四川
黃仁勛一針見血地指出，沒有真實世界的數據，具身智能只能是幻覺。
2026 年春晚，一群機器人在臺上翻跟頭、打功夫，贏得滿堂彩。但換一個環境，這些活靈活現的機器人，可能連礦泉水的瓶蓋都擰不開。聚光燈之外，一個本質問題始終懸而未決：機器人什么時候才能像人一樣，真正學會做事？
先說清楚，關鍵問題不在硬件。這些年，機械層面的進步有目共睹。真正的瓶頸，在于數據。
為什么具身智能如此 “缺數據”？這是其技術內核決定的。無論是計算下一個詞，還是下一個動作，本質上都是概率預測。對人類來說，擰瓶蓋是出于本能的肌肉記憶。
對機器人而言，卻需要分步驟拆解：第一步是看見，認出這是個瓶子，識別材質。第二步是決策，判斷是往左擰還是往右擰、用多大勁、手要抓哪里。第三步是執行，觸覺實時反饋、算法實時處理、電機實時響應。第四步是驗證，成功需要一個明確信號、可能是 “咔噠” 一聲。
每一個環節，都需要海量的、來自物理世界交互的數據。為了解決數據饑渴，行業摸索出四條路徑。
第一條路是遙控操作。由操作員手把手操控機器人采集數據。這種方式精度最高，但成本也最高。第二條路是靈巧手采集。通過觸覺傳感器，精準記錄人手的精細動作，為精密裝配提供關鍵數據。
第三條路是仿真。通過數字模型生成數據，優勢是成本低、速度快、規模大。第四條路是純視覺。讓機器人通過 “觀看” 視頻學習技能，繞過硬件限制。
這四條路徑各有所長，也各有局限。盡管成果顯著，但當前更多是 “單機、單場景、單任務” 的采集，距離通用具身智能，還有不短的距離。
我們面臨三大困境。首先，跨本體學習障礙：A 型號機器人學到的數據，換到 B 型號身上，可能就不靈了。分體采集割裂：運動控制和 “大腦” 分開訓練，使得機器人難以學習到真正的全身協同。再次，跨場景能力遷移：好不容易學會擰瓶蓋，若要讓它去搬箱子，又得重新學習。
最終，這些機器人只能各自困守于自己的 “數據孤島”，難以互通，孤立進化。
這些問題交織在一起，反映出當前具身智能數據生態面臨的深層困境：并非某個單一環節出了毛病，而是數據、模型、硬件和場景之間的價值鏈，存在多個斷點。
面對這種系統性難題，單靠企業自發摸索遠遠不夠。國家層面的頂層設計和強力推動，成了破局關鍵。
2024 年，國內首個具身智能數據集行業標準《人工智能具身智能數據采集規范》發布，數據標準化正式上升為頂層戰略。
國家級訓練場、行業開源社區、企業數據平臺三方同時發力，數據標注開始走向標準化、體系化、規模化。眼下，多地數據標注基地已經在 “搶跑” 通用型數據集的構建。
如今，我們已經處在一個關鍵節點。唯有筑牢數據生態基礎，讓模型、硬件等要素齊頭并進，才能抵達通用具身智能的彼岸。一場關于數據的戰役，才剛剛打響。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
