1. 为什么要写这份具身智能观察

1.1 具身智能不是新概念,但这次是真火

过去十个月里,"具身智能"这四个字频繁出现在融资新闻、技术会议和各类榜单中,甚至很多招聘需求都开始把"具身智能"直接写进岗位名称。我第一次接触这个词还是在闲聊中听一位做机器人控制的老朋友提起,当时他的判断是:大模型把"感知"和"规划"的门槛拉低了,接下来就该轮到"身体"出场了。当时我半信半疑,毕竟人形机器人、机械臂、移动底盘这些硬件我们聊了十几年,似乎每年都在说"元年",但每年都没等到真正的爆发。

这轮热度确实不太一样。让我改观的一个标志性事件是:我身边做互联网算法的朋友,开始认真研究怎么把大模型接到机械臂上;做硬件的朋友,开始在模型部署、数据采集这些软件层面投入精力。两个圈子的人突然开始用对方的语言聊天,这种交融在过去非常少见。我意识到,具身智能已经不是某一家公司的细分赛道,而是正在从"概念验证"转向"系统工程"的领域,所以我才决定写这份观察报告。

这份报告不是教科书,也不是投资建议,而是我过去大半年在一线项目、行业会议、供应链调研和技术拆解过程中的主观记录。我会聊十个观察点,覆盖技术路线、数据、硬件、落地、评测、融资、开源、人才这些维度。适合正在关注或准备进入这个领域的技术人、创业者、产品经理,以及所有想知道具身智能到底走到哪一步的从业者。你看完不用全信,但希望它能帮你在信息爆炸的讨论里建立一个相对清楚的坐标。

1.2 我观察的视角和边界

在开始聊十大观察之前,有必要先说明我的立场和视野边界。我没有办法给你一个"所有事实"的报告,因为具身智能涉及的环节实在太多,从芯片选型到灵巧手结构,从遥操作采集到强化学习训练,每个方向都有深不见底的细节。我更愿意把自己定位成一个"在产业和科研缝隙里来回跑的人",记录那些在论文和发布会之外真实发生的事。

我会刻意关注三个问题:第一,技术方案在实验室之外是否抗打;第二,供应链和成本有没有走到可商业化拐点;第三,团队配置和组织方式是否匹配具身智能的特殊性。这三个问题决定了具身智能能不能从一个"演示视频"变成"可持续的生意"。如果这份报告能让你少走一段弯路,或者让你在入局之前多问自己几个问题,那它的价值就达到了。

我同样想强调一点:具身智能还在非常早期,任何"十大观察"都不可避免带有时间戳。一年后回看,可能有些观察会显得幼稚,有些观察会被验证为正确。这不要紧,产业变化太快,我们需要的不是精确预测,而是一套持续观察和修正判断的方法。

2. 观察一至三:技术路线的底层博弈

2.1 观察一:端到端是终极目标,但中间路线活得更久

你去问任何一家做具身智能的公司,他们几乎都会说自己的目标是"端到端",也就是从传感器输入直接映射到电机控制输出,中间不经过模块化的状态估计、路径规划、轨迹生成。这个方向的吸引力非常明显,因为它能最大化利用深度学习的拟合能力,而且在演示视频里特别流畅,看起来像是一个完整的智能体在思考。

但真正落地的时候,绝大多数团队并没有走纯端到端路线。原因很简单:端到端模型的可解释性差、调试周期长,数据需求几乎没有上限。一旦遇到一个动作做不好,你是应该加数据,还是调网络结构,还是改奖励函数?这个问题在纯端到端的框架下非常难回答。相比之下,中间路线通常把任务拆成"感知—决策—执行"三个层级,感知层用视觉语言模型理解场景,决策层用大模型或规则引擎生成任务序列,执行层用传统的运动规划或强化学习控制身体。每一层都有成熟工具,出了问题可以单独定位。

这不是说端到端没前途,而是说在工程化初期,模块化系统更容易建立稳定的交付物。我看到不少公司做出来的第一版产品,其实都是"大模型出招、传统控制接招"的混合架构。对外宣传的时候他们会说得比较高级,但拆开看,中间有大量if-else和状态机兜底。这没有什么丢人的,能在客户现场稳定跑起来,比在演示视频里炫技重要得多。我预判未来十八个月,端到端会在特定任务上逐步渗透,但通用具身智能系统大概率还会是混合架构。

