一亿小时，通往物理AI的涌现时刻

到了2026年，具身智能数据规模、训练范式和模型架构开始成为新的竞争焦点。

在7月19日举行的「智启具身论坛：迎接物理AI智能涌现」媒体采访中，智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青给出了一个明确判断：如果把具身智能的GPT-3.5时刻定义为通用能力的显著涌现，行业可能在2027年底至2028年初看到关键进展。

支撑这一判断的核心变量是数据。

姚卯青认为，具身智能需要一座数据金字塔。底层是规模大、成本低、来源广泛的预训练数据，帮助模型理解空间、动力学和因果关系；中间是真机遥操作等高质量示教数据，用于具体场景的监督微调；顶层来自真实部署后的在线交互，通过强化学习继续提高成功率、节拍和泛化能力。

这三类数据无法相互替代。无本体采集负责把规模做上去，真机遥操作提供更贴近本体的数据，真实部署则让模型在工作中持续修正。

觅蜂今年的目标是形成千万小时级数据产能，目前已进入百万小时级。姚卯青称，无本体采集的成本通常可以降到真机采集的一半，部分场景低于三分之一。它允许采集设备进入工厂、商超和家庭等碎片化环境，也让更多人利用日常操作生产物理世界数据。

规模只是第一关。数据能否直接进入训练管线，取决于采集硬件、时间同步、轨迹精度、切片、标注、治理和交付能力。姚卯青观察到，市场上能满足模型训练指标的数据供应方仍然有限，其中具备每月数万至数十万小时稳定交付能力的团队更少。当前具身智能数据市场仍处于需求大于供给的阶段。

模型侧也在发生变化。现有VLM多从图文问答和多模态理解任务演化而来，具身模型却要理解指令、预测环境变化、规划动作并完成执行。姚卯青判断，当真实具身数据进入百万小时级，行业需要围绕物理任务重新设计Tokenizer、编码器、数据治理管线和训练Recipe。智元计划推出的GO-3被定义为World Reasoning Action Model，强调理解与生成一体化，并把视觉、语言、世界状态预测和动作连接到同一套多模态体系中。

VLA、世界模型和World Reasoning Action Model在现阶段更像不同的技术切面。姚卯青没有把它们视为相互排斥的终局路线。他更看重模型能否吸收百万乃至千万小时异构数据，能否完成长程任务规划，以及能否在真实环境中持续学习。

后训练正在成为能力落地的最后一公里。单靠示教学习，模型很难在开放环境中稳定达到99%以上成功率。智元采用云、边、端协同的分布式在线强化学习系统，端侧机器人与真实环境交互，边缘侧负责推理和权重下发，云端完成数据汇总和异步训练。据姚卯青介绍，原来单机需要数天收敛的任务，100台机器人并行训练后可以压缩到分钟级。多台机器人共享经验，也让模型从适应单一工位走向适应更多环境。

真实部署已经给这套飞轮提供了早期反馈。姚卯青称，智元机器人已在部分工厂场景实现客户付费和7×24小时运行，软件成功率达到「四个9」。首批场景从0到1往往需要三四个月，工具链和运维平台产品化后，部分复制项目可以缩短至一两周。机器人进入真实工作流后，部署效率、数据回流和模型迭代开始形成同一个闭环。

算力仍是约束。智元GO-1、GO-2等百亿参数以内模型可以在边缘端实现10Hz至20Hz推理，国产平台已经用于部分部署场景。模型继续扩展至数百亿参数的MoE架构后，算力、显存容量和通信带宽都需要升级。物理AI的Scaling不只要求训练集群扩大，也要求边缘推理和机器人本体同步演进。

这也解释了姚卯青对大厂入局的态度。智元判断，行业通向更强通用能力可能需要1亿小时级数据，单家公司难以独立完成。京东、蚂蚁集团等企业拥有物流、零售和生活服务场景，可以把更多真实工作流转化为训练数据。参与者增多会加剧人才与资本竞争，也会加快硬件、模型、数据标准和商业模式的并行试错。

