智元、PI、Sunday 坐到一桌，具身差的一万倍数据怎么补？

本文来自微信公众号： 42号电波 ，作者：小波，编辑：大吉，原文标题：《智元、PI、Sunday 坐到一桌，具身差的一万倍数据怎么补？｜完整版激辩实录》

在具身智能狂飙突进的当下，通往「ChatGPT时刻」的路径却依然大雾弥漫。

7月19日上午，2026世界人工智能大会「智启具身论坛」开幕，观点碰撞最激烈的就是临近论坛结束的圆桌对话环节。而这场对话汇聚了当前具身智能领域的7位重磅「操盘手」，他们从左至右分别是：

• 任广辉：智元AI算法总监（主持人）

  
  

• 姚卯青：智元合伙人、高级副总裁、具身业务部总裁、觅蜂科技董事长兼CEO

  
  

• 任至意：Physical Intelligence研究科学家

  
  

• 徐丹飞：佐治亚理工学院助理教授

  
  

• 马也骋：Dyna Robotics联合创始人兼首席科学家

  
  

• 张正友：腾讯首席科学家、Robotics X实验室主任

  
  

• 赵子豪（Tony Zhao）：Sunday Robotics联合创始人兼CEO

  
  

语言模型用100万亿Token训出了ChatGPT，而今天具身智能可用的真实交互数据，比这个规模差了一万倍以上。这是姚卯青在这场对话最开始抛出的数字。

但当主持人顺着「数据」追问下去，这场圆桌对话的六位嘉宾一方面有数据来源的观点碰撞，但也有共识，那就是大家都不否认数据的重要性，更关键的是，能让机器人真正完成任务。

赵子豪认为，短期内无环境鸿沟的「无本体采集数据（UMI）」是提升智能最高效的方式；徐丹飞把视角拉长，借用计算机视觉ImageNet的发展史，指出当前具身数据极度缺乏类似分类树状结构的科学规范；马也骋的表述更为体系化，他将数据提炼为一座「金字塔」——顶层是最金贵的部署闭环数据，底层则是海量仿真与互联网视频；张正友则更加看重真实交互与失败数据带来的「飞轮效应」，强调具身智能本质是与物理世界交互，闭环后的真实反馈才是核心。

尽管在填补数据鸿沟上存在认知共识，但在模型架构与落地路径上，各方分歧明显——焦点正是「VLA路线」与「本体形态」。

面对近期「VLA已死，世界模型当立」的路线争议，任至意主张融合，认为两者完全不冲突，未来将在预测未来（future prediction）的表征能力上走向收敛；马也骋补充指出两者在不同能力需求上各有千秋；张正友则跳出单模型的局限，主张从完整的「具身Agent」视角出发，采用类似人类认知、感知与肢体反应的分层系统。

在硬件落地节奏上，几人也各有侧重。赵子豪从商业演进角度，认为当前行业缺的是智能而非五指手，夹爪可以用20%的成本实现五指80%能力。任至意则主张，现阶段依托低维护成本的基础硬件，将精力全盘倾注于基座模型的能力涌现。

作为觅蜂科技董事长兼CEO，姚卯青认为，智元只有自己下场摸清最严苛的量产与测试标准，才能打破制约模型的硬件底层瓶颈。

这场圆桌没有给出标准答案。数据、模型、部署、本体，6位圆桌对话的嘉宾有共同的目标，却有不同的技术路径。但在对话的结尾，这群最靠近技术前沿的操盘手们，却在机器人AGI时刻何时降临上有几乎一致的判断：将在2到5年内发生。

这场论坛，把全行业最懂「怎么采数据、怎么用数据」的人聚到了一起，也被业内称为全明星阵容。他们的分歧与共识，恰好勾勒出物理AI离通用智能涌现，到底还差哪几步。

以下为圆桌对话的核心速记，略经编辑。

从「差一万倍」到ChatGPT时刻

任广辉：从智元加觅蜂数据平台的视角，怎么看具身数据的规模？

姚卯青：语言模型预训练大家都投到了100万亿Token这个量级，对应大概100亿小时的日常说话。具身数据目前的规模还差，可能有1万倍以上的差距。物理世界理论上更复杂、噪声更大、信息冗余也更大。要做到我定义的ChatGPT时刻——能在物理世界里开箱即用、完成日常任务、跟随开放式自然语言指令——我觉得可能需要1亿小时级别的数据，才能掌握对物理世界通用运行规律的映射理解，再到开放式指令理解、规划，常见任务基础成功率可能在70%、80%左右，zero-shot开箱即用能达到这个效果。