2.2 观察二:数据比模型更卡脖子

模型架构的争议其实没有那么致命,真正让所有团队夜不能寐的是数据。大模型时代大家习惯了"海量互联网文本"这种廉价数据源,但机器人的操作数据不是天生的。一个机械臂抓取透明塑料杯,它在不同光照、不同遮挡、不同桌面纹理下应该怎么动?这种数据需要真实环境中的千百万次尝试,或者是精心设计的仿真任务生成,每一份数据都要花费电费、硬件磨损和时间成本。

我接触过几家做数据采集的公司,他们最常用的方案是遥操作采集:人戴着手套或操作手柄,控制机械臂完成任务,同时记录关节角度、力矩、视觉图像等多模态数据。这种方式数据质量高,但成本之高出乎很多人意料。一个熟练的数据采集员培训周期就要数周,而且连续采集两小时就容易疲劳,采集的数据还有大量无效片段需要清洗。业内有一个粗略共识:一条可供训练的高质量操作数据,综合成本可能在几毛到一两块钱之间,一个像样的数据集动辄需要几十万条数据,预算直接上百万。

仿真数据可以缓解一部分压力,但没法完全替代。仿真环境和真实世界的物理特性差异,也就是我们熟知的"仿真到现实鸿沟",在涉及柔性物体、液体、精细装配时特别明显。哪怕是现在物理引擎已经非常成熟,你依然很难在仿真里精确模拟一块布的褶皱或者一个螺丝的阻尼。我的观察是,接下来谁能在数据采集效率和真实数据利用效率上做出突破,谁就能建立比"模型参数更大"更实际的壁垒。单纯卷Transformer结构意义不大,用户看到的还是机器人干活的成功率。

2.3 观察三:仿真到现实的鸿沟,比想象中难填

说到仿真,我专门把它单拎出来作为观察三。很多人觉得仿真就是"训练环境的加速器",用强化学习在仿真里跑几百万步,再迁移到真机就行了。理论上确实是这样,但实际填这个鸿沟的难度被严重低估了。

Sim-to-Real的核心问题是领域随机化怎么设计。你需要随机化物体的质量、摩擦力、关节阻尼、相机噪声、光照条件,让模型学到不依赖特定物理参数的特征,但随机化的范围太大,模型可能学不到有效策略;范围太小,迁移到真机时又会失灵。这是极度依赖工程经验的事情,论文里通常只会写"we apply domain randomization",但具体随机化哪些参数、分布怎么设定、什么时候加扰动,这些细节才是真正的know-how,很少公开。

我还观察到,越来越多团队在走"仿真预训练+真机微调"的路线。先在仿真里把策略预训练到一个可用的起始点,然后在真机上用小规模数据微调。听起来很合理,但真机微调本身就有风险:一个没调好的策略上真机,轻则任务失败,重则把机械臂撞坏。因此大家又回头来研究"安全约束下的微调",也就是在模型输出之外加一层保护性的运动范围限制、速度限制和碰撞检测。这一层保护让整个项目看起来不够"智能",但它让团队能够在夜间无人值守的状态下跑数据,这是实际效率上的巨大优势。

关于这个鸿沟的结论,我是悲观的也是乐观的。悲观在于,短期内不可能做到"仿真训练完直接扔到任何环境都能干活";乐观在于,如果限定在特定场景、特定物体、特定任务,这个鸿沟是可以被工程手段逐步消解的。问题的核心不在于追求一个通用的仿真引擎,而在于为每一个落地场景建立专属的"仿真到现实"流程。

3. 观察四至六:产业化落地的真实温差

3.1 观察四:硬件本体决定下限,软件决定上限

具身智能和纯软件最大的区别在于,你的算法再漂亮,最终都要通过电机、减速器、传感器这些物理组件施加到世界上。所以硬件本体的水平直接影响整个系统能做的事情范围。一台重复定位精度只有几毫米的机械臂,不管你的视觉模型识别得多准,最后的抓取成功率都会受制于机械误差。

我在供应链调研中看到,具身智能的硬件成本正在快速下降,但还没有到消费级或个人级的甜蜜点。核心零部件,比如说六维力矩传感器、无框力矩电机、谐波减速器,价格比前几年降了不少,但一套像样的协作臂加移动底盘再加感知套件,轻松破十万。这决定了当下具身智能的客户只能是企业而不是个人,也决定了产品形态必须以"特定任务ROI"为核心卖点。