具身智能距离真正的通用涌现仍有很长距离，但评价标准已经改变。市场开始关心机器人能否长期工作、数据能否持续回流、模型能否共享经验，以及部署成本能否快速下降。

下一阶段的分水岭，可能就在这条数据飞轮的转速上。

采访全文：

受访者：智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青

云、边、端如何支撑具身智能后训练
问：您刚才提到云、边、端模式。这套系统在具身智能的数据采集和运营中如何分工？端侧有没有使用国产算力？
姚卯青：云、边、端系统主要用于后训练。端侧是机器人本体，负责强化学习中的Rollout，直接操作物体并获取与物理世界交互的数据。边缘侧负责推理和模型权重下发。云侧汇总上传的数据，完成异步模型训练。通过同步组网，机器人的策略模型可以在交互过程中持续迭代。
可以把云端理解为训练集群，边缘侧负责推理，端侧机器人负责与真实环境交互。目前，我们在端侧已经使用国产算力平台。
问：国产算力会不会制约数据飞轮？
姚卯青：国产平台在很多应用场景已经可用，我们有不少部署场景依托国产平台运行。国内外平台都处于快速迭代阶段。
当前具身智能模型的参数量仍然偏小。开源领域使用较多的π0.5，以及智元此前推出的GO-1、GO-2，参数量都在100亿以内，可以在边缘端实现10Hz、20Hz推理。如果希望进一步推动智能涌现，模型可能会扩展到数百亿参数的MoE架构。现有国内外平台在算力、显存和通信带宽上都存在瓶颈，下一代平台还需要继续提升。
无本体采集能把数据成本降到多少
问：无本体采集方案推出后，目前取得了哪些进展？相比真机采集，成本大概可以下降多少？
姚卯青：无本体采集和真机采集是互补关系。它的优势是成本更低、部署更便捷，也能以较低干扰进入真实作业流程。我们已经通过这套方法从多个行业和地区获取了大量数据，今年的目标是达到千万小时级。
真机遥操作的过程没有那么直接，隔空操作效率更低，机器人本体成本也更高。无本体采集通常可以把成本降到真机采集的一半，部分场景可能低于三分之一，具体取决于任务难度。
问：智元会放弃真机遥操作吗？
姚卯青：不会。真机遥操作仍然很重要，它位于数据金字塔上层。训练基座模型时，可以使用精度相对低、成本更低的大规模数据。模型进入具体场景后，仍要使用大量真机遥操作数据进行SFT等后训练。
遥操作和无本体采集都属于离线数据，也就是预先采集的示教数据。模型用这些数据完成训练后，还要进入真实场景，在上线操作和交互过程中继续做有针对性的迭代。
模仿学习与强化学习如何分工
问：现有数据大多让机器人模仿人类行为。只靠这类数据，能否达到通用智能？有些公司正在让机器人自主试错，两种方式应该如何选择？
姚卯青：具身模型和云端大模型一样，需要经历不同训练阶段。预训练阶段要使用海量数据，让模型学习通用表征，理解动力学、因果关系和空间感知。这些能力具有通用性。
机器人自主探索主要对应强化学习，通常会在单一任务落地阶段使用，进一步提高成功率和节拍。直接针对单个任务训练也可以，但模型容易在固定任务和环境里形成「肌肉记忆」，缺少通用认知能力。通用预训练和任务后训练需要配合。
问：如果只做示教和模仿学习，机器人在真实场景中的成功率能达到多少？还需要哪些方法继续提高成功率？
姚卯青：只通过示教做模仿学习，很难达到99%以上的稳定成功率，也很难同时满足节拍要求。真实环境一定会出现训练数据分布之外的情况，模型会进入不确定状态，因此还要通过强化学习继续夯实。
大规模分布式在线强化学习可以提高训练收敛速度。原来单机可能需要数天才能收敛，100台机器人同时训练后可以压缩到分钟级。它也能提高模型的泛化能力和稳定性。
