在25日的比赛中，来自北京人形机器人创新中心的天工机器人再度拔得头筹。继开幕式的9.39秒之后，它在百米项目上迎来升级版演绎：8.86秒！这一成绩击败传奇飞人博尔特的人类纪录9.58秒足足0.72秒，堪称惊人之举。
可是，掌声的余音还未散去，隔壁灵巧手赛区却展现出截然相反的图景：困难重重。机械手需在5分钟限时内完成积木搭建、用镊子精准夹豆、粉末精确称量等这些精细操作，难度系数颇高。组委会代表巩潇坦承，预赛阶段暴露出不少机械手的弱点——一旦遇见物料材质变化、质地软硬差异或堆放位置调整，它们的自主决策就会产生偏差。这种与真实物理世界打交道时的捉襟见肘，正好戳中了当下技术攻坚的痛点。讽刺的是，那个速度上摧枯拉朽的「钢铁飞人」，在精细操作领域的稳定性甚至不及一名学龄前幼儿。这种「身体能力超群、大脑认知滞后」的扭曲现象，成了当今人形机器人行业最尴尬的现实缩影。
行业观察家、宇树科技创始人王兴兴于20日发表论断：唯有当人形机器人能在占比80％的陌生场景中，依靠语音指令自主处理80％的日常工作，这个赛道才能宣告迎来属于自己的「ChatGPT时刻」。话音未落，市场立刻给出了回应——作为人形机器人第一股，该公司上市仅隔一日就遭遇跳水，股价下滑18.70％，单日蒸发逾600亿元市值。资本冷酷的投票行为，与产业界对后续十年的热切期盼，在这一瞬间形成了诡异的对峙。
把所有参与者都卡住的，恰巧就是最关键的「大脑」难关。
8月23日，第二届世界人形机器人运动会的400米预赛现场。图/IC
展示秀背后的学问
上年5月，美国机器商Figure曾制造话题：连续直播超过19小时，其机器人在产线上完成了23.8万件快件的分拣工作。但直播画面中也充斥各种突发状况——机械手无法拾起意外掉落的件物；更有甚者，机械手突然停止运动，维持十余秒的「骑自行车」姿势。一些观众甚至怀疑其中存在人工干预，换班时机器人就会「停工罢工」。
国内人形机器人公司也在复制这类「真实场景展示」的套路。6月底，智元机器人曾在龙旗科技的屏幕检测流水线进行了6天的直播作业秀。近期举办的世界机器人大会现场，各式各样的展示不胜枚举——从件物分类到货架整理，应有尽有。
一位从事人形机器人后期调优的技术人员向本刊披露，许多人形机器人的「工作展示」并非真正的全自主，通常只需在特定环境下执行某项单一任务，一般百余条数据微调就足够了。「比如机器人在世界机器人大会现场的表现，多数情况下，工作人员需提前一二天进场，采集百数级别的真机数据，之后对现有模型稍作优化即可。因为这种展示对成功率的要求并不严苛，七八成就够看，调优模型完成这样的任务并不复杂。」
但从展示秀过渡到商业应用场景，中间隔着一条鸿沟。这道鸿沟之所以存在，根源是具身模型的泛化能力受限。
「所谓泛化能力，就是机器人今天只学会了拿苹果，明天就能拿梨子，而不是非得被教过才会做。」北京人形机器人创新中心具身智能部的负责人鞠笑竹向记者阐释。
昆仑行机器人的联席创始人郎咸朋常用一个例子来说明这个问题——机器人在训练期只见过空杯子，现在让它去拿装满液体的杯子，能否完成就是对泛化能力的直观考验。
具身模型泛化能力的缺陷，不仅表现在无法识别未见过的物体上，还体现在对不同工作环境的适应不足。那位技术人员指出，进行展示秀时能够更好地掌控各类环境参数，而在真实工作环境中，同一台机器在不同时段的表现都可能天差地别。比如照明条件发生改变，机器人的表现也会随之波动，因为它对光线调整很敏感，直接影响了视觉信息的像素级数据。「现阶段的实际状况是，人形机器人在既定场景应对既定任务可能达成很高的成功率，但一旦涉足新环境、新任务就常常表现欠佳，成功率接近零。」
人形机器人每次遇到陌生任务、陌生场景都需重新学习，这一现状在很大程度上归因于具身模型当下的技术方案选择。
在具身智能领域，VLA模型（视觉-语言-动作融合模型）于2023年迅速兴起，随后大量基于VLA架构的具身模型应运而生。到2025年，国内的银河通用、智平方、自变量等多家公司都对外公布了VLA模型。业界寄望通过VLA模型处理图像与文本的优势，结合机器人传感器采集的信息进行练习，最终达成执行任意指令的目标。
「2025年初，行业发现VLA模型的泛化能力远不如预期。」鞠笑竹认为，制约VLA模型泛化性能的一个根本因素在于数据供应。「VLA模型无法利用海量视频资源进行训练，主要依赖真实机器采集的数据，这导致数据规模很难扩大。」
那位工程师正在尝试用仿真数据替代真机数据，原因是仿真数据可以无限生成，容易实现大规模应用，但数据的品质对训练效果影响巨大。对VLA模型来讲，必须用真机产出的动作指令进行训练，才能确保误差最小，从而获得最优的效果。
