具身智能的数据飞轮：从百万小时到物理AI的GPT-3.5时刻

数据金字塔：具身智能跃迁的第一基石

具身智能正进入以数据规模、训练范式与模型架构为竞争核心的新阶段。支撑这一演进的关键，不是单一技术突破，而是一座三层结构的数据金字塔：底层是低成本、广覆盖的预训练数据，用于建模空间关系、动力学规律与因果逻辑；中层是真机遥操作产生的高质量示教数据，支撑具体任务的监督微调；顶层则来自真实部署后的在线交互，通过强化学习持续优化成功率、节拍与泛化能力。三者不可替代——无本体采集拉升规模，真机遥操作锚定精度，真实部署驱动闭环进化。

千万小时：规模化采集的现实路径

觅蜂科技今年目标是建成千万小时级数据产能，目前已达百万小时量级。无本体采集方案显著降低门槛：成本普遍降至真机采集的一半，部分场景甚至低于三分之一。它允许轻量设备进入工厂产线、商超货架、家庭厨房等碎片化环境，让一线作业人员在日常工作中自然生成物理世界数据。但规模只是起点——真正制约数据价值的是采集硬件一致性、毫秒级时间同步、毫米级轨迹精度、自动化切片、语义化标注、跨场景治理及稳定交付能力。当前市场上，能持续每月交付数万至数十万小时、且满足模型训练指标的数据供给方仍属稀缺。

模型重构：从VLM到World Reasoning Action Model

现有视觉语言模型（VLM）源于图文问答与多模态理解任务，而具身模型必须完成指令解析、环境演化预测、动作规划与物理执行四重闭环。当真实具身数据迈入百万小时量级，行业亟需围绕物理任务重定义Tokenizer、编码器、数据治理管线与训练Recipe。智元机器人提出的GO-3，被定义为World Reasoning Action Model，其本质是将视觉感知、语言理解、世界状态推演与动作生成统一于一套原生多模态架构之中，强调“理解”与“生成”的一体化融合。

后训练闭环：云边端协同的分布式强化学习

单靠示教学习无法支撑开放环境下的长期稳定运行。智元采用云、边、端三级协同系统：端侧机器人执行物理交互并采集反馈；边缘侧实时推理、下发策略权重；云端汇总异步训练、更新全局模型。该架构将单机需数天收敛的任务压缩至分钟级——100台机器人并行训练，经验共享，模型不再局限于单一工位，而是习得跨环境、跨任务的通用适应力。真实部署已验证这套飞轮的有效性：部分工厂场景实现客户付费、7×24小时运行，软件成功率稳定达到99.99%，复制周期从最初的三四个月缩短至一两周。

算力与形态：物理AI的双重演进

百亿参数以内的GO-1/GO-2已在国产边缘平台实现10–20Hz实时推理，但迈向更强通用能力需数百亿参数MoE架构，这对算力密度、显存带宽与端云协同提出更高要求。与此同时，末端执行器路线分化亦反映技术判断差异：夹爪路线聚焦当前收敛效率与工业落地，灵巧手路线则押注长期人机数据同源迁移。二者并非对立，而是不同阶段对“物理交互效率”与“认知迁移潜力”的权衡取舍。

生态共识：大厂入场加速数据飞轮转动

行业迈向通用具身智能，可能需要1亿小时级数据——这注定是多方共建的工程。京东、蚂蚁等企业拥有物流、零售、生活服务等海量真实工作流，可将日常作业转化为高价值训练信号。参与者增多虽加剧人才与资本竞争，却也加快硬件迭代、模型试错、数据标准沉淀与商业模式验证。当前数据公司数量激增，但真正具备全链路交付能力者极少，需求仍远大于供给。

评价尺度迁移：从演示视频到长期价值

具身智能的衡量标准正在根本性转变：市场不再只关注单次演示效果，而更关注机器人能否长期稳定运行、数据能否持续回流、模型能否跨设备共享经验、部署成本能否指数级下降。真正的分水岭，不在某项技术指标的突破，而在于整个数据飞轮的转速——即数据采集、模型迭代、真实部署、反馈回流构成的正向循环是否足够高效、自洽且可持续。