产线在跑，榜单在崩，路线在吵。
作者丨路永丽
2026 年过半，具身智能产业站在一道清晰的分水岭上。
一边是量产狂奔，智元机器人三个月下线 1.5 万台，宇树科技科创板 IPO 过会、起步市值不低于 420 亿元，优必选将机器人推向家庭，喊出 " 万台交付 "；工信部预判全年产量有望突破 10 万台。
另一边是资本涌入，据 IT 桔子数据，上半年 935 亿元涌入具身智能赛道，26 家企业跻身百亿估值梯队，资金重心正从硬件整机悄然转向 " 大脑 " 与 " 数据 "。
热闹的另一面，棘手的现实摆在面前：硬件在冲刺量产，大脑深陷数据荒漠。
2026 年 7 月，RoboDojo 评测中，30 个主流策略在真实世界平均成功率仅 12.8%。评测团队留下一句话：" 大多还在山脚适应高反。"
令人费解的是，连得出这个结论，衡量 " 脑力 " 的 " 尺子 " 本身也在失灵。World Arena、LIBERO 等第三方榜单被业内人士直言为 " 重灾区 "。
围绕 " 大脑 " 的讨论从未停止，共识却始终稀缺。结合近期产业观察，本文聊聊数据缺在哪？技术卡在哪？以及那个被反复追问的问题—— " 具身智能的 ChatGPT 时刻还有多远？"
一、硬件在狂奔，
大脑深陷数据荒漠
为什么 " 大脑 " 如此迟缓？答案首先指向数据。
大语言模型依托互联网数十年积累的海量文本完成能力跃迁，但机器人智能依赖真实物理世界交互数据——这类数据的稀缺，是行业最难突破的壁垒。
体量上，缺口极为悬殊。
截至 2026 年初，全球高质量物理交互数据仅约 50 万小时。国内可用数据不过百万小时级别。
而行业公认的起步门槛是千万小时级——缺口超 95%。
星海图创始人高继扬判断，数据正从百万小时向千万小时进阶，这一跨越或将催生突破。但灵初智能首席科学家杨耀东认为，亿小时级数据才足以支撑能力跃迁。
光轮智能 CTO 杨海波直言：" 数据缺口至少是自动驾驶的 1000 倍。"
智元机器人首席科学家罗剑岚的比喻更直观：" 相较于自动驾驶、手机，连一个黄豆都没到。"
体量不足之外，多样性的匮乏同样棘手。海天瑞声 CEO 李科指出，具身数据不仅总量不足、多样性远不及互联网，不同本体采集的数据彼此割裂，难以流通复用，持续制约智能涌现。
更令人头疼的是质量。银河通用创始人王鹤直言，多数数据服务商技术门槛低，复用开源算法产出的数据良品率极低；北大长聘副教授卢宗青补充，行业普遍缺乏统一标注标准，数据精度难以保障。
更隐蔽的是，行业长期忽视的数据效能价值。
它石智航联合创始人丁文超、鲸跃动力 CEO 李广宇均表示，业内盲目追求数据总量，却忽略单位数据的智能提升效率，千万小时数据中真正高价值的有效数据占比极低。
高昂的采集成本也是绕不开的现实瓶颈。真机交互数据采集耗时耗力、成本极高，据智在无界合伙人郑思鹏测算，一小时真机数据采集成本约 1000 元，百万小时预训练数据的投入超 10 亿元，即便如此仍难以满足模型迭代的缩放需求；
规模不足、质量参差、标准缺失、成本高企、效能低下——数据瓶颈重重叠叠，压在具身智能的大脑之上。
困境的另一面，行业正加速布局具身智能数据基建。截至 2026 年 4 月，落地及规划中的人形机器人数据采集、训练中心已超 90 家。京东建成全场景大型采集中心，智元、优必选、宇树、帕西尼感知、乐聚等企业搭建标准化数据工厂，覆盖上千类实操场景。
自变量、觅蜂科技、它石智航、鹿明机器人、奥比中光等推出无本体轻量化采集设备 / 平台，大幅降低数据采集成本与门槛。社会化采集模式同步落地，京东联合宿迁打造全国首个数据采集社区，广东服务商联动多家工厂，依托一线作业同步采集场景数据。
