具身智能“闯关” 物理AI泛化不能只靠“肌肉记忆”

“具身数据规模与语言模型预训练语料存在万倍以上的差距。”姚卯青在采访中透露，要实现对通用物理规律、开放式指令理解与任务规划能力的隐式掌握，至少需要亿小时级别的数据积累，“才能让常见任务的基础成功率达到70%到80%。”

面对这一巨大缺口，行业正探索“开源”与“节流”并行的路径。一方面，遥操作采集的高精度真机数据仍是“数据金字塔”的塔尖，用于后训练阶段的监督微调（SFT）；另一方面，低成本、大规模的无本体（No-body）数据采集方案正在兴起。

姚卯青介绍，觅蜂科技通过众包方式采集人类操作视频，成本可降至传统真机摇操的三分之一甚至更低。“今年我们的目标是达到千万小时级的规模，目前已经到百万小时级别了。”但他同时强调，摇操并未被放弃，“它是数据金字塔里最上层的真机部分，在具体场景落地时，后训练依然需要大量摇操数据。”

然而，数据并非“采了就能用”。姚卯青坦言，当前市面上能满足模型精度需求的数据源“说实话不多”，能同时具备大规模运营交付能力的团队更是凤毛麟角。“目前需求还是大于供给，”他表示，数据基础设施建设仍是制约行业发展的关键瓶颈。

算力隐忧：下一代面临挑战

在算力层面，国产端侧平台已在部分场景投入使用，但未来存在隐忧。

姚卯青透露，智元在不少部署场景已依托国产算力平台投放应用。“国产现在在很多应用场景是可以用的状态。”但他同时指出，当前模型参数量偏小——无论开源模型π0.5还是智元的GO-1、GO-2，均在100亿参数以内，能在边缘端实现10到20赫兹的推理频率。

“但如果要进一步形成智能涌现，推进到几百亿参数的MOE架构，现在国内国外最新已投入使用的平台，在算力和显存通信带宽上都存在一些瓶颈。”姚卯青表示，这需要整个产业链向下一代平台推进。

路线分野：技术终局尚未收敛，但语言是必经之路

关于物理AI的技术路径，行业远未形成统一答案。是端到端的VLA（视觉-语言-动作）模型，还是强调物理规律预测的世界模型（WAM）？姚卯青提出了“世界推理动作大模型”（WRAM）的概念。

“动物可以表演杂技，但没法帮你收拾整个家，因为它没法进行任务规划和判断。”姚卯青以此比喻说明，要到达智能涌现的程度，语言知识体系不可或缺。“VLA模型也好，世界模型也好，最终一定是集合了视觉、语言、动作的多模态体系。”

他进一步阐释，未来的具身基座模型必须具备两个特征：一是理解与生成一体化，既能理解指令进行规划，也能生成对未来画面的预测和动作轨迹；二是架构足够简洁，能够通过离散自回归Transformer等可扩展架构，吸收百万甚至千万小时的数据，实现不同模态间的有机融合。

行业预判：2027年底有望看到“涌现时刻”

当被问及物理AI的“GPT-3.5时刻”何时到来时，姚卯青给出了相对明确的判断：“我认为在2027年底到2028年初会看到。”

支撑这一判断的，是数据量从千小时、万小时级向百万小时级迈进过程中，已经浮现的线索。“我们确实看到了很多通用泛化的迹象，无论是指令跟随还是零样本操作泛化。”他说。

过去一年超出预期的，不仅是技术进展，更是商业化落地的速度。“一年前大家认为行业还在做实验室技术展示，但今年我们已经把机器人真正安在工厂里，客户付费，24小时7天高强度运行，硬件稳定，软件做到4个9的成功率。”姚卯青说，从首批项目需要三四个月，到如今二次开发伙伴一两周就能复制落地，边际成本正在快速下降。

对于越来越多大厂入局，姚卯青持开放态度：“更多人来试，能加速并行探索的速度。有些是歪路有些是正路，试过总比没试过好。”他认为，行业需要更多参与者共同推动数据规模的扩大，“1亿小时的数据需要非常多的人一起参与，才能加速在2027年实现。”