2026-08-19 看完近期十来家具身高管的访谈，割裂是我最深刻的感受。

作者：瓦力     出品：天南具身公园

国内最近接受访谈的有蚂蚁灵波、苏度、戴盟、昆仑行、星海图，国外的有 Figure、Generalist、Agility，加上优必选和今日资本的徐新，前前后后十来家，文字稿整理了快三十万字。

原本是想找找国内外的共识和反共识。结果这两天听下来，共识没找到。

印象里反倒只剩下两个字：割裂。

它不是那种「我觉得 A 路线更好、你觉得 B 路线更好」的技术分歧。是大家对同一个词的理解和表达在底层的认知中有很大的差距。

看下面两位大佬的发言：

1）高继扬从 Waymo 到 Momenta，做过自动驾驶。他说做自动驾驶最大的教训，是你当 Tier 1，数据的飞轮跑不起来。所以做具身必须自己做整机，必须死磕真实数据，必须上规模。

2）郎咸朋从百度到理想，之前是智驾一号位。他说的是具身没有影子模式的前提。自动驾驶和 GPT 的成功，成在数据的获取效率上。但具身不行，采集成本会随规模放大。所以再去堆规模，上限是有天花板的。

都是自驾出来的，对具身数据的理解仍然会有很大的差距。

当然，他俩的思考和出发点都对。

今天的文章不是要强调孰优孰劣，目的是想透过这些大佬公开表达的观点，串起来目前对行业的思考。

一个「数据」，七个意思

几乎所有人都聊到了具身的数据。

十家里有七家把数据放在具身当前最重要的位置上，「数据要好好做」这件事，是共识。

但怎么做，做什么数据，各家的思考确实不太一样。

1）灵波的沈宇军指的是预训练架构。

他们 26 年做的最大一个决定，是把视觉相关的东西全部推倒重训。沿着这个思路做了灵波 1.0 系列和 2.0 系列，其实真的鲜有人敢动具身预训练的蛋糕，真的很烧钱。

沈宇军原话大意是既然不能 push 数字世界的模型改，那就全部基于物理世界的需求重做一遍。连底下的视觉预训练都不用 DINO 了，换成从几何出发，从边缘开始理解。

这种探索的态度我是比较认可的，我也相信具身需要自己原生的基座模型。

就基座的预训练数据来说，和其他公司说的数据还不太是一回事。

2）Generalist 的 CTO Andy Barry 指的是采集设备。

他们造了数千台手持手套发到全世界，GEN-1 攒了 50 万小时。他们的数据不是遥操，对外的说法是：你的目标是走进世界，而不是把世界搬到你面前。

3）昆仑行的郎咸朋指的是加工。

他给了一个公式，数据效率 = 获取效率 × 使用效率。既然数据获取现在还受限，就在使用上做文章，把重力、受力、摩擦这些物理量显式算出来，编译进训练样本。

作为国内一段式端到端第一批吃桃子的人，对模仿学习的认知还是比较深刻：如果你收集了一大堆模仿学习的数据，那你只能做出模仿学习的成果来。

4）苏度的韩铮指的是真实数据根本采不起。

他 offer 了一个惊人的数字：英伟达测算过，要穷举典型物体、场景、操作的真机数据，只用一款机型，哪怕按中国的人力成本，也得要 100 万亿美金。苏度自己估算保守一点，低一个数量级。

