具身江湖志（四）：它们，把机器人的大脑做实

文 | 脑极体 越来越多的人，开始对机器人祛魅了。 过去两年来，在舞台上完成一套完整的表演，被认为是机器人技术的大进展。如今人们已经不会再轻易地被这些漂亮的机械动作打动，反而开始普遍追问：这些机器人到底能有什么用，动作是不是编好的，究竟能帮我做什么？恰恰说明具身智能行业正在进入一个关键的转换期。 成功跨越周期的企业，必须具备一个杀手锏：大脑。 在许多炫酷的赛场，我们都可以看到机器人是由人类工程师去遥控的，动作也是预设的。在预设框架内，再由AI策略自主执行，这已经是行业里比较先进的形态。 但是，在人类的指令下完成预设的动作，这并不意味着机器人能够理解环境，也不意味着它能够在陌生的环境当中自主地完成任务。这样的机器人，当然只能在特定场景，比如说工厂、园区、公园等，执行一些有限的任务。 可能有人会问，现在的工业机器人，已经能够稳定地在汽车工厂、电子工厂中承担一些焊接、搬运、装配等工作。这种场景下，根本就不需要大脑呀。 但只是那样的话，具身智能就跟传统的机器人产业或自动化没什么太大区别了。 具身智能这个概念之所以成立，就是机器人到了一个陌生的环境下，能够自主决策、自主识别、自主行动，把过去的经验迁移到新的任务，还需要能够从失败中学习，成为真正的通用机器人。换句话说，没有大脑，具身智能这个概念都会被直接证伪。 由此可见，具身智能行业从比拼身体展演，转向比拼谁的大脑更强。甚至可以说，有没有大脑，将是具身智能公司的斩杀线。 那么，谁正在这条“大脑派”的路上狂奔呢？ 或许你看了今年的机器人运动会、机器人马拉松，觉得现在的机器人进化得太厉害了，能组成队列，跑得飞快，还能拳打老师傅。机器人是不是快把人类取代了？那可以放心了。 其实，人形机器人的智力，还停留在不如一只边牧的水平。 在2025年的机器人世界大会上，一位具身智能公司的创始人就说过， 目前机器人的底层模型普遍采用VLA模型，就是相对傻瓜式的架构。 卡内基梅隆大学教授、Skild AI联合创始人Deepak Pathak也认为，机器人对物理世界缺乏真实理解。 由此可见，很多机器人看起来惊艳，但实际上只能照本宣科，人类指哪打哪。这恰恰说明了大脑是具身智能最有价值的部分，如果这一环做不出来，这一波人形机器人就只能是泡沫。 那让机器人长出脑子这件事情，为什么难做呢？ 一是数据。 具身数据必须靠机器人与物理世界交互产生。谷歌曾组织16人团队，花了17个月，投入上千万美元，只采集了23万条真机轨迹。 二是封闭。 如此珍贵且稀缺的数据，各家公司好不容易积累起来，肯定不愿意共享，所以各家企业数据封闭成为具身智能的关键瓶颈。 三是仿真。 既然真实的数据如此稀缺，那么有些企业就选择了仿真，但是在仿真虚拟世界里面训练出来的机器人模型，到了真实的世界里就会遭遇sim-to-real的鸿沟。于是出现了世界模型这个方向，希望能够解决仿真问题。但是，世界模型只是构想，目前还没有明确的、可实现的工程突破。 让机器人真正长出脑子，行业内各有秘技。 既然数据是机器人智力的瓶颈，那么谁家的数据多，就像拥有了一个巨大的藏经阁，可以让自家的产品在里面自我修炼。所以，修一座数据的藏经阁，就是企业打造大脑的基础设施。 2025年1月，智元第1000台通用具身机器人量产下线。这些机器人既是产品，也是数据采集器，逐步形成了一个大力出奇迹的专有数据集AgiBot World，其中包含超过100万条真机轨迹、217个任务、5大部署场景，比此前任何公开数据集都大一个数量级。有数据显示，在这套数据集上预训练的策略，平均表现比在谷歌牵头的跨本体数据集OXE上，要高出30%。 