政策层面配套加持，国家数据局将 2026 年定为 " 数据要素价值释放年 "，推出高质量数据集建设专项行动；工信部联合国资委启动实景实训计划，推动行业高保真数据集搭建。
数据是 " 大脑 " 的燃料，但燃料本身不产生智能。当行业终于开始系统性地解决数据荒时，另一个更棘手的问题浮出水面：这些稀缺的数据，究竟该喂给什么样的引擎？
二、VLA 遇冷，WAM 没赢，
谁说了算？
VLA（Vision-Language-Action，视觉 - 语言 - 动作模型）一度是行业主流。它以大语言模型为底座，输入图像与指令，直接输出动作。训练逻辑直观：人类遥控机器人做动作，摄像头记录 " 画面 - 动作 " 配对。下次再看到类似画面，机器人就模仿，形成 " 看到什么→该做什么 " 的直接映射。但短板同样明显：依赖高质量采集数据、成本高、泛化性差。
跨维智能创始人贾奎指出："VLA 本质是‘捷径学习’——看见什么就直接猜动作，中间不经过真正的推理。"
招商局先进技术研究院论文给出了精准诊断：VLA 模型存在 " 相机 - 基座耦合 " 问题——只要相机视角稍有变化，成功率便从 85% 暴跌至 43%。本质是 " 记住了场景，而非看懂了场景 "，就像让学生背答案：碰到原题能答对，换道题就懵了。
为突破 VLA 瓶颈，行业转向世界模型路线，核心逻辑从 " 模仿动作 " 变为 " 理解世界 "。不同于 VLA 回答 " 看到画面该做什么 "，世界模型主打预判场景未来变化，让机器人在内部预演动作后果，做到 " 先推演、再行动 "，重在掌握物理世界运行规律。
银河通用创始人王鹤指出，VLA 本质是预测动作，须配备带动作标签的具身数据；世界模型则无需动作标注，仅凭头戴相机拍摄的第一视角日常视频即可训练，数据多样性远超前者，两条路线长期割裂。WAM 将两条路线合二为一，统一实现 " 理解世界 + 输出动作 "，成为新一代机器人大脑框架。
2026 年 4 月，英伟达机器人负责人 Jim Fan 更是抛出 "VLA 已死，WAM（World Action Model，世界动作模型）当立 " 的行业论断。
但 WAM" 当立 " 了吗？行业远未达成共识。
智平方创始人郭彦东在智源大会上给出了截然相反的判断：世界模型不是 VLA 的竞争路线，而是 VLA 体系的核心组成部分。
他重新定义 VLA：多种模态融合的大数据驱动的端到端模型架构的总称——在这个定义下，世界模型与 VLA 没有本质区别，更不是替代关系。" 如果不把世界模型合并在 VLA 里面，很多任务完全做不了。只有把两者合并，机器人才既能做短程物理预测，又能做长程任务规划。"
一方说 " 已死、当立 "，一方说 " 没有本质区别、必须合并 " ——这场路线之争，远未达成共识。
智源大会上，卢宗青指出，现有视频生成式世界模型仅学习像素统计规律，无法真正理解物理世界；
千寻智能联创高阳认为 VLA 与世界模型可统一训练；星海图 CTO 赵行判断两者终将融合；
智源具身模型负责人王鹏伟则提出 " 预测世界的真实状态演变，而非下一帧或下一个动作 "。
北大助理教授仉尚航点出了分裂的根源：" 去年问最大的瓶颈，答案是数据。今年模型侧反而没有达成共识——到底采用一体化的模型、还是只关注 WAM、还是以语言大模型为底座，完全是个开放状态。"
路线之争未定，评测体系同样深陷混乱。WorldArena、LIBERO、RoboArena 等榜单成为比拼核心阵地，但乱象频发。
2026 年 6 月，千寻智能 RoboArena 刷榜事件暴露行业弊病——模型登顶榜单、完成 15 亿元融资后，被曝数据操纵。官方剔除问题数据后，模型直接跌出榜单。
