具身智能路线之争 - 清华大学许华哲认为特殊任务研究对推动具身智能发展"几乎没有用处"，主张标准化数据集和通用模型才是核心推动力[1][2] - 南方科技大学周博宇反驳称无用之用方为智能基石，以波士顿动力和蛇形机器人研究为例，证明特殊任务推动技术突破[1][2] - 争论焦点在于行业应押注通用颠覆还是深耕工业场景的工程细节，折射学界对技术决定论的警惕[1][3] 技术路径分歧 - 许华哲强调强化学习使机器人具备跨场景通用能力，认为"通用智能解决后细分领域问题迎刃而解"[3] - 周博宇批判"通用大脑优越论"，指出人类技能需反复锤炼，应关注汽车线束整理、半导体封装等高精度产业需求[3][6] - 科大讯飞季超认为技术迭代与工程化落地能力同等重要，缺乏场景打磨的优势易被复制[6] 行业实践与挑战 - 钛维云创张磊50%采用真实数据+50%仿真数据训练模型，因柔性物体参数达上百个导致仿真成本指数级增长[7] - 当前方案85%-90%采用经典控制理论建模，仅10%-15%用强化学习算法，客户更注重安全性[8] - 2025年4月中国机器人行业融资环比增长9.3%，总金额达60.5亿-71.5亿元，较3月增长2-3倍[11] 商业化与资源错配 - VLA模型成企业展示重点，但周博宇指出工业医疗场景更需高精度运动控制而非语言交互[12] - 担忧企业为融资分散精力做"秀肌肉"功能，忽略真实场景需求[12] - 行业共识为"长坡厚雪"，技术拐点前竞争关键在于工程细节而非demo渲染[12]