还有一个被很多人忽略的点:长时间运行的可靠性。实验室演示只需要工作五分钟,客户现场要每天工作八小时。电机过热、线缆磨损、关节异响,这些在Demo里完全看不见的问题,在真实现场会成为事故率的大头。我参观过一条使用机械臂的分拣线,负责人告诉我他们最大的痛点不是识别率,而是机械臂平均无故障运行时间不够长,每周要停机维护两次。这个观察让我意识到,具身智能公司的软件再强,如果硬件供应链和可靠性测试跟不上,产品就永远停留在"展厅"阶段。

3.2 观察五:落地场景从"能演示"到"能干活"有多远

行业里有一种常见的说法:某某公司的机器人已经在某汽车工厂做装配了,某家医院开始用机器人配送药品了。这类新闻很容易让人以为大规模落地近在眼前,但你去仔细拆解,会发现绝大多数项目仍处于POC(概念验证)或者小规模试点阶段。真正的规模化应用需要满足三个条件:成功率足够高、成本有优势、ROI可以计算清楚。

成功率是第一个门槛。一个抓取任务,在演示环境里做到95%不算什么,因为演示环境可能只有几种固定物体和固定位置。真实生产环境里物体种类会有几十种,摆放位置随机,还有偶尔出现的异常状态。从95%提升到99%,可能需要数据量翻倍甚至更多,而这种精度上的差距往往就是客户肯不肯买单的分界线。我还注意到一个现象,很多团队在做POC时,会接受客户现场做一定的环境改造,比如加装固定夹具、统一来料姿态。这不是作弊,而是正常的工程化手段,客户也愿意接受,毕竟让机器人适应完全无序的环境,成本极高且还不成熟。

采购决策周期也很关键。企业客户购买具身智能产品,不是买一个玩具,而是买一个生产工具。他们需要看到稳定的服务、明确的维护计划、可预期的停机时间、以及培训的操作员能用起来。这些事项没有一个是通过"算法Demo"能解决的。在我看过的项目里,凡是落地进展顺利的,都有一个懂行业销售、工程交付和售后服务的复合团队,而不是一个纯算法团队。这碗饭,好吃,但得扎扎实实一口一口吃。

3.3 观察六:评测体系缺失,大家都在自说自话

和大模型领域有MMLU、HumanEval这样的公开基准不同,具身智能至今没有一个让全行业信服的评测标准。每家公司都在用自己定义的场景、自己的测试集、自己的指标来宣传"SOTA",导致外界很难判断谁真的做得好,谁只是在营销。

这个问题非常严重,因为它直接影响资源分配和行业信任。投资人想比较不同标的,没有统一口径;客户想选型,只能惴惴不安地做私下测试;研究人员想复现别人的成果,常常发现论文里描述的环境和代码根本对不上。我见过一家公司宣称"成功率98%",但仔细问下来,他们的测试场景只包含三种固定形状的物体,而且初始位置完全固定。这当然也是工程成果,但拿出来当通用能力宣传,就是对行业的一种误导。

好在已经有机构在推进具身智能基准测试,比如把任务拆分为抓取、放置、操作、移动几个维度,分别设计标准环境、标准物体集和标准评价指标。但这类基准要真正被广泛接受,还需要时间。我的建议是,现阶段无论是做产品还是做研究,都要在心里留一根弦:任何号称"高成功率"的数字,都要追问一句"在什么条件下测出来的"。你需要主动建立自己的评测集,模拟目标客户的真实场景,而不是盲目相信公开宣传。没有评测体系,具身智能就很难从"玄学"变成"工程"。

4. 观察七至九:产业生态与人的问题

4.1 观察七:融资热度与商业化能力严重错配

如果只看一级市场的热度,你会觉得具身智能已经是下一个十万亿赛道。但如果你去和一线做交付的团队聊,会发现大部分公司的收入规模还非常小,很多甚至还没有形成稳定复购的客户群。热度高企和商业化稚嫩并存,是这个阶段最典型的结构性矛盾。

这种错配带来的后果之一,就是估值预期和融资金额把早期公司过早推入"大公司模式"。我看到一些刚刚做完天使轮或A轮的团队,已经按大厂组织架构搭建,有专门的品牌公关、战略合作、生态发展部门,人形机器人还没卖出几台,PPT规模倒先起来了。这种打法在资本狂热期可能没问题,但如果行业进入冷静期,现金流不健康、商业化路径不清晰的公司会最先出局。

当然,我并不是说具身智能不值得投钱。从长期看,具备身体感知和执行能力的机器人在制造业、服务业、老年照护等领域确实有巨大想象空间。但想象空间不等于短期收入,创业者需要诚实地面对商业化节奏。我看到比较务实的几家公司,都把第一代产品定位在"移动操作平台",先以租赁或项目制方式进入物流分拣、实验室自动化、餐饮后厨这几个相对标准化的环节,积累数据和口碑之后再做产品化。这种"先做项目,再打磨产品"的路子,看上去不够性感,但活下来的概率更高。

