具身智能的“前GPT时代”困境：基础模型缺失与数据飞轮断裂

如果让我用一个词概括WAIC 2026上看到的具身智能，那一定是“割裂”。展台上机器人叠衣服、冲咖啡、切菜，看起来任务都完成了，但走出展台，和真正在做落地的人聊一圈，听到的几乎全是“别急”“还早”“不是这样搞的”。面壁智能姚远打了个比方，说现在的具身智能很像“前GPT时代”的NLP——每个任务单独训练一个模型，没有通用的基础模型，也没有数据飞轮。这个判断我深以为然，因为最近正好在看几篇关于机器人基础模型的论文，感觉这个比喻不仅贴切，还点出了行业最核心的瓶颈。

展台与现实的落差：从“表演”到“泛化”的鸿沟

展台吸引眼球，但本质上还是“脚本式表演”。叠衣服的机器人可能只针对特定布料和折叠方式，换个T恤就卡住；切菜的机器人对黄瓜的粗细、放置角度有严格限制。这种表现和NLP在BERT之前的状态很像——每个任务（比如情感分析、命名实体识别）都要单独训练一个模型，换一个领域就失效。现在的具身智能，大多数还是靠“规则+少量数据”的定制方案，泛化能力几乎为零。

看看这个典型的操作流程（以叠衣服为例）：

# 伪代码：当前大多数具身任务的实现方式
def fold_towel(towel_pose, fold_type="standard"):
    if towel_pose.angle < 0.1 and towel_pose.width < 30:
        # 针对特定几何形状的硬编码轨迹
        move_to(towel_pose.corner1)
        grasp()
        move_to(fold_target)
        release()
    else:
        raise Exception("Unsupported towel configuration")

这种代码在展台上能跑通，因为环境是精心布置的。但一旦遇到未见过的情况，就崩溃了。而真正的“GPT时刻”需要的是：模型见过足够多的物理场景，学会通用的“操作语法”，而不是记住几百条轨迹。最近在看RT-2和Octo这类VLA模型，它们尝试用大规模语言模型预训练来迁移到动作空间，但目前的训练数据规模（几万到几十万条）相比GPT-3的几千亿token，差了好几个数量级。

这张照片里，机器人正在叠衣服，看起来流畅，但背后是大量人工标注和遥控操作的功劳。一旦这种“保姆式”支持撤掉，它就很难应付真实厨房的混乱。

数据困境：具身智能的“互联网文本”在哪里

NLP能有GPT，核心原因是互联网上有海量的、免费可用的文本数据。但机器人的操作数据呢？目前主要有三种获取方式，各有致命短板：

• 遥操作收集：人类远程操控机器人做任务，成本高、速度慢，一条数据需要几秒到几分钟，一个场景几千条数据就要上百小时人力。而且遥操作数据通常分布窄，只覆盖了人类认为“

原文链接：https://www.tmtpost.com/8071481.html