具身智能的“泡沫”与“基石”：警惕自动驾驶的旧辙，重塑产业健康生态

TL;DR：

具身智能正经历资本狂潮与公关混战，面临重蹈自动驾驶初期过度炒作覆辙的风险。行业亟需回归技术本质，聚焦模型架构、数据范式与标准化建设，以避免无效竞争，并在技术与商业化之间寻求平衡，方能穿越周期，实现可持续发展。

具身智能，这一将AI与物理世界深度耦合的前沿领域，正以前所未有的速度吸引着全球的目光和资本。从人形机器人的炫技演示到巨头公司的战略布局，每一次进展都牵动着产业神经，似乎预示着一个万亿级市场的“破晓”时刻。然而，在市场繁荣的喧嚣之下，一股“急功近利”的暗流涌动，行业内的“公关战”与“恐后心理”日益加剧，令人不禁警惕：具身智能，是否正步自动驾驶曾走过的那条“老路”？

喧嚣下的浮躁：具身智能的“公关战”与“恐后”心理

最近，具身智能领域曝出一起针对特定开源模型的“黑公关”事件，有组织、有预谋地散布“零成功率”的负面消息，即便官方和评测平台迅速辟谣，同质化稿件依然大面积堆砌。这并非孤例，而是当前具身智能产业浮躁氛围的一个缩影。业内人士直言，资方和企业方普遍“很急”，生怕被友商领先，导致通过片面性能参数进行非对称比较，催生大量脱离技术本质的无效竞争。

这种“粗放宣发”在自动驾驶发展初期也曾频频出现。当马斯克发布Optimus奔跑视频，Figure迅速跟进“秀跑步”；当宇树科技实现侧空翻，多家厂商便忙着“翻跟头”；众擎演示直膝行走，其他企业也争相将机器人拉到户外。这些“擂台赛”式的宣发，在缺乏统一标准和群体触达体验的具身智能领域，极易造成误判，将传播声量错认为技术纵深。

核心问题在于，具身智能的_价值曲线永远以技术坐标为横轴，而非以传播声量为纵轴_。过度沉迷于与竞品的隐性对标，实则是在用传播注意力侵蚀需要代际积累的技术纵深。这种“以传播代研发”的冒险，最终将透支产业最珍贵的资产——“信任”。回望大模型领域的“参数竞赛”，最终冷静下来后，留下的仍是“弹药充足、技术够硬”的深耕者，如DeepSeek，凭借扎实的算法优化，实现了“技术筑基-自然溢出”的健康发展模式¹。

技术分歧的深层博弈：模型、数据与架构之辩

在营销战的表面之下，是具身智能核心技术路线的深层博弈，行业远未形成共识。当前，主要的技术“非共识”体现在三大方面：

1. 模型架构之争：VLA与世界模型

   • VLA (Vision-Language-Action) 模型：当前主流选择，旨在融合视觉感知、语言理解和动作控制，实现从环境观察到行为决策的端到端闭环系统。其优势在于路径相对较短，更容易在特定任务上见效。然而，VLA模型在泛化性上存在局限，难以有效处理跨本体、跨任务的复杂场景，对物理世界缺乏深层次的理解和预判能力，且计算开销巨大、推理速度缓慢²。
   • 世界模型 (World Model)：试图让机器人建立对物理世界的底层理解，如同人类基于通识认知来理解和执行任务。其核心在于构建机器人对物理规律、物体属性、动作结果的深层理解，以解决泛化能力问题。谷歌DeepMind的Genie3等尝试已显示出巨大潜力，被认为有望更快收敛，但面临模型训练规模极大、算力消耗高昂等挑战¹²。
   • 架构范式：在VLA与世界模型的框架下，还有“统一模型直出”与“分层决策模型”的路径之争。自变量（Zhibian）坚持统一端到端架构，以提升整体性能、拥抱Scaling Law和实现通用性，但对算力需求“巨量”且可能带来延迟；星海图（Galaxea）则采用分层系统，上层负责高阶任务拆解，下层执行具体动作，效率更高且推理能力强，最终形态殊途同归，内部会自然形成功能分化²³。

2. 数据焦点：模型与数据孰重孰轻

   • 部分业内人士（如宇树科技王兴兴、星动纪元陈建宇）认为，当前对数据的关注度过高，而对模型架构本身的关注度不足。他们强调，即使有数据，如果模型架构不够好，数据也“用不起来”¹³。
   • 另一些专家（如自变量王潜）则坚信，数据依然是具身智能模型发展的重要瓶颈之一，高质量数据、足够大的模型以及持续演进的模型架构和训练方法，是达到“ChatGPT水平”的关键¹。

