在具身智能的岔路口，这场论坛把数据、模型、Infra聊透了

具身智能热潮下的技术路径之争与基础设施布局

行业热度与未解难题

当前，机器人技术已成为全球科技展会中最受瞩目的焦点领域。具身智能论坛场场爆满、一票难求的现象，充分印证了这一前沿技术正经历前所未有的关注热潮。然而，在行业蓬勃发展的表象之下，仍存在诸多关键性技术议题亟待解决：

行业发展现状与对话需求

技术路径的分歧在当前发展阶段具有合理性与必然性，反映出整个行业尚未形成明确的技术收敛态势。更为关键的是，一些深层次问题尚未得到系统性讨论，例如规模化量产后的技术瓶颈及其解决方案等核心议题。
在这一背景下，行业迫切需要建立开放对话平台，促进不同技术流派间的深度交流与观点碰撞。近期云栖大会具身智能论坛的成功举办，标志着这一需求正在得到回应。会上汇集了各技术派系代表，围绕技术分歧、商业模式和基础设施需求展开了全方位讨论，为行业共识的形成创造了宝贵机会。

阿里云的深度布局

通过与论坛主办方阿里云的深入交流，我们了解到这家云计算巨头早在四、五年前就已开始布局具身智能领域。目前的战略投入，实际上是在为即将到来的数据量指数级增长以及算力需求爆发进行前瞻性准备。
阿里云这一3-5年的提前布局，展现了其对技术发展周期的精准预判。更重要的是，此举揭示了云服务商在具身智能时代的新角色定位：他们不仅是基础算力的提供者，更是行业关键基础设施的构建者。在阿里云的规划中，具身智能领域的“FSD V12时刻”即将到来，而企业已经做好了全面支持行业爆发的各项准备。

真机派 vs. 合成派

哪个更有前景？

具身智能发展路径分野：真机数据与仿真数据的技术路线之争

数据短缺问题已成为制约具身智能发展的关键瓶颈。为解决这一瓶颈，业内逐渐形成两大技术流派：真机数据采集派与仿真数据合成派。

两大技术流派的核心差异

主张通过遥操作技术或互联网公开数据获取训练样本，基于视觉语言动作模型（VLA）进行模仿学习。该方案的优势在于数据真实性，但面临成本高、规模受限等挑战。

依托高保真仿真环境生成训练数据，结合强化学习算法进行模型优化。该方案具备成本可控、数据可扩展性强等特点，但需要解决仿真到现实的迁移问题。

银河通用的技术路线选择

作为仿真数据合成派的典型代表，银河通用在其技术路线选择上展现出明确主张。该公司联合创始人兼大模型负责人张直政在公开演讲中强调，成本效益与规模可扩展性是驱动其选择仿真数据路线的核心考量。这一立场反映了当前行业对于具身智能数据获取方式的前沿探索与实践思考。

具身智能大模型发展路径：数据挑战与仿真技术突破

张直政近日发表观点称，当代具身智能大模型若需实现真正意义上的通用跨任务泛化能力，训练数据量级需突破上万亿条。然而，单纯依赖真机采集获取如此庞大规模的数据，无论在可行性还是可持续性层面均面临重大挑战。

真机数据采集的局限性

以特斯拉Optimus项目为例，其研发团队曾组建40余人的专项小组，耗时一个月采集数十万条遥操作数据，专项训练机器人执行电池取放任务。但实验结果显示，该方法的任务泛化性能仍然不尽如人意。值得注意的是，在核心技术人员离职后，Optimus项目转向采用人类行为视频作为机器人任务学习的新数据源。

仿真数据的革命性价值

在此背景下，银河通用创新性地提出了分层训练策略：

该方案不仅显著提升了模型泛化能力，更将真实数据利用效率提升至Optimus方案的一千倍，大幅降低了技术应用的边际成本。NVIDIA机器人与边缘AI副总裁Deepu Talla在技术研讨会上强调：”仿真技术具有决定性意义——若缺乏仿真支持，未来数十年内我们都难以开发出具备实用价值的实体机器人“。

仿真工具链的加速效应

Talla还重点介绍了Isaac Sim和Isaac Lab等专用工具链。这些工具的引入，使得机器人仿真数据生成与模型训练效率获得数量级提升，为具身智能的快速发展提供了关键基础设施支撑。

仿真数据的局限性：成本与效率的双重挑战

仿真数据并非万能解决方案，其获取难度在不同领域存在显著差异。清华大学助理教授赵行特别指出，涉及流体动力学和柔性物体等复杂系统的仿真研究，其数据获取高度依赖专业人才储备，“这类仿真任务的规模往往取决于机构拥有的博士生数量”。值得注意的是，在某些特定场景下，进行真实物理实验反而展现出显著优势——以液体溅洒实验为例，实物实验不仅能降低研究成本，还能获得更高质量、更具多样性的数据样本。
针对仿真数据的本质属性，千寻智能解浚源提出了深刻见解：当前主流的仿真方法本质上属于“伪数据驱动”模式。这种模式的核心问题在于，开发者必须为每个具体对象和场景定制开发专用的仿真器，其背后的研发成本主要体现为人力资源投入。更值得关注的是，自变量机器人创始人王潜揭示了仿真数据的效率缺陷：仿真数据与真实数据的转化效率可能相差5-6个数量级，这种巨大落差直接削弱了仿真方法预期的成本优势。

