广告
加载中

所有具身智能公司 都在争夺同一个数据闭环

赵艳秋 2026-07-06 14:12
赵艳秋 2026/07/06 14:12

邦小白快读

EN
全文速览

当前全球具身智能行业的核心竞争焦点是抢跑数据闭环,核心干货信息如下:

1. 行业关键节点:未来12-18个月,能否在半开放场景跑通真实部署带来的数据闭环,是企业脱颖而出的决定性因素,资本和客户会以此对企业重新估值,跑通闭环的企业将构建起高护城河,后来者很难追赶。

2. 当前行业动作:国内外几乎所有头部企业都在抢家庭、工业、商业三大场景的部署机会,多数企业从去年的产业链分工转向软硬一体自研,自己做机器人本体、模型、数采设备甚至灵巧手,避免依赖第三方拖慢节奏。

3. 发展时间预期:行业预计2028年前后B端会迎来第一轮出货激增,2033年前后才会进入规模化应用阶段,距离实现通用人工智能仍有很长的技术爬坡期。

对布局具身智能相关业务的品牌商,本文核心干货如下:

1. 消费趋势变化:C端家庭场景是当前头部企业抢部署的核心方向,家庭场景部署门槛低、不需要复杂后训练,能快速采集泛化交互数据,目前已经有企业推出首款可折叠个人消费机器人,还计划在一线核心城市开设线下体验店,家用机器人即将进入早期普及阶段。

2. 商用场景机会:无人零售、无人药店、酒店清洁这类限定商用场景,是当前多数具身企业快速落地、获得商业回报的优选方向,提前布局相关场景的品牌商,能获得和头部企业合作的先发机会。

3. 工业端升级机会:工厂是验证具身模型的核心场景,大量头部企业都在寻找合适工厂做产线测试,开放场景的工业品牌能绑定头部企业,率先完成产线智能化升级。

想切入具身智能赛道的卖家与创业者,核心干货信息如下:

1. 赛道机会与竞争关键点:当前具身智能仍处于早期发展阶段,各家在模型层面的差距并不大,核心竞争点是数据积累和闭环跑通速度,未来12-18个月是行业第一个关键检验点,提前拿到场景资源、落地部署就能获得资本认可,占得先发优势。

2. 初期切入路径提示:优先选择无人零售、无人药店、酒店清洁这类限定场景切入,既能快速部署采集数据、跑通闭环,也能快速获得商业回报,风险更低;如果有资源也可以选择家庭做泛化训练、工厂做模型验证,根据自身资源选择即可。

3. 模式选择提示:不要走纯分工外包路线,尽量打造软硬一体的自有闭环,把数采、硬件、模型全环节把控在自己手里,避免第三方拖慢迭代节奏,这是初创企业对巨头的核心竞争优势。

制造工厂对接具身智能转型、挖掘商业机会,核心干货如下:

1. 行业对工厂场景的需求:工厂是验证具身智能模型的优质场景,要求模型满足产线的极致节拍和高成功率,需要针对具体场景做后训练和强化学习,当前大量头部具身企业都在寻找合适的工厂开放场景做落地测试。

2. 合作的核心要点:工厂开放场景最大的顾虑是工艺外泄,头部平台和企业更愿意和有长远眼光的企业合作,尤其是上市公司,更接受长期合伙人机制,合作会从数据采集试点逐步推进到产线智能装备升级,共同完成转型。

3. 数字化转型启示:当前具身智能已经进入落地测试阶段,预计2028年前后工业B端就会迎来第一轮出货高峰,提前和头部企业绑定合作,就能率先完成产线智能化升级,抢先获得效率和成本优势。

服务具身智能行业的服务商,核心干货信息如下:

1. 行业发展趋势:当前全球具身智能行业的核心重心是抢真实场景部署、跑通数据闭环,主流模式是软硬一体自研,行业当前的核心痛点集中在数据供给、数据处理、硬件配套三个领域,存在大量服务机会。

2. 核心客户痛点:目前第三方数据供应商提供的EGO、UMI等训练数据质量良莠不齐,满足不了头部企业的需求;市面上现成的硬件本体、数采设备等标准化产品,满足不了早期行业的定制化迭代需求,成本也居高不下。

