沒有 Benchmark 的機器人領(lǐng)域，正在產(chǎn)生大量的 " 非共識 "。

去年的 WRC（世界機器人大會），各家比拼的還是誰能更快地讓機器人走起來，到今年連續(xù) 3 天都爆火的展區(qū)內(nèi)，硬件本體開始分化出不同的產(chǎn)品形態(tài)服務(wù)不同場景，以吸引落地和量產(chǎn)的可能，軟件算法則在 VLA、端到端模型、仿真數(shù)據(jù)訓(xùn)練等方面衍生出了多條技術(shù)路線。

這是一件很有意思，且極為重要的事。在任何一個新興行業(yè)的初期，非共識才是推動技術(shù)探索、尋找到唯一真理的引擎。這是一個創(chuàng)新曲線的必經(jīng)階段：在最初的模仿和復(fù)現(xiàn)后，必然會經(jīng)歷一個劇烈的發(fā)散期，然后緩慢收斂，再發(fā)散，再收斂，循環(huán)往復(fù)。真正的答案，正是在這一次次的發(fā)散和碰撞中被淬煉出來的。

我們和一些關(guān)鍵公司聊了聊，也盤點了一些公開的 " 喊話 "，梳理出了幾個重要的充滿密集爭論的領(lǐng)域，這些正在激烈碰撞的 " 非共識 "，或許正是下一個影響機器人領(lǐng)域的關(guān)鍵問題。

一、是算法不行，還是數(shù)據(jù)不夠？

8 月 9 日，宇樹科技王興興在接受采訪時，提到了 " 相比于把精力都投入到采集數(shù)據(jù)上，基礎(chǔ)模型的優(yōu)化是更應(yīng)該關(guān)注的問題 "。作為 2025 年最為明星的本體制造廠商，王興興的發(fā)言迅速引起了行業(yè)的討論，到底是算法不行，還是數(shù)據(jù)不夠？

王興興（宇樹科技創(chuàng)始人）：目前機器人行業(yè)對數(shù)據(jù)關(guān)注太多，對模型關(guān)注太少?，F(xiàn)在最大的問題是模型問題：當前的機器人模型架構(gòu)不夠好、也不夠統(tǒng)一；即使有了大量高質(zhì)量的數(shù)據(jù)，訓(xùn)練出來的模型依舊無法真正落地。機器人領(lǐng)域并不像大語言模型那樣純靠數(shù)據(jù)驅(qū)動：數(shù)據(jù)再多，部署到實物機器人上時偏差仍然非常大。

2、星海圖：數(shù)據(jù)決定了能不能上 90 分，模型決定了 90 到 95 分。

許華哲（星海圖聯(lián)合創(chuàng)始人）：當前階段，模型不夠用的主要原因，是因為數(shù)據(jù)不夠。大語言模型證明了模型架構(gòu)的差異，更多是決定能力從 90 分到 95 分的區(qū)別。但是，沒有數(shù)據(jù)，模型能力永遠無法從 59 分突破到 90 分。數(shù)據(jù)決定了能力的下限和基礎(chǔ)，是幫你完成這個關(guān)鍵跨越的核心。

3、加速進化：硬件 ready 以后，才能死磕具身大模型

趙維晨（加速進化副總裁）：大腦的算法可能是用簡單的傳統(tǒng)一點的算法，或者分層的大腦模型，保證先在一些場景落地來獲得數(shù)據(jù)。我認為 VLA 一定不是最終解，這還是基于 Transformer 的大語言模型那一套。具身模型是基于多模態(tài)的多維物理世界，一定會有原生的模型架構(gòu)。

二、真實數(shù)據(jù)不夠，仿真數(shù)據(jù)能不能湊？

目前，行業(yè)普遍面臨的情況是，真實物理世界的數(shù)據(jù)稀缺、自采成本高、供應(yīng)商又不夠健全，有一部分模型廠商選擇了視頻數(shù)據(jù)或者仿真數(shù)據(jù)進行訓(xùn)練，比如銀河通用大量采用仿真數(shù)據(jù)進行訓(xùn)練；也有一部分廠商堅持真實數(shù)據(jù)，表示仿真數(shù)據(jù)起到的作用并不大。仿真數(shù)據(jù)到底能不能湊？

