从千小时、万小时级向百万小时级迈进过程中，已经浮现的线索。“我们确实看到了很多通用泛化的迹象，无论是指令跟随还是零样本操作泛化。”

过去一年超出预期的，不仅是技术进展，更是商业化落地的速度。“一年前大家认为行业还在做实验室技术展示，但今年我们已经把机器人真正安在工厂里，客户付费，24小时7天高强度运行，硬件稳定，软件做到4个9的成功率。”姚卯青说，从首批项目需要三四个月，到如今二次开发伙伴一两周就能复制落地，边际成本正在快速下降。

对于越来越多大厂入局，姚卯青持开放态度：“更多人来试，能加速并行探索的速度。有些是歪路有些是正路，试过总比没试过好。”他认为，行业需要更多参与者共同推动数据规模的扩大，“1亿小时的数据需要非常多的人一起参与，才能加速在2027年实现。”

常见问题： 为什么具身数据这么难获取？
具身数据需要真实物理交互，不同于互联网文本可以轻松爬取。采集方式包括人工遥操作（成本高、速度慢）、众包视频（需要大量清洗和标注）、仿真合成（存在sim-to-real gap）。目前行业还没有通行的标准化数据集，每家都在自建，导致数据规模远小于语言模型。

总体而言，具身智能行业正从“能不能动”转向“能不能用”，数据、算力和路线三大难题正在被逐步攻克。姚卯青的预测为行业描绘了一个清晰的倒计时：距离物理AI的“涌现时刻”，或许还有不到两年时间。