具身智能最大的幻觉，是先把人拿掉

从人的动作、目标图像、真机数据，到分频控制与云端基础设施，具身智能正在进入新的阶段。

作者｜连冉

编辑｜郑玄

在艾欧智能深圳办公室，一只机器人灵巧手依次拿起水壶、剪刀、遥控器和一副小耳机。进一步的演示里，它还要准备早餐、切紫甘蓝和番茄。动作看起来并不迅猛，甚至有些谨慎，但当参观者戴上遥操作设备，试着抓起一个苹果、把一片薯片放上货架时，难度很快从屏幕里走了出来。

人类几乎不经思考就能完成的抓、拿、放，到了机器人身上，需要视觉、定位、控制、网络和操作者配合。切菜、备餐这类长程任务，还会把误差不断累积。一个 Demo 能不能跑通，和一套系统能不能长时间、低成本地运行，是两件相距很远的事。

过去几年，人形机器人最容易被记住的是翻跟头、跳舞和展台上的精巧操作。到了 2026 年，产业关注点正在向后移动：机器人为什么能做出这个动作？动作数据从哪里来？模型怎样转化为本体能力？失败后由谁接管？数千台设备产生的数据，又如何回到下一轮训练？

腾讯首席科学家、Robotics X 实验室主任张正友｜图片来源：腾讯 AI

7 月 18 日的腾讯 AI 应用创新论坛上，腾讯首席科学家、Robotics X 实验室主任张正友把当下的大模型比作「缸中之脑」：它会写诗、编程和推理，却缺少身体，也缺少在持续变化的环境中接受反馈、修正行动的能力。当天发布的具身模型与智能体，从理解物理世界、想象任务完成后的目标状态，一直延伸到动作生成和高频控制。发布会列出的是模型名称，背后更值得关注的变化是，具身智能开始被当作一套连续运行的生产系统来设计。

模型在一次演示中完成了多少动作，仍然重要；但数据能否持续供给，人的经验能否跨越不同本体，失败能否回到训练流程，一套方案能否以可接受的成本复制到下一台机器，开始更直接地决定产品能走多远。

这让具身智能出现了一条藏在镜头之外的生产线。它不制造某一种机器人，持续生产的是数据、技能、模型，以及让机器人反复迭代的能力。

01

动作，正在成为一种需要

被工业化生产的数据

2023 年前后，具身行业对数据的焦虑还很笼统。按照艾欧智能联合创始人丁哲章的说法，当时连拿纸巾这类简单动作都缺数据，「不管是什么样的数据都要采」。两三年后，简单抓取的数据逐渐得到补充，缺口开始向更深处迁移：按摩、加油等专用任务，灵巧手的长程精细操作，以及需要全身协调参与的物理交互。

数据依然稀缺，只是「缺什么」变了。

这种变化也重写了数据的生产方式。艾欧把数据需求分为三段：预训练需要规模大、场景丰富的人类数据；后训练需要与具体本体、具体任务高度匹配的真机数据；机器人进入运营后，还要把现场数据持续回流。对应这三个阶段，它提供第一人称采集、遥操作和运营管理三套工具链。

过去，一些团队用少量真机数据搭配大量仿真数据，弥补机器人采集慢、成本高的问题。丁哲章称，艾欧今年接触到的一些方案，已经转向用较高比例的人类数据做预训练，再以真机数据完成后训练。原因并不复杂：让人戴上设备，在真实环境中执行不同任务，比搭建大量仿真场景或持续占用机器人更容易扩张。

单席位工作 8 小时，艾欧给出的经验值是：真机数据的有效时长可能不到 4 小时；在操作熟练、流程标准的情况下，人的数据可以达到 6 小时以上。效率差距推动人的第一人称数据迅速升温，也吸引了一批做过自动驾驶和大模型数据服务的公司进入具身赛道。

灵初智能把这个判断推得更远。联合创始人陈源培认为，互联网视频噪声大，仿真存在从虚拟环境迁移到真实世界的间隙，真实场景又无法在数采厂里穷尽，因此「看来看去，唯一能 scaling 的就是人类数据」。灵初选择做灵巧手，也和这条路线有关：手的结构越接近人，人类动作转移到机器人时需要跨越的形态差异越小。

