机器人的“学霸”人设，塌了！

2026年被定义为“具身智能商业化落地元年”。

工信部预测全年人形机器人产量有望突破10万台。

刚结束的WAIC现场各家展台都在强调“干活”，思灵机器人H20流畅地分类玩具，极智嘉的机械臂精准拣选货品，Demo几乎不出错，大规模商用仿佛只差临门一脚。

短暂的"掉线"撕开了行业光鲜叙事下的真实纹理：展台上的从容，建立在每一个物体都被提前"预习"过的基础上。

今天的机器人更像一个记忆力超群但缺乏理解的"背题高手"，能答满题库里的题目却应付不了超纲题。从“背题”到“理解”差距在哪里？数据怎么喂？模型架构往哪走？WAIC现场和同期论坛上的观点交锋异常激烈。以下是亿欧的现场观察。

一、能干活，但不认识“超纲题”

思灵机器人展台前，H20机器人正进行家庭场景演示。基于语音指令，它准确完成玩具分类、抓取和归位，整套动作流畅连贯。

但当桌面上多出一个机器人从未见过的模型玩具时，情况有了变化。短暂的停顿后，机器人给出判断：“桌面上一共有四个物体，两只绿色恐龙、两只棕色小狗。”数量没错，但那个陌生玩具被归入了“棕色小狗”。

它知道“有东西”，但不知道“这是什么”。只能用已有题库里的答案，去套一个完全陌生的题目。

类似情况在展馆里并不少见。

极智嘉的物流拣选场景中，机器人对统一规格的标准化物体完成高效拣选与搬运，但现场有人把一个非统一规格的物体混入其中，机器人未作反应，依然只拣选符合预设条件的物体。

三个场景指向同一个状态：今天的机器人，能在已知框架内完成相当复杂的任务，但遇到训练集之外的物体或场景变化时，依然需要重新训练或人工干预。

“干活”和“真干活”之间，隔着一道叫“泛化”的坎。

泛化，即模型从训练数据里学会规律，然后能应对没见过的新情况，在具身智能领域覆盖物体、任务、场景、构型等多个维度。

预训练模型能否像大语言模型那样“零样本”开箱即用？行业至今没有统一答案，在“泛化做到什么程度算好”方面也缺乏共识。北航教授焦子元在论坛上坦言：“只提到可以进行零样本泛化，我是不信的。应该具体说明是哪种因素、哪种参数可以泛化。”

细节的缺失让“泛化”在今天更像一个营销词汇，而不是可被测量、可被验证的技术指标。

具脑磐石CEO朱森华用了一个形象的比喻：一个机器人学会用碗筷吃饭，丢进原始森林会饿死，因为数据里没有椰子壳和树枝，而人不会饿死，因为人知道椰子壳可以当碗，树枝可以当筷子。

简言之，机器人记住的是物体的具体样子，而人理解的是概念背后的功能，这是“背题”和“理解”的区别。

智元合伙人姚卯青提出了物理AI落地的“三道墙”。第一道是数据墙，真实世界的交互经验极其稀缺，没法像爬网页那样批量获取；

第二道是表征墙，行业里还缺少一个能跨任务、跨场景、跨本体通用的理解框架；

第三道是闭环墙，物理世界不像虚拟世界，犯错的代价太大，一次失误可能就报废一台机器。

其中“表征墙”最接近“泛化”的本质。机器人缺的不是数据量，而是一种通用理解能力，遇到没见过的事物时能调用已有经验去推理，而不是回数据库里查“答案”。

这个判断在WAIC多个分论坛上被反复提及。

来自不同背景的专家们指向同一个结论：表征是机器人理解世界、迁移经验的基础能力。人能在不同国家的酒店顺利完成吃早餐这件事，靠的并不是记住每一家餐厅的桌椅摆放，而是脑子里有一套对“吃早餐”的抽象理解。

这套能力，机器人没有。

行业今天的现实是，表征框架没有统一标准，高质量的表征数据远远不够，甚至连表征应该长什么样都还没形成共识。

流形空间创始人武伟在论坛上举了一个例子：同样是记录一个动作，用关节角度来表征还是用末端空间位置来表征效果完全相反，前者精度高但换个构型就废，后者泛化强但牺牲精度。

