具身智能与物理AI电话会议纪要关键要点总结 一、涉及行业与公司 - 行业：具身智能产业、物理AI、机器人本体制造、VLA（视觉-语言-动作）模型开发、机器人训练数据采集与处理[1][2] - 海外公司：OpenAI（自研整机）、Figure AI（真机数据采集要求）、Physical Intelligence（PI-0、PI-0.5开源模型）、特斯拉（闭源模型）、谷歌（Open X-Embodiment开源数据集）、ChatGPT-6（自动化标注）[4][5][9][13][8] - 国内公司：智元机器人（2026年底累计产量超2万台，精灵系列约5000多台）、宇树科技（头部本体厂商双轨策略）、自变量机器人、银河通用、星海图（侧重基础模型开发与币的销售）、商汤孵化的大小机器人、阿里（千问模型）、字节（豆包模型）、清华大学团队（R3A模型）、赛力斯（华为合作代工案例）[2][3][10][13][14][12] 二、核心观点与论据 （一）行业发展阶段与共识分歧 - 具身智能产业处于从0.1到0.3的阶段，远未达到从0.1到1的里程碑式跨越，行业共识局部成立但整体被明显高估，技术路线尚未完全收敛，部分头部企业已同步启动量产工程爬坡[2][3] - 模型厂商认为产业焦点已从本体硬件演示转向"大脑"和数据，现有本体硬件已足以支持良好演示效果，继续优化外观、自由度、关节参数等硬件指标边际收益较低，瓶颈在于"大脑"而"大脑"能力主要由数据支撑[2] - 本体厂商资源重心和内部预算大头依然是硬件本体，核心考核指标聚焦于关节可靠性、功耗、标定一致性以及BOM成本降低，认为"大脑"是长尾瓶颈而本体一致性是前置门槛[3] - 场景方关注任务成功率、停机率、场景迁移改造成本、能否稳定完成指定工作、迁移速度以及维护成本，许多场景并不需要通用大脑，专用VLA加上运动控制可能就足够，通用大模型底座在某些情况下反而是冗余和不可控的[3] - 当前机器人生产多为"手工作坊式"，本体差异较大，导致100台样机中有30-40台无法复现演示效果，限制了算法普适性[3] - 中美路线有所分化：美国大型科技公司倾向于通用方向，技术路线未收敛且处于相对早期；国内基本转向场景落地，部分应用于特定场景的人形或轮臂式机器人已进入量产前爬坡阶段[3] - 智元到2026年年底总计年产量预计超过2万台，其中用于实际作业的精灵系列约为5000多台[3] （二）训练数据分类、权重占比与成本 预训练与后训练阶段数据权重差异显著[4] - 仿真合成数据：预训练阶段占比约60%，后训练微调阶段最多约15%，仿真资产场景库和随机化管线建议自建，其他仿真轨迹可外采[4] - 无本体采集数据（Ego-Body、UMI）：预训练阶段占比约30%，后训练阶段降至约10%，标准化UMI和Ego-Body数据适合大规模外采尤其可通过众包模式采集，但涉及跨本体映射、重定向模型或动作空间对齐部分需自建[4] - 真机遥操作数据（同构本体）：预训练阶段占比约5%，后训练阶段大幅提升至70%以上，高价值同构本体遥操作数据最好自建，因第三方很难获取特定本体真实动力学噪声分布，部分数据可通过外包遥操作方式采集但特殊数据仍需以自建为主[4] - 星海图发布的模型在预训练阶段将自有本体采集数据占比提高后，后训练阶段取得更好效果，但仍需更大规模数据（当时约800小时）验证普适性[4] - 跨本体迁移数据（异构真机数据）目前在训练数据中占比较低仅为个位数百分比，市场尚未出现类似大型公共数据集，来源基本依赖外部采购，概念最初因谷歌开放Open X-Embodiment开源数据集受到关注[5] 真机遥操作数据市场现状与成本 - 单小时真机遥操作数据市场报价约400元，普遍市场价格已降至300元以内，Figure AI等公司要求数据必须在真实场景中采集而非训练场搭建场景，导致成本相对较高[5] - 一小时原始真机遥操作数据成本约600元，构成包括：人力成本（操作员）占35%（约250元/小时）、设备折旧（整机、零配件、算力集群等）占30%、场地电力及场景建设成本占15%、耗材（灵巧手、减速箱、触觉传感器）损耗占15%、数据存储成本约占5%[6] - 