天工机器人来自北京人形机器人创新中心。该机器人先是在开幕式中跑出9.39秒的成绩，到了8月25日又刷新纪录至8.86秒。与”飞人”博尔特创造的人类百米纪录相比，这一成绩快了0.72秒。
掌声余音未消，另一场地的灵巧手竞技却显得步履蹒跚。竞赛内容包括搭积木、用镊子夹豆子、称量粉末等精细操作，选手们需在5分钟内完成。然而组委会成员巩潇注意到一个现象：预赛中许多机器人面对物体材质、硬度或角度的微妙变化时，自主判断往往失控。应对真实世界的不可预测性，成为当前亟待突破的技术瓶颈。讽刺的是，能够打破人类百米纪录的这些”钢铁飞人”，其手部精细度却不如幼儿园小朋友。体力与”脑力”的巨大鸿沟，已然成为这个产业最令人尴尬的真实写照。
宇树科技创始人王兴兴在8月20日发表看法，阐述行业共识的分界线：当机器人能在陌生场景占比80%的环境里，通过语音指挥自主执行日常任务的80%时，该赛道就迎来了”ChatGPT时刻”。然而言犹在耳，宇树科技以人形机器人第一股身份上市，次日股价就承压下滑18.70%，市值单日蒸发逾600亿。资本市场用实际行动投出的冷票，与业界对十年前景的热情乐观，于同一时刻呈现出对立的局面。
而今困扰整个行业的症结所在，乃是最关键的”思维”瓶颈。
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
演示背后的真相
今年5月，美国机器人企业Figure进行了超19小时的连续直播。期间机器人完成了23.8万余件包裹的分拣任务。然而整个过程也暴露出诸多问题：无法自动拾起掉落的包裹；机器人突然宕机，双臂摆出奇怪动作维持十多秒。有观众直言，操作者应该是人类而非机器，换班时机器人的”停工”就是明证。
国产机器人亦不乏类似的”工作展示”。6月下旬，智元机器人在龙旗科技的屏幕检验生产线进行了为期6天的直播演示。最近的世界机器人大会现场，各式各样的展示比比皆是，涵盖从拣选到码放等多项任务。
从事机器人后期训练工作的工程师向本刊透露，不少机器人的”工作秀”其实仅限于特定环境下执行单个任务，调优往往只涉及几百个数据样本。他举例说，WRC现场的展示通常需团队提前一两天到达，收集几百条现场数据后，对已有模型做微小调整即足够。由于此类展示对成功率的要求相对宽松，七成或八成的成功率便可接受，模型完成并不困难。
但演示与实际应用间仍有天壤之别。问题根源在于具身智能模型的通用能力欠缺。
北京人形机器人创新中心具身智能部主任鞠笑竹对此作出解释：泛化能力是指机器人能够触类旁通——今天学会拿苹果，明天就学会拿梨，无需样样都实际操作过。
昆仑行机器人联合创始人兼首席技术官郎咸朋常用拿杯子这个案例来说明问题。假设机器人在训练阶段只接触过空杯，那能否成功端起盛满清水的杯子？这正是衡量泛化能力最直白的试金石。
具身模型泛化能力的缺陷，既表现为无法识别陌生物体，也表现为对不同环境的适应不足。该工程师指出，演示时可对各类环境因素加以严格控制，而在实际场景中，同一台设备在不同时间段的表现可能迥然不同。光照的细微波动就能改变其表现，因为机器人对光线极为敏感，这会直接影响视觉像素的获取。具体来看，在特定条件下处理既定任务时，机器人成功率可能相当高，但遇到陌生场景或新任务就会表现糟糕，甚至接近零成功率。
每当碰到陌生任务或新环境，机器人都得从头开始学起。这一困境很大程度源于具身模型当下技术路线的先天不足。
VLA模型（视觉语言动作模型）在2023年的具身智能领域崭露头角，随后该领域涌现出一大批基于VLA框架的解决方案。进入2025年，国内银河通用、智平方、自变量等多家企业纷纷发布自己的VLA产品。业界的初衷是充分发挥VLA在视觉与语言处理上的优势，结合机器人传感器采集的数据开展训练，期望机器人最终能独立完成各类任务。