不过，更容易采集不等于更容易使用。

一段人的第一人称视频，前端可能只记录了多路画面和少量惯性信息。进入训练前，系统还要重建手部位置、深度、姿态和动作语义，并把这些信息映射到具体机器人。真机数据采集困难，却天然带着关节、传感器和动作信息，后处理反而更直接。丁哲章将其概括为工作量的「此消彼长」：前端省下来的成本，会在后端转化环节重新出现。

陈源培给出了更尖锐的提醒：「10 万小时人类数据，有时候可能不如 1000 小时有效。」在具身智能里，小时数只是最醒目的指标。任务分布是否合理、动作是否准确、标注是否足够精细，以及数据最终能否转成机器人可执行的策略，决定了规模能否真正生效。

于是，数据公司的角色也在变化。它们不再只负责把动作录下来，还要判断什么值得录、如何清洗、怎样跨本体转化，以及哪些失败样本应该优先回流。动作数据开始像一种工业品：有原料、工艺、质检、规格转换，也有良率。

02

从人的经验到机器的能力，

中间仍缺一座桥

如果说人类数据解决了「从哪里获得更多经验」，下一个问题就是，这些经验如何进入机器人身体。

灵初把这座桥拆成 policy 模型和世界模型。前者负责从数据生成动作，后者承担人类动作动力学向机器人迁移、质量评估和强化学习等工作。处理链条中，还会用分割模型识别手部，再叠加机器人模型和图像信息，修正动作端的偏差。世界模型在这里并非一个宏大的未来概念，更像数据车间里的转译器和质检员。

灵生科技也把世界模型放在数据闭环中理解。负责世界模型训练的合伙人蒋玉骅提到，模型一方面可以参与机器人决策，另一方面可以生成新数据、筛选旧数据并给数据打分。当算力预算有限时，筛选能力决定了哪些数据应当先进入训练。他将公司的路线概括为「数据和模型互相促进、互相驱动」。

这也是当前具身智能与大语言模型的一处明显差别。文本语料经过多年互联网积累，格式和处理方法相对成熟；具身数据则由视频、动作、传感器和不同本体信息组成，碎片化程度更高。蒋玉骅称，大量小文件使其与常见的 JSONL 文本训练数据有很大差异，训练瓶颈有时不在 GPU 本身，反而出现在 CPU 加载数据的环节。昂贵的 GPU 等不到数据，模型规模再大也无法形成有效吞吐。

具身智能的技术路线尚未完全收敛，但在灵生科技看来，以世界模型（World Model）、世界动作模型（World Action Model）为代表的范式正在获得更多关注，也更可能成为下一阶段的主流方向，这也是灵生明确押注的技术路线。

这种判断首先来自数据边界的差异。相较于 VLA（Vision-Language-Action）范式，世界动作模型可以进一步吸收海量视频，从连续画面中学习环境如何变化、动作会产生什么结果。可利用的数据规模更大、信息密度更高，也意味着更强的 Scaling Potential，为模型能力的持续提升提供了更广阔的空间。

腾讯这次发布的 RxBrain，提供了另一种理解世界模型的方式。传统长程规划往往把复杂任务拆成一串文字子任务；RxBrain 同时生成每一步完成后的目标图像，让下游动作模型既知道「要做什么」，也能看到「做成以后应该是什么样」。当前画面可以不断与目标画面对照，机器人据此判断进度、识别失败并重新规划。世界模型在这里提前为行动建立验收标准，其任务超出了生成一段看起来真实的视频。

这条路线试图填补规划和执行之间的信息损失。文字可以表达「把杯子放到桌上」，却很难穷尽杯子的朝向、位置、周围障碍和任务完成后的空间关系。目标图像提高了左右「脑」之间的信息带宽，也把失败检测前移到执行过程。不过，它仍需要动作模型、本体控制和现场反馈共同完成闭环；想象出正确终点，不等于身体一定能够抵达。