1、銀河通用：合成數(shù)據(jù)占 99%，不會的人用不好合成數(shù)據(jù)

王鶴（銀河通用創(chuàng)始人）：長期看，真實數(shù)據(jù)固然重要，但在具身智能發(fā)展的初期階段，合成數(shù)據(jù)是推動產(chǎn)業(yè)發(fā)展的關(guān)鍵數(shù)據(jù)資產(chǎn)，占訓(xùn)練數(shù)據(jù)的絕大部分（99% 以上），而真實數(shù)據(jù)則用于補充和完成 " 最后一公里 " 的訓(xùn)練。不會的人用不好合成數(shù)據(jù)，所以有人會說什么仿真 " 有毒 "。 做好合成數(shù)據(jù)，需要廠商有比較好的圖形學、物理仿真、物理渲染和自動動作合成管線，包括驗證閉環(huán)的一系列全套的基建，需要長期的積累和核心技術(shù) know-how。

2、自變量：手部復(fù)雜操作無法通過仿真數(shù)據(jù)來進化

王潛（自變量創(chuàng)始人兼 CEO）：我們在這個方面探索了十幾年，基本結(jié)論是，手部復(fù)雜操作無法通過仿真數(shù)據(jù)來進化。不過，導(dǎo)航、走路、高級任務(wù)推理和規(guī)劃更適合用仿真數(shù)據(jù)，很多團隊的機器人走路都是在虛擬世界中訓(xùn)練出來，然后遷移到真實世界中。此外，手部 pick and place 這樣的操作用仿真數(shù)據(jù)訓(xùn)練也是完全沒問題的。當然我們也在廣泛使用互聯(lián)網(wǎng)視頻數(shù)據(jù)進行預(yù)訓(xùn)練，但最核心的是現(xiàn)實生活中收集到的真實數(shù)據(jù)，包括機器人和人工采集的數(shù)據(jù)。

3、智源研究院：走大模型路線，更多依靠互聯(lián)網(wǎng)數(shù)據(jù)

王仲遠（智源研究院院長）：智源走的是大模型的路線，更多依靠的是互聯(lián)網(wǎng)數(shù)據(jù)幫助機器人學習智能。例如，今年春節(jié)，我觀察一個小女孩是怎么學習的，她刷了很多短視頻，就學會了一系列復(fù)雜的操作，再通過實踐試錯糾正，這是強化學習的本質(zhì)。學習海量已有的數(shù)據(jù)，再通過強化學習和少量真實世界的數(shù)據(jù)不斷訓(xùn)練它的能力，不斷突破具身智能的發(fā)展上限，這和大模型發(fā)展路線不謀而合，基礎(chǔ)能力到一定程度后通過強化學習進一步激發(fā)它的智能。

另一個重要的問題是需要多少數(shù)據(jù)、如何獲取高質(zhì)量數(shù)據(jù)，具體的做法也觀點不一，且普遍存在焦慮。有人樂觀的認為只要給到機器人有效、高質(zhì)量的一萬小時數(shù)據(jù)，機器人就能實現(xiàn)能力的涌現(xiàn)，因此通過自采等方式構(gòu)建數(shù)據(jù)集；但也有人認為數(shù)據(jù)遷移能力太差、類型太過單一，就算 100w 小時，也不會有更好的結(jié)果。

1、維他動力：決定涌現(xiàn)的關(guān)鍵是數(shù)據(jù)的多樣性，而不是數(shù)量。

大模型之所以能取得突破，是因為它吸收了全互聯(lián)網(wǎng)的數(shù)據(jù)，并且不分語言種類，包括圖片、視頻、音頻等。這種海量、多樣的數(shù)據(jù)，他們聚集為一體的時候，就產(chǎn)生了 " 智能涌現(xiàn) " 的現(xiàn)象。 我們的看法是，必須讓機器人在物理世界中探索，才能獲得足夠多樣且持續(xù)的場景數(shù)據(jù)這其中最重要的兩個場景就是戶外和家庭環(huán)境。戶外的核心能力在于機器人的移動能力，室內(nèi)的核心能力在于機器人的操作能力。所以我們首款機器人會選擇四足構(gòu)型，讓用戶可以帶到室外，去采集高質(zhì)量、多場景的數(shù)據(jù)。