任广辉：Sunday最近也发了新模型，而且是最早利用UMI（无本体采集设备）数据的创业公司之一。你怎么看无本体数据的作用？

赵子豪（Tony Zhao）：这很看时间尺度。未来几年，最高杠杆的事就是在规模和数据之间做选择，而这要求无偏的数据规模——我说的「无偏」，是指你回放在机器人上采集的动作，它真的能完成任务。在这些约束下，UMI几乎是理性选择，因为它没有环境鸿沟（environment gap），而且极其便宜。短期我认为只有数据大概是提升智能最高杠杆的方式。但长期，一旦机器人真正部署到足够多样的环境里，部署数据会越来越重要。

这有点像大模型阶段的「递归自我改进」——想象一套系统跑在整支机器人机队上，每台机器用自己的部署数据自我改进。我要强调的是，这只有在多样部署之后才有意义；如果只在很窄的少数任务上部署，这些数据对更宽的通用智能没用。

徐丹飞：把视角拉高一点，数据收集的鼻祖其实是ImageNet。ImageNet怎么收集的？他们先建了一个名词的树状结构（taxonomy），在树的每一层收集数据，因为需要用这种方式让数据「科学地多样」。但我们现在做的人类行为数据，并没有这样一个树状结构或统一规范。所以我觉得还在非常早期的探索阶段，就是怎么收集到更多样的数据。当然Tony说的replay（回放）——怎么把每条数据都在真机上重新跑出来、每个任务都能reproduce——也非常重要。在多样性、真实性，也就是从人到机器人的转化上，都要想一想。

任至意：我补充一点。Tony提到一个bias（偏差）的问题：怎么把采集的数据replay，让机器人完全复现、把任务完成。那肯定真机数据最公正——只要采起来，机器人就能replay、做好任务。但我也同意，真机数据很难scale up、成本很高。所以应该混着其他数据一起学，比如ego或是UMI。在这个框架下，把不同来源的数据放一起学，尽可能把机器也拉进来一起学，去embody（具身化）出更好的表征，不管是ego还是UMI之间的表征都能学出来。

部署闭环：数据金字塔的哪一层最金贵

任广辉：马博士，Dyna在真实场景里做了很多部署闭环。你怎么看部署回收的数据在整体里的分量？

马也骋：我们发现，把部署时拿到的数据放到下一次预训练里，能让接下来的部署更有底。比如我们做折毛巾、折餐巾这类部署，目标不是只在一家宾馆做出来，而是成千上万家宾馆都能部署。前期搭好deployment framework、收集很多数据，再放进pre-training，后面部署的时间就会越来越短，最后在一个新地方做同样任务可以做到近乎零成本，这对落地帮助很大。

但我也同意，做这些fine-tune的前提，是先把预训练这些海量、高多样性的数据做好——人为什么泛化这么强？因为我们不光能学不同动作，对语言、对环境都有很强理解。基座模型的感知知识不一定非要从真机数据学，也可以从互联网视频、从人的第一视角视频里学。所以最终的data recipe就像我talk里讲的金字塔：最高质量的部署数据，加海量真机数据，再加更海量的仿真、第一人称或互联网数据。

张正友：数据大家都认知到重要，最后最重要的可能是从数据飞轮得到的真实数据。当然「数据飞轮」这词是从大模型引过来的，但具身智能本质上是要跟物理世界交互，交互的数据本来必不可少。