单机后训练更像一个工人只熟悉自己的工位。换一个工位、换一个环境，它可能就会不适应。分布式训练让100台机器人共享经验，把每台机器人的经历沉淀到同一个大脑里，模型可以同时吸收更多环境和任务的经验。
GO-3如何理解VLA与世界模型之争
问：智元下一代GO-3被定义为World Reasoning Action Model。您认为这会成为通用具身智能的终局路线吗？它与VLA、世界模型是什么关系？
姚卯青：World Reasoning Action Model是我们对通用具身智能的一种总结。具身智能要出现更高水平的能力涌现，某些环节离不开语言和知识体系。机器人完成长程任务，需要规划，也需要判断当前状态。
动物可以完成杂技表演，但很难帮人收拾整个家。后者需要理解开放、模糊的指令，还要进行任务规划和状态判断。
VA模型更适合单一场景中的Reactive任务，类似条件反射。它在特定场景可以有效，但缺少语言后，很难继续提升到更高智能等级。
VLA、世界模型和我们提出的World Reasoning Action Model，最终都会走向一套融合视觉、语言和动作的多模态体系。它要具备理解与生成一体化的能力，既能理解指令、完成规划，也能预测未来画面和环境变化，并生成动作轨迹。
模型架构也要足够简洁。离散自回归Transformer是一种可行架构，因为未来需要一套可持续Skill Up的系统，吸收百万乃至千万小时数据，实现不同模态的原生融合，并打通从规划到动作的连接。
机器人数据与自动驾驶数据有什么不同
问：机器人与自动驾驶都要经历算法、硬件和场景验证的迭代。机器人面临的数据挑战是否更大？觅蜂希望如何推动数据飞轮？
姚卯青：自动驾驶和机器人获取数据的难点不同，很难简单比较。
机器人需要训练大模型，具备类似语言模型的预训练和后训练阶段。自动驾驶主要在道路这个单一域内采集数据，对通用泛化的要求相对集中。机器人需要面对更广泛的环境和任务，也可以通过Next Frame、Next Token等通用预训练任务，从更广泛、更异构的数据源中学习通用表征，部分数据的精度也可以低一些。不同模型路线决定了它们可以吸收的数据类型。
觅蜂定位于具身智能和物理AI数据供给，希望用更规模化、更低成本的方式获取不同行业、不同地域的数据。我们的使命是让全世界的数据为AI所用，包括过去难以进入训练体系的碎片化数据。
今年WAIC的参展团队更多，行业也比过去更热。具身智能的技术和产业链仍然处于早期，更多参与者进入会带来一些泡沫，同时也会把人才、资本和产业资源聚集到这个方向，加快技术演进。
问：蚂蚁等大厂进入具身智能，会给现有公司带来什么影响？
姚卯青：更多同行进入会推动产业发展。强化学习依赖试错，需要尽可能探索不同的动作空间和技术路线。有些路线会走弯路，有些会被验证。参与者越多，并行探索的速度越快。
夹爪和灵巧手，数据路线为何分化
问：不同机器人公司对真机、异构和仿真数据的选择差异很大。它主要取决于应用场景、模型架构，还是成本边界？
姚卯青：核心原因是每家公司对技术终局的判断不同。
Physical Intelligence、Dyn Robotics等团队更看好夹爪，认为夹爪可以完成大部分任务，也是当前更容易收敛的末端执行器形态。另一些团队和研究者更看好灵巧手，因为人类数据天然来自手部操作。如果机器人采用相近形态，数据迁移可能更高效。
两种判断都有合理性。一部分团队更重视当前模型能力下的落地和收敛效率，另一部分团队更重视长期形态。数据选择会随这类判断变化。
大厂入局会不会挤压创业公司