国内企业对具身模型的真正投入都相对有限。「多数具身模型实际上就来自两个渠道，要么是依靠数量有限的数据套用开源框架简单训练，要么就是直接对开源模型做后续优化。」自变量首席执行官王潜表示。
「王潜描述的现象并不罕见，国内真正进行具身智能模型基础预训练的企业寥寥无几，多数采用美国公司开放的具身模型如PI的π0.5、英伟达的GR00T等VLA架构的模型进行后续微调，也即针对具体工作内容、工作环境的二次开发。」那位工程师坦言。
按其观察，今年局面开始变化，越来越多企业开始参与基础模型的初始阶段训练。不过各家企业对基础研发的投入规模差异很大。「比如自变量模型团队的规模相对较大，而且组织结构也比较完整，负责基础模型研发、数据搜集等环节的部门各司其职，他们还发布了开源的具身模型。」
「即使在做具身模型基础训练，多数公司仍然会借鉴一些开源模型的参数。」他的看法是，中美在基础模型上仍有一定差距，国内对标较多的π0.5其实是PI去年开放的基础模型，时间差可能在数月到一年。
4月7日，在广州海珠区的广东省具身智能训练场，工作人员在模拟环境下训练机器人进行电力设备巡检与维护。图/新华
后期调优的激烈竞争
当前具身模型在部署到真实场景时都需要进一步调优，这也解释了为什么国内人形机器人企业跳过基础预训练环节，将更多精力投入到后期调优竞争的原因。既然模型本身能力有限，倒不如对准具体环境和工作进行数据积累，升级实际表现。
鞠笑竹认为，针对具体工作和环境进行VLA后期调优，对基础模型能力提升的帮助有限，更多是在拼商业落地能力和交付效率。「一旦某个场景被开拓出来，竞争对手就会蜂拥跟进。后期调优无非是收集大量真机工作数据来训练VLA模型，这和训练自动驾驶模型的手法一样，不断发现和解决特殊场景问题，改进人形机器人的表现，但这种能力很难迁移到全新的工作环境和任务。」
这种后期调优的投入成本也并不低廉。就在八月中旬，自变量也效仿Figure进行人形机器人物流分拣直播秀，分拣速度达到每小时1816件，超越了Figure之前创造的每小时1248件的纪录，效率提升幅度达45％，直播过程中成功率超过98％。
一位接近自变量的知情人士对记者透露，为了筹备这场直播，自变量花费巨资收集了海量数据用于调优，数据采集人员超过百人规模，采用早晚轮班制，基本工资6000元，另有绩效激励。
招聘启事展现了数据采集员的工作方式，夜班专岗的作息是晚10点到次日7点，中间休息60分钟，每个夜班还有50元补贴。「24小时全天候轮班，这种数据采集强度已经到了不合理的程度。」上述人士评价道，为完成本次直播秀，自变量动用了10万小时的真机工作数据进行后期调优。
8月17日，在北京市海淀区AI原点社区内的一处真实场景试验室，一款搭载具身大模型的机器人进行播放唱片训练（上图）和整理家务训练（下图）。图/新华
「从现实来看，机器人对特定工作场景的适应表现，在数据差异的影响上往往大于模型本身的差异，尤其是在真机数据这个范畴，用1万小时真机数据练习得到的模型，效果可能胜过用10万小时模拟数据训练的结果。」优必选的副总、具身智能与人形机器人院系的领导者焦继超这样表述。
但是真机数据的采集成本目前仍处于高位。优必选现阶段每日的真机数据采集规模约8000小时，经过数据清洗等后期处理，有效数据的比例约为25％。
焦继超也指出，VLA模型的部署成本或许没有业界想象得那么高。同样是物流分拣工作，从甲企业迁移至乙企业的技术成本相对可控，因为处理的物品相似，环境差别不大，比如工作桌差异，迁移时只需再收集数千条数据，花一二个月就能完成。
「伴随数据的积累，一旦冲破某个临界点，人形机器人的能力升级速度就会变得极其迅速。」焦继超直言，当机器人面对前所未见的快件类型时，完成分拣会比较困难，但如果只是快件的体积、色彩等属性改变，机器人就能展现出一定程度的泛化性能，未必需要「见过」该物品。
「搬运一类的工作有望在今年或明年实现真正的规模应用，下个阶段会拓展到更灵活的微操作，比如螺钉拆装，以及一些长周期的工作。实际上，客户更不关心人形机器人具体采用哪种基础模型，他们在意的是机器人在真实工作中的能力，对成功率的重视程度高于对效率的关注。」焦继超向记者说道，早期部分客户的容忍度相对较高，但真正在大规模应用中，成功率底线至少需达到99％以上。
「基于VLA模型进行后期调优，确实可以在某些规范化程度较高的环境中短期实现商业应用，但是从人形机器人的长期目标看，无论走入工业现场还是进入家庭，都会面对层出不穷的场景变化，唯有具身模型的泛化性足够出众才有望对应。」鞠笑竹表示。