4.2 观察八:开源生态正在重演大模型的老路

具身智能的开源氛围和早期的大模型生态非常相似。模型权重、推理代码、仿真环境、数据集都开始出现开源项目,其中不少是高校或一线实验室放出来的,质量参差但精神可嘉。开源的优势很明显,它能降低整个行业的入门门槛,让不同团队在不同环节做贡献,同时通过社区反馈快速暴露问题、修正错误。

但也和大模型的路径一样,开源往往卡在"数据"和"算力"这两个环节。机构愿意把模型架构开源出来,因为这是"show muscle"的方式;但真正有价值的高质量操作数据,很少会有人愿意白白贡献出来。这导致目前开源生态里,模型权重不少,但大家训练时都跑在自己攒的小规模数据上,很难形成规模效应。一些公司开始尝试"数据联盟"模式,大家贡献脱敏的操作数据,按贡献度共享训练成果,这是一个值得期待但还很早期的方向。

另外一个值得注意的趋势是,仿真平台和硬件抽象层的开源化速度比模型快。很多团队直接基于开源仿真框架搭建自己的训练场景,再通过统一的硬件接口部署到不同机器人本体上。这种分层开源策略让上下游解耦,让算法团队不用被特定硬件绑定,也让硬件厂商可以更专注地优化机械和电气性能。我的判断是,开源生态会成为未来两年具身智能基础设施的主要推动力,但最终能跑出来的商业模式,大概率还是"开源做生态,闭源做产品"的双轨路线。

4.3 观察九:具身智能人才,缺的不是算法工程师

过去一年,我看了大量招聘需求,从算法岗、运动控制岗到硬件结构岗,各方向都在抢人。但真正稀缺的并不是某一类单一技能的工程师,而是能把"感知、规划、控制、机械、电气"串起来思考的系统工程师。具身智能是一个强耦合系统,视觉模型输出的一个微小置信度变化,可能导致控制端执行策略完全不同;机械臂一个关节的刚度调高,可能让视觉标定的误差被放大。如果一个团队里每个人只懂自己那一块,整个系统调试起来会非常痛苦。

我观察到一个常见的招聘误区:很多团队把大模型领域的"算法工程师"标签直接搬到具身智能,结果做出来的系统在演示环境很流畅,一换环境就崩。原因在于大模型算法工程师缺少对物理世界不确定性的直觉,不理解机械臂动力学、传感器噪声、执行延迟这些"低级但致命"的细节。反过来,传统机器人工程师又往往对深度学习技术路径心存疑虑,不知道如何借助预训练模型减少对精确状态估计的依赖。

这里的破局方式,一个是培养跨学科思维,要求算法工程师至少上手拆装一次机器人,也让机械工程师跑一次训练脚本,理解loss曲线长什么样;另一个是在组织层面建立"系统集成"角色,专门负责模块间的接口、时序、容错设计,让不同团队能配合起来。从人才市场的供给看,具备这样能力的复合型人才依然稀缺,薪资也水涨船高。对于想入行的人,我的建议是不要只盯着JAX、PyTorch的代码,也要花时间理解电流环、扭矩、动力学这些基础物理概念。能同时用数学和物理语言思考问题,才是这个行业真正稀缺的能力。

5. 观察十与实操避坑建议

5.1 观察十:未来十二个月的三个关键拐点

最后一个观察,是想对未来一段时间做一些判断。我不做宏大预言,只提炼三个可能改变行业节奏的拐点,供大家作为决策参考。

第一,数据采集成本是否会迎来数量级下降。如果出现更高效的自动标注、更聪明的主动学习策略,或者某种基于世界模型的"虚拟数据扩增"技术成熟,让高质量操作数据的单位成本降到原来的十分之一,整个行业的技术路线都可能被重塑。目前看,一些团队在尝试利用视频生成模型合成操作数据,但稳定性还不行,我估计还要一到两年才能达到实用水平。

第二,端到端模型在受限任务上的可行性验证。如果某家厂商能够在物流拣选、桌面整理或者特定装配环节,用端到端方案实现超过老式模块化方案的生产效率和稳定性,那么会引发一波转向。但我要强调的是,"可行性验证"必须是在真实客户现场长时间运行,而不是发布会演示。