3. 核心业务机会:低成本高质量的数据采集、智能化数据处理服务是当前最大的机会点,企业尤其需要高品质的UMI无本体数据、触觉数据,同时需要能实现实时质检、自动标注的智能化数据管线服务,解决这些痛点就能获得大量稳定客户。

布局具身智能产业的平台商,核心干货信息如下:

1. 当前具身企业对平台的核心需求:需要平台帮忙对接工厂场景资源,解决工厂老板因担心工艺外泄不愿开放场景的痛点,同时需要平台提供配套的数采场地、基础设施支持,帮助企业降低落地成本。

2. 平台运营与招商方向:可以参考无锡数据集团的做法,搭建长期合伙人机制,对接筛选本地有长远眼光的工业企业,尤其是上市公司,绑定头部具身模型企业落地,共同推进从数采试点到产线升级的全流程合作,打造本地化具身智能产业集群。

3. 风险提示:当前具身智能还处于早期发展阶段,距离规模化落地还有近10年时间,平台不要过早盲目大规模扩张,应该先重点积累场景资源和数据,等待技术突破关键节点后再放量扩张。

研究具身智能产业的研究者,本文梳理的最新产业动向和观点干货如下:

1. 产业最新战略动向:当前全球具身智能行业的竞争焦点已经从模型结构研发转向数据闭环搭建,国内外头部企业都在抢家庭、工业、商业三大场景的部署机会,行业战略从去年的产业链分工,今年全面转向软硬一体自研,这是产业早期非常重要的战略转向。

2. 当前行业待解决的核心新问题:不同场景对模型能力要求不同,当前模型还无法同时满足工厂的高成功率要求和家庭的高泛化性要求;数据层面存在真机采集成本高、仿真数据不够真实的痛点,优质低成本数据供给不足是核心卡脖子问题。

3. 行业发展趋势判断:行业公认特斯拉数据飞轮是有效成长路径,未来3-5年有望诞生真正的原生具身模型,预计2028年B端迎来第一轮出货高峰,2033年前后进入规模化应用阶段,边落地边采集数据的低成本模式会成为未来主流。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

Today, the core competitive focus of the global embodied intelligence industry is securing a first-mover advantage in building a closed data loop. Key industry takeaways are as follows:

1. Critical industry inflection point: Over the next 12 to 18 months, the ability to operationalize a closed data loop from real-world deployments in semi-open environments will be the deciding factor for companies to outpace competitors. Both investors and customers will reprice companies based on this milestone. Businesses that successfully build this closed loop will establish deep competitive moats that are extremely difficult for late entrants to overcome.

2. Current industry actions: Nearly all leading players globally are racing to secure deployment opportunities across three core sectors: residential, industrial, and commercial. Most have shifted from the supply chain specialization model common last year to end-to-end in-house development of hardware and software, building robot bodies, models, data collection equipment, and even dexterous grippers themselves to avoid delays from third-party dependencies.

3. Timeline for development: The industry expects the first wave of explosive B-side shipment growth to arrive around 2028, with large-scale commercial adoption not coming until roughly 2033. A long period of technical advancement remains before the realization of general artificial intelligence via embodied intelligence.

For brands developing embodied intelligence-related businesses, core takeaways are as follows:

1. Shifting consumer trends: The C-side residential sector is the top priority for deployments among leading players today. Residential deployments have low barriers to entry and do not require complex post-training, enabling fast collection of generalized interaction data. One company has already launched the first foldable personal consumer robot and plans to open offline experience stores in tier-1 core cities, marking the start of the early adoption phase for home robots.

2. Commercial sector opportunities: Constrained commercial scenarios such as unmanned retail, unmanned pharmacies, and hotel cleaning are the preferred path for most embodied intelligence companies to achieve fast deployment and generate early revenue. Brands that pre-emptively position in these scenarios will gain first-mover advantages in partnership opportunities with leading players.

3. Industrial upgrade opportunities: Manufacturing facilities are the core scenario for validating embodied models. A large number of leading companies are actively searching for suitable factories to conduct production line testing. Industrial brands with open test scenarios can partner with top players to complete intelligent production line upgrades ahead of competitors.