统一架构的想象，在机器人领域并不容易成立。机器人必须面对摩擦、重量、延迟、碰撞和硬件差异。模型在屏幕里生成正确答案只是开始，身体还要在真实世界里把答案做出来。

张正友并不认为现阶段适合把全部能力压进一个同频运行的端到端模型。他给出的理由首先是实时性：高层认知可以按需调用大模型，中间的感知—行动系统要以约 15 赫兹持续更新，碰撞、失衡等底层反应还需要更高频率。触觉反馈与视觉反馈的速度也并不相同。让所有模块等待同一次推理，机器人可能已经错过保护自己或人的时间窗口。

腾讯将这种思路组织成三层同时在线的架构。上层回答下一步做什么，中层根据现场变化调整动作，底层像条件反射一样处理碰撞和失衡。分层不代表各部分永远割裂，训练仍可以在闭环中协同；它更像一种工程上的频率分工，用结构先补偿数据、算力和实时控制尚未成熟的现实。

因此，人的数据也无法彻底替代真机数据。它适合为基座模型扩充场景和任务，但要让某一款机器人稳定完成某个动作，仍需要用真机数据校准。艾欧认为，以人为中心的采集可以缓解跨本体问题，却抹不掉具体执行器、关节和传感器带来的差异。越接近交付，数据越要重新回到身体。

模型与本体之间的桥，也会反向改变公司的边界。灵初早期并不打算做整机，后来却发现，外部整机的底盘速度、腰部自由度和整体节拍无法满足物流场景，只能补上一套「小而全」的本体。按照陈源培的表述，采用原有整机时，某个客户项目的节拍指标从 90 起步；更换自研整机后接近 450。采访材料没有给出这一指标的单位，但变化本身说明了一个现实：软件能力走到现场，最终仍会被硬件结构定义上限。

具身公司的分工因此很难长期保持整齐。做数据的会进入模型处理，做模型的要理解硬件，做末端执行器的可能补整机，做产品的也需要建立云端能力。所谓全栈，很多时候源于交付过程中不断暴露的缺口。

03

商业化先接受「不完全自主」

数据和模型最终都要接受同一个检验：机器人能否进入真实场景，并持续创造足以覆盖成本的价值。

在这一点上，几家公司给出的答案并不一致。

艾欧更接近自动驾驶的渐进路线。丁哲章认为，机器人可以先以 20% 到 40% 的自主能力进入现场，剩下部分由人通过遥操作或预编程补足。运行过程中产生的数据再回到模型，逐步从一对一遥操作，走向半自主和动态协助，最终逼近全自主。

这种「人在回路」的方案看上去不够激进，却可能是当下更现实的商业化起点。行业里谈落地的需求明显增加，真实案例未必以同样速度增长。场景方想象中的机器人，往往已经具备接近人的通用能力；当前的本体和模型，只能在有限任务、有限环境里保持稳定。接受中间状态，意味着客户也要重新设计流程，把人类接管、异常处理和责任边界写进系统。

腾讯云披露的一项日化工厂实测，给出了比 Demo 更具体的坐标：高混合、小批量产线要求动作成功率高于 95%，单次节拍快于 6 秒，新增 SKU 留给数据采集和后训练的时间少于 3 天。腾讯在现场演讲中称，相关模型已经达到这组测试条件，并计划进一步推进产线应用；具体任务范围、统计口径和正式部署状态仍待核实。

它说明具身模型开始接受生产指标约束，也提醒人们谨慎理解「可用」：在同一场论坛的圆桌中，工业机器人企业代表提到，部分工位对准确率的要求会达到 99% 甚至 99.8%。95% 是一次进展，距离不同产线的稳定交付仍有一段由工程细节构成的路。

数字智能体已经先遇到相似问题。腾讯云 ADP 与找钢网的实践，都把模糊判断、确定性工作流和人工确认分开处理。这个经验可以映照机器人落地：自主能力扩大系统可处理的问题，流程、规则和人守住交付；物理世界还多了碰撞、损坏和人身安全，代价更高。

艾欧在 2025 年的一次挑战赛上完成了「人在深圳、机器人在美国」的跨境遥操作。远程操作需要同时传输控制流和图像流，还要处理弱网、延迟与安全问题。它既是一个技术展示，也暴露出「人」在具身系统中的另一种位置：人类不只负责训练前采集数据，在部署后仍可能成为远程兜底者。