无论成功还是失败，都要收集起来，尤其是怎么从失败数据里学到东西、提升模型——我们在混元VLA里引入了强化学习，就是用失败数据来提升操作成功率。

长远看，真正部署出去才会得到大量真实反馈；部署之前，真实数据也很重要。仿真跟真实之间还是有gap，像柔性物体做仿真目前还有困难，工厂里那些物体仿真就容易些、也便宜些，所以仿真数据很重要。

再退一步，互联网上大量第一人称数据本来就能拿来训具身模型；但第一人称数据里手往往看不见，因为人操作时不太关注手怎么动。所以现在有个趋势是多采ego方面的数据。到底要多少量我说不清，但肯定很重要、很需要。等操作成功率到一定程度，就能部署出去，部署后数据反馈，飞轮就转起来了。

模型路线：VLA已死，世界模型当立？

任广辉：网上有很多暴论，比如「VLA已死、world model当立」。PI 0.7也加了world model模块。任博士怎么看「VLA已死」？

任至意：首先，到目前为止我没看到哪家做得比PI 0.7更impressive，所以VLA可能还没死。而且两者完全不冲突。未来我们真正要做的事，是训练一个原生理解context（上下文）、知道怎么生成未来（future）的模型。在训练时把future建模进去、学习未来怎么发展，绝对能提高模型的表征能力。这件事world model在做，VLA也可以做。我们在test time时用future sample去生成未来长什么样，来引导底层模型做下一步任务，也很make sense。所以VLA和world model完全不冲突，未来肯定会逐渐收敛。

马也骋：我非常同意任至意的看法——我们想让模型具备的这些capability都不冲突，比如给语言指令、对future prediction的能力。但我的看法是，在需要的这些capability里，有时用world model比VLA更高效，也有些capability用VLA更高效，各有千秋。在我们特别关心的几个标准下——比如鲁棒性、用很少数据就能达到很高的成功率——我们内部做了一些严谨研究，过段时间会跟大家分享。

徐丹飞：这个问题难答，而且我不代表学术界。从机器人真正能deployment的角度，就看三件事：能不能学到训练数据里的所有东西、能不能泛化、能跑多快。目前没有任何定论说哪个更好。也有人说，要学一个任务，从scratch（零开始）训反而效果更好。所以确实需要系统性的比较。但可能最终结果不是哪一个架构胜出，而是robot capability最终体现出的新能力，比如in-context learning（上下文学习）、长程推理，这些可能更重要。VLA和world model的区别，也许没那么重。

张正友：我们的思考不太一样。具身智能还在起步阶段，整个行业都没converge（收敛），不像大模型基本定了、加数据就能往前推。我们是从「完整的具身智能系统」或「具身agent」的角度想的：借鉴人作为一个agent的系统，最上面是认知系统，中间是感知-行动的子系统，最下面是肢体反应。这三层是闭环的、互相传递信息的。

所以到底用一个模型还是三个模型——我们尽管分层，但每一层可以在不同频率上优化。你想，如果具身智能真是一个智能体，怎么可能只用3B、4B的模型解决所有问题？大模型都是几百B、上千B的。所以具身智能agent要达到AGI级别的智能，肯定不是用几百B模型直接控制运动部分，而是分层，同时每层信息有传递，下一层还能on-demand反馈到最上层的认知系统，去做更复杂的推理和想象。

不缺灵巧手，缺背后的智能

任广辉：Tony，Sunday坚持用三指夹爪面向家庭场景，这是妥协，还是规避灵巧手和触觉的不足？

赵子豪（Tony Zhao）：我觉得是各种因素的混合。我们看待本体形态，更像一种演化——现在大家都觉得人形是终极形态，但恐龙也曾是地球上最好的形态、统治了一切，所以这是动态演进的。我们对夹爪和本体形态的看法，是成本与能力的权衡：三指夹爪，大概能用20%的成本拿到80%的能力。退一步说，家庭、工厂、医院里之所以还没有通用机器人，不是因为我们缺一只五指手，而是缺背后的智能。所以无论是两指、三指、五指甚至十指，都应该开放心态，但要承认真正解锁的是智能层，那才是让机器人有用的核心。