For sellers and entrepreneurs looking to enter the embodied intelligence track, core takeaways are as follows:

1. Track opportunities and competitive priorities: Embodied intelligence remains in the early stages of development, and the gap in model performance across players remains narrow. The core competition revolves around data accumulation and speed to close the data loop. The next 12 to 18 months mark the first critical industry checkpoint. Securing scenario access and completing early deployment will win investor backing and first-mover advantages.

2. Early entry guidance: Prioritize entry into constrained scenarios such as unmanned retail, unmanned pharmacies, and hotel cleaning. These allow for fast deployment, data collection and closed loop validation, while also enabling early revenue generation with lower risk. If you have access to relevant resources, you can also target the residential sector for generalized training or manufacturing for model validation, depending on your unique assets.

3. Business model guidance: Avoid a pure outsourced specialization model. Instead, build an end-to-end in-house closed loop that keeps data collection, hardware and model development fully in-house, to avoid slowing down iteration cycles due to third-party dependencies. This is the core competitive advantage startups can leverage against established tech giants.

For manufacturing facilities pursuing embodied intelligence-enabled transformation and new business opportunities, core takeaways are as follows:

1. Industry demand for factory scenarios: Manufacturing facilities are ideal test beds for validating embodied intelligence models, which must meet strict production line requirements for cycle time and success rate, requiring scenario-specific post-training and reinforcement learning. Today, a large number of leading embodied intelligence companies are actively searching for suitable open factory scenarios for deployment and testing.

2. Core partnership principles: The top concern for factories opening their scenarios is the risk of intellectual property leakage. Leading platforms and companies prefer to partner with forward-looking manufacturing firms, especially public-listed companies, that accept a long-term partnership model. Collaborations typically progress gradually from pilot data collection projects to full intelligent production line upgrading, with transformation completed jointly by both parties.

3. Insights for digital transformation: Embodied intelligence has now entered the on-site testing phase, and the first wave of B-side industrial shipment growth is expected around 2028. Factories that partner with leading players early will be able to complete intelligent production line upgrades ahead of competitors, and capture early advantages in efficiency and cost.

For service providers serving the embodied intelligence industry, core takeaways are as follows:

1. Industry development trends: The global embodied intelligence industry currently centers on securing real-world scenario deployments and building closed data loops, with the dominant model shifting to in-house end-to-end hardware-software development. The core industry pain points are concentrated in three areas: data supply, data processing, and hardware support, creating abundant service opportunities.

2. Core customer pain points: Training data such as EGO and UMI from third-party suppliers currently varies widely in quality, and fails to meet the requirements of leading companies. Off-the-shelf standard hardware bodies and data collection devices also cannot meet the custom iteration needs of the early-stage industry, while remaining too costly.

3. Core business opportunities: Low-cost, high-quality data collection and intelligent data processing are the largest current opportunities. Companies have particularly strong demand for high-quality UMI (off-body) data and tactile data, as well as intelligent data pipeline services that enable real-time quality inspection and automatic annotation. Solving these pain points will win a large, stable customer base.

For platform companies developing the embodied intelligence sector, core takeaways are as follows:

1. Core demand from embodied intelligence companies: Companies need platforms to help connect them with factory scenario resources, addressing the barrier that factory owners are often reluctant to open their facilities due to concerns about intellectual property leakage. They also require platforms to provide supporting data collection sites and infrastructure to lower deployment costs.

2. Guidance for operation and investment attraction: Platforms can follow the example of Wuxi Data Group by building a long-term partnership framework, connecting and screening forward-looking local industrial companies (especially public listed ones), and partnering with leading embodied model companies to support full-cycle collaboration from pilot data collection to production line upgrading, building a localized embodied intelligence industry cluster.

3. Risk warning: Embodied intelligence remains in the early development stage, and large-scale commercial adoption remains nearly a decade away. Platforms should avoid premature, blind large-scale expansion, and instead focus first on accumulating scenario resources and data, before scaling up once the key technical breakthrough milestone is hit.

