具身智能终局未定：为何中国不必争做美国“平替”？

在悉尼举行的机器人学顶级会议RSS 2026上，一种看似违背直觉却极具洞察力的观点引发了在场学者的深思。多位来自北美头部具身智能公司（如Physical Intelligence）的研究者直言，尽管资本热度高涨，但包括PI在内的全球主流公司距离真正的“成熟”仍有显著距离，整个领域尚未诞生公认的奠基性工作。在这一背景下，中国公司急于将自己定义为“中国版某某”的做法显得尤为多余。毕竟，既然美国尚未提供标准答案，中国凭借在硬件供应链、制造效率及场景落地上的独特优势，完全有能力探索出一条差异化的演进路径。

这一判断的背后，是具身智能技术路线从“二选一”向“混合共生”的深刻转变。在国内舆论场中，“VLA已死，世界模型当立”的叙事一度盛行，但在RSS的学术现场，这种二元对立被彻底打破。研究者指出，视觉-语言-动作模型（VLA）与世界模型（World Models）并非互斥关系，而是针对不同任务范式的互补工具。VLA擅长基于语言指令进行高层语义理解和任务拆解，而世界模型则通过视频或状态预测，辅助机器人评估动作后果、规避风险。PI的最新架构pi0.7便是一个典型例证，其内部不仅包含VLA组件，还集成了世界模型模块，通过“Steerable”机制实现人类意图与机器人动作的细粒度对齐。

然而，世界模型的真正价值不在于生成逼真的未来视频，而在于预测结果对动作执行的指导意义。正如佐治亚理工学院学者Simar Kareer所言，如果视频预测忽略了物理约束（如物体尺寸、手部形态），其生成的画面再逼真也无法转化为可靠的操作指令。因此，前沿研究正倾向于将“生成未来”与“评估价值”解耦，通过动力学模型预测状态，再经价值模型筛选有效路径，从而降低真实世界的试错成本。这种混合架构的实现，标志着具身智能正从单一的感知-动作映射，迈向具备因果推理能力的复杂系统。

数据层面的认知同样发生了结构性迁移。过去，行业热衷于追求数据规模的指数级增长，仿佛“数据即真理”。但实际研究表明，数据的筛选、配比与整理（Curation）远比数量重要。OpenAI等顶尖大模型的成功经验表明，高质量的小规模数据集往往优于低质量的超大规模数据集。在具身智能领域，单纯的遥操作数据或互联网人类视频都无法直接构成训练基石。有效的数据策略需要构建一个金字塔结构：底层是覆盖长尾行为的自由形态人类数据，中层是与任务高度对齐的示范数据，顶层则是高质量的机器人遥操作数据。其中，“锚点”作用至关重要——只有当人类行为与机器人动作空间存在明确的对应关系时，模型才能有效迁移。

更进一步的突破来自于对“数据贫困”问题的重新定义。斯坦福大学Karen Liu教授提出的“Model-rich, Data-poor”范式指出，与其盲目采集真实数据，不如利用现有的计算机图形学、物理仿真和视觉模型作为“教师”，生成高质量的合成数据。通过Real-to-Sim-to-Real的Pipeline，研究人员可以在虚拟环境中自动合成长度可观的运动轨迹，并成功迁移至真实机器人（如Unitree G1）。这种以模型驱动数据生成的思路，不仅缓解了数据采集的人力瓶颈，更使得训练数据能够覆盖真实世界中难以复现的极端场景。

随着数据范式的演进，机器人硬件的设计逻辑也在发生根本性改变。传统的“先造机器人，后采数据”思路正逐渐被“以数据定义硬件”所取代。Sunday Robotics创始人Tony Zhao团队通过定制Skill Capture Glove，实现了人类手部形态与机器人手的精确映射，从而优化了数据采样的效率。这意味着，传感器布局、末端执行器形态乃至整机结构，都需与感知模型和操控策略协同设计。特别是在触觉领域，不同传感器的数据难以迁移，迫使研究者重新思考触觉模态与视觉、语言模态的融合方式，而非简单将其作为附加输入。

在系统架构层面，“全身智能”（Whole-Body Intelligence, WBI）正成为下一个核心突破口。当前，机器人往往被分割为移动与控制两个独立模块，但在复杂任务（如搬运重物、跨越障碍）中，移动、平衡、接触与操作必须协同进行。李弘扬教授提出的全身智能框架，强调了分层系统的重要性：高层负责语义推理与长程规划，中层生成全身动作轨迹，底层控制器负责实时平衡与稳定执行。这种架构摒弃了“端到端大模型解决一切”的幻想，转而借鉴人类神经系统的分层机制，利用小脑式的底层控制网络处理高频、高维度的身体协调，从而让“大脑”专注于更复杂的认知任务。

从产业视角来看，中国具身智能企业的出海路径呈现出独特的“硬件先行”特征。在RSS的展商中，宇树、智元、Seeed等中国企业占据了显眼位置，但观众多为高校研究者而非采购决策者。这反映出当前海外市场对具身智能软件成熟度的谨慎态度。相比昂贵的完整人形机器人，开源硬件、边缘计算设备及四足巡检机器人等具备明确投入产出比（ROI）的产品更受青睐。这种“轻量级”切入策略，不仅降低了海外用户的尝试门槛，也为后续的软件迭代和数据积累提供了入口。

值得注意的是，中国公司在硬件出海的同时，正逐步从单纯的产品销售转向生态构建。通过在当地设立团队或与分销商合作，企业能够更深入地理解本地场景需求（如矿山巡检、工业分拣），并据此优化机器人的二次开发条件。这种从“卖硬件”到“卖能力”的转变，虽然缓慢，却是建立持久竞争力的关键。正如Physical Intelligence实习生所言，既然全球范围内的具身智能解决方案均未成熟，中国公司无需急于对标美国路径，而应依托硬件优势，探索符合自身产业土壤的技术范式。

综上所述，具身智能正处于从理论验证向工程落地的过渡期。VLA与世界模型的融合、数据筛选质量的提升、全身智能系统的构建，以及硬件出海的务实策略，共同构成了这一阶段的技术图谱。对于中国从业者而言，摆脱“中国版XX”的标签焦虑，转而聚焦于底层硬件创新与系统化工程能力，或许是在这个充满不确定性的时代中，最确定的破局之道。这场始于悉尼的对话提醒我们，真正的创新往往诞生于对既有范式的质疑与重构之中，而非简单的复制与跟随。