人形机器人落地应用难在哪：数据、硬件、算法均待提升

从实验室走向产业，当前人形机器人落地应用的最核心短板是数据严重不足。

5月29日，在2025张江具身智能开发者大会期间，一批具身智能企业探讨人形机器人产业落地困境时，不约而同提到了数据难题。数据采集难、适配难，真机数据远远不够，如何才能弥补具身智能的数据短板？

2025年5月29日，上海张江科学会堂，具身机器人达人秀表演吸引众多观众。澎湃新闻记者 朱伟辉 图

数据严重不足制约产业化落地

“如果没有数据，算法很难做。”智元机器人具身智能算法专家陈立梁表示，目前具身智能的操作等高质量真机数据“非常缺失”。去年年底，智元开源了上百万条真机数据，推动数据高质量化，希望形成采集、训练、测试、推理一体化的闭环数据路线。但陈立梁坦言，即便智元已经开源了这些数据，并且近一年中各大厂商和研究机构也在不断开源，然而目前可获得的数据还是远远不够。

光轮智能技术生态负责人甘宇飞介绍，大模型开发依赖的是二三十年里所有互联网数据，自动驾驶发展了十几年，积累了大量真实数据，但具身智能的兴起只有几年时间，积累的数据量远远无法支撑机器人的复杂行动。目前大语言模型的数据量是PB级规模，自动驾驶的数据量在百PB级规模。“自动驾驶本质上是一种特殊的具身智能，但具身智能不仅仅有驾驶场景，它还有诸如商超、居家、工厂、实验室等场景，每个场景单拎出来都需要自动驾驶这么大规模的数据，所以具身智能所需要的数据量相对于自动驾驶的百PB级又要更上一层。”

“必须用某种方式快速、低成本地弥补数据上的短板。”灵御智能CEO金戈认为，为了降低获取数据的成本，一方面要制造出相对低成本、高质量、高敏捷的本体，另一方面要将机器人更早投入到使用场景中，边使用边采集数据。

机器人的训练方式和传统机器学习不同，只有在真实物理环境中交互才能验证实际性能。仅仅通过观看以及文字模态的数据，具身智能是无法掌握像人类一样的行动技能的。

“今天的模型是否可以满足实用化需求？今天模型的成功率是否可以让机器人在现实场景中全自主工作？”金戈认为，现阶段来看仍有一定难度。他提出使用类似遥操作手段，让人类操作机器人，解决目前模型无法覆盖的部分，让机器人尽快投入使用，“就像自动驾驶汽车一样边开边收集数据，提升算法模型，降低人的参与比例，从而大幅降低数据采集成本，让机器人更快地从实验室进入产业。”

陈立梁则表示，算法层要找到更优的闭环迭代路线，“我们会投入强化学习，它可以在和真实世界的交互中学习，我们也会持续推进世界模型研究。”除了数据和算法上的闭环，陈立梁认为，还要探索测试闭环。迭代后的算法需要经历测试，但测试会造成损耗，测试成本也高，实现高效低成本的闭环评测已成为行业关注焦点。

机器人本体性能仍有提升空间

“通用机器人不光大脑要好，身体也要好。”智莱特具身智能科技有限公司CEO邓振华表示，具身智能机器人的算法层对硬件要求非常高，尤其是在实施的时效性和多模态的融合方面。“硬件如何有机结合多模态大模型，也是我们现在探讨的问题。”

邓振华表示，目前企业、高校、科研机构都在探索机器人软硬件的不同技术路线，但当前场景落地仍然不成熟，硬件成本、效率、工程化都面临挑战，机器人本体的散热、轻量化、负载、寿命、精度、运动控制路径等方面仍有较大提升空间，一些机器人进工厂时，由于负载能力不足，往往只能选择一些负载较轻的工位。他迫切希望机器人能落地防尘防爆、高温高湿等特殊场景，这对机器人硬件和算法提出了更高的要求。同时，机器人的小试、中试依托于原有产业遗留下来的工业设备，未来这些生产和测试设备也需要快速迭代升级。

当前，机器人软硬件行业标准也没有完全明确。甘宇飞表示，底层算力、模型训练、数据采集、通用场景搭建等方面都需要尽快制定标准。尤其是数据采集，相对于自动驾驶，具身智能的数据适配难度是陡增的。具身智能的本体有机械狗、机器人等不同形态，单就人形机器人而言，也有双足、轮式、双臂、单臂等形态。“每一种机器人之间的数据不一样，并且短期内可能主要是人形机器人，长期来看可能会针对一些特定任务做定制化，那时数据量又是很大的规模。”甘宇飞提到，目前机器人种类多样，每家每户都在采集数据，“但A公司采集的数据并不能给B公司用，B公司部署的模型也不能用在C公司的本体，这里面有非常多的浪费，所以要制定行业标准，提高资源利用效率。”

金戈认为，机器人有望在消费和商业场景快速落地，安全是核心问题。在模型可控性无法完全保证的情况下，强制性的安全标准是必要的。“针对机器人的保险机制应该出现，不管是机器人本体的受损，还是由于机器人操作不当造成的其他财物或身体损伤。”

无论是推动机器人在工业场景落地，还是进入居家场景，眼下算法层还需要更多创新。陈立梁表示，当前国内很多团队以跟随为主，“国外出了一个新的架构，国内就去跟随。其实目前具身智能还处于较早阶段，应该去探索更多新东西。”