機器人急著打工，先當實習生

去年4月，人形機器人第一次和人類站在同一條賽道上跑馬拉松；今年4月，機器人已經跑得比人類還快。但跑得快之后呢？企業們給出的答案出奇一致——先去實習。

從春晚舞臺到保潔現場

過去兩年，登上春晚、參加比賽是機器人展示拳腳的最佳舞臺。宇樹科技的機器狗翻跟頭、人形機器人跳秧歌，流量拉滿，但質疑聲從沒停過：跑那么快有什么用？什么時候能干實事？

今年4月，敘事變了。智元機器人宣布新款A3人形機器人將通過"擎天租"平臺批量交付，上崗景區；自變量機器人與58同城合作，推出全球首個機器人保潔員，進入真實家庭與保潔阿姨協同作業。

社交媒體上已有用戶"嘗鮮"。有用戶反饋，機器人能做晾衣服、收納等復雜家務，但疊一件衣服要接近10分鐘；活動范圍有限，有臺階、門檻都進不去。整體評價依然是"機器人不如人"。

這種"不足"不是某家企業的難題，是整個行業的共同瓶頸。自變量CEO王潛直言：「今天在全世界范圍內，沒有任何一臺機器人可以在沒有遙控操作的情況下，獨立完成大部分的日常家務。」

宇樹科技創始人王興興也提過類似判斷：機器人在預設場景任務中成功率趨近100%，一旦場景變化或出現從未見過的事件，成功率會斷崖式下跌。他給出的時間表是：機器人做家務還要3-5年。

"小腦"發達，"大腦"缺鈣

業內有個形象的比喻：機器人雖然"小腦"發達，但"大腦"還在發育。

"小腦"指運動控制能力——武術、舞蹈、后空翻，這些復雜動作機器人已經玩得轉。"大腦"則是認知、決策能力，是"能干事"的基礎。當下最大的瓶頸就在這里：機器人無法理解真實世界的物理邏輯。

讓"大腦"真正長好，行業目前分三條技術路線：

VLA端到端是當下主流，也最成熟。它融合視覺等多模態感知信號與語言指令，直接生成機器人動作。簡單說就是"聽命令，直接干"——用戶說"我餓了"，機器人找到食物遞過來。只要見過類似物體，它就能執行。

但弊端明顯：任務越復雜、場景越陌生，越容易"邏輯死機"。而且常用架構把視覺、語言、動作三個模塊獨立運行，數據每過一次邊界就有信息損耗和延遲。涉及精細動作時，"大腦"容易跟不上"小腦"。

世界模型路線被認為最接近人類思考模式。核心能力是理解物理世界運轉規律，預測下一刻發生什么。比如杯子從桌上掉落，模型能基于對運動、重力的認知估算方向，機器人據此扶穩或避開。

但成本挑戰巨大。英偉達的Cosmos世界基礎模型，經過了9000萬億個Token的訓練。數據需求、訓練成本都是天文數字。

大小腦分層是更具國內特色的路線。LLM大模型當"大腦"理解任務，VLA/動作模型當"小腦"負責精細控制。但拆分容易導致任務延誤，難以高精度操作；模塊越多，成本越高。

不過國內大部分企業在"小腦"環節已有積累，先立住長板、再補短板，比從零造"大腦"更務實。

三條路線，開始"混血"

每條路線各有優劣，難說誰是終局。更現實的趨勢是：深度融合。

智元Genie業務部生態及解決方案總監沈詠劍曾表示，世界模型與VLA不一定是替代關系，也可能融合或合作。今年以來，智元推出了世界模型迭代版本GE-Sim 2.0、新一代VLA基座大模型Genie Operator-2，以及第二代一體化具身大小腦系統GenieReasoner。

智元在傳統世界模型僅建模"狀態"的基礎上，提出了世界動作模型方向，將"狀態-動作-狀態演化"作為統一建模對象，并未只圍繞單一路線推進。

自變量則推出了世界統一模型架構的具身智能基礎模型，把大小腦塞進同一個模型，更有效消除模塊間的信息損耗與延遲。其模型WALL-B的特點是"干中學"——在反復失敗、嘗試中自我迭代。

