8.86秒！百米跑再破纪录，却端不好一杯水？

近日，在北京举行的第二届世界人形机器人运动会上，机器人400米赛跑成绩已提升至38.15秒，比人类男子400米世界纪录快了近5秒；跳高纪录更是达到2.88米，把人类保持的2.45米世界纪录远远甩在身后。

8月25日，继开幕式上跑出的9.39秒，来自北京人形机器人创新中心的天工机器人，跑出了8.86秒的最好成绩，再次刷新纪录。比“飞人”博尔特保持的人类男子百米世界纪录9.58秒快0.72秒。

场馆里的欢呼声还没落下，隔壁的灵巧手专项赛现场却透着肉眼可见的吃力：参赛机器人要在5分钟限时内完成积木搭建、镊子夹豆、粉末称量等“指尖微操”，可组委会委员巩潇坦言，预赛中不少机器人一旦遇到物体材质、软硬度或摆放角度的细微变化，自主决策仍然可能出现偏差，这种面对真实物理世界的不确定性，恰是目前技术攻关的核心难点。能破人类纪录的“钢铁飞人”，到了指尖却未必稳得过学龄前儿童。这种“体格”与“大脑”的严重错位，正是当下人形机器人行业最尴尬的缩影。

8月20日，宇树科技创始人王兴兴给出了行业公认的临界点：当人形机器人在80％陌生场景中能通过语音指令自主完成80％的日常任务，才算迎来属于这个赛道的“ChatGPT时刻”。话音刚落，宇树科技作为人形机器人第一股上市次日收跌18.70％，单日市值蒸发超600亿元——资本市场用脚投票的冷峻，与产业界对下一个十年的乐观，在同一天形成了微妙对峙。

此刻，卡住所有玩家的，恰恰是最核心的“大脑”之困。

8月23日，第二届世界人形机器人运动会的400米预赛现场。图/IC

Demo背后的困境

今年5月，美国机器人公司Figure曾经连续直播19个小时以上，机器人在流水线上分拣超过23.8万件包裹。不过直播过程也出现不少意外情况，比如机器人不能捡起意外滚落的包裹；再比如机器人突然停止工作，连续十多秒双手抬起做骑车状。有人甚至质疑，机器人仍由人操作，人换班时机器人就会“罢工”。

国内亦有人形机器人做类似的“干活Demo（展示）”。6月底，智元机器人在龙旗科技的平板质检流水线上进行6天直播作业。近期的世界机器人大会（WRC）现场，能看到各类Demo，从分拣到理货，不一而足。

一位负责人形机器人后训练的工程师告诉《中国新闻周刊》，一些人形机器人“干活”的Demo，往往只是在特定场景执行单一任务，一般只需要几百条数据微调。“比如机器人在WRC现场所做的展示，一般需要工作人员提前一两天到场，现场采集几百条真机数据，再微调一下既有模型即可。因为这种展示可能对成功率要求并不严苛，七八成成功率即可，训练模型完成这种展示并不困难。”

但是从Demo到真实场景应用，还存在巨大的鸿沟。鸿沟之所以存在，就是因为具身模型的泛化能力不足。

“泛化能力就是机器人今天只学习抓起苹果，明天就能抓起梨，而不是只有学过才会做。”北京人形机器人创新中心（下称“北京人形”）具身智能部负责人鞠笑竹告诉记者。

昆仑行机器人联合创始人兼CTO郎咸朋喜欢以机器人拿起杯子为例，训练时机器人只见过空杯子，那么它是否能成功拿起装满水的杯子，这就是对泛化能力非常直观的一个检验。

具身模型泛化能力的不足，不仅体现在无法识别出没有见过的对象上，还体现在对于不同环境的适应上。前述工程师表示，展示Demo时能更好控制各种环境变量，但是在现实环境中，同一台机器人不同时段的表现都可能完全不同，比如光照发生变化，机器人表现也会变化，因为它们对于光照变化很敏感，其直接影响视觉信息的像素。“目前的现实情况是，人形机器人在特定场景面对特定任务可能达到很高的成功率，但是一旦面对新场景、新任务时往往表现很差，成功率趋近于零。”

人形机器人每次面对新的任务、场景都需要重新学习，这在很大程度上被认为受困于具身模型当前的技术路线。

在具身智能领域，VLA模型（视觉—语言—动作模型）2023年兴起，此后便有大量基于VLA模型的具身模型推出。2025年，国内的银河通用、智平方、自变量等企业均对外发布VLA模型。人们希望利用VLA模型处理视觉、语言信息的能力，利用机器人传感器获取的数据进行训练，最终实现执行任意任务的能力。

“2025年初，大家发现VLA模型泛化能力并没有那么好。”鞠笑竹认为，限制VLA模型泛化能力的一个关键因素在于数据。“VLA模型无法使用大量视频数据训练，更多依赖真机采集数据，很难上量。”

