具身智能卡在哪：大模型解决不了物理世界的行动

在上海工博会圆桌上，宇树科技创始人王兴兴再次被问及具身智能的“ChatGPT时刻”何时到来。他的回答迅速引发热议：“快的话一两年内就有可能，因为明年GPT-7出来，可能直接把具身智能问题打穿。”

这句话之所以引发讨论，关键不在于未来的模型究竟多强，而在于它用基础大模型的演进，打包许诺了一个具身智能体（Agent）的落地时间。大模型是概率系统，负责“怎么想”；Agent是行动系统，负责“怎么做”。一旦拆开这两者，具身智能真正的卡点便浮出水面——它从来不在纯软件模型公司的实验室里。

一、拆解三层架构：模型、Agent与物理载体

具身智能的完整落地，依赖三个层次的分工：

1. 模型是参谋与翻译官。大语言模型与多模态世界模型在抽象空间做概率外推。给它下达“拿水杯”的指令，它能拆解动作、识别物体、规划轨迹。然而，模型对物理世界的理解来自海量文本与视频的统计拟合，而非物理实体的真实测量。它并不知道杯壁湿滑程度，也无法体会装满水与空杯的力学差异。
2. Agent是场景中的决策者。机器人能够干活，依靠的是装载在本地的感知与控制闭环。大模型负责顶层指令拆解，端侧视觉Agent和力控Agent负责实时纠偏。伸出手臂发现桌面高度偏差五公分，系统必须在毫秒级内重构轨迹。这种面对未知扰动的闭环纠偏能力，才是Agent的本体。
3. 物理载体是执行的手脚。电机、减速器、工业级灵巧手和触觉传感器共同构成了物理边界。大脑再聪明，执行器精度不足也是徒劳。目前工业级灵巧手单价普遍在数万元级别，真机训练跌落成本高昂，物理交互技能只能通过真机一次次验证，无法完全依赖云端仿真替代。

更核心的分歧在于任务属性。物理世界对“容错型任务”（如扫地、折叠毛巾）包容度较高，成功率90%尚可接受；但工业和精密服务面对的是大量“阈值型任务”。螺栓扭矩拧到5度是合格，4度是松脱，6度则是滑丝损坏。大模型擅长的统计概率，在分厘必争的物理阈值前无法直接套用。

二、Agent的能力阶梯：卡在闭环反馈之前

衡量一个具身Agent的成熟度，行业通常参考三层标准：

• 结果标准：在结构化环境下，跑步、跳舞、固定轨迹抓取的成功率已经可以拉满。但这类动作往往高度依赖刚性路径示教，一旦涉及强顺序逻辑或接触阈值，纯结果驱动便会失效。
• 过程标准：当机器人进入非结构化开放场景，必须自主权衡动作路径。Figure官方此前披露，Helix 2.5在陌生家庭环境中执行任务的整体成功率约56%，其中整理客厅成功率仅40%；第三方基准测试中，顶尖系统面对简单抓取能达到90%以上，但毫米级对位插入成功率往往骤降至10%左右。在接触密集和精密力控的环节，通用模型并不能直接带来高确定性。
• 迭代方向标准：这是当前最具挑战的环节。模型可以在训练集内实现参数微调，但离开特定分布后，自我泛化收益会迅速缩水。更重要的是，工业工件公差、医疗缝合间距等标准，背后关联的是安全生产责任与行业验收规范。没有融入行业实践流程的Agent，无法凭空内生出对“什么是更好”的价值判断。

三、数据主权困局：公域数据换不来私域落地

真正的行业know-how与精准真值反馈，天然锁在私域场景中。

由公开网络语料训练的通用模型，是人皆可用的公共底座。然而，工业产线的力控公差、医疗手术的操作规范、精密仪器的装配逻辑，全都沉淀在垂直机构的围墙之内。大型模型厂商核心聚焦算法演进，并没有原生动力长期采集“湿手拿捏生鸡蛋”这类高损耗、高度细分的物理交互数据。

调研数据显示，全球高质量物理交互数据存量约在50万小时量级，而训练通用具身基础模型预计需要千万小时级别的数据积累。依靠真机遥操作采集，每小时成本可达数百至上千元。目前全球出货的人形机器人中，近七成流向科研、展厅演示及政府采集中试，真正在车间常态化打螺丝、搬运工件并形成数据回流闭环的比例仍然极低。

迎宾漫步采集的是用于宣传的展示数据；在汽车总装线上持续作业、累积失败边界采集的才是救命的交互数据。出货量与核心数据资产之间，还横亘着严苛的数据回传协议与现场工程改造。

决定落地的真实飞轮

大语言模型能把操作指南写得越来越详尽，但刀刃受损需要调整多少角度，依然只能在车间通过持续试错得出。模型解决概率逼近，物理世界要求确定交付。

评估具身智能的成熟度，无需过度聚焦单次惊艳的演示视频，而应关注三项客观指标：是否存在严谨的第三方多任务评测体系；是否在真实产线形成了有效的数据回流闭环；各细分行业的工艺验收标准是否已被Agent系统性吸收。推动人形机器人走进现实世界的，终究是车间里沉淀下来的物理交互数据与工程纠偏能力。