具身智能突破三道壁垒：从演示演示到商业闭环的关键跃迁
物理世界的Scaling Law：跨越三道“隐形墙”
具身智能（Embodied AI）正在经历一场从“技术验证”到“工业实战”的深刻范式转移。过去两年，行业聚光灯主要聚焦于人形机器人的自由度、关节数量以及单次动作的演示效果。然而，随着WAIC 2026等行业峰会的深入探讨，核心议题已转向数据质量、模型泛化能力、仿真部署以及失败后的自我恢复机制。这一转变揭示了一个残酷的现实：大语言模型时代的Scaling Law（缩放定律）在物理世界中遭遇了严重的边际效应递减。
在数字世界，增加数据量和算力往往能线性提升模型能力；但在物理世界，机器人面临的是“三道墙”。首先是数据墙，高质量、带标注的真实交互数据极度稀缺且采集成本高昂。其次是表征墙，不同任务场景、不同机器人本体之间缺乏统一的物理表征体系，导致经验难以迁移。最后是闭环墙，真实世界中的试错成本极高，一次失败可能导致零部件损坏甚至安全事故，无法像软件那样通过A/B测试快速迭代。
这意味着，将一个大语言模型简单映射到机器人控制层，并不等同于实现了具身智能。语言模型擅长解决“是什么”和“做什么”，而物理AI必须解决“怎么做”、“力度如何控制”、“失败后如何补救”以及“动作后果对环境的物理影响”。真正的规模化，不是数据量的堆砌，而是可执行、可评价、可回流的交互闭环的建立。
数据范式重构：从数量竞赛到配方竞争
面对数据瓶颈，行业共识正在形成：单一数据来源无法解决具身智能的通用性问题。当前的数据结构正演变为一个金字塔型的混合体系。
底层是海量的互联网视频和人类行为视频，这类数据成本低、覆盖广，主要帮助模型建立对物体属性、场景逻辑和基本人类行为的前验认知。中间层则是第一视角数据（如UMI数据）和穿戴式设备采集的动作轨迹，这类数据绕开了昂贵机器人的硬件采集瓶颈，提供了丰富的无本体先验知识。顶层才是最珍贵的真机遥操作数据、实际部署数据以及失败后的回流数据，虽然数量最少，但最能反映真实执行的复杂性与不确定性。
清华大学计算机系副研究员苏航指出，具身预训练正在经历三条线的演进：数据从单一本体走向多源混合，模型从行为模仿走向世界建模，学习过程从离线训练走向部署中的持续进化。
在这种架构下，数据基础设施的价值凸显。传统的“出售数据集”模式正在被“设计数据配方”所取代。例如，觅蜂科技展示的MEgo系列采集终端与治理平台，试图打通从采集、清洗、标注到评测和部署回流的全链路。对于具身智能而言，低质量数据的规模化只会放大误差。一个标签偏差或时间戳未对齐的传感器数据，都可能导致机器人在执行时出现致命错误。因此，数据能否跨本体复用、能否形成闭环验证，其重要性远超单纯的数据量。
算法融合：VLA与世界模型的同途殊归
在过去，具身智能领域存在路线之争：一派主张直接使用视觉-语言-动作模型（VLA），实现从图像和指令到动作的端到端映射；另一派则推崇先建立世界模型，预测动作后果后再进行规划。
然而，最新的行业实践表明，两条路线正在走向深度融合。智元机器人提出的GO-2架构强调了“动作思维链”，即先进行粗粒度的高层规划，再进行高频、精细的底层执行。同时，Act2Goal模型通过预测中间视觉状态，实现了“先想后做”的理性决策。这种融合方向被定义为WRAM（世界推理动作模型）。
另一方面，Physical Intelligence发布的π0.7模型展示了强大的跨本体迁移能力。该模型在ARX机械臂上学习衣物折叠后，无需重新微调即可在UR5双臂机器人上执行相似任务。这种能力是具身智能走向平台型公司的关键。如果每更换一种机械臂或夹爪都需要重新采集数据和训练模型，行业将永远停留在传统自动化的项目制阶段。只有当模型能够将不同本体的经验映射到统一的动作空间，软件和数据才能产生真正的规模效应。
理想的物理AI系统应是一个多时间尺度的协同系统：上层处理语言理解和任务分解，中层进行世界状态预测和长期规划，底层负责高频运动控制和即时反射。这更像人类大脑、小脑与神经反射系统的协同，而非单一模型以相同频率处理所有信息。
商业分水岭：从“视频能看”到“机器能用”
具身智能行业曾充满令人惊艳的演示视频，但演示与产品之间存在巨大的鸿沟。一家工厂关心的不是机器人能否一次性完美叠好衣服，而是它能否连续工作数千次、成功率是否稳定、出现异常时能否自动恢复，以及维护成本是否低于人力成本。
近期披露的数据展示了行业的实质性进展。智元机器人在江西南昌的一条3C产线上，连续六天、每天工作超过10小时，累计完成近6.5万次操作，成功率高达99.99%。Dyna Robotics披露，其商用基座模型DYNA-1在餐巾折叠任务中成功率达到99.4%，并在24小时无人干预下完成超过850个餐巾的折叠，且新任务的后训练数据需求不到一小时。
这些指标标志着衡量标准的变化：行业开始用连续运行时间、任务成功率、适配数据量和人工干预频率来评价机器人，而非单次演示效果。更深层的商业逻辑在于“研究—部署飞轮”。真实部署能暴露实验室无法预见的长尾问题，产生最具价值的回流数据。谁先部署，谁先获得数据；谁先消化数据，谁的后续部署成本越低。这构成了具身智能时代的核心竞争优势。
分层涌现：没有统一的“ChatGPT时刻”
关于具身智能何时迎来类似ChatGPT的爆发点，行业专家给出的时间预测从两年到五年不等。但需要明确的是，物理AI不太可能复制纯软件产品的爆发路径。机器人受限于制造产能、硬件成本、供应链稳定性、安全标准及现场维护能力，无法通过一个简单的网页更新瞬间触达全球。
具身智能的智能涌现将呈现分层、分阶段的特征。首先突破的将是工厂、仓储、后厨等环境结构化、任务价值明确的场景。随后，行业将进入商超、酒店、养老等半开放环境。最后，变量最多、容错要求最高的家庭场景才可能成熟。
中国公司在这一进程中具有独特优势：密集的制造业场景、完整的供应链体系以及快速的工程落地能力。下一步的关键，在于能否将这些垂直场景的成功经验，沉淀为跨本体、跨行业复用的通用模型能力。当越来越多的机器人在真实世界中持续工作，并将每天遇到的成功、失败和意外转化为训练材料时，物理智能的涌现虽速度不一、地点不同，但趋势已不可逆转。