表征是泛化的前提，泛化是真干活的门槛。而跨过这道门槛需要先回答：数据到底该怎么喂？

二、缺数据、怕沉没，仿真是解药还是陷阱？

泛化的燃料是数据，但数据本身也成了问题。

WAIC多个分论坛上数采问题被反复提起，据悉具身智能数据规模目前只有语言模型的数万分之一。智元合伙人姚卯青判断，要达到开箱即用的程度可能需要一亿小时级别的数据。

但另一个声音同样尖锐。流形空间创始人武伟提醒：“架构没定，先采数据就是沉没成本。”具身智能还在架构创新阶段，如果架构每半年变一次，现在大规模采集的数据很可能随着迭代报废。

一边是数据严重短缺，一边是数据可能白采。两种声音在WAIC现场同时存在。

围绕“怎么喂数据”，行业大致有三种路线：真机数据精度高、成本也高，换个构型可能就废了；无本体数据成本低、速度快，但“人能做”和“机器能做”之间需要翻译适配；仿真数据在虚拟世界里练，一天几万次零风险，但虚拟与真实的差距始终存在。

三类数据各有短板。业内普遍认同的一点是，当前数据量远远不够，采集效率和通用性是最大瓶颈。

三种路线中，仿真数据是争议最大的。

武伟的立场是“完全放弃”。他认为仿真器只有两万多个超参数，本质是小模型，用小模型生成的数据喂给大模型逻辑上根本说不通。在他看来天花板就在那里，这条路走不到真正的通用。

蚂蚁灵波CEO朱兴给出了另一重判断。仿真与真实数据不是替代关系，而是互补关系。真机数据是金标准，但仿真如果足够真实，就能以远低于真机的成本生成海量数据。问题不在“用不用”，而在“够不够真”。他提出“三高”标准——高物理真实、高视觉真实、高交互真实。两条路线并行，才能更快突破数据瓶颈。

亿欧在WAIC现场采访了谋先飞联合创始人兼首席架构师孙家琦。谋先飞（Motphys）是一家2021年成立的具身仿真引擎公司，其全栈自研的MotrixSim物理仿真引擎与仿真数据Real2Sim2Real平台已在RSS 2026发表的论文中与国际主流仿真器完成对比验证。

针对三类数据，孙家琦给出了清晰的判断逻辑——核心标准是“能不能持续产生价值”。真机数据优先级最低，本体强依赖，这代采的数据下代本体优化后就可能用不了；无本体数据尤其是人类真实场景数据不绑定本体，管线打磨好后可以持续产生价值；仿真数据优先级最高，依据谋先飞实践经验，纯仿真做模型训练的效果不差于真机，而且可以作为多模态数据中枢融合人类数据与真机数据，成本还能降至少一个量级。

对于仿真，孙家琦用了一个比喻：“人工采集记录下来的视频、触觉等其他多模态数据是静态教材，仿真是交互的学校课程。”仿真提供了可并行、可密集监督的训练环境。他进一步指出，仿真不需要等到100%真实，做到90%就能撬动整个产业，使用门槛存在，但那是需要跨越的现实问题，不是否定仿真的理由。

值得一提的是，无本体数据是行业共识最强的方向，但远未成熟。清华大学副教授苏航评价UMI是“非常天才的设计”，核心价值在于将数采与本体解耦。但苏航也指出，人的视角与机器视角有差别，动作空间不一致，“不是采回来就能直接用”。从“人怎么做”到“机器怎么做”的翻译鸿沟，仍是待解难题。

一个值得关注的共识是，多位业内人士认为三种数据并非替代关系，而是分工关系。

谋先飞联创孙家琦给出了其技术路线的清晰框架：无本体数据提供丰富多样的任务定义与环境分布，仿真提供高效可扩展的训练评测虚拟环境基建，真机做仿真参数辨识标定和最后的落地验证，三者结合才是理想方案。

Physical Intelligence研究科学家任至意也从另一角度印证了这一思路：真机最能“复现”任务，但成本高，应混合其他数据一起学，“把embodiment diversity scope做得越大越好”。

三类数据各有短板，混合使用才能扬长避短。但无论数据怎么配比终究是“喂”给模型的东西，真正决定智能上限的是数据喂给了什么样的模型。而这恰恰成了WAIC上争论最激烈、也最混乱的话题。