3. 数据类型：真机数据与合成数据

   • 大部分企业偏向于_真机数据_训练机器人“大脑”，认为其是打破具身智能天花板能力的关键。星海图就通过遥操作方式，在真实开放世界中采集了500小时的机器人与物理世界交互数据¹³。
   • 然而，也有部分企业（如银河通用、跨维智能）坚持_合成数据_路线，认为合成数据是推动具身智能快速落地的关键，可以弥补真实数据稀缺性和泛化性不足的问题。银河通用甚至表示，其训练数据中99%为合成数据¹²。
   • 目前行业倾向于“真机”与“合成”混用的阶段，真机数据是“种子”用于锚定真实情况，合成数据则用于实现规模化和泛化。根据不同场景，混合比例会动态调整，例如叠衣服任务中合成数据可达90%²。

这些“非共识”本身即是行业早期的共识：技术路线还未完全收敛，探索仍在进行。

商业化前夜：标准争夺与生态构建的暗流

伴随技术探索，具身智能领域正迎来资本的狂潮。据统计，中国机器人相关企业已接近百万家，仅2025年前7个月，具身智能和机器人领域融资总额已超过240亿元人民币，预计中国人形机器人市场规模到2025年将超过82亿元，到2050年全球市场可能增长至7万亿美元¹⁴。在巨大的市场前景下，头部企业已经开始抢夺更重要的话语权：谁来制定统一的性能测评标准？谁能掌握核心数据集的开放权与主导权？

• Benchmark的缺失与争夺：当前具身智能领域缺乏像大模型Arena那样的权威benchmark，导致模型能力感知模糊。因此，定义统一的测评标准成为行业竞争的关键。星海图近日开源了其500小时的Galaxea开放世界数据集，旨在为行业提供一个衡量标准，吸引更多开发者参与其生态，成为平台型公司³。
• 全栈能力与生态布局：从数据、核心零部件到机器人本体和大模型，原本强调单点能力的企业，正纷纷剑指更大的生态环节。自变量首发全自研轮式双臂仿人形机器人“量子2号”和灵巧手，并研发遥操平台工具，寻求构建更完整的产业链。这种从局部竞争到全栈能力的延伸，是企业抢占未来市场高地的战略考量³。
• 架构决定竞争力：投资者也已意识到，模型架构是核心与底层问题，它直接决定了后续的数据量、算法的流畅性以及训练中所需的算力消耗。一套优秀的模型架构，可能只需极少的数据就能完成泛化，从而成为企业的核心竞争力。在快速迭代的行业中，跑得快并不难，难的是在长跑中保持速度与耐力³。
• 商业落地场景：虽然机器人跳舞、打拳等表演式展示吸引眼球，但行业普遍共识是人形机器人最终要从工业、商业场景走向泛化需求高的家庭环境，真正“进厂打工”或在家庭中承担家务，创造更大价值。因此，优先选择约束条件明确、技术难度相对较低的工业场景进行突破，被认为是率先实现商业化的路径¹²。

回归本质：穿越周期，守护技术的尊严

具身智能无疑是驱动“新质生产力”爆发的核心引擎，具备显著的经济价值与产业赋能潜力。然而，资本的急躁与传播的浮夸，正将其推向一个危险的境地。行业“淘汰赛”的预警已响，有分析称，未来80%的人形机器人公司可能难以“跨越”量产阶段而倒下¹。

要避免重蹈自动驾驶的覆辙，具身智能行业必须回归技术的本源：

1. 坚守创新初心：在泡沫喧嚣中守护技术的尊严，在资本浪潮下坚守创新的初心。高效的传播应诞生于对技术本质的极致尊重，而非短视频擂台赛。
2. 聚焦核心技术突破：无论是VLA、世界模型，还是真机与合成数据的融合，都需要在基础模型架构、数据利用效率和泛化能力上取得实质性突破。建立一套有效的机制来决定数据配比和模型迭代，而非盲目追逐或拍板决定。
3. 构建开放协作生态：具身智能是一个需要众人拾柴火焰高的行业，从模型探索到数据集开源，再到产业链协同，都需要共同努力。头部企业抢占标准定义权固然重要，但促进开放生态、共同完善benchmark体系，才能加速整个行业的成熟。
4. 以实用价值为导向：最终，具身智能的成功将取决于其在真实世界的应用价值和可靠性。无论是工业制造、医疗康养还是家庭服务，都需要实现高成功率、高效率的实用化落地，而非停留在演示阶段。

具身智能正处于“ChatGPT时刻”的前夜，未来2-5年将迎来统一、端到端智能机器人大模型，更低成本、更高寿命的硬件以及超大批量制造的时代¹。这是一个超越当前所有工业机器人，甚至可能超越汽车、手机市场的万亿级机会。但这份宏伟的未来，唯有在扎实的技术基座上，在冷静的商业考量下，在对社会影响的深刻认知中，才能稳健实现。

引用

• 具身智能
• 机器人
• 产业竞争
• 市场趋势
• AI伦理