重新审视真实数据的价值主张

行业关于“真机数据昂贵”的传统认知正面临挑战。解浚源通过实证分析指出：当前国产机器人单体成本已可控制在10万元以内，这主要得益于国内成熟的供应链体系。相比之下，大型AI模型训练所需的高端GPU单卡采购成本，已显著超过一套完整的机器人系统造价。在产业实践中，当AI厂商能够部署数万块训练芯片时，大规模部署上千台数据采集机器人的设想已具备经济可行性——数据的稀缺性本质上反映的是资源投入程度，而非绝对的成本障碍。

机器人数据采集领域的创新突破

可穿戴机械臂技术显著降低数据采集成本
在机器人训练数据的采集方式上，传统的遥操作技术已不再是唯一选择。千寻智能自主研发的可穿戴机械臂方案实现了技术突破，将数据采集的成本降低至传统遥操作方式的1/20，同时有效保持采集数据的精准度不受影响。
高质量真实数据赋能模型发展
公司创始人解浚源强调，只有基于高质量的真实场景数据，才能训练出具备世界领先水平的人工智能模型。为此，千寻智能正在全力构建一个完整的全链路数据生态系统，该系统以真实数据为核心，旨在打造持续优化的数据飞轮效应。
数据驱动机器人能力持续进化
通过这一创新性的数据采集与训练体系，机器人系统能够不断从真实场景数据中学习，实现技术能力的持续迭代与升级。这一技术路径不仅提高了训练效率，更为机器人智能化发展提供了可靠的数据基础设施支撑。

端到端 vs. 分层，VLA vs. 世界模型

哪个是终局？

具身智能与大模型融合的关键问题探讨

合成数据与真机数据的核心目标，均是服务于模型的训练需求。然而，随着大模型技术与机器人领域的深度融合，一系列关键性问题逐渐凸显，亟待学术界与产业界的共同探讨：

针对这些前沿议题，多位具身智能领域的行业领袖与资深研究学者近期展开了深度研讨，为技术演进提供了重要参考方向。

具身智能大模型的技术路线之争：分层架构与端到端之辩

具身智能大模型的独立性定位

王潜明确指出，具身智能大模型并非虚拟世界大模型在现实场景的简单迁移，而是需要建立独立的基础模型架构。这一观点主要基于两方面核心论证：

赵行对此表示认同，并进一步阐述具身智能可能平行于语言智能发展出独立进化路径。他以灵长类动物为例指出，尽管猴科物种缺乏发达的语言系统，但其通过视觉-动作模态的交互学习，依然发展出卓越的实体环境互动能力。这暗示多模态智能存在平行发展可能性。

架构设计的分歧焦点

在具体实现路径上，专家团队呈现出明显的学术分歧：

分层架构支持者赵行的技术主张

端到端模型倡导者王潜的反驳论点

理论框架的融合可能

北京大学仉尚航研究员提出了折中视角，认为关键在于对「层」的重新定义：

VLA与世界模型的技术评估

世界模型的赋能价值（唐剑观点）

VLA的现阶段优势（赵行分析）

具身智能 Scaling Law 已初见端倪

谁来为行业托底？

具身智能行业前沿探索与发展现状分析

技术路线之争与核心问题探讨

行业专家在技术路线选择上展现出鲜明的观点交锋：”真机派”与”合成派”的实施路径各执一词，”端到端架构”与”分层设计”的优劣对比成为焦点，同时”视觉语言行动模型”(VLA)与”世界模型”(World Model)的理论框架之争也成为讨论热点。这些关键技术分歧的公开探讨，清晰揭示了当前行业发展面临的瓶颈与挑战。

具身智能Scale Law实证研究取得突破

规模化扩展理论验证取得重大进展：最新研究成果表明，具身智能领域同样符合模型规模扩大带来性能提升的规律。王潜团队在其内部数据研究中首次发现了具身智能领域的Scaling Law现象。ICLR 2025将发表的论文《DATA SCALING LAW IN IMITATION LEARNING FOR ROBOTIC MANIPULATION》进一步实证了这一发现。这一突破性认知为行业指明了发展方向，证实了扩大模型规模和数据集的可行性及有效性。

商业化应用进程加速

具身智能技术在各垂直领域的商业化落地明显提速：

医疗康复场景

傅利叶智能创始人兼CEO顾捷展示了人机交互技术在康复医疗