For researchers studying the embodied intelligence industry, this article summarizes the latest industry dynamics and key insights below:

1. Latest strategic industry shifts: The competitive focus of the global embodied intelligence industry has shifted from model architecture R&D to building closed data loops. Leading players worldwide are all racing to secure deployment opportunities across residential, industrial, and commercial sectors. The industry's strategic focus has shifted fully from last year's supply chain specialization to end-to-end in-house hardware-software development this year, marking a highly significant strategic shift for the early-stage industry.

2. Core unsolved new problems in the industry: Different scenarios impose very different requirements on model capabilities, and current models cannot simultaneously meet the high success rate requirements of manufacturing and the high generalizability requirements of residential use. On the data side, real robot data collection is costly, while simulated data lacks real-world fidelity. The lack of high-quality, low-cost data supply is the core bottleneck holding back the industry.

3. Industry development outlook: The industry broadly agrees that Tesla's data flywheel is a viable growth path. A truly native embodied model is expected to emerge within the next 3 to 5 years. The first wave of B-side shipment growth is projected for 2028, with large-scale adoption arriving around 2033. The low-cost model of simultaneous deployment and data collection will become the industry mainstream going forward.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

未来12~18个月,谁能真正在半开放场景里,把第一个闭环跑通?

文|赵艳秋

编|牛慧

“未来12~18个月,行业的一个checkpoint就是真实部署带来的数据闭环。不管这个部署数字是多少,只要它是真实的。谁能真正在半开放场景里,把第一个闭环跑通,这将是决定性因素。”上海创智学院副教授、智元首席科学家罗剑岚说。

“我们会尽快面向所有场景——60%家庭、30%商用、10%工业,要齐头并进。”千寻智能创始人兼CEO韩峰涛告诉数智前线。

今年以来,几乎所有海内外头部公司都不眠不休,在家庭、工厂和商业赛道争夺部署机会。为了争取时间,他们做软硬件一体——机器人本体、大脑、数采设备、甚至灵巧手和关节,防止等待第三方而让节奏慢下来,他们要把数据闭环攥进自己手里。

这一进程,也将影响资本、客户在下一阶段对他们的重新估值和押注。

01

具身企业,为什么都在抢同一个闭环?

去年底,智元机器人对业务赛道重新排兵布阵,智元侧重工业;智元实控的上纬新材以“上纬启元”品牌锁定消费市场,还有灵巧手公司临界点等。6月底,智元在全网开启机器人在工厂测试产线干活的直播,地点是消费电子OEM上市公司龙旗科技的江西南昌工厂;“上纬启元”推出首款个人机器人“启元Q1”,可折叠装进书包,并将在深圳和上海开设线下体验店......

动作很猛的还有千寻智能。“我们构建了一个上千人的数采团队,到今年底会有四千人。今年我们要采集百万小时数据,明年要达到上千万小时。”创始人兼CEO韩峰涛告诉数智前线。他语速很快,要尽快面向家庭、商用、工业齐头并进。他强调,这是公司的核心工作,战略上重视就体现在投入上。他还特意提到与博世、宝马的合作。

银河通用已从去年起,在全国铺设无人零售、无人药店,目前已超过百个;工业重载机器人进入极氪、宁德、奔驰等工厂;与智源研究院一起在酒店落地清洁机器人......

有趣的是,宁德时代是多家机器人企业的采购方,“它的野心很大”,一位具身企业人士说。

这股风潮不止中国具身智能企业。即便是美国领头羊PI(Physical Intelligence),这家由前谷歌大脑负责人卡罗尔·豪斯曼创办、用真实世界数据做出第一个多任务具身模型的公司,也开始在海外包括中国大量建厂,采集交互数据。业内人士对数智前线分析,PI“后劲不足”,受限于美国本土制造业,它不得不靠海外建厂来弥补数据采集短板。

为什么大家都这么急着来干这件事?