任广辉：任博士，PI只做通用大脑、不做本体，会不会缺了软硬件一体设计和数据闭环的关键？

任至意：我同意，PI没有自己研发硬件，有些具体任务因为没自己设计的硬件确实做不了。但我们的策略是用比较简单、维护成本低的本体先把整个infra（基础设施）搭起来，用这个infra支撑每一代模型研发。我们更多是在做research，不是想着明天就把模型投放到哪，而是想把基座模型能力涌现出来。所以希望公司推得快，就用最简单的本体做。但长期我们肯定会考虑造更可靠的硬件，这只是时间问题。

任广辉：姚总，智元为什么选更重的全栈路线？

姚卯青：智元作为全栈公司，长期研究之外也在积极做商业化尝试，而商业化必须面对一线用户最严的标准——可靠性、成本、成功率、一致性。这些环节必须通过自己的内部专门设计，再到大规模高标准的量产，才能满足硬件形态的基础标准。

同步地，自己做硬件研发和测试，也能更深刻体会当前是哪些硬件在限制、定义我们的模型。比如张老师提到，类人的高阶智能系统一定是分层的，人也不止三层，可能四层、五层。

硬件本身，现在端侧最先进芯片也只跑5B、10B的模型、10赫兹，支撑不了200B的模型，这反而催生出端云结合的agentic大模型——云端异步低频推理、通信，端侧跑5B、10B模型，再到底层把规划出的路径轨迹转成1000赫兹的电机通信控制。只有钻研到硬件底层设计、测试，才能在全部约束下优化出当前最高效的系统。

徐丹飞：关于human data，我最近发了一些T-Rex相关的工作，涉及灵巧手和触觉。我的假设是：只要机器人本体能达到人类灵巧度的某个程度，我们就可以直接从人类数据学机器人的policy（策略）。这个假设成立，而且我们现在有资源、技术也到了这一步，所以应该把这些数据做出来，看看能做成什么。

产业格局与AGI时刻：大厂会不会降维打击

任广辉：大模型厂商越来越强，会不会降维打击机器人创业公司？马博士怎么构建壁垒？

马也骋：大厂其实一直在做，Google、NV、国内大厂都在做模型，但跟我们这种从模型、硬件到deployment都做的创业公司没有冲突。开源的VLM、video model对做部署的机器人公司帮助特别大。而且从技术角度，robotics policy、部署必须在local做——真机对性能要求高、对延迟特别敏感，最后都要做local model。如果没有好的开源模型，各家机器人公司就必须自研，所以自研模型是inevitable（必然）的。这也是为什么不管用不用大厂的，各家公司都有很强能力做自己的模型；想靠一个大模型加API就让机器人干所有任务，目前我认为还不太成立。

张正友：先分享一点关于全栈和只做大脑的看法：从手机看，全栈的苹果和非全栈的安卓都活得很好；回到PC时代，Mac全栈、Windows支持不同硬件，也都不错。所以机器人这边同样会发生，选大脑还是全栈，是各家长期的选择。腾讯已经明确只做大脑、不做本体——腾讯在AI、连接、腾讯云投入多，适合做大脑，做硬件本体我们还没成功过，有自知之明。

但具身智能前期，本体和模型结合着思考探索还是重要，我们实验室从18年成立就没放弃过做硬件。回到大厂和小厂：大厂的优势大家都清楚，像大模型时代Google发明了几乎所有技术，但OpenAI还是出来了。我相信创业公司有很多可能性，但要想清楚做什么——如果做的事很容易被大厂或下一个大模型吸纳进去，前景就不会太好。所以不要做incremental（渐进式）的东西，去避开锋芒。数据、场景这些，我相信创业公司会有更深入的思考。

任广辉：最后一个问题，大家给个心中的AGI时刻timeline？

姚卯青：2年，主要在数据的一个进展。

任至意：我加入PI之前觉得得10年，现在可能4、5年吧。

徐丹飞：5年。

马也骋：我觉得4年差不多。

张正友：看来大家有共识，我认为是3到5年。但要踏踏实实去做，这3到5年还是有希望的。

赵子豪（Tony Zhao）：我想不到2年。