在具身模型能力有限的当下，通过「卷」后期调优来实现具体场景的商业应用，本质上是权宜之策。
8月21日，2026世界机器人大会期间，多台工业机械臂与人形机器人模拟汽车车身产线协同作业，展示工业机器人、人形机器人在汽车制造领域的柔性生产应用方案。图/视觉中国
新故事：「相当于十年前的无人驾驶」
从去年开始，学术界与商业界开始将实现通用人形机器人的希望转向世界模型这一方向。支持世界模型的美国学者杨立昆、李飞飞所创办的公司都在短期内获得了十亿美元量级的融资。
国内业界也迅速跟进世界模型的研发，今年以来，自变量、智元等企业接连推出世界模型产品。在2025年年底，郎咸朋还是理想自驾团队的掌舵人，他一直拥护VLA的技术思路，同时对VLA的局限性也有清醒认识。他坦诚，具身智能需要新的叙事框架，那就是世界模型。他今年参与成立的昆仑行机器人，在三个月内就完成了十亿元融资。
世界模型之所以让人振奋，在于它展现的泛化潜力。英伟达指出，世界模型具备更强的泛化特性，能让机器人完成未曾接触过的任务。
「在当前阶段，针对单一场景单一任务，基于VLA模型的后期调优确实能取得更好的效果，世界模型生成的动作在精准度上还没有赶上VLA模型的水平。」郎咸朋进行了这样的类比，世界模型与VLA模型的差异有点像自动驾驶是否依赖高精地图的选择。如果依赖高精地图，每进入一座城市就需要重新采集数据。
星源智的创始人刘东告诉记者，从星源智推出的世界模型来看，所需的真机数据大约只占总数据需求的10％。
「北京人形」内部从2025年初开始探讨世界模型，4月启动研发，11月就发布了开源版本。本年度8月，「北京人形」公开了统一的大模型Pelican Unify。鞠笑竹表示，整个过程中他不断思考世界模型究竟能为具身智能带来什么改变。
「世界模型其实有多个技术方案，国内目前热度较高的是基于现有视频生成模型的世界模型。」虽然鞠笑竹认为这可能不是具身模型的最终方案，但他仍然为其在泛化性上的表现感到兴奋。
「举个例子，在训练视频生成模型时，不可能有小猫、小狗唱歌舞蹈的真实录像，但我们可以生成这样的视频，这说明模型能把人类的肢体动作投射到小猫、小狗身上。那么能否也把这种投射能力用于人形机器人，这样就能生成海量的人形机器人模仿人类工作场景的视频。这首先意味着，未来可以动用海量人类在不同工作环境下劳动的视频资源进行大规模练习，而不像VLA模型只能局限于真机数据，量上去不了。」
3月11日，江苏无锡市，优必选子公司优启的人形机器人实验室。图/视觉中国
鞠笑竹进一步阐述：「真机数据仍然是必要的，但比较于过去那种重复某一个动作轨迹数百次甚至上千次的做法，更需要样本的多元化，这才能避免最后训练出的模型陷入局部最优的误区。」
「在世界模型的训练阶段，必须在训练资源中融入原始动作数据蕴含的物理量和物理逻辑，这样模型才有望认识物理规律。模型调优有句格言『garbage in，garbage out』（垃圾进垃圾出），如果训练用的资源只包含动作轨迹数据，那模型学到的也只是复制这些轨迹，而非掌握其深层的物理学因果机制。」郎咸朋说。
不过，一旦涉及基础大模型特别是世界模型的初始阶段训练，对机器人企业的计算能力、数据储备、人力队伍和资金等各方面资源的需求都很高。「北京人形」在计算能力方面还算充足，但对世界模型的初始训练而言还是有些吃紧。
「英伟达在训练cosmos模型时依托8000块B300这样的高端芯片，未来可能需要国内进一步整合资源。」鞠笑竹说道，「业界也在疑惑，大语言模型的参数已经高达千亿、万亿级别，一个几十亿参数量的世界模型怎样才能深刻理解物理法则？」
鞠笑竹的看法是：「给具身智能公司留下的选路已然不多，要么自己开发基础模型，要么就别做了。」
宇树科技完成融资后，大模型研发成为了募投资金的第一大方向：42.02亿元募资中，20.22亿元用于大模型研发项目。
但由于技术尚未定型，没人会去赌某一条技术线路。「从具身模型的演进来看，并不是直线递升，而是螺旋式提升。打个比方，早些年有人想过让大模型自己写代码，编制一些模块化的能力集，交给机器人去执行，李飞飞就试过这条路，当时成效很低，不被看好。但等大模型的代码生成能力进步后，许多人又重新审视这条技术思路。」鞠笑竹如是说。
郎咸朋将当下的具身智能行业对标于十年前的无人驾驶技术，当时自动驾驶圈子里也是Demo众多，但关键技术还未完全成熟。「未来具身模型的范式可能还要经历改朝换代，改朝换代会导致之前的工作付诸东流，但让机器人领悟物理规律一定是发展的大方向。」