2、星海圖：高質(zhì)量的一萬小時是數(shù)據(jù)飛輪的起點，但現(xiàn)在所有公司加一起也沒有。

許華哲：我認同這個一萬小時這個說法。數(shù)據(jù)飛輪的啟動，正是在 " 千小時 " 到 " 萬小時 " 這個量級的跨越中發(fā)生的。但這里必須強調(diào)，這一萬小時必須是高質(zhì)量的數(shù)據(jù)。數(shù)據(jù)的 " 質(zhì) " 遠比 " 量 " 更重要。如果數(shù)據(jù)是千篇一律的，同質(zhì)性太高，那么它的價值就非常有限。高質(zhì)量數(shù)據(jù)意味著它必須是多元的，能夠體現(xiàn)柔性物體的操作、具備場景的泛化性。我們現(xiàn)有的 1000 小時數(shù)據(jù)，可能篩選后只有 800 小時是真正可用的。當然整個行業(yè)極度缺乏數(shù)據(jù)。把所有公司的數(shù)據(jù)加在一起 " 也沒多少 "。

3、加速進化：輪＋雙臂，操作 100w 個小時也是不可能的

趙維晨（加速進化副總裁）：相比自動駕駛的單日上億條數(shù)據(jù)，目前全國具身最大開源數(shù)據(jù)集規(guī)模才百萬級別（不到 10tb）。怎么可能輪加雙臂，操作弄個 10 萬小時，100w 小時就能訓(xùn)練出一個多模態(tài)的具身大腦，這是不可能的，最多只能驗證早期大腦的算法和框架。 我們主要靠足球場景采集真實的物理數(shù)據(jù)，并結(jié)合視頻合成數(shù)據(jù)，通過最新的模仿學習加強化學習實現(xiàn)視覺信號直接輸入神經(jīng)網(wǎng)絡(luò)，驅(qū)動關(guān)節(jié)運動的 " 小腦下意識控制 "，端到端的全身運動大模型。

我們在 WRC 現(xiàn)場發(fā)現(xiàn)，今年已經(jīng)開始出現(xiàn)概念被濫用的現(xiàn)象，包括何為 " 端到端 " 模型，也有一些廠商將訓(xùn)練后的小模型也宣稱是 VLA 模型，當然從外部執(zhí)行層面很難分辨真?zhèn)?，實現(xiàn)方式和理念大相徑庭。如何構(gòu)建機器人的 " 大腦 " 成為當前最大的技術(shù)分歧點。

1、宇樹科技：VLA+RL 不是最佳路線，世界模型的收斂方向更快。

王興興：目前相對比較火的就是 VLA 模型，它是一個相對比較傻瓜式的一個架構(gòu)。我個人對 VLA 模型還是抱一個比較懷疑的態(tài)度。個人感覺就是在未來 2 到 5 年，其實最大的肯定還是一個端到端的具身智能 AI 模型。這個其實是大家可以多關(guān)注，以及多推動的一件事，我覺得這是最重要的一件事。

許華哲：我們現(xiàn)階段采用的是一個分層系統(tǒng)，上層是負責高階任務(wù)拆解的 VLM，下層是負責執(zhí)行具體動作的 VLA。VLM 將一個抽象指令（如 " 鋪床 "）拆解成具體的子任務(wù)（如 " 拉左邊被角 "），然后交由 VLA 來理解和執(zhí)行。這種雙系統(tǒng)的優(yōu)勢在于效率更高，并且對復(fù)雜場景的推理能力更強。但分層與端到端最終是異曲同工的。行業(yè)的終極形態(tài)應(yīng)該是一個統(tǒng)一的端到端模型，但其內(nèi)部會自然形成功能上的分化，我們現(xiàn)在的分層系統(tǒng)，是通往最終統(tǒng)一模型的必經(jīng)之路。