乐享科技选择了一条更冒险的路径：直接进入家庭。

乐享机器人 M1 ｜图片来源：腾讯云

乐享联席 CTO 李元庆把家庭机器人拆成 Pet、Partner 和 Assistant 三种属性，对应情绪价值、陪伴与协作、纯功能价值。技术上，乐享保留规则系统处理安全和边界情况，用模块化模型承担感知、决策、记忆与动作，再逐步向端到端能力演进。

这套混合架构背后，是消费产品对成功率和成本的双重压力。在工厂里，环境可以围绕机器人改造；在家中，老人、儿童、宠物、门锁、窗帘和杂乱物品都可能成为变量。一个指令被识别，不代表任务已经完成。李元庆举例说，系统收到「下雨后关窗帘」的指令，窗帘可能没有真正关上，机器人还要走过去确认，失败后再通知中控执行一次。

张正友把养老视为更严苛的牵引场景，原因也在这里。

工业抓取可以依靠夹紧完成，机器人接触老人时，触觉、力觉、视觉和本体控制必须共同工作，搀扶和按摩不能容忍伤害。他在接受采访时直言，进入家庭前，安全性需要得到绝对保障。腾讯研发小六按摩机器人，是为了用高风险的人机接触场景暴露技术难题，再把相关能力沉淀到开放平台；腾讯同时表示，无意以此进入养老硬件市场。这是一条研发路径，距离成熟养老产品仍隔着真实机构测试、长期数据和责任制度。

类似的闭环也出现在老人跌倒场景：IoT 设备先发现异常，机器人靠近老人，通过呼叫和接触进行二次确认；如果没有回应，再发送警告截图，甚至进一步联动急救和门锁。材料同时显示，这套能力仍在提高成功率，距离成熟交付尚有距离。

乐享还展示了更轻松的场景：用户可以让机器人在某只股票上涨时，导航到自己所在的房间并跳一段舞。它看似是一个玩笑，却点出了家庭机器人的产品难题。家庭用户购买的未必是一台缩小版工业设备。情绪连接、个性化和可持续互动，可能比单次完成一个高难动作更早形成付费理由。

李元庆因此不赞成所有公司都沿着「先工业、再商用、最后家庭」的路径前进。他说：「如果你想做未来 ToC 的事情，你现在笔直去做 ToC，你这里积累的每一个 bug，都是未来 ToC 一定会遇到的 bug。」

这和艾欧的渐进部署并不矛盾，它们回答的是两个不同问题：前者决定先进入什么市场，后者决定以什么能力水平进入。家庭路线可以从第一天开始，产品却仍需要规则保护、云端补能和人工兜底。真正的分歧在于，企业愿意把哪一种复杂性留到以后，又愿意从今天开始承担哪一种复杂性。

灵初对商业化阶段的划分更直接：第一波是能唱歌跳舞的硬件，第二波是数据，第三波才是真正的产品交付。它已在物流场景推进 POC，并准备从试点走向放量，但也承认从一台设备运行良好，到复制 50 台、100 台，仍有大量问题需要解决。

对具身智能而言，「商业化元年」或许不是一个准确的年份，更像一段漫长的过渡期。机器人会先以功能有限、需要协助的形态进入场景；客户在使用中修正预期；公司用现场数据补齐长尾。全自主是方向，部分自主才是眼前的产品形态。

04

云端正在变成机器人的隐形车间

当行业开始认真处理数据和交付问题，云基础设施也从幕后走到了讨论中心。

灵初曾遇到一个很具体的故障：海量数据处理中创建了过多软链接，传统文件系统里不常见的规模开始影响性能。另一次，短时间内突然涌入大批数据，底层资源需求成倍放大。腾讯云存储解决方案专家架构师杨冠军回忆，云上需要在数小时到半天内补充资源，才能接住处理洪峰。