问：蚂蚁、荣耀、京东等大厂进入具身智能和数据环节，智元会感到压力吗？它们会给中腰部公司带来什么影响？
姚卯青：如果只看数据，我们非常欢迎更多参与者。行业讨论过通用具身智能需要多少数据，我们判断可能需要1亿小时。这个体量需要很多公司共同参与，单一品牌很难完成。
网约车平台也需要自营运力和外部车辆共同组成网络，数据的场景更加碎片化。京东有零售、物流等业务和庞大的员工体系，这些都是很好的数据来源和场景平台。更多公司进入数据环节，会加快行业达到目标规模。
对于荣耀等公司的具体进展，我们掌握的信息和媒体通过公开渠道看到的差不多。整体来看，大厂进入会促进产业链成熟，也会推动关键零部件迭代。
什么才是具身原生模型
问：行业近来频繁讨论「具身原生」。智元如何理解这个概念？现有模型还不够原生吗？
姚卯青：很多现有工作还没有进入具身原生阶段，因为行业此前缺少支撑原生模型的数据规模。VLM依靠海量互联网数据训练，具身数据只有几万或几十万小时，很难从头完成架构设计和权重训练。
当具身数据达到百万小时以上，行业需要建设原生架构。现有Tokenizer、编码器等组件，很多从多模态对话和VQA等认知理解任务出发。具身任务要听懂指令，预测任务过程和环境变化，还要完成动作规划。它需要围绕理解与生成一体化重新设计组件，不能只沿用图文问答或娱乐内容生成的技术体系。
人才竞争有多激烈
问：您对具身智能的人才竞争有什么切身感受？智元如何留住核心人才？
姚卯青：今年人才竞争很激烈。我们既要与机器人公司竞争，也要与大模型、多模态和生成模型公司竞争人才。资本快速进入，头部团队现金储备充足，招聘投入都很高。
智元为员工提供长期股权激励和项目即时激励。前段时间公司的一次即时激励在职场社交平台引起讨论，实习生也获得了较高奖金。类似激励在公司内部比较常见。
公司管理、使命愿景、日常组织和文化也会影响人才选择。我们接触的顶尖人才往往希望在行业早期找到一个好平台，推动技术向前，并留下具有长期价值的工作。
具身智能何时出现GPT-3.5时刻
问：您刚才判断智能涌现只是时间问题。按照乐观和保守情形，具身智能大概会在什么时候出现明显涌现？
姚卯青：不同团队对时间的判断有差异，也取决于如何定义涌现。如果把它类比为GPT-3.5级别的通用能力，我判断2027年底至2028年初可能会看到，核心前提是千万小时级数据积累取得关键突破。
MEgo如何平衡规模、效率和成本
问：MEgo无本体采集方案目前推进到什么阶段？众包来源复杂，如何在规模化过程中平衡效率和成本？
姚卯青：今年无本体采集的目标是千万小时，目前已经达到百万小时级。前期做了大量基础工作，包括设备量产和稳定性、软件系统、数据治理管线、算法，以及大规模处理所需的基础设施、存储和网络。现在已经进入规模化上量阶段。
众包可以同时优化成本和效率。1000万小时听起来很大，但放在中国人口基数下，并不需要上亿人参与。几万或十几万人在一年内就可以共同构建这类数字资产。
我们会公开发布采集任务，具备相应场景和能力的人可以认领。成本相对透明、可控。很多数据可以在人们完成日常工作或利用空闲时间时采集，参与者也可以获得额外收入或补助。
数据标准能否快速统一
问：智元正在联合赛迪等机构推动数据标准。不同公司的采集数据会遵循相同标准吗？行业还有哪些空白？
姚卯青：从近期实践看，智元和国际头部团队对很多标准的要求正在趋同。硬件指标包括帧率、分辨率、曝光、FOV、时间同步和标定等。数据治理和标注也有相近要求，包括Hand Pose提取精度、切片的时间精度和有效性，以及任务级、原子动作级标注的准确性和多样性。行业交流中已经形成一套相对收敛的事实标准。