3、自變量：做完整端到端的統(tǒng)一大模型。

王昊：我們公司的大模型技術(shù)路線是統(tǒng)一端到端的架構(gòu)，第一是追求性能：任何人為的模塊劃分，其實都是對信息的一種有損的壓縮，只有端到端的模型，才能在整體感知、決策、控制鏈條上，完成統(tǒng)一的處理，突破現(xiàn)有機器人系統(tǒng)性能的上限；第二是去擁抱 scaling law，只要模型的架構(gòu)是統(tǒng)一并且可擴展的，那么它的能力、智能水平，就會隨著模型的參數(shù)和訓(xùn)練的數(shù)據(jù)量呈指數(shù)級的增長；第三只有端的端其實才能通向真正的通用性，不管是分層還是所謂的融合系統(tǒng)，通用性都會被最弱的模塊所限制，而一個端到端模型。它學習的是關(guān)于物理世界以及交互的第一性原理，這種知識是普世的，所以天然就具備了模型能夠向新任務(wù)、新場景、新的意念形態(tài)去泛化的一種潛力，超越了其他所有的期待的可能的技術(shù)方案。

4、越疆機器人：相比于做大腦，更重要的是操作系統(tǒng)

越疆不只在造機器人，更構(gòu)建起一個具身智能的未來操作系統(tǒng)，讓每個開發(fā)者訓(xùn)練專屬智能體。這一平臺的核心在于能夠把協(xié)作機械臂、輪式機器人、人形及多足機器人聯(lián)動起來，實現(xiàn) " 一套系統(tǒng)，多形態(tài)操控 "，形成海量數(shù)據(jù)湖。

五、軟件定義硬件，還是硬件定義軟件？

我們發(fā)現(xiàn)，行業(yè)普遍陷入一種矛盾狀態(tài)：算法開發(fā)者抱怨硬件性能和一致性不足，由于上一代機器人并不是服務(wù)于 AI 而產(chǎn)生的，大量軟件算法廠商正在創(chuàng)造新一代的本體；而硬件廠商則認為現(xiàn)有 AI 模型不夠智能。這場爭論的核心是：技術(shù)突破應(yīng)由硬件引領(lǐng)，還是由軟件定義？

1、星海圖：根據(jù)模型的特性，去考慮硬件資源的投入方向

許華哲：硬件的形態(tài)、精度、配重等具體指標，都應(yīng)該根據(jù) AI 模型的能力來進行針對性優(yōu)化。舉一個典型的例子：傳統(tǒng)的機械臂追求極高的硬件精度，但如果 AI 模型本身就能適應(yīng)和糾正一定的偏差，那么硬件上就沒有必要投入過高的成本去實現(xiàn)極致的精度。核心是要根據(jù)模型的特性，來決定硬件資源應(yīng)該投入在哪些關(guān)鍵點上，以及哪些方面可以由 AI 的能力來彌補，從而實現(xiàn)整體的最優(yōu)性價比。

2、越疆機器人、加速進化：機器人可能會重演手機的發(fā)展路徑

越疆機器人：人形機器人不會是一個產(chǎn)品，而是一個平臺級生態(tài)系統(tǒng)。越疆的策略是 " 軟硬一體、通用架構(gòu)、場景優(yōu)先 "，即先夯實硬件基礎(chǔ)（模組 / 控制器 / 執(zhí)行器），同時對接主流 AI" 大腦 "，并與真實場景客戶共同打磨解決方案。我們認為人形機器人生態(tài)的演進路徑，大概率會重演智能手機的生態(tài)發(fā)展：1）先由硬件廠商帶動產(chǎn)業(yè)熱度；2）再由 " 大腦 " 和 " 應(yīng)用 " 主導(dǎo)行業(yè)分層；3）最終形成開放協(xié)同、模塊互換的具身智能生態(tài)。

加速進化：現(xiàn)在硬件能構(gòu)建壁壘，其實是代際壁壘，或者說門檻。比如新的關(guān)節(jié)我們研發(fā)出來，關(guān)節(jié)和齒輪之間背隙只有 1 公分，性價比又高，這個關(guān)節(jié)應(yīng)用后我們就會定義成二代機。但長期來看硬件無法構(gòu)成長期壁壘，可以參考手機。硬件以外，產(chǎn)品定義和設(shè)計是可以有更大壁壘，但還是不夠。這些都是創(chuàng)業(yè)團隊早期能構(gòu)建的門檻，還達不到壁壘。