当前芯片稀缺，1PB一年租赁价格已从一两年前50多万元上涨至130万至150万元[6] - 基于30%有效率，换算成一小时有效真机遥操作数据成本约2000元[6] - UMI数据原始报价约200元/小时，按50%有效率计算有效数据成本为400元/小时；Ego数据原始采集成本约60-70元/小时，按15%有效率计算有效数据成本同样在400元/小时左右；众包方式采集单小时名义成本可能低至40-50元但有效数据折损率很高[6] - 一小时有效真机遥操作数据成本（约2000元）大约是UMI和Ego数据（约400-500元）的4倍，是仿真数据的10倍以上[6] - 行业普遍有效数据转化率：真机遥操作数据约30%、UMI数据约50%、Ego数据约15%、仿真数据有效率可达70%以上（前提是资产和随机化处理得当）[5] （三）数据处理损耗与工程壁垒 - 从原始数据交付到最终可用于VLA模型训练，整体数据损耗率在70%左右，即100小时采购数据中最终只有约30-40小时合格数据能进入实际训练环节[7] - 清洗和异常剔除阶段约筛掉20%数据，需人工审核剔除操作员失误（休息、摸鱼）或不符合采集规范（Ego数据中手部未露出）的不合格数据[7] - 时空对齐环节损耗约25%数据，需将图像、触觉等不同传感器数据在时间戳上对齐，业内目标延迟控制在1毫秒以内但目前普遍水平仍在2毫秒左右[8] - 动作重定向和坐标系统一环节同样损耗约25%数据，需将Ego数据或UMI数据通过动作重定向技术转换为机器人可用数据格式，高度依赖工程能力而非人力投入[8] - 任务标注或子任务切分环节因自动化标注成功率有限造成数据损耗，即便最先进模型（如设想中的GPT-6）自动化标注成功率预计也仅在40%至50%左右[8] - 2026年年初使用国内开源模型进行自动化标注测试成功率低于40%，更换为ChatGPT-6后成功率提升至约50%，但距离实际场景应用需达到90%或95%以上成功率才能有效替代人工仍有差距，标注环节仍高度依赖人力外包成本约占10%[8] - 对工程能力要求最高的两个环节是时空对齐和动作重定向，数据清洗和语音标注等环节目前主要依靠人力解决[8] （四）OpenAI自研整机动机与商业路径 - OpenAI自研整机首要目标是构建专属闭环物理交互数据流，此前与Figure合作中因硬件归属Figure导致关键失败样本、力觉数据以及本体动力学耦合数据无法为OpenAI所用，这也是双方合作最终破裂的重要原因，Figure后续也转向自研模型[9] - 具身智能模型所需稀缺数据（失败、接触、力控及持续动作耦合等数据）高度依赖本体构型、传感器布局和运控带宽，只有通过自研整机才能统一控制数据采集标准，确保获取可复现、可控、全链路可溯源的真机交互数据并保证对VIV模型的有效性[9] - 次要目标是为适配VLE基座模型定义硬件参考基准（执行器规格、传感器配置、运动接口等），降低模型接入外部硬件时的调试成本，而非为了垄断硬件，直接销售机器人是产品化副产品并非当前重心[9] - 未来保留"卖大脑"模式但会分层且有约束地开放：第一层生态开放，向愿意适配标准接口并同意回流本体数据的厂商提供VIV基座API或事件模型，类似华为智驾与各车企合作模式终端数据需回流；第二层为自研本体集群采集的高密度力控精细操作数据主要用于后训练可能不对外开放；过去免费或低价提供模型但数据不回流的模式将不再存在[9] （五）全球分工格局与国内厂商分化 - "海外供大脑、国内做本体和场景"的局部合作分工现阶段可能成立并出现大量合作案例，但不会演变成稳定且单一的全球分工格局，主要因海外巨头尚未形成绝对统治力而中国追赶速度很快[10] - 海外模型价格昂贵，国内如阿里千问、豆包等模型因token价格便宜在海外也具备市场竞争力，一定程度上制约海外厂商形成价格垄断[10] - 国内头部本体厂商不会沦为纯粹代工厂，但中小方案商可能面临被压缩为硬件ODM的风险[10] - 