自變量CTO王昊指出：「世界模型并非一個單獨的模塊，它本質上是一種能力，但這種能力不能簡單地累加，并不是在VLA后面再掛一個世界模型就能理解世界。」

智平方提出快慢雙系統融合方案："快系統"負責全身控制，"慢系統"負責邏輯推理。面對復雜動態環境，既能快速反應，又能保持對長程任務的深度理解。

無論哪條路線，"大腦"要真正長好，繞不開兩件事：理解世界，以及讓思考跟上身體的反應速度。

泳池里學不會游泳

但這不是練得越多就越強。王昊舉了個扎心的例子：「一個人在泳池里學了10年游泳，但把他丟到大海，他還是有可能會淹死。」

實驗室數據太干凈，機器人待在象牙塔里，很難具備真正的獨立思考能力。最好的方法是到復雜的、充滿隨機性的環境中學習。

復旦大學計算機科學技術學院教授肖仰華曾對外表示：「訓練具身智能大模型，保守估計當前已有數據量與所需數據量之間至少還差兩個數量級。」

兩個數量級，意味著100倍的差距。出于對真實數據的渴求，機器人開始加速涌入真實場景。

優必選的人形機器人已經進入工廠。創始人周劍表示，優必選花了兩年時間，從新能源汽車制造場景切入，完成搬運、上下料、物料分揀、質檢等任務的POC實訓。

銀河通用的Galbot機器人開始參與藥房運營，自主識別訂單、抓取藥品、掃碼、打包；魔法原子的人形機器人變身"汽車銷售"，在專賣店招攬顧客、講解車輛參數。

不同企業、不同場景，目標只有一個：在真實場景獲取真實數據，讓"大腦"在摸爬滾打中真正發育。

為什么急著當"打工仔"

機器人企業如此急切地把半成品推向市場，背后是一套殘酷的商業邏輯。

首先是數據饑渴。仿真數據能解決一部分問題，但真實世界的摩擦力、光照變化、人類行為的不可預測性，很難在虛擬環境中完整復現。每一個在真實場景中犯的錯，都是珍貴的訓練樣本。

其次是成本壓力。人形機器人硬件成本雖已大幅下降，但離消費級市場仍有距離。先切入B端場景——工廠、景區、藥房——用租賃或服務分成模式回血，是更現實的生存策略。

更重要的是技術驗證。實驗室里的Demo再驚艷，也證明不了商業價值。只有真正進入生產流程、面對真實用戶，才能知道"大腦"到底缺在哪塊。

58同城選擇合作機器人保潔，而非直接替代保潔阿姨，也是務實考量。現階段機器人更適合做"協同"而非"替代"，在特定環節補充人力，同時積累家庭場景數據。

這種"人機協同"模式，可能是未來幾年的常態。機器人干得了的，比如地面清潔、物品遞送；干不了的，比如復雜收納、情感交互，繼續交給人類。邊界在實戰中慢慢清晰。

行業敘事從"炫技"轉向"務實"，本身是一種成熟。春晚舞臺上的后空翻，證明的是可能性；工廠里的搬運、家庭中的保潔，驗證的是可行性。前者吸引眼球，后者決定生死。

當然，風險同樣明顯。過早商業化可能透支用戶信任——如果"嘗鮮"體驗太差，市場教育成本會大幅上升。企業需要在"盡快獲取數據"和"避免口碑崩塌"之間找平衡。

另一個隱患是技術路線鎖定。一旦某家企業在特定場景投入過重，可能被迫持續優化那條路徑，錯失更優解。深度融合是大趨勢，但融合需要資源和時間。

無論如何，2025年正在成為具身智能的"實習元年"。機器人從舞臺中央退下，穿上工裝，走進車間和客廳，在真實世界的混沌中學習思考。

這個過程注定笨拙、緩慢、充滿挫敗。但正如王昊那個泳池的比喻——大海才是目的地，泳池里練再久，也學不會真正的游泳。