“我觉得全球企业CEO都知道要往具身领域投钱,但大家在等一个信号,一旦出现,大把美元就会从天而降。”罗剑岚说得很直白,“作为一个创业公司,优势就是快。谷歌这么大,OpenAI就是在它护城河最深的地方,硬生生敲出一块地。”还有行业人士拿Anthropic打比方,其ARR年化营收已达200亿美元,“这个体量不管谷歌还是meta,都不会轻松把它碾死”。

同时,行业预估,今年下半年到明年上半年,是世界模型训练高峰期,大家都在努力追求模型泛化性,毕竟没有规模化的真实数据,模型就没有泛化,没有泛化就谈不上规模化部署。

“所谓基模泛化能力,就是把人类不需要专门学习的技能做到70%~80%成功率,再配上初中学历就能掌握、一键把模型从数采中心带到客户场景的低部署门槛。”银河通用CTO王鹤解释。

所有具身行业人士都认同一个路径——特斯拉数据飞轮。过去十年,特斯拉耗费很大精力,部署车队构造了一个巨大飞轮,车队跑出真实数据,数据回流训练模型,更好的模型再下发车队、去解决更长尾问题,反复循环。它给具身的提示有两条——真实数据很重要,而真实数据只能通过部署获得。眼下具身数据还少得可怜——有人士说“连一颗黄豆都没到”。而数据飞轮一旦转起来,就是护城河,别人要做这件事,也得花同样多精力、时间和资源,可你已经走到前沿去了。

千寻则把具身智能的过程分为两阶段,第一阶段把基模做出泛化性,让后训练代价降到分钟级、边际部署成本压到极低,“场景落地所需的后训练数据可降低60%。”千寻智能副总裁丛源良说。这样,才能进入第二阶段——几千万台、上亿台机器人铺进真实世界干活,数据回流,零样本解决更多问题。

“你得先把数据和Infra做好。这俩没做,你压根不用探索模型结构。”一家具身智能独角兽的CTO对数智前线分析,而数据和Infra之间,则要先数据、后Infra。理由是规模小的时候Infra还发挥不了作用,只有机器人在外部署的数量多了,Infra才会派上用场。“刚起步,做数据收益一定是最大的,到一定规模再去做Infra。这俩都有了,你再做模型结构,我觉得是这样一个顺序。”

02

机器人大脑,到底需要什么数据?

大语言模型用30万亿token训出了GPT,具身智能需要什么数据?

实际上,它需要一整套覆盖不同能力的数据体系,所以具身企业都在抢家庭、工业、商业场景,齐头并进,采集不同数据源。而每个场景对模型的训练方式也不同。

有业内人士对数智前线分析,工厂是验证模型的好地方,但要求极致节拍,“你错一次,对整个产线的影响是大的”,因此针对一个具体场景要做后训练,强化学习很重要,这样才能达到成功率和节拍。

家庭不重节拍,但要足够泛化,成功率可以低一点。每个家庭环境都不一样,有人士认为,甚至不太需要后训练,因此部署更快。

虽然行业认为“一旦家庭的活儿会干了,其他的活儿都会干了”,但有人士认为,工厂要求的成功率和家庭的泛化性是两种能力,“目前在模型上没法统一”,只能在两个方向同时迭代。商场也同理,有自己的特殊需求。

实际上,进工厂本身很难。无锡数据集团总经理陈青告诉数智前线,打开工厂的数采场景只能找一把手,老板们不在乎采集补贴,担心的是工艺外泄。他们目前已与12家工业伙伴签订了长期反复进场采集的协议,“我们想让真正掌握模型能力的公司落在无锡,一起深入合作”,重点抓30~50家企业——最好是上市公司,因为老板更有长远想法、二代老板也非常清楚。“要跟他们结成长期合伙人机制,从数采试点走到产线智能装备升级。”

相对而言,家庭是一个可以快速部署的地方。一位资深人士说,家庭的宝贵之处,是可以让真机在开放环境中探索交互数据。人类能为机器人构建的训练环境可能不到1%,“人不知道机器人会在什么地方犯错,只有机器人自己知道”,把机器人放进环境,让它先探索、先失败,人再兜底纠正,这一类数据凌驾在所有数据之上。

不过,如果既想快速部署,又想在商业上有快速回报,无人药店、无人零售店、酒店清洁等是很好的模式。“限定场景后就可以采数据、做闭环、做销售,不需要泛化到所有场景,相信这是目前大多数具身企业的做法。”一位人士告诉数智前线。

