如何让机器人从“读万卷书”到“行万里路”？

如果说云端大模型通过学习海量文本与图像数据，学会了“读万卷书”，那么具身智能的目标，就是让AI拥有身体，学会在复杂的物理世界中“行万里路”。这一步跨越，意味着人工智能正从虚拟的数字世界，迈向真实的物理空间。

3月14日，在上海东方枢纽国际商务合作区举办的“申城策源·智链终端”人工智能终端投融资峰会上，行业专家与投资者齐聚一堂，共同探讨了端侧AI领域的发展趋势。与会者普遍认为，随着AI从云端走向手机、PC、汽车乃至各类机器人，如何让这些智能终端理解并操作系统所在的物理环境，已成为产业爆发的核心命题。

具身智能的数据困境

“我们曾经讲过读万卷书不如行万里路。”芯原股份创始人戴伟民在峰会上说，“现在机器人的‘小脑’（运动控制）做得很好，运动很灵活，但是‘大脑’（环境理解与决策）不行。”

“大脑”的困境源于数据的缺失。与语言模型可以轻易获取整个互联网的文本数据不同，具身智能需要的是与物理世界交互产生的数据，从中训练出真正可以理解真实世界的智能。

上海国投先导私募基金管理有限公司副总经理吴绪成指出，当前整个具身智能产业的核心瓶颈是“数据供给严重不足”。与此同时，获取数据的技术路线与训练“大脑”的大模型技术路线都尚未收敛。究竟是采用直接学习“视觉-语言-行动”的VLA模型，还是构建一个能预测物理世界变化的“世界模型”，业界仍在探索。

VLA（Vision-Language-Action）模型试图直接学习从“看到什么（视觉）、听到什么指令（语言）”到“该做什么（行动）”的映射关系，让机器人的行动变得可以用文字解释。另一种世界模型（World Model）的思路则致力于在模型内部构建一个关于物理世界的空间，真正做到理解物体、空间关系和物理规律，从而能够让机器像人一样预测行动的后果。

然而，无论是哪一种算法，都需要用物理世界的数据去训练。在酷哇科技CEO何弢看来，整个具身智能赛道正陷入一个“先有规模还是先有智能”的先发悖论：没有足够智能的机器人，就无法在真实场景中大规模应用；而没有大规模应用，就无法收集到训练出更强“大脑”所必需的海量、高质量交互数据。如何打破这个循环，成为所有从业者必须回答的问题。

“路测法”与“落地法”之争

“物理世界当中的交互数据怎么样能够有效地捕获，如何有效低成本地获取？这是在端侧模型发展目前面临的首要问题。”何弢在峰会的主题分享中提到，并借鉴自动驾驶领域的发展历程，提出了解决方案。

他将两种数据获取策略类比为谷歌Waymo的“路测法”和特斯拉的“落地法”。“路测法”即直接部署专门的测试车队，一步到位地在真实道路上采集高质量数据， 其优势在于目标纯粹、数据高保真，但缺点在于规模扩张极度依赖高昂的资本开支，属于典型的“烧钱模式”。

而“落地法”则另辟蹊径。“特斯拉巧妙地利用了落地法，”何弢分析道，“先打磨出一个具备生产力价值的产品，比如一辆人类可以舒适驾驶的车。在交付产品、获得收入的同时，获取大量宝贵的数据。”这种模式虽然前期获取数据的速度稍慢，但一旦产品形成规模，就能在不依赖资本持续输血的情况下，形成一个“技术发展-商业落地-数据反馈”的良性飞轮。

遵循这一逻辑，何弢介绍道，酷哇科技致力于成为“世界模型驱动的城市具身智能全栈方案商”。通过打造智慧城市管家机器人、智慧出行小巴、智慧物业服务机器人等一系列能即刻产生商业价值的机器人产品，将其大规模部署到城市的大街小巷。

“我们通过打磨产品，在城市场景当中去把这个产品布出去了以后，一边作业一边获回馈数据。”何弢说。目前，酷哇的城市管家机器人已经占据市场上超过90%的份额，出货量超过1万台。这些机器人构成了一个庞大的、持续运转的数据采集网络，已经收集了超过50PB的物理真值数据。

具身智能的终极图景：从城市迈向家庭

何弢表示，酷哇科技正在利用这些数据训练更加“聪明”的端侧机器人“大脑”。这个系统中不仅包含一个“世界模型”，让机器人具备理解基本物理规律的直觉，也有部署在端侧和云端的推理模型，让它们能够进行逻辑推理这样的“慢思考”。

在他看来，这种数据与算法相互驱动的模式一旦成型，将带来显著的“马太效应”。拥有最多落地场景和数据的企业，将能训练出最强大的“世界模型”大脑；而最强大的大脑又能驱动机器人提供更好的服务，从而收割更多的市场份额与数据资产。

“头部玩家的雪球越滚越大，底层推力正是数据与技术的飞轮效应。机器人大脑的技术演进越快，商业护城河就越深。”何弢说，即便现在已经出现使用AI合成的仿真数据来训练模型的方式，真实世界数据的价值也难以取代。

基于这些原因，何弢认为，比起现在还没有明确使用场景的人形机器人，具备精准场景定位、能迅速规模化落地的轮式或轮足机器人，例如自动驾驶汽车、商业清洁机器人、物流机器人等，反而可能是具身智能行业更好的起点，也能够收集到更多的真实数据。

他告诉澎湃科技，具身智能发展的第二个阶段可能是在更大范围但仍受限的场景中，实现多智能体的协同作业。例如在一个社区或工业园区内，由一个统一的“世界模型”驱动无人小巴、配送机器人、清洁机器人协同服务，由一个“大脑”控制多个“身体”。“我认为是在三年内就可以看到。”他说。

何弢认为，机器人发展的最后一个阶段是真正进入家庭，成为“给大家当保姆、做服务员”的通用机器人。他表示，家庭场景的复杂性和不确定性远超前两者，“居家机器人的能力，应该是结合上前面所有能力的集大成者。”