所以真机数据走不通。

韩铮总对真机数据的讨论

5）戴盟的段江哗指的是数据模态缺了一块。

互联网上有海量文字、视频、图片，但物理接触的数据极度稀缺。

6）星海图指的是真实采集场景。

25 年一堆人在蔬菜厂里采数据，他们去开放场景里采集。

7）Figure 的 CEO Brett Adcock 指的是具身数据压根不在互联网上。

他打了个比方，就像你把金字塔的数据从大语言模型预训练里拿掉，它就不知道怎么聊金字塔。所以你得自己出去采。

七家公司，对具身数据的理解可以说完全是几码事。

最有意思的一句来自沈宇军。主持人问他这一年有什么不及预期的，他说：不及预期的是数据。

这其实也是近期，我们为什么和大家聊这么多次数据的原因。从去年开始，一年半的时间，具身的数据路线仍然称不上到了收敛的临界点。

这句话我也反复看了三遍。

它的意思是，行业最大的那句共识，可能是一句正确的废话。

Generalist 还补了一刀。所有人都在讲数据飞轮，讲落地采数据反哺模型。Andy Barry 说，飞轮不是大家想象的样子。

机器人部署的仓库，连网都没有，哪来云端链路回传。更关键的是：客户有兴趣帮你做数据飞轮吗？总体来说，没有。

所以，他们凭什么要替你训练机器人？

几家都说自己做通用，但互相否定

这个部分聊大脑，比数据还乱。

「通用」这个词，是具身行业出现频率仅次于数据的词。所有做大脑的都说自己在做通用大脑。

看看各家对「通用」的定义：

1）灵波的通用 = 跨本体。

一个脑子跑所有机器人，预训练时就需要不同构型的数据，第一代支持 9 种，第二代升到 20 多种，自由度从只有双臂扩到带头、带腰、带底盘、带灵巧手。

沈宇军说得很清楚，他们最后的期望是每家都有个机器人，里面跑的是灵波的模型。

2）苏度的通用 = 一一对应的零样本学习能力。

CEO 韩铮的原话是，他们的具身基础模型跟硬件本体是一一对应的，即便稍微修改了一些，也需要重新进行预训练。这可能跟 pi 的理念有很大不同。

3）昆仑行的通用 = 天生的。

郎咸朋说一脑多形不是我们选择的，是我们天生就支持，因为物理规律天然就是一脑多形的。反过来，你学的是分布、是模仿、是动作，那就是一脑一形。

这几家对通用的定义，其实是互斥的。

灵波要一个脑子跑所有机器，苏度说改个本体就得重训，昆仑行说这压根不是设计问题，是范式问题。

世界模型这个词，更热闹。VLA 这个词今年在集体退场。

戴盟 CEO 段江哗提到有学者在喊 VLA 已死。
郎咸朋说现在大家 VLA 提得少了主要是世界模型了。
Generalist 则称他们从来没把自己的模型称作 VLA 或者世界模型。

问题是世界模型也不是个意义明确的词。韩铮直接说这个词太大，以后提到的时候都得加一个定语，是面向什么的具身世界模型。

他还说团队里有张梗图，一个九宫格，能诞生九种十二种不一样的世界模型。

郎咸朋给了个我觉得目前比较清楚的三分法：一类是渲染器，渲染像素做视频生成；一类是模拟器，对状态和动力学做仿真；一类是输出动作。他评价一个好的世界模型这三样都得有。

以及，我自己最近也不太喜欢聊世界模型。被国内说烂了，太多的公司想在技术的风口上占据身位，强调自己很早就做，强调领先英伟达，强调自己是新范式。

果真如此吗？

所以，近期我们在文章里面的分享，更多的是技术层面的一些思考和讨论。这个层面是我认可的价值，比单纯的聊一些泛泛的概念要强得多。

把技术的能力用好，比强调你用了这个技术更重要。

然后是泛化。

这块我想说一句不太客气的话。这十来家，谈泛化的时候只有一家给出了可执行的判定标准。

其余各家的说法都还停在描述层。关灯也能干、换个办公室不用采数据也能干、零样本成功率 99% 到 100%、位置泛化解决了任务泛化没有。

这些都很好，但还没有一家能说清楚自己的测试集是怎么跟训练集切开的。

一个行业连「什么算通用」、「怎么算真的泛化」都没对齐，就开始争路线。

说真的，有点早。

触觉是唯一走完共识的地方，然后卡住了

我在这么多访谈里面唯一能看到存在共识的地方，就是触觉，但结论有点扎心。

1）戴盟段江哗给的数据是硬的。

轴孔装配任务，没有触觉成功率只有十几个点，引入触觉之后可以涨到到 80 多。更关键的是另一个现象：有些操作任务，没有触觉的时候训到 70/80 就卡住了，再用纯视觉数据成功率也上不去。