真机数据的采集护城河很深，但是代价也比较大，数据得一条一条地采，每一次场景迁移都得重新采集，数据的扩张曲线是线性的，无法指数级增长。 这一重资产，智元正在一步步地积累。同时，也有人另辟蹊径去解决数据规模不足的问题。银河通用，就决定把合成数据，搬进机器人的藏经阁。 合成数据真的能达到真机数据的效果吗？2023年，银河通用团队的DexGraspNet，就是完全在仿真中构建的大规模灵巧手抓取数据集。发展到2025年，他们又更进一步构建了具有十亿级仿真抓取数据的SynGrasp-1B，GraspVLA就基于这一数据集训练，抓取成功率98.3%，实现了零样本泛化。 可以发现，合成数据这条路，银河通用走了很多年。之所以如此坚持，是他们发现，具身智能所依靠的数据，99%可以借助高质量合成数据完成，只有在合成数据无法处理时，才需要采集使用那1%的真实数据。 举个例子，在零售场景中，让机器人按顺序抓取货架上的矿泉水，先通过百亿级别的合成仿真数据完成预训练，然后只需一个人一天的真机数据，即可完成微调，合成数据的边际成本趋近于零，这种成本结构对中小型具身智能企业非常有吸引力。 总之，真机数据就像是历年的高考真题，让机器人经历真实的考试；合成数据就像是名师出的《三年模拟》，可以让机器人大规模刷题。显然，高质量的模拟题也不是谁都能出的。 合成数据需要很好的图形学、物理仿真、物理渲染和自动动作合成管线，并不断校准仿真与现实之间的差距，这些都需要长期的积累。 无论是现实世界的真题，还是仿真世界的模拟题，都是机器人大脑不断进化的藏经阁。唯有在大量任务、交互、失败和反馈中，机器人才能走向真正的智能化。 在全球具身智能赛道上，Physical Intelligence是大脑派的极端样本，不造机器人的本体，只专注于模型本身。PI提出了一个发现，或许不需要依靠很多的数据，通过架构层面的设计，再结合在线强化学习迭代，一样可以让机器人连续工作几个小时。 这就像是降龙十八掌，通过一套动作的衔接与设计，叠加起来，发挥出比实际内力更强大的作用。所以，如果架构设计好了，大脑需要的数据比想象中少得多。 但是设计一个好的架构并不容易。以星海图为例，研究团队来自Waymo、Momenta 等自动驾驶厂商，在AI算法架构设计上独善战场。2025年开源了G0，采用双系统VLA设计，其中System 1用扩散模型学细粒度动作执行，System 2是VLM，负责高层多模态规划，这一系统曾一度是行业的主流。 然而到了2026年，星海图G0.5的架构发生了一个巨大的转变，放弃了双系统的分离式设计，选择将具身推理和控制统一到单个自回归序列中，单个模型在统一token流中完成推理、规划和行动。 这样做的好处是让语言模型直接说出动作，推理与行动一口气完成，这样机器人的动作表现就能完整继承大语言模型的scaling law，有望进一步增强机器人的物理智能。 当然，除了星海图的这条路线之外，行业内也有其他方向的探索。比如智元提出的ViLLA架构，则通过引入“隐式动作标记”（latent action tokens）这个中间表示，让VLM的语义知识能流进动作生成，模型先在语义空间理解了要做什么，再在潜空间翻译成怎么做，最后落到具体关节控制。人类视频、不同机器人的异构数据，全都可以喂给中间层学习。 这个方法的效果也比较好，首个基于ViLLA架构的通用具身基座大模型GO-1，在“倒水”“补货”等需要指令理解与位置泛化的任务上，成功率明显优于RDT和π0模型。 当然，目前机器人大脑的架构路线，还远没有定型。不过，至少共识已