海外基座模型优势在于高层语义理解和长时程规划等世界模型知识，属短期优势；国内本体厂商优势在于低成本供应链、整机集成、场景工程、运维能力以及客户资源[10] - 海外模型厂商直接对接国内场景进行硬件验证成本极高，最有效方式是与国内本体厂商合作落地[10] 合作模式核心矛盾 - 具身智能"大脑"与"本体"之间是强耦合关系，不同于手机芯片与外壳的弱耦合，VLA模型性能上限与本体动力学、传感器分布及触觉配置紧密绑定[11] - 海外VLA模型对国内厂商是"黑盒"无法调整内部参数，机器人在实际场景出现故障或不稳定时国内厂商无法修改模型内核只能被动等待海外开发者版本迭代，导致交付周期不可控[12] - 数据回流存在博弈：场景中高价值失败案例或高难度任务数据是模型迭代核心资产，海外"大脑"开发者必然要求数据回流但国内本体厂商出于资产保护考虑不愿交出核心数据；未来真实场景中机器人产生数据很可能受更严格监管限制出境[12] 国内厂商分化前景 - 头部本体厂商如宇树科技等采取双轨策略：一方面接入海外VLA模型作为备选方案降低早期研发门槛快速验证场景应用并获得投资回报，另一方面自研VLA底层模型并利用场景优势沉淀物理数据构建从硬件、运控到场景交互和数据采集的完整闭环，该闭环能力将成为核心护城河避免被海外模型供应商锁定[12] - 中小型或ODM厂商缺乏自建数据闭环和自研VLA模型能力，训练VLA模型虽在当前数据量下成本低于通用大模型但随数据量增长训练成本将非常高昂中小厂商难以负担，价值将被压缩至硬件集成、工装装配和供应链管理等环节毛利润持续受挤压，类似华为与赛力斯早期合作模式赛力斯一度沦为代工厂，纯做硬件厂商难以获得高利润最终可能被市场边缘化[13] - 大脑模型成本下降会扩大整机应用场景空间，主要利好具备数据闭环和自研能力的头部本体厂商，只专注硬件缺乏数据和VLA模型能力的厂商面临生存压力[13] （六）国内具身智能模型开发现状与算力挑战 - 海外主流具身智能模型如Figure和特斯拉基本闭源，国内开发很大程度上依赖开源模型，Physical Intelligence发布的模型（PI-0、PI-0.5）扮演基准角色，PI-0.5已成为相对标准VLA模型，国内许多头部公司模型性能评测（打榜）常以其为参照物如在ROBOCHALLENGE等任务集上对比[13] - 国内至少半数以上具身智能模型公司包括智元机器人、自变量机器人等开发工作是在PI等开源模型基础上进行蒸馏、微调和二次开发而非从零构建基础模型，银河通用虽有部分自研成分也会参考PI技术路径，星海图目前更侧重基础模型开发和币的销售尚未深入大脑训练，商汤孵化的大小机器人近期发布一款模型市场反馈初步不错[13][14] - 训练VLA模型极其消耗算力，以2024年下半年清华大学团队开发的R3A模型为例，仅10亿参数模型算力成本就高达500万元，当前数据量级已是当时千倍以上，训练相应规模VLA基础模型所需投入可能高达数亿元[14] - 从公开信息来看国内尚未有公司宣布投入如此量级资金进行VLA基础模型训练，侧面印证当前国内厂商更多基于开源模型进行微调而非大规模底层基础模型自研[14] 三、其他重要但可能被忽略的内容 - 真机遥操作数据采集要求极高，Figure AI等公司要求数据必须在真实场景中采集而非训练场等搭建场景中进行[5] - 数据存储成本约占真机遥操作数据总成本5%，当前芯片稀缺导致1PB一年租赁价格从一两年前50多万元上涨至130万至150万元[6] - 仿真数据有效率可达70%以上前提是资产和随机化处理得当[5] - 时空对齐业内目标延迟控制在1毫秒以内但普遍水平仍在2毫秒左右[8] - 自动化标注需达到90%或95%以上成功率才能有效替代人工，目前标注环节高度依赖人力外包成本约占10%[8] - OpenAI自研整机次要目标为适配VLE基座模型定义硬件参考基准包括执行器规格、传感器配置和运动接口等[9] - 国内如阿里千问、豆包等模型因token价格便宜在海外具备市场竞争力[10] - 星海图目前更侧重基础模型开发和币的销售尚未深入大脑训练[14] - 商汤孵化的大小机器人近期发布一款模型市场反馈初步不错[14]