灵生遇到的则是大量碎片化小文件和视频流式加载问题。数据放在成本更低的云端，训练即将读取时再调入本地高速存储；采集阶段提前完成编码和预处理，尽量减少 GPU 等待。艾欧的数据平台还要承接清洗、标注、格式转换和训练调度，并为跨境遥操作提供稳定的网络链路。

这些需求很难被一句「上云」概括。具身系统需要同时处理冷数据的长期保存、热数据的高速读取、突发清洗任务、异构芯片适配、端侧实时控制和云端复杂推理。小脑式的平衡与运控必须留在本体，任务理解和长链规划可以调用云端更强算力。云、边、端的划分，最终由安全、延迟、成本和模型大小共同决定。

数据 IO、热数据加速和对象存储被视为训练流水线的一线问题。模型训练所需的数据规模继续增长，数据合规又限制了获取方式；端侧芯片很难长期承载快速增大的模型，云端因而仍是训练、后训练和复杂推理的中心。具身系统的实时性要求同时划出边界：网络可以帮助机器人思考更复杂的问题，却不能替代本体在毫秒级完成保护动作。

腾讯云希望扮演「数字基座层」：不生产机器人本体，向上提供存储、计算、网络、训练平台、远程操控和具身开发工具。比数字更值得关注的，是云厂商与机器人公司的关系已经从租用 GPU，深入到共同改造数据和训练流程。

这个位置描述更接近机器人行业里的「安卓」。苹果式路线由一家公司包揽本体、模型和应用，另一条路线则通过硬件抽象层连接不同机器人。张正友举例称，钛螺丝平台早期适配某些导览场景需要数月，能力沉淀后，后续适配其他本体可缩短到数天，个别机器狗项目约一天完成。上述时间来自腾讯采访口径，不能直接外推为行业平均水平；它揭示的方向是，平台价值取决于一次定制能否转化为下一次复用。

这也解释了为什么接口标准会成为隐形生产线的一部分。不同本体拥有不同电机、传感器和技能，若每个模型都从头适配，规模化会被集成成本吞噬。硬件抽象层试图把上层规划、感知和技能与具体机器解耦，同时允许厂商扩展自身能力。开放平台能否成立，最终要看这种抽象能覆盖多少真实差异，以及平台方与本体公司如何划分数据和产品边界。

这种深入也说明，具身智能正在形成自己的工程体系。自动驾驶留下了大规模视频处理、仿真和数据闭环经验，但机器人面对的环境更开放：厨房、仓库、工厂和家庭拥有不同物体、任务与安全规则。旧有工具可以复用，却无法直接覆盖从人的动作到机器人动作的全部链条。

云端也不是万能答案。最有效的数据来自真实部署，而真实部署量不足，数据飞轮就难以启动；模型可以调用更大算力，现场动作仍受网络和本体约束；数据上传越多，企业对隐私、隔离和可信计算的要求越高。基础设施能降低摩擦，无法替代产品找到 PMF。

但它确实改变了具身公司的生产方式。过去，机器人研发更像一组分散的实验：采一批数据、训一次模型、做一个 Demo。现在，它逐渐接近持续运行的软件与制造系统：数据实时回流，模型反复迭代，技能被管理和分发，失败被记录，远端可以接管，资源按任务波峰调度。

机器人面对的是一条很长的反馈链。每一次失败既可能是模型判断错误，也可能来自数据分布、本体结构、网络延迟或流程设计。所谓运营机器人，实际是在运营这整条因果链，并决定哪类错误交给模型学习，哪类风险必须由规则和人直接截断。

机器人生产线因此有了两层含义。一层制造身体，包括电机、关节、灵巧手和整机；另一层制造能力，包括动作数据、训练管线、模型、云端服务和运营反馈。后一层看不见，却越来越决定前一层能走多远。

具身智能接下来的关键进展，未必以一次震撼发布出现。它更可能发生在许多不够戏剧化的细节里：有效数据多了几个小时，加载少等了一段时间，遥操作延迟更低，某个动作的成功率提高，机器人能够多承担一部分工作，人类少接管一次。

当这些改进被组织成一条稳定的生产线，机器人或许才真正地进入了现实世界。

*头图来源：腾讯 AI

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你如何看待具身智能？