天花板不是渐进的，走到最后会发现碰到一堵墙。

戴盟的说法是，用了含触觉的数据，能用更少的数据量训到满意的模型；不用的话，几乎要将近 10 倍的数据量。

当然，这是一家深耕触觉上下游公司提供的观点。

所以大家对触觉共识达成得非常快。

沈宇军说灵巧手公司今年层出不穷，触觉传感器越来越多，可能用不了太久会渐渐变成标配。郎咸朋说触觉是相当重要的一个模态。Generalist 也在往上加灵巧手。

然后就卡住了。

共识只走到了形容词，走不到动词。大家都认可触觉是重要的，但触觉的具体用法以及是否真的 work，还要打一个问号。

具体来说，上面聊的几家公司对触觉的理解，大家可以听听原话，我这里不想进一步去解释。

因为目前还没有一个我认可的结论可以提供给大家。

一个被所有人认可的东西，仍然没能变成一件所有人做法一致的事。

落地这个词，一边是刚需一边是补贴

然后就是最割裂的地方，不在技术，在太平洋两边。

Figure 那边说，落地是刚需。

Brett Adcock 说客户来找他们不是因为机器人更便宜，是他们被劳动力问题拖死了。有些区域岗位年流失率超过 100%。

他们之前公开直播的数字是 2.9 秒一个包裹，连续 200 小时，已经到了人类速度，客户已经有 ROI 了。

当然，这几天自变量也搞了个分拣快递的测试，大家褒贬不一。

作为目前有一定希望代替人力的场景之一，我们还是会持续关注的。

国内这边，落地是另一件事。

高继扬说得坦白：今年下半年会在场景里走起来，一定有这样那样的问题，如果你单去算账、算 ROI，算不过来，这是确定的。

明年在部分场景里边就能转得过来，在海外更容易转得过来，因为海外人工成本的问题。

韩铮的说法类似，在机器人足够稳定和便宜之前，很难在替代人工的前提下算过来账。所以落地顺序是科研、展示商演、再到 ToB 和 ToC。

所以国内才需要训练场、需要中试基地。

这确实是国内外现实的条件所决定的，大家对落地的需求并不一样。

还有 Figure CEO 喷了国内的机器人，说从中国买的拿到手全是废物，是个玩具。

大家倒也没必要过度解读，Figure 的人形确实有我认为做得不错的地方。

国内公司也有很多人对本体的发展持谨慎的态度。郎咸朋的判断大体如此：大家不要太乐观去考虑硬件问题，认为硬件已经解决了、我们只要做个大脑出来就行，我认为不是这样的。

你攒一个机器人出来，只是一个实验，或者一个原型样机。真正的量产交付是研发、试制、小批量、交付、售后一整条链。

他还说了一句：硬件没有全栈工程师。软件可以全栈，硬件一定是分门别类极度细化的。

当然，我对国内做供应链的优势没有任何质疑，发挥好自己的优势，然后在不断补齐短板。

到了人形进入家庭这块，时间表的离散程度直接拉满。

1）优必选周剑说一到三年内，针对特定人群的 iPhone 时刻就会到来。
2）郎咸朋说参考自动驾驶，5 年左右比较合理，而且家庭是终点不是起点。
3）Agility 的 Peggy Johnson 说十年以上。
4）Brett Adcock 说家庭今天就可解。

屁股决定脑袋，大家理性吸收。我个人的看法是五年以上。

写在最后

聊了这么多，也说说我自己的看法。

供应链、本体、模型、应用都还没到收敛的阶段，这个时候我也不能说行业的发展就该熄火了。

但阶段性的共识其实是有的。那就是只靠融资，大家都活不到具身智能实现的那一天。

这一部分，我想用天南之前文章里面的几句话总结。

「能转向的基础设施、一门在收钱的生意、知道自己不做什么。」

尤其是对不做什么的判断，这句话也是双刃剑：

判断对了大家可以吹你有自己的坚守，思虑深远。判断错了大家就会喷你没有 sense，风口都抓不住。

所以，事物总有两面性。

这也是为什么我会觉得这些访谈听下来，最深的感受是割裂。

在信息量爆炸的当下，还是要找到自己愿意坚守的东西。

至于其他，可以交给时间。