智源研究院院长王仲远直言榜单可信度不足，香港大学助理教授李弘扬更直白："Benchmarking 是重灾区，我从来不看榜。"
李弘扬进一步指出问题关键：机器人发展不止局限于模型路线之争，算法、数据、硬件、基准测试、基础设施五大技术栈中，灵巧手、触觉感知、端侧算力等底层硬件与基础能力，至今尚未成熟，这才是制约具身智能落地的核心瓶颈。
三、ChatGPT 时刻：一个不存在的问题？
数据困局与技术路线分歧，最终都指向同一个问题：ChatGPT 时刻何时到来？
今年 6 月份的智源大会圆桌上，具身智能领域学者、创业者围绕这一问题进行探讨，答案的跨度从 " 半年 " 到 " 五年 " 不等。
乐观者与审慎者的分野清晰可见。
王鹤给出的标尺是 " 零样本泛化 70%~80% 成功率 "，并预判 2028 年底前率先在 B 端落地；
卢宗青则审慎得多，认为 " 三五年 " 内需在数据、模型、算法层面有 " 比较大的突破 "；
高阳将当前定位为 "GPT-2.0 时代 "，预测 2026 年末至 2027 年中迎来 "GPT-3.0 时刻 "；
智元 CTO 罗剑岚的判断更为具体，未来半年至 18 个月内，谁能率先跑通真实环境下的数据闭环，谁就将占据关键身位。
时间表跨度之大，根源在于各方对 "ChatGPT 时刻 " 的定义本就不同：有人定义为 " 零样本泛化能力的涌现 "，有人定义为 " 范式收敛的标志 "，有人定义为 " 商业化落地的拐点 "。
然而，在全行业在争论 " 还有多久 " 时，另一种声音则解构了问题本身。
星海图 CEO 高继扬在 2026 年 6 月抛出一个判断：具身智能不存在所谓的 "GPT 时刻 "。
他指出，大语言模型的 "ChatGPT 时刻 " 有一个清晰锚点：2022 年 11 月 30 日，一款产品上线，全球数亿人同时体验，这是一次集中爆发。但具身智能不是，" 它可能在一个地方落地了大家都不知道 "。进步是随着能力边界逐个场景解锁的，某个仓储先跑通，某类工业先稳定，再慢慢扩展。" 可能若干年之后回头一看，原来机器人已经无处不在，但我们已经记不得是从哪一年开始。"
无独有偶，2026 年 3 月，欧卡智舶创始人朱健楠在接受亿欧采访时，也表达了类似的判断。他认为，不同垂直领域的落地节奏各异，有的场景先跑通，有的可能滞后数年，并不存在一个统一的 " 时刻 " 可以定义整个行业的转折。
高继扬和朱健楠分别来自通用具身智能和垂直场景具身智能两个赛道，他们给出了相同的结论，这不再是一个孤立的声音，而是一种值得被认真对待的 " 非共识 "。
值得一提的是，据亿欧观察，相当一部分机器人正流向数据采集工厂——它们没有进入工厂或家庭提供生产力，而是成为训练 " 大脑 " 的 " 教材生产工具 "。这构成一个闭环：用卖身体的钱养数据基建，用数据训练大脑，再用更强的大脑卖更多的身体。业内称之为 " 左手倒右手 " 。
智元机器人首席科学家罗剑岚在智源大会上点破了这个困局：" 没有机器人部署就没有数据，没有数据就不能训练更好的模型，没有更好的模型就无法部署更多机器人。"
这并非反常的商业行为。自动驾驶早期同样经历过 " 影子模式 " ——车辆上路采集数据，而非直接创造驾驶价值。关键在于：这个阶段要持续多久？
与其追问 "ChatGPT 时刻 " 何时到来，不如换一个更务实的问题：第一个真正跑通的商业场景，会从哪里开始？
是呼声高、ROI 要求高的工业、商用服务？是对安全与体验要求高的家庭？还是某个我们至今尚未关注的垂直场景？
答案或许不会在 2026 年揭晓。但可以确定的是，当行业不再纠结于 "ChatGPT 时刻何时到来 " 而转向 " 每个场景逐个解锁 " 时，关于具身智能的叙事才刚刚进入正题。