三、数据堆不出智能，架构才是天花板？

“世界模型”是今年WAIC最热的关键词。

具脑磐石CEO朱森华在分论坛上直言：“世界模型是什么？坦诚地说乱糟糟的。谁干点啥都能沾边，大家刷指标都好看，一到产线就欠一口气。”

谋先飞联创孙家琦在接受亿欧采访时进一步指出：“建模环境演化和驱动策略生成，本质上是性质完全不同的模型，但都会被装到‘世界模型’这个概念里。”

他做了一个清晰的区分：当前行业讨论中至少有三类“世界模型”。

第一类以视频预测为基础，猜下一帧画面长什么样，本质上是试图构建降维的环境演化模型（从高维视觉像素中提取关键信息预测环境接下来会“如何演变”），这类问题在于可交互的程度参差不齐，纯视觉模型只能处理“看到”的信息，触觉模态缺失，在复杂物理交互中的精度缺乏保障。

第二类做场景生成，搭建显式的3D虚拟世界，解决的是资产生成问题，即如何快速构建逼真的训练环境。

第三类做动作规划，基于对世界的理解和动作后果的推演，输出机器人本体动作。业内也有称之为世界动作模型（WAM）。

三类系统目标不同、训练方式各异。视频预测优化的是像素精度，场景生成追求的是3D一致性，动作规划需要的是因果推理和对物理规律的理解。但它们被装进了同一个筐里，结果就是外界对行业认知产生大量模糊地带，而具身业内的数据与模型技术路线也还未完全收敛。

朱森华那句“一到产线就欠一口气”指向的就是这个困局：能精准预测下一帧像素的模型未必能告诉机器人下一步该怎么做。

孙家琦进一步指出，仿真平台可以结合视频生成模型做生成式渲染，利用3D资产与场景生成模型搭建SimReady仿真环境，从而为动作规划类模型提供训练场，驱动本体完成端到端的学习与执行。在他看来，仿真能够提供更多元的数据与训练路径，有望为行业带来一轮范式革新。

概念分歧的背后是更深层的路线之争。

流形空间创始人武伟认为，从VLA到世界模型，架构仍在快速变化。他将AI发展划分为架构创新、算法Scaling、数据Scaling三个阶段。他进一步表示，具身智能尚处在架构不断迭代阶段，远未进入统一架构、堆数据就行的状态。

星源智机器人创始人刘东则从落地角度出发，认为无论走哪条路，未来模型都必须能预测物理影响、能在端侧部署、能持续自我进化。

武伟进一步指出，VLA以语言为中心，视频模型以视觉为中心，这两条路线都偏离了方向。他认为机器人真正需要的不是语言专家也不是视觉专家，而是以物理场约束为核心的模型，他的团队正在推进从零开始的具身原生预训练。

蚂蚁灵波CEO朱兴从实践中得出了相似的结论。他观察到，现有模型都从数字世界逻辑出发，而物理世界的交互逻辑完全不同，必须有自己的专属模型，不能从语言或视频模型嫁接。

然而，一个更本质的问题是今天的模型架构，真的对吗？

纽伦堡工业大学Burgard教授在分论坛上抛出一个数据：人类大脑功耗只有60瓦，相当于一个家用灯泡。而AI大模型训练动辄兆瓦级算力。60瓦的大脑能理解物理世界、就地取材，兆瓦级的AI遇到陌生物体还在发懵。

Burgard表示，“大脑的能效告诉我们现在的AI架构远未到终点，未来十到十五年会有根本性的变革。”

悬殊的对比或许也在提醒距离真正的智能还有很长一段路要走。他暗示的不仅是一个技术瓶颈，更是一个思维盲区。如果今天的模型架构方向本身就有问题，那关于路线的一切争论都只是在错误的地图上寻找终点。

腾讯RoboticsX实验室主任张正友的判断更直接：“具身智能还在起步阶段，远未像大语言模型那样收敛到Transformer。”

回到当下。今天的机器人更像一个记忆力超强但理解有限的“实习生”，背熟了教材但还没学会应变。从“背题”到“理解”这条路有多长？智元联合觅蜂承办的分论坛圆桌上，嘉宾们给出的判断从2年到5年不等，平均共识是3到4年。