具身智能现在火的不是硬件，是数据模型。一边是融资新闻里动不动就说部署了上千台机器人，另一边是研究者发现，采了两万小时数据，能用的可能就三千。行业现在有点集体焦虑。
实验室demo跑得飞起，一进工厂就歇菜。仿真里活蹦乱跳，真机上手直接躺平。
量子位、蚂蚁灵波和乐聚机器人攒了个局，把做模型的、搞数据的、跑评测的、弄本体的，快200号一线的人都拉到一个屋里，就想聊聊：具身智能到底咋从实验室走进现实世界。
讨论挺热，分歧也不小。几个核心观点先撂这儿：
关于数据采集：最难的不是定规范，是让每个数采员都明白算法团队到底想要啥。这叫认知对齐，比写质检标准难多了。
关于模型训练：为了摸清预训练这条路到底有多少坑，我们选了用2万小时的真机数据去做预训练。
关于数据评测：基准测试分数低不一定好，但一开始就人人都能拿高分，那这基准肯定有问题。要是刚发布大家都能冲到80分，这评测就废了。
关于训练效率：一个人每天跟物理世界交互10小时，干10年也就攒3万小时数据。可一个10岁小孩用这点数据就能搞定一堆复杂任务。这说明咱们现在的模型对数据的利用效率太低了。
下面是沙龙里几位嘉宾聊的具体内容，整理了一下。
乐聚的工程师说，现在制约机器人落地的，主要不是硬件或控制算法了，是缺个“具身大脑”。但具身数据不好搞：真机采集成本高、效率低；数据格式复杂，跨机器人复用难；采集、处理、训练各干各的，没个统一标准。想复现大语言模型那种靠数据规模取胜的路子，现在的数据量还远远没到那个门槛。
蚂蚁灵波的郑可成介绍了他们的LingBot-VLA模型。现在的主流范式是给特定机器、特定任务采集数据再训练，本质是轨迹拟合，泛化能力不行。他们想学大模型，先做预训练学通用知识。他们用了2万小时真机数据，覆盖9种机器人构型。架构上用了Pi系列的MoT，还加了个深度模型LingBot-Depth来处理透明、反光物体的难题。他也承认，现在数据总量还是不够，还没法完全证明Scaling Law在具身领域成立。
上海交大的李永露讲了他们搞的GM-100评测基准。他说机器人评测难统一，但必须做，得把评测变成科学问题。现在数据标注有个根本缺陷：语言描述分不清物理过程。比如“折断筷子”和“折断金属棒”，物理过程完全不同，但语言上是一个词。他们的基准特意放了些“看起来简单，做起来难”的任务，比如串糖葫芦、弹球入框。结果主流模型得分都很低，他觉得这挺好，说明基准有挑战性。他还提了个扎心的数据：从约12万小时的人类行为数据里筛，能用来做VLA预训练的不到5000小时；另一份公开的11万小时工厂视频，乐观估计只有3%能用。
圆桌讨论的时候，几位大佬聊得更直接。
北京人形的车正平觉得，大规模数据采集最头疼的是认知对齐。怎么让一线数采人员理解算法团队的抽象需求，比如多相机视角和真人视角的差异，不提前约束好，采回来的数据就没法用。
蚂蚁灵波的黄用韬（以前搞自动驾驶的）说了三种“不对齐”：学的东西和数据不对齐（遥操作的动作质量不行）；任务和数据不对齐（采的是抓拿放，用户要切菜洗碗）；机器人和机器人之间不对齐（零位误差、传感器标定都不一样）。
智源研究院的姚国才觉得，现在行业“太着急”。都想要百万小时的数据，但连“到底要采什么数据、目标是啥”都没想清楚。数据质量比数量重要得多。他算了笔账：一个小孩用3万小时数据就能学会那么多，说明现在模型的数据利用率太低。好数据应该能自然捕捉人的真实行为模式，而不是让人为了采集而摆拍。
库帕思的曹宇说，数据要分情况用。核心工艺用自研或定制的真机数据；通用技能启动时，可以合作共享数据；长尾和边缘场景，用仿真数据补。未来行业应该分工协作，场景方开放场景，数据方搞标准化链路，模型方基于统一基准迭代。
关于仿真，车正平提了个VIP标准：视觉（Visual）、交互（Interactive）、物理（Physical）。现在视觉仿真还行，物理和交互是短板，尤其是物体被操作后的状态变化和力学反馈，仿真很难还原。他觉得仿真数据永远不能完全替代真机，但能减少对真机的依赖。未来3-5年，数据采集会越来越“无感”，就像自动驾驶车自己传数据一样，机器人自己产生的数据会成为主流。
黄用韬也强调仿真和真机数据之间有物理gap，尤其在机器手和物体的接触交互上，这直接影响模型学习。所以蚂蚁灵波坚持用真机数据做预训练核心，就是想摸清VLA范式的天花板在哪。现在真机部署才几千台，和工业机器人总量（几百万台）差得远。等部署规模上来了，数据飞轮才能真正转起来。