第三,行业是否出现首个"爆款应用"。所谓爆款,不一定是通用人形机器人,可能是一个极其聚焦的小设备,比如厨房切配机器人、实验室移液工作站、仓库拆码垛单元。只要有一个场景跑出极强的单位经济模型,资本和人才都会加速涌入,把整个生态拱上一个台阶。我认为大概率不会是人形机器人先爆,因为它的技术难度、安全认证和场景复杂程度都太高了。

这三个拐点,无论哪个先行触发,都会让具身智能从"讲故事"阶段切换到"拼工程"阶段。对从业者来说,与其每天刷行业新闻,不如盯紧这三个指标,它们比任何新闻标题都更能反映行业真实水位。

5.2 我踩过的几个坑

说完了十大观察,照例分享一下我自己在实际接触具身智能项目时踩过的坑,希望能帮大家省点时间。

第一个坑是过分迷信模型能力。我一开始也以为,有了强大的视觉语言模型,机器人的感知就不再是问题。结果一到现场才发现,模型在标准物体上确实表现出色,但遇到反光、透明、遮挡、变形的物体,输出的置信度会急剧波动。你不能简单地把这个波动传给控制层,否则机器人会做出诡异的抖动。我们现在会在模型输出层之后加一个基于物理合理性的校验模块,比如检查预测的抓取点是否在物体表面、是否与机械臂运动学冲突。这听起来很笨,但能让系统稳定性提升一大截。

第二个坑是忽视机械臂的动力学参数对算法的影响。相同型号的机械臂,不同设备之间的关节摩擦、电机响应特性差异很大。我们的策略网络在A设备上收敛得很好,部署到B设备之后成功率掉了十几个点。后来才意识到,需要在部署时做一次快速动力学辨识,把质量、惯量、摩擦系数重新估计一遍,甚至要针对偏差做策略微调。如果你做的是跨场景部署,这一步骤绝对不能省。

第三个坑是低估了人机交互边界的复杂性。具身智能产品不是放在隔离围栏里的工业机器人,它要在人类活动空间里工作。如何安全地处理人靠近、人遮挡、人意图猜测,是一个远远超出"避障算法"范畴的问题。我见过一个让人印象深刻的场景:机器人准备抓取桌上的水杯,一个操作员下意识地伸手去指点它,机器人的夹爪差点撞上操作员的手。这个场景说明,具身智能系统需要更高维度的社交感知能力,而不仅仅是几何层面的碰撞规避。现阶段,你需要为这些边缘情况准备非常保守的降级策略,比如检测到人手之后立即停止执行并等待指令。

5.3 给从业者的几条实操建议

最后,给正在或准备进入这个领域的读者几条非常具体的建议。

第一,先选场景,再选技术。不要拿着通用模型去找场景,而是定下一个足够窄、足够痛、数据容易获取的场景,比如某种标准化零部件的上下料、实验室里固定流程的移液操作。场景越窄,数据越容易集中,达成的成功率越高,商业闭环越快。通用能力是后续逐步扩展的事情,不是第一天就死磕的目标。

第二,建立自己的评估闭环。不要用一张张成功的演示截图来证明系统能力,而是设计一套自动化评估脚本,每天夜间跑几百次任务流程,记录成功率、失败原因归类、平均循环时间。这些指标才是你迭代系统的真实燃料。一家公司如果连自己的自动评估体系都没有,那它的"迭代"基本就是靠感觉。

第三,软硬一体思考。算法迭代和硬件选型要放在一起考虑,有时候一个成本更低的传感器组合,加上稍微调整后的算法设计,能获得比堆料更高的整体性能。我刚看到的一个案例就是,团队把昂贵的工业相机换成普通的RGB-D相机,同时把抓取检测模型改成对深度噪声更鲁棒的结构,结果系统成本下降了四成,现场成功率反而上来了。

第四,勇敢拥抱开源,但不要无脑复制。开源项目是你快速学习的捷径,但你要理解它在什么条件下成立。至少你要花时间看它的数据集构成、仿真随机化策略和硬件接口假设,而不是看到排行榜和演示视频就直接搬到自己的机器人上。

具身智能这个领域,现在看起来热闹,其实真正能跑通的都是那些愿意做脏活累活的团队。数据采集、标定、安全测试、客户现场运维,这些环节没有太多光环,但它们决定了成败。我个人在实际操作中的体会是,关注那些最无聊的工程细节,往往能拿到比追逐新模型更大的确定性回报。希望这份观察能让你少一点迷茫,多一点方向。

Logo

聚焦RDK与具身智能,汇集机器人开发教程、开源案例和技术交流

更多推荐