文章核心观点 - 文章指出，2025年世界机器人大会展现了人形机器人行业的繁荣表象，但产业仍面临成本、数据、技术路线等多重根本性挑战，特别是在“大脑”（智能）层面的技术路线尚未收敛，数据格局也未清晰，整个行业仍处于早期发展阶段 [3][6][7][11][12][16] 市场现状与增长态势 - 在政策引导下，中国人形机器人行业通过“应用验证—技术突破”双向循环加速发展，市场呈现强劲增长 2024年商用销售出货量约为2000台，预计到2030年将达近6万台，复合年增长率达95.3% [6] - 尽管有厂商完成数百至上千台机器人的量产交付，但该数据与传统手机和汽车行业的量产概念仍有巨大差距，整个具身行业的商业模式仍非常早期 [6] 行业面临的挑战 - 产业面临“五座大山”：成本高昂、硬件一致性与良率不完善、数据存在规模与质量双缺口、软件与算法成熟度不达标、供应链与标准缺失 [7] - 数据采集成本高昂，真机数据采集成本由正转负问题亟待解决 仿真引擎上手门槛高，需要平台化、集群化以提升能力 [7] - 机器人本体适配成本高昂，零部件缺乏统一标准 系统层面，一台机器人上可能存在三台不同的主控，导致系统复杂低效 [7] - 行业机器人种类繁多，但对比几大终端产品数量仍非常少 原因是每个场景都建立独立系统，这种硬件堆砌方式无法带来智能进化，形成了商业牢笼 [8] 技术路线与“大脑”议题 - 行业架构一般分为负责感知规划的“大脑”、负责运动控制的“小脑”以及负责执行任务的“本体”三层 [11] - 2025年WRC显示机器人灵活性增强，背后是“小脑”技术路线已基本达成一致与收敛 但“大脑”层面，无论是可解释性还是技术收敛，都未达到理想效果 [11] - 具身智能的核心变化是由过去纯“小脑”+控制变成了“大脑”、“小脑”深度融合 “大脑”很关键，预计至少要到2026年大会才能看到基本框架 [11] - 技术路线在大方向上有所收敛，行业开始确定选择以数据驱动的Learning Base（机器学习算法）作为核心控制策略，并逐渐相信并选择端到端的VLA模型 [12] - 目前具身行业技术路线呈“三足鼎立”局面，包括端到端VLA、大小脑分层架构、世界模型路线，并以类脑路线和模仿-强化学习混合路线作为补充 [12] - 具身产业是系统工程，每条技术路线都有价值，核心看谁能将各点优势串联成更有用的系统 当前限制性因素主要在于具身模型架构与数据闭环的迭代，而非芯片或算力 [13] - 有观点认为，具身大脑技术范式本身尚不成熟，且行业数据远远不够 厂商可先将机器人做到四肢健全、在简单场景落地，再发力大脑端，是一条相对可实现的路径 [13] 数据问题与获取方式 - 数据是限制行业发展的关键要素之一 对VLA架构的怀疑原因包括行业现存数据量不够，数据质量和数量都无法满足模型与真实世界交互的需求 [16] - 目前行业几乎都在做训练场采集数据，但存在数据是否有用的问题 采集模式如遥操成本高，真人戴手套拆除采集速度快但数据通用性差 [16] - 不同厂商对数据看法不一 有观点认为最直接的数据是遥控机器人干活的数据，但这部分数据面临产能不足且非常昂贵的现状 [16] - 对比自动驾驶领域头部车厂每天有百万台车在跑，单天回流上亿条真实数据 具身领域目前最大的公开数据集仅100万条，数据缺口巨大 [16] - 数据获取成本高，看视频数据无法让机器人学会动作，但从真实世界采集真实动作数据又太贵 [16] - 为解决数据问题，有公司采用基于计算机图形学技术在虚拟空间复现物理规律，搭建大规模可交互物体资产库，通过合成管线生成动作数据，最终通过Sim2Real技术实现迁移，其中真实数据占比小于1% [17] - 数据来源可类比为金字塔架构：底端是规模大但缺乏动作信息的互联网视频数据；中层是存在Sim2Real Gap（仿真与现实差距）的仿真数据；顶端是真机数据 [17] - 大脑的模型架构若未定位清楚，数据的定位也不会清楚 需要海量数据的架构不能仅靠现实数据采集，而小模型路线依靠纯现实数据就够用 因此，大脑模型未定导致目前数据格局未清晰 [17]