当前挑战来自模型需求快速变化。数据标准也要随模型迭代，很难像手机、汽车等成熟产品一样快速固化为国家或行业标准。现阶段更常见的形态，是由头部模型团队和公司的实际需求牵引标准演进。
哪些进展超出了预期
问：过去一年，机器人量产、数据采集和模型能力快速推进。哪些变化超出了您的预期，并可能在未来几年成为行业共识？
姚卯青：一年前，很多人认为行业还会在较长时间内停留在实验室演进和技术展示阶段，机器人进入工厂还需要较长时间。今年的进展超出了我们的预判。
高强度投入已经推动机器人在多个真实场景部署。机器人进入工厂后，客户愿意付费，硬件要支持7×24小时稳定运行，软件成功率达到「四个9」，项目也要完成客户价值闭环。这类落地已经超出简单的视频展示。
部署项目的边际成本和推进效率也在下降。首批从0到1的项目需要反复迭代硬件和软件，完成IT、设备集成和压力测试，周期往往达到三四个月。现在，智元把迭代工具链、二次开发、部署和后期运维平台做成产品后，可以交给生态伙伴完成横向复制。部分新场景已经可以在一两周内完成落地。
模型能力也出现了早期线索。数据规模从千小时、万小时进入十万和百万小时后，我们在指令跟随、零样本操作泛化等方面看到了通用能力涌现的迹象。这增强了我们继续扩大模型规模和数据体量的信心，也是我们判断2027年底至2028年初可能出现物理AI的GPT-3.5时刻的原因。
数据公司数量激增，供给是否已经过剩
问：今年数据公司数量明显增加。如果用几个关键词概括行业现状，您会怎么形容？
姚卯青：一个词是「多」，但行业还缺少体系化能力，很多公司处于早期阶段。
数据需求很大，吸引了很多团队参与。真正把数据做到可交付、可被模型使用，需要完成一条很长的链路，也有较高壁垒。
我们评估过很多数据源。市场上能够在场景、任务、硬件参数和标注精度等方面满足模型需求的供应商不多。其中有少数公司可以满足部分指标，但还不具备每月数万或数十万小时的规模化运营和交付能力。现阶段，需求仍然大于供给。
数字模型能否直接改造成具身模型
问：如果具身原生模型是长期方向，现有数字模型或多模态模型直接改造成世界模型的路线是否可行？到明年这个时候，机器人会出现哪些显著突破？
姚卯青：直接对现有多模态模型做少量微调，很难得到具身原生基座模型。给开源多模态模型接一个动作解码器，可以满足阶段性需求。长期看，模型架构、数据治理管线、多任务混合方式和训练Recipe都要围绕具身任务重新设计。
我相信未来一年会出现具有质变意义的突破。行业头部团队已经在模型架构、数据采集和标注范式上形成一些早期发现。对于Scaling带来的能力涌现，大家的判断比较接近。到2027年底至2028年初，我们可能看到更强的通用能力涌现。
具身智能数据交易如何形成商业闭环
问：一些数据交易平台已经开始挂牌，觅蜂也在建设数据交易平台。当前具身智能数据主要通过什么方式交易？觅蜂的商业模式是否已经得到验证？
姚卯青：现阶段，具身智能和AI数据通过交易所完成的交易还比较少，企业之间直接交易更常见。
觅蜂已经向一些关键客户交付数据，在全链路运营效率、成本控制和商业模式上形成了初步闭环。
数据标准会不会上升为国家标准
问：行业对数据采集和标准化还没有完全形成共识。觅蜂在标准化方面有哪些思路？未来会推动国家级标准吗？
姚卯青：头部团队之间已经形成较强的事实共识。觅蜂现有采集设备、数据治理和标注管线都围绕这些共识建设。
国家级标准可能还需要持续迭代。模型团队拿到前期数据并完成训练后，往往会对原始数据和标注提出新要求。行业现在很难快速沉淀出固定标准，短期内强制标准化的必要性也没有成熟消费品那么高。具身数据目前主要服务研发和学术训练，标准会继续跟随模型需求演进。