具身智能数据讨论 - 公司与多家传感器供应商合作，聚焦视觉触觉与高密度传感器联合研发，并构建跨平台数据采集API实现任务语义统一映射[2] - 机器人应用需达到95%成功率才能满足家庭场景需求，当前性能优化是主要门槛[2] - 仿真数据用于高效迭代但存在扩展性瓶颈，多模态大模型训练100%使用真机真实数据[2][3] - 合成数据仅用于工程迭代与模型调试，大模型训练阶段完全依赖真实数据[3][4] - 真实数据成本核心在于缺乏标准化采集机制，公司正尝试远程遥操、自动部署机器人等方式建立自动化数据工厂[6] 自动驾驶与机器人数据对比 - 自动驾驶要求99.99%安全水平，机器人开放环境操作同样需要高成功率，当前面临数据稀缺与工程伦理双重挑战[7] 具身大模型评估 - 行业缺乏通用benchmark，公司计划搭建统一真机测试场推动标准化评估[8][9] - 评估维度聚焦技术路线与性能表现，从Demo炫技转向全栈一体化产业闭环[9] - 世界模型基于统一平台实现视频生成、模型评测与策略训练，复杂场景处理能力突出[10] 技术路线争议 - VLA路线非最终方案，需结合大模型与优化策略提升成功率至远超ChatGPT的50%-60%水平[11] - 中美差异：美国重算法开源，中国强在工程集成与产业化速度[12] 遥操作与自主决策 - 自主决策需突破多模态信息融合、任务泛化与高成功率执行三大门槛[13][14] - 当前"失控"问题源于软件设计缺陷而非意识觉醒，通过安全兜底机制保障运行[14] - 通用能力需从垂直场景积累数据逐步演化，无法直接实现[15] 应用场景落地 - 部署流程分任务建模、场景迁移、适配与安全验证四步，软硬件协同是关键[17][18] - 工业场景因结构化程度高更易落地，需满足100%性能与节拍一致性[20][21] - 工商业将先于家庭实现规模化落地，长期家庭市场潜力更大[21] 技术路线选择 - 关节驱动与感知能力依赖模块化标准，行业需共建可插拔生态[22] - 家庭环境复杂性需通过垂直场景数据积累逐步攻克[22] - 执行速度慢源于过度依赖模仿学习，需引入专门优化训练提升[23] 未来发展方向 - 追求DeepSeek moment：接近100%成功率+高速执行+泛化能力，超越ChatGPT moment[24] - 数据驱动成为科学正名，通过统计显著性验证建立结论[25] - Transformer架构主流但效率待提升，类脑架构或更适合具身智能[26] 软硬件协同生态 - 构建平台化操作系统（机器人Android）统一硬件接口，与软件厂商开放合作[28][29] - 操作系统是基础设施，真正突破依赖算法与模型创新[30]