而这些场景中,具体需要采集什么类型的数据?行业流行“数据金字塔”一说,但陈青更愿意把它比作光谱仪:“光从左到右,不同频率和能量代表不同作用。”所有场景几乎都需要全光谱数据,它们承担不同作用。

其中,真机数据被大量用于最终部署态,但“很难跨本体、采集成本非常高”,在光谱体系中只占一小部分;仿真数据可以做环境数据扩增,在要求毫米级执行、长时间鲁棒性的工业场景中尤为重要,“但它很难真实模拟形变和力控”。陈青认为,当下采集重心正转向内容数据——EGO这一以人为中心的数据,能够提炼人的操作逻辑,以及UMI无本体数据,把人手臂关节动作和末端映射与机器绑定。

今年以来,EGO数据很火,它是指通过头戴摄像头等设备、采集的人类第一人称视角操作的视频。京东、蚂蚁、美团正通过众包方式快速Scale up,有业内人士认为,可能未来一天就能到100万小时。

但丛源良认为,UMI数据将成为主流。UMI数据是一种手上拿着夹爪、戴着摄像头等轻量设备,采集人类真实操作的低成本方案,其优势是与机器人本体解耦,一套数据能被不同机器人复用。相比EGO数据,UMI数量稍小、精度更高;最精准的是遥操,“但数据量太小,你还得买一个50万的机器人一块弄,遥操上手难度也较大”。

大家也都提到了触觉数据,每一家主要具身企业都坦言要做。“你要做到穿针引线,触觉作用还是很大的。”上海交通大学长聘教轨助理教授穆尧说。

不过,穆尧曾与多家机构尝试构建触觉数据集,结果“几度心碎”,最终转向仿真引擎去做精细的力和触觉数据的scale up。过去一年,虽然业内对仿真数据“祛魅”,但他的团队把螺纹配合、齿条啮合,以及多种柔性衣物的复杂任务,通过仿真数据都实现了。

具身企业也在思考采集数据方式。北京智源人工智能研究院理事长黄铁军告诉对数智前线,由于世界模型和具身智能阶段,实时交互性数据会越来越多,“你踢个球、弹个琴、游个泳,所有都是在跟世界互动”,采数据的模式也必须变革,核心要考虑成本合理性和便利性。

这样看来,建数采中心、用人控制机器人采数据,“可能是一种成本不一定合理的方式,光建环境就花掉很多代价。”他说,今年开始,有企业让工人戴上设备边工作边采集,工资可能加20%;再往后,人们戴上耳机、智能眼镜,生活和工作的第一视角被数字化,这跟自动驾驶逻辑差不多,汽车在路上跑的同时,数据就采集到了,只不过汽车上的传感器很多,人身上还比较少。他进一步举例,乒乓球机器人若能达到陪练水平,进入工会、学校,采数据甚至可以零成本乃至有收益。

“进入实际场景后,有可能找到低成本采数据方式”,这是过去一段时间,他们在思考探索的。

03

为什么非要自己攥着闭环

在跑闭环的这个过程中,一个值得关注的现象是,去年行业中还有产业链分工模式,有人做大脑、有人做本体,但今年更多企业明确走向软硬闭环,既有机器人本体,也训练模型,还做数采设备,甚至做灵巧手、关节。

“所有的recipe(独门秘籍)在无限长的时间里都会变成公共知识。”王鹤解释说,“这个行业最终一定是当前巨头可以做的。”既然如此,初创公司唯一的竞争优势就是快。“快你就得闭环,硬件里头别人做不好的部分,就得控制在自己的环路里。否则你等别人,就慢下来了。”更多具身企业采用硬件、数采、数据管线到模型,软硬一体模式。

当下,几乎每家企业都提到了数采设备。千寻从2024年开始研发数采设备,据说迭代七版,“去年12月正式落地,今年下半年成本会有10倍下降。”CEO韩峰涛告诉数智前线。

“这套东西一定要掌握,否则会很被动。”上海交大穆尧说,他举例自己有很多想法,但大家说做不出来时,他就会到现场去看整个采数过程——顶置相机怎么配置、全身运控传感器怎么摆、人和传感器如何配合。这关系到创新想法的实现。“臂、核心关节、灵巧手上腕部相机的布置,至今没看到任何一个令自己满意的方案”,他认为如果有能力也要自己掌握。