到了2025年初，业界逐渐认识到VLA模型的泛化能力远未达预期。鞠笑竹指出，其中的核心障碍是数据问题。VLA模型不能基于大规模视频素材训练，主要依赖真实机器采集的数据，这使得数据积累困难重重。
该工程师透露正在尝试以虚拟仿真数据取代实机数据，虚拟仿真的优势是可无限制生成，便于数据扩展。然而数据品质对训练表现影响深远。就VLA模型而言，唯有采用真机产生的动作数据进行训练，才能让误差最小化，实现最优训练效果。
国内企业在具身模型上的投资力度有限。自变量CEO王潜指出，市场中的具身模型主要来自两个渠道：一是用极少数据配合开源框架训练；二是对开源模型进行简单微调。
前述工程师表示，王潜的观察十分贴切。国内专门从事具身智能模型基础预训练的企业寥寥无几，大多数选择在美国企业的开源模型（如PI的π0.5、英伟达的GR00T等）基础上进行二次训练，也就是针对特定任务与应用场景的后续优化。
他观察到，今年这一局面开始出现转变，越来越多企业启动基础模型预训练工作。但是各企业在这方面的投入规模差异显著。以自变量为例，其模型研发团队人手充足，组织架构细致，在基础模型、数据处理等环节都设有专门部门，公司还曾发布过开源版本的具身模型。
即便开展预训练工作，多数企业仍会借鉴开源权重。他认为国内与美国在基础模型领域存在时差，国内企业常对标的π0.5，系PI去年开源的产品，两地进度差应在数月至一年间。
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。
后训练的军备竞赛
具身模型用于实际场景前均需后训练，这解释了为何国内人形机器人企业选择略过预训练阶段，转而专注后训练的”内卷”。既然基础能力受限，不若针对特定场景与任务加大数据收集和优化力度。
鞠笑竹表示，针对具体应用的VLA后训练，对底层模型能力的长期价值不大，主要是为了快速商业化与交付。一旦一个新场景被成功开发，就会引来潮水般的跟风。后训练的本质是用海量真机数据对VLA进行优化，这与智驾领域的做法如出一辙——不断识别和处理边缘案例来增强表现。但这些经验往往难以跨越到陌生场景和新任务中去。
后训练的代价并不菲。8月中旬，自变量复制Figure的操作，举办物流分拣直播。机器人分拣速率达1816件/小时，超越Figure曾创下的1248件/小时，提升45%。直播期间的成功率超过98%。
知情人士告诉本刊，为了办好这次直播，自变量投入了庞大的数据团队——数采员超过百名，分别在早晚班轮值，基本工资6000元，另有绩效提成。
招聘信息显示，纯夜班岗位从晚10点工作到次日7点，中间休息1小时，夜班补贴50元。知情人士评价这种”全天候、两班倒”的数采模式为”匪夷所思”。为完成此次直播演示，自变量耗用了10万小时的真机运行数据来进行后训练。
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
优必选副总裁兼具身智能与人形机器人研究院院长焦继超指出，在当前阶段，数据质量的差异对机器人性能的影响比模型差异更为关键。真机数据尤其重要——1万小时的真实设备数据换来的效果，往往胜过10万小时虚拟数据的训练结果。
然而真机数据的采集成本高昂。优必选日均采集时长约8000小时，经清洗、处理后，有效数据比例仅约25%。
不过焦继超认为，VLA模型的实际部署成本或低于预期。举例来说，物流分拣项目从A企业转到B企业，成本相对可管控，因为处理的快件类似，只是工作环境略有区别如台面高度，迁移可能只需新增几千条数据，花费一两个月便可搞定。
突破关键节点后，机器人性能会迎来加速升级。焦继超说，陌生类型的快件可能难以分拣，但若仅是尺寸或颜色的变化，机器人能表现出相应的通用能力，无需每个样本都实际学过。
搬运类工作有望在今明年实现规模商用，下阶段将扩展到精巧作业，如螺栓旋转和长程任务。焦继超表示，客户其实对机器人采用何种基础模型漠不关心，他们看重的是实际工作表现，成功率优先级高于操作速度。初期客户容许度较高，但规模部署要求成功率达99%以上才行。