3、眾擎機器人：軟件、硬件不是單向關(guān)系，共同決定機器人的價值

硬件是機器人的物理載體，為軟件運行提供基礎(chǔ)支撐—從關(guān)節(jié)驅(qū)動、傳感器配置到能源供給，硬件的結(jié)構(gòu)設(shè)計與性能參數(shù)直接影響軟件功能的實現(xiàn)邊界。而軟件則是機器人的 " 智能內(nèi)核 "，通過算法優(yōu)化、數(shù)據(jù)處理與指令輸出，激活硬件潛能，賦予其感知、決策與執(zhí)行能力。例如，擬人步態(tài)的流暢呈現(xiàn)，既需要高精度伺服電機等硬件提供動力與控制基礎(chǔ)，也依賴運動控制算法等軟件實現(xiàn)姿態(tài)調(diào)整與路徑規(guī)劃，二者缺一不可。

4、源絡(luò)科技：不能照搬大模型的理念，現(xiàn)在要立刻能用，長期來看要通過與物理世界交互主動學習

連文昭（源絡(luò)科技創(chuàng)始人）：具身智能有兩層含義，狹義的就是智能機器人，廣義的是用具身來解決通用智能。我們主張「用具身實現(xiàn)智能」——機器人應(yīng)通過與物理世界交互主動學習，而非靠語言模型的堆砌。

這要求你要務(wù)實也要有理想。在務(wù)實層面，它必須立刻能用、好用，我們不做實驗室里的玩具。我們已經(jīng)能在生命科學場景中，完成過去只有人類才能勝任的長序列、高精度操作。在理想層面，我們有自研的通用平臺：機器人通過完成真實任務(wù)，收集高質(zhì)量的多模態(tài)數(shù)據(jù)，反過來用于迭代高階智能模型。

未來智能體不僅能通過圖靈測試，也能通過生存測試，在物理世界中獨立生存、工作、演化，這才是真正的通用人工智能。

六：開源到底 " 開 " 什么，為什么？

機器人行業(yè)陸續(xù)開始復(fù)現(xiàn)語言模型的開源生態(tài)路線，但在當下這個階段，開源需要開什么，為了什么？構(gòu)建生態(tài)還是商業(yè)閉環(huán)？

許華哲：我認為，目前行業(yè)內(nèi)由公司主導(dǎo)的開源存在很多問題。核心障礙主要有兩：

開源不徹底：很多公司只開源硬件，軟件部分僅提供能讓硬件跑起來的基礎(chǔ)代碼，而不開放核心的數(shù)據(jù)和模型。

開源不可用：即便開源了，很多時候也因為文檔、代碼或數(shù)據(jù)質(zhì)量問題，導(dǎo)致其他人很難真正用起來。例如，科研領(lǐng)域的開源數(shù)據(jù)，也常常存在標注粗糙、錯誤多等問題。

真正的開源，應(yīng)該是把我們自己內(nèi)部使用的、經(jīng)過驗證的數(shù)據(jù)和模型權(quán)重開出去，讓大家拿到手就能用，能在此基礎(chǔ)上進行微調(diào)和二次開發(fā)。我們希望通過這種方式，與行業(yè)合力構(gòu)建一個真正開放、繁榮的生態(tài)。

2、自變量：具身模型依賴于硬件，模型效果很難復(fù)現(xiàn)

王潛：大家只會做模型的開源，是不會做數(shù)據(jù)開源的。所以這肯定是個偽命題。模型的開源由于有跨本體泛化的問題，也是不太能大規(guī)模用起來的。

王昊（自變量 CTO）：當然更多是存在這種假開源或者不徹底的開源，典型的比如開源模型，但是不開源數(shù)據(jù)，模型效果很難復(fù)現(xiàn)。第二是開源數(shù)據(jù)，但是質(zhì)量非常差，或者規(guī)模非常小，那這就是一種技術(shù)營銷，或者是一種學術(shù)貢獻，并不是真正意義上的生態(tài)共享。第三是因為具身模型是依賴于硬件的。即使模型開源，硬件系統(tǒng)完全閉源，而且是特定的硬件系統(tǒng)，其他的硬件公司可能也很難利用上這些模型。