前述工程师告诉记者，他正在尝试用仿真数据替代真机数据，因为前者可以无限生成，更容易上量，但是数据质量对训练结果的影响很大。对于VLA模型而言，使用真机输出的动作信息进行训练才能保证误差最小，从而达到最好的训练效果。

国内企业对于具身模型的真正投入都比较有限。“多数具身模型其实就是两类来源，要么是很小的数据量套用开源框架简单训练而来，要么就是直接微调开源模型而来。”自变量CEO王潜表示。

“王潜所说的情况并不鲜见，国内真正做具身智能模型预训练的公司比较有限，更多是基于美国公司的开源具身模型，如PI的π0.5、英伟达的GR00T等VLA模型进行后训练，也就是针对具体任务、场景进行后训练。”前述工程师坦言。

根据他的观察，今年情况开始改变，更多公司今年也开始进行一些基础模型预训练。不过各家公司对于基础模型的投入差异比较大。“比如像自变量模型团队的人数就比较多，而且内部部门划分很细致，负责基础模型、数据等环节的部门，之前他们也推出了开源具身模型。”

“即使进行具身模型预训练，多数公司还是会使用一些开源模型的权重。”他认为，中美公司在基础模型上仍有一定差距，比如国内对标比较多的π0.5其实是PI去年开源的一款基础模型，两边应该有数月到一年的差距。

4月7日，在广州海珠区的广东省具身智能训练场，工作人员在模拟环境下训练机器人进行电力设备巡检与维护。图/新华

狂“卷”后训练

当前具身模型在部署到具体场景时都需要后训练，这也是国内人形机器人企业在跳过模型预训练，更多“卷”后训练的原因。既然模型能力有限，不如面对具体场景和任务更多收集数据，提升表现。

鞠笑竹认为，针对具体场景和任务，基于VLA进行后训练，对于基础模型能力的提升意义有限，更多只是在拼落地能力与交付。“一旦某个场景被开发出来，大家就会蜂拥而至。后训练就是用大量真机数据训练VLA模型，就跟训练智驾模型的方式一样，不断发现corner case（边缘场景），从而提升人形机器人表现，这种能力可能难以迁移到新的场景和任务。”

这种后训练的成本并不低。就在8月中旬，自变量也效仿Figure进行人形机器人物流分拣直播，分拣效率达到1816件/小时，超过此前Figure 1248件/小时的纪录，效率提升了45％，而且直播时的成功率达到98％以上。

有接近自变量的人士向记者透露，为准备这场直播，自变量累积了大量数据进行训练，数采员数量超过百人，早晚两班倒，底薪6000元，还有绩效奖励。

一则招聘广告展示了数采员的工作状态，纯夜班岗的工作时间是晚10:00到早7:00，中间休息一个小时，每晚有50元夜班补助。“24小时，早晚两班倒，这种数采方式堪称‘变态’。”上述人士告诉记者，为了完成这次直播，自变量使用了10万小时真机数据进行后训练。

8月17日，在北京市海淀区AI原点社区内的一处真实场景试验室，一款搭载具身大模型的机器人进行播放唱片训练（上图）和整理家务训练（下图）。图/新华

“目前来看，机器人面对具体场景和任务的表现，在数据上的差异相比模型上的差异能产生更大影响，特别是真机数据，使用1万小时的真机数据训练出的模型，可能比用10万小时模拟数据训练出的效果更好。”优必选副总裁、具身智能与人形机器人研究院院长焦继超告诉记者。

但是采集真机数据的成本，目前比较高。优必选目前每天的真机数据采集量约在8000小时，经过清洗等处理后留下的有效数据占比约为25％。

不过焦继超表示，VLA模型的部署成本可能并非大家想象的那么高，同样是物流行业的分包工作，从A公司迁移到B公司的成本相对可控，因为面对的包裹相差不多，环境可能稍有差异，比如工作台不同，迁移时可能只需要再采集几千条数据，用一两个月时间就能完成。

“随着数据积累，一旦突破某个点之后人形机器人能力的提升就会变得非常快。”焦继超坦言，如果人形机器人面对从未见过的快件，可能很难完成分拣，但是如果只是快件尺寸、颜色发生变化，人形机器人能展现出一定的泛化能力，并非一定需要“见过”。

“像搬运这样的场景会在今年或明年实现真正规模化落地，下一步会转向一些轻便灵巧类的任务，比如拧螺丝，以及一些长程任务。其实客户并不关心人形机器人究竟在使用什么基础模型，他们更关注其在工作场景中的表现，对成功率的关注高于效率。”焦继超告诉记者，早期一些客户的容忍度比较高，但是真正在场景规模化落地的成功率至少要达到99％以上。

“基于VLA模型进行后训练，依然可以在一些比较标准的场景中短期落地，但是从未来人形机器人的终极目标来看，无论进厂还是进家可能面对无穷无尽的场景组合，只有人形机器人的泛化能力足够强才能应对。”鞠笑竹说。

