“ChatGPT时刻”尚未到来 具身大脑已提前打响“百模大战”

每经记者｜可杨    每经编辑｜董兴生    

当前，机器人产业软件落后于硬件已是行业共识，“脑体倒挂”是行业的痛处，如何突破软件端的瓶颈，业内已开始“八仙过海、各显神通”。

在不久前落幕的“2026世界机器人大会（WRC）”上，银河通用创始人王鹤提到一组对比数据：2025年，银河通用发布世界动作模型论文时，他能找到的相关论文只有他们一篇；一年多后，他再次在网上检索，数字已经变成171篇。

另一边，星海图创始人高继扬也谈到，最近的18个月里，全球已经出现100多款开源具身基础模型。

公司层面也迅速变得热闹。

仅世界模型这一赛道，截至8月31日，据《每日经济新闻》记者不完全统计，国内至少已有30家公司发布、预告或明确宣布涉足世界模型。

具身大脑开始呈现出上一轮“百模大战”的特征，只是这一次比很多人预想中来得更早。

2023年，WhatsApp网页版“百模大战”爆发时，ChatGPT（一款对话式人工智能助手）已经完成了一次近乎全民规模的产品教育，大语言模型赛道构成了相对清晰的技术底座。后来者可以争论模型多大、开源还是闭源，但起码清楚自己正在追赶什么。

具身智能恰好相反，行业还没有等来一个所有人都能感受到的“ChatGPT时刻”，也没有就模型路线达成一致。

不过，公司数量最繁盛的时候，往往也是淘汰真正开始的时刻。

答案未定，模型涌现

过去几年，具身大脑的主流答案是VLA（视觉—语言—动作模型），把视觉、语言和动作放进同一个端到端模型，让机器人从人类示范中学习下一步动作。这是在重复被大语言模型验证过的路线，如果大语言模型可以通过预测下一个词学会写作和推理，那么机器人是否也能通过预测下一个动作，学会工作？

过去两年，机器人行业证明了前半句话——经过充分训练后，机器人已经能够抓取、整理、折叠、搬运，甚至完成几个动作组成的任务。

但也正因如此，下一堵墙才变得清晰起来。

宇树科技创始人王兴兴提到，机器人在固定场景、经过充分采集训练后，成功率可以做到接近100%，但环境或物体稍有变化，成功率就会严重下降。“机器人在‘最后几厘米’甚至‘最后几毫米’没办法很好地跟真实世界匹配……最终误差也无法很好地修正，导致成功率下降得很严重。”

对致力于成为生产力的机器人来说，实验室里的一个失败样本，到了工厂会被连续作业不断放大。

墨奇智能联合创始人兼CTO（首席技术官）黄青虬算了一笔账，硬件、软件和算法三个模块，假设每一个模块的失败率是1%，单个动作的成功率就是0.99的3次方，如果机器人要完成一个长程任务，可能是10个动作的集合，那成功率可能就是0.99的30次方。

如此一来，成功率就从99%衰减到73.97%，这意味着在工厂等真实连续作业场景中，如果不解决长程任务的稳定性，机器人每执行三四次任务就有可能失败一次。

世界模型顺理成章地被推到具身智能竞争的中心。

它承接的是行业对下一阶段能力的期待，希望机器人不只模仿过去见过的动作，还能预测动作发生后，环境和自身状态将如何变化，以此提高对新任务和长程任务的处理能力。

但当大家谈及世界模型，所谈论的未必是同一个“世界”。有人强调预测未来画面，有人把视频、动作和机器人反馈放进同一个模型，也有公司尝试引入更多物理规律。

伽利略研发总监刘伯韬认为，现阶段真机实测数据、端侧算力以及模型能力，尚不足以支撑开放环境下的真正通用化能力，很多场景下所谈及的泛化能力仍存在现实瓶颈。

星源智创始人刘东则认为，在物流分拣等边界明确的场景中，让机器人适应不同物体的小范围泛化已经能够实现，而任意环境、任意任务则仍然缺少足够数据。

就这样，世界模型出现了有些反常的繁荣。

VLA已经足够成熟，却没有强大到足以终结技术路线，反而把泛化、长程任务等问题暴露出来，而新的方案还远没有形成强势的共识。

同时，模型本身的门槛也尚未高到把大量玩家挡在大门之外。摩尔线程创始人、董事长兼首席执行官张建中提到，目前大量VLA仍集中在70亿参数左右，训练可能只需要几十张甚至几张GPU（图形处理器）。他认为，具身智能的世界模型真正走向“ChatGPT时刻”，算力需求一定会在千卡甚至万卡级。

百万小时之后数据仍然不够

围绕具身大脑的争论，最后大多会回到数据，但什么才是一条好数据？

大语言模型崛起之前，人类已经花了很多年在互

文章来源：https://finance.sina.com.cn/jjxw/2026-09-06/doc-iniqwwyq4050476.shtml