具身智能数据讨论 - 公司与多家传感器供应商合作，重点研发视觉触觉与高密度传感器，并构建跨平台数据采集API以实现标准化数据输入[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] - 仿真数据用于模型迭代但大模型训练100%使用真机真实数据，仿真流水线在扩展性上存在瓶颈[2][3] - 合成数据仅用于工程迭代与模型调试，发布与部署阶段完全依赖真实场景数据[3][4] - 真实数据成本核心在于缺乏标准化机制，公司尝试通过远程摇操、自动部署机器人等方式建立自动化数据采集闭环[6] - 机器人数据瓶颈与自动驾驶不同，需解决数据稀缺、性能优化及工程伦理等多方面挑战[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供不同模型评估[8][9] - 评估维度包括具身技术路线与性能表现，当前从Demo炫技转向产业闭环但仍面临工程复杂性等挑战[9] - 公司世界模型基于统一平台，能生成视频、评测模型并训练策略，处理复杂场景能力较强[10] - VLA路线需结合大模型与优化策略，机器人执行要求远高于ChatGPT的50%-60%准确率[11] - 中美差异：美国重算法创新与开源生态，中国在工程集成与规模部署上更具优势[12] 遥操作vs自主决策 - 自主决策需机器人理解世界、生成策略并执行任务，关键技术门槛在于多模态信息融合与高成功率[13][14] - 当前"失控"问题源于软件设计不完善而非机器人意识，公司通过模拟测试与安全机制确保安全[14] - 数据积累路径从垂直场景逐步过渡到通用场景，无法直接实现通用能力[15] 具身智能应用场景与落地 - 场景部署流程分为任务建模、场景迁移、场景适配与安全验证四步，强调软硬件协同与人机安全[17][18] - 工业结构化环境更易落地，需满足近乎100%的性能要求，家庭场景因复杂性长期市场更大[20][21] - 工业场景中VLA需结合大模型与优化策略，相比传统方案具备更强泛化能力与更低调试成本[23] - 人形机器人技术路线未收敛，公司同时依赖外部厂商与自研技术探索模块化标准[23] - 家庭环境异质性带来工程挑战，需通过垂直场景数据积累逐步演化通用能力[23] - 执行速度慢源于模仿学习局限，需引入专门优化训练而非仅模仿原始操作[24] 具身未来展望 - 追求DeepSeek moment即高成功率+泛化能力+速度的统一提升，而非ChatGPT式低成功率泛化[26] - 数据驱动成为科学范式，通过大规模数据与统计验证建立结论[27] - 未来架构可能超越Transformer，类脑架构更贴近生物大脑处理模型[28] - 传感器选择关键在"对的传感器"而非数量，方法论与算法架构更重要[28] 具身软硬件协同 - 公司构建平台化操作系统（类似"机器人Android"）为硬件与传感器提供统一接口[30] - 行业需开放合作共建生态，单靠操作系统无法推动性能级模型创新[31][32]