它石智航联合创始人、首席科学家丁文超把整个系统类比一条梯度传递的链路,“具身行业还在早期,模型和应用的梯度还没有传递到前面的硬件,市面上能买到的硬件满足不了规模化应用的需求”。为此,他们决定自己做软硬件,并研究关节、甚至灵巧手,把末端传感器配置、硬件形态、数采方式和部署推理效率放进同一个系统里去优化,“这些细节才是VLA、世界模型这些概念背后真正的冰山。”丁文超说。

“数据管线”是当下具身公司比拼的一个焦点。市面上EGO、UMI数据供应商“质量真的是良莠不齐,好的特别少”,企业不得不建立自己的一整套质检和规范,并投入数据管线。而且,数据质检、过滤、标注全靠人工的话,成本谁也扛不住,需要靠模型闭环来提升效率、降低成本。一位业内人士对数智前线总结,“数据管线”核心是把人类的单点经验,尽可能汇聚进这条管线,让数据迭代逐步自主化,而“第一点就是要做到实时性”,在采集过程中同步质检,而不是事后补救。

在闭环上,外国具身企业“遇到了麻烦”。有行业人士告诉数智前线,虽然他们尝试在海外建厂来解决交互数据采集问题,但“短期内能解一时的困难,长期很难”。根本原因是软硬分离,比如在美国训练,在美国以外做数据采集,沟通成本高,数采设备也难快速迭代,“你天然得不到很好的数据反馈”。他的结论是,“软硬一体是国内优势,今天各家在模型层面的差距并不大,真正拉开差距的是数据积累,而国内在真机数据的积累上更快。”

对于具身智能的终局,行业有初步的时间轴。语言模型scaling law催生了VLA、视频模型scaling law催生World Action Model,随着真实世界数据持续积累,有企业认为未来3~5年,期望具身智能行业诞生真正的“原生模型”,而不是简单把语言、视觉、动作拼接在一起的模型。

千寻判断,大模型从爆发到拥有5亿用户用了数年,而具身智能公司,集中成立于2023~2024年,要真正进入规模化阶段,大概率要等到2033年前后。王鹤预计,2028年前后模型通用能力一旦突破关键节点,行业将迎来第一轮出货激增,且主要发生在B端。

“但这并不意味着AGI已经实现,从轮式到全人形、从夹爪到灵巧手,具身智能仍有漫长的技术长坡要走。” (联系作者可加微信:helloabc7,注明公司与职位)

注:文/赵艳秋,文章来源:数智前线(公众号ID:szqx1991),本文为作者独立观点,不代表亿邦动力立场。

文章来源:数智前线

广告
微信
朋友圈

FAQ回顾

具身智能企业为什么要争夺数据闭环?

数据是训练具身智能模型的核心基础,只有通过真实场景部署获取规模化真实数据,才能提升模型泛化性,支撑后续规模化落地;数据飞轮跑通后会形成极高竞争壁垒,也会直接影响资本、客户下一阶段对企业的估值与合作押注。

具身智能需要采集哪些类型的数据?

具身智能需要覆盖多类型的全光谱数据,当前采集重心包括EGO人类第一人称视角操作数据、UMI无本体人类操作数据,还有真机部署数据、仿真环境数据、触觉交互数据,不同场景对数据类型的需求各有侧重。

具身智能企业为什么选择软硬一体发展模式?

具身智能行业尚处早期,市面通用硬件无法满足规模化应用需求,软硬一体模式可避免等待第三方供应商拖慢迭代节奏,保障数采设备、硬件参数与模型训练同频优化,最大化提升发展效率,抢占竞争窗口。

具身智能行业什么时候能实现规模化落地?

业内预计2028年前后模型通用能力突破关键节点后,B端将迎来第一轮出货激增;集中成立于2023-2024年的具身智能企业,大概率要到2033年前后才能进入真正的规模化发展阶段,后续仍有漫长技术迭代路径。

这么好看,分享一下?

朋友圈 分享

APP内打开

赞 +1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0