在具身模型能力有限的情况下，通过“卷”后训练落地具体场景，更多是商业化的权宜之计。

8月21日，2026世界机器人大会期间，多台工业机械臂与人形机器人模拟汽车车身产线协同作业，展示工业机器人、人形机器人在汽车制造领域的柔性生产应用方案。图/视觉中国

“相当于十年前的智驾”

从去年开始，业界与学界都开始将实现通用人形机器人的希望聚焦到世界模型。力挺世界模型的美国学者杨立昆、李飞飞成立的公司都在短期内获得10亿美元规模的融资。

国内业界亦快速跟进世界模型，今年以来，自变量、智元等公司相继发布世界模型。2025年底，朗咸朋还是理想智驾团队负责人，他是智驾领域VLA路线的拥护者，也了解VLA的上限。他坦言，具身智能需要“新故事”，主题就是世界模型。他今年参与创立的昆仑行机器人，在3个月内就获得了10亿元融资。

世界模型之所以让人兴奋，便在于其展现的泛化能力。英伟达介绍，世界模型更具泛化性，能让机器人完成没有见过的任务。

“当前针对单一场景任务，基于VLA模型再进行后训练，确实能获得更好效果，世界模型生成的动作在精度上还没有达到VLA模型的水平。”郎咸朋做出这样的类比，世界模型与VLA模型的差距有一些像智能驾驶是否依赖高精度地图的区别，如果依赖高精度地图，每到一座新的城市，就需要从采集数据做起。

星源智创始人刘东告诉记者，从星源智推出的世界模型来看，所需的真机数据大概只占全部数据需求的10％。

2025年初“北京人形”内部开始讨论世界模型，4月开始做，11月就推出一版开源模型。今年8月，“北京人形”发布了大一统模型 Pelican Unify。鞠笑竹表示，在这个过程中一直在思考世界模型究竟能给具身智能带来什么。

“其实世界模型也分为不同的路线，比如国内比较火热的路线是基于现有视频生成模型的世界模型。”尽管鞠笑竹认为，它可能并非未来具身模型的终极答案，但是仍对其在泛化性上的表现感到兴奋。

“比如在训练视频生成模型时，不可能有小猫、小狗说话、跳舞的视频，但是我们能生成这样的视频，这说明它能把人类的动作映射到小猫、小狗上，那么小猫、小狗是不是可以变成一台人形机器人？这样就能生成大量人形机器人模仿人类操作的视频，这首先意味着未来可以使用海量人类在不同场景下工作的视频，进行大规模训练，而非像VLA模型那样只能依赖真机数据，难以上量。”

3月11日，江苏无锡市，优必选子公司优启的人形机器人实验室。图/视觉中国

鞠笑竹介绍：“真机数据依然需要，但是相比过去那种重复某一运动轨迹几百上千次的数据，更需要多样的数据，这样才能避免未来训练出的模型陷入局部最优的陷阱。”

“在训练世界模型时，需要在训练数据中加入原始动作数据中蕴含的物理量和物理关系，这样模型才有可能理解物理世界。模型训练中有句话‘garbage in，garbage out’（你喂给它垃圾，也会产出垃圾）。如果训练使用的数据只是一些运动轨迹信息，那模型学习时也只会模仿这些运动轨迹，而非理解其背后的物理因果关系。”郎咸朋说。

不过，一旦涉及基础模型，特别是世界模型预训练，对机器人企业算力、数据、人才和资金等资源方面的压力都比较大。“北京人形”在算力上还算充足，但是对于世界模型预训练而言仍然捉襟见肘。

“像英伟达训练cosmos模型依托于8000块B300的算力资源，未来可能需要国内进一步统筹资源。”鞠笑竹说，“大家也有疑问，大语言模型参数规模已经高达千亿、万亿级别，一个几十亿参数规模的世界模型谈何理解物理规律？”

鞠笑竹认为：“留给具身智能企业的选择已经不多，要不开始做自己的基础模型，要不就不要做了。”

宇树科技上市后，模型研发成为最大的单一募投方向：42.02亿元募集资金中，20.22亿元投向模型研发项目。

不过由于技术尚未收敛，没人敢押注特定模型路线。“从具身模型的发展来看，并非阶梯式上升，而是螺旋式上升。比如很早的时候，有人希望大模型自己编程，编辑一些模块化技能，再交给机器人操作，李飞飞探索过这条技术路线，当时成功率很低，不被认可。但是随着大模型编程能力提升，很多人又开始重新审视这条技术路线。”鞠笑竹认为。

郎咸朋将当前具身智能所处的阶段类比于10年前的智能驾驶，当时智驾领域也是Demo很多，但是技术并未收敛。“未来具身模型的范式可能还会经历迭代，迭代可能导致之前的努力白费，但让机器人理解物理规律一定是方向。”

记者：陈惟杉

（chenweishan@chinanews.com.cn）

编辑：闵杰