TL;DR：
具身智能的演进正经历从“人工遥操”向“传感化人类数据”的范式迁移；以NVIDIA为代表的生态玩家正通过构建World Compiler和世界模型，试图将人类日常行为转化为机器人可复用的物理经验，从而开启物理AI的数据飞轮。
从“苦涩的教训”到物理世界的“数据饥渴”
图灵奖获得者Richard Sutton在《苦涩的教训》中曾断言，通用方法的持续胜出源于对数据和算力的无限拥抱。当我们将这一逻辑投射至具身智能（Embodied AI）时，一个残酷的物理限制即刻显现：机器人在真实世界的试错成本远高于数字空间。长期以来，学术界与产业界过度依赖“遥操（Teleoperation）”获取数据——这种方式如同手工作坊，虽然产出质量极高，却始终无法突破数据规模的边际成本上限。
正如NVIDIA高级研究科学家Jim Fan所指出的，机器人若要实现跨场景的泛化，必须跨越依赖单一机器人平台的“遥操孤岛”。具身智能的下一个增长点，在于如何将人类在真实世界中无处不在的物理交互，转化为机器模型可消化、可复用的数字资产。
技术范式的迁徙：从VLA到WAM
在模型层面，我们正在目睹从视觉-语言-动作模型（VLA）向世界动作模型（World-Action Models, WAM）的转变。传统的VLA模型侧重于语义泛化，但在处理推、拉、折叠等复杂的物理接触动力学时往往表现乏力。
DreamZero等模型的兴起标志着一种新策略：将“预测未来画面”视为策略学习的核心组成。当机器人学会理解一个动作如何通过物理定律改变世界状态时，它就不再仅仅是一个执行指令的算子，而是一个具备物理预判能力的智能体。这一转变直接推动了数据需求的变化：我们需要的数据不再是简单的标签对，而是包含物体位姿、触觉反馈及空间动力学的多模态物理交互序列。
构建“世界编译器”：连接人类经验与机器人策略
当前具身智能数据基础设施的核心挑战，在于如何跨越“人类演示”与“机器人本体”之间的鸿沟。这一领域的进展可以概括为三个维度的升维：
- 传感化人类数据（Sensorized Human Data）：以UMI和DexUMI为代表的方案，通过手持外骨骼、可穿戴传感器等手段，将人类的灵巧操作转化为对机器人坐标系友好的结构化轨迹。
- 规模化第一视角学习：EgoScale框架证明了数据规模的“对数线性定律”，通过数万小时的第一视角视频预训练，模型可以从海量的人类视频中汲取物理经验，实现从“观察”到“操作”的跨模态迁移。
- 世界模型环境（World Models）：以DreamDojo为核心，通过蒸馏人类视频，构建出可交互的仿真环境。这不仅解决了强化学习中“百万环境需要百万机器人”的资源瓶颈，更提供了一种低成本、高效率的策略微调底座。
商业版图的重构：数据资产化与生态壁垒
从资本逻辑视角审视，具身智能的竞争终点将不再是模型本身，而是谁能掌握“物理世界数据的生产体系”。这一体系本质上是一个“世界编译器（World Compiler）”：它负责从混乱、非结构化的真实交互中，通过同步、对齐与物理标注，提炼出可供模型训练的标准化资产。
这为数据基础设施提供商打开了万亿级的市场空间。正如阿尔法公社通过拆分专业数采机构来布局底层设施，未来的机器人竞争将演变为对“物理场景覆盖率”的争夺。谁能定义动作捕捉与视觉感知的工业标准，谁就掌握了具身智能时代的“石油开采权”。
然而，风险依然存在。Sim-to-Real（虚实迁移）中的物理鸿沟依然是巨大的技术障碍，域随机化（Domain Randomization）等技术虽在缓解问题，但仍需更精密的物理引擎与感知能力支撑。
未来展望：具身智能的闭环演进
未来3-5年，物理AI的飞轮转动将遵循以下路径：通过传感化的人类数据降低初始数据门槛，通过世界模型强化学习提升泛化能力，最后将部署在真实场景的机器人转化为新的数据采集终端。
这种“人类经验 → 模型学习 → 机器人执行 → 环境反馈”的闭环，不仅是技术突破的过程，更是人工智能从信息空间彻底渗透进物质世界的过程。它将彻底改变制造业、物流业乃至家庭服务业的范式，使机器人从“精密编程的工具”进化为“具备常识的物理智能体”。