后训练在标准化场景中仍可短期奏效，但就人形机器人的长期目标而言，无论工业还是家庭都会遭遇各式各样的场景，唯有超强的通用能力才堪当大任。鞠笑竹补充道。
在具身模型能力受限的大背景下，通过后训练实现商业化落地，说到底是一时之策。
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」的诞生
自去年以来，产学研各界都把实现泛用人形机器人的希望寄托于世界模型。美国学者杨立昆与李飞飞创办的企业，都在短期内获得10亿美元量级融资。
国内也紧跟步伐，今年来自变量、智元等纷纷推出世界模型产品。朗咸朋去年还任理想汽车智驾事业部负责人，他曾是智驾VLA方案的倡导者，深知其局限。他言明，具身智能亟需”新叙事”，世界模型就是答案。他今年联合创立的昆仑行机器人，3个月内融到10亿元。
世界模型之所以引发热潮，关键在于它展现的跨界能力。英伟达指出，该模型泛化性更佳，允许机器人执行未曾学过的任务。
郎咸朋坦言，对于单一任务，基于VLA的后训练确实能获得更优效果，而世界模型输出的动作精准度还有差距。他举例说，二者的关系类似于自驾是否依赖高精地图——若需依赖，每进入一个陌生城市都要重新采数据。
星源智创始人刘东向记者介绍，该公司发布的世界模型，真机数据占比仅约10%。
北京人形于2025年初启动世界模型讨论，4月着手研发，11月推出开源版本。今年8月，又发布了Pelican Unify大统一模型。鞠笑竹表示，整个过程中他在不断思索世界模型对具身智能的意义。
世界模型本身也存在多种技术路径，国内较为热门的是基于视频生成模型的方案。鞠笑竹虽然认为这不一定是终极解决方案，但对其泛化性表现仍抱期待。
以视频生成为例。模型能将人类行为映射到猫、狗身上，生成它们会说话、跳舞的视频——这些现实中根本不存在的素材。那么，能否同样映射到人形机器人？这意味着可以生成海量”机器人模仿人类”的演示视频。这样一来，训练可以采用人类在各种环境下作业的视频，规模可以无限扩大，改变了VLA只能依赖真机数据、难以扩展的局面。
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
鞠笑竹补充说：虽然仍需真机数据，但不再是重复同一动作数百次的冗余数据，而是需要丰富多样的数据集，以免模型陷入局部优化的死胡同。
郎咸朋指出，世界模型训练需将原始动作数据中隐含的物理量与物理关系引入，模型才能捕捉物理规律。训练圈有句口诀——”垃圾进垃圾出”。若数据仅含运动轨迹信息，模型只会学会模仿轨迹，而无法领悟背后的物理因果。
然而涉及基础模型、尤其是世界模型预训练时，企业在算力、数据、人力与资金等各环节的压力俱增。北京人形虽然算力还可以，但相对世界模型预训练的需求仍显紧张。
鞠笑竹举例，英伟达的cosmos模型需8000块B300，国内今后或需更好地调配资源。他也提出疑虑：大语言模型参数已达千亿乃至万亿量级，参数规模仅数十亿的世界模型，何以理解复杂物理规律？
鞠笑竹坦言：具身智能企业已无太多选择，要么投身基础模型研发，要么知难而退。
宇树科技上市融资中，模型研发是最大的资金投向。42.02亿募资中，20.22亿流向模型研发。
由于技术方向仍未定局，无人敢豪赌单一路线。鞠笑竹认为，具身模型的演进不是直线上升，而是螺旋式前行。曾有研究者寄望大模型自主编程、定义模块化技能供机器人调用，李飞飞也试过此路，当时成功率不高，遭冷遇。如今随着大模型代码生成能力提升，这条路又被重新审视。
郎咸朋将当下具身智能的阶段类比于十年前的自动驾驶——那时也是演示满地、技术未成熟。他认为，具身模型的范式将继续迭代，前期投入可能会打水漂，但让机器人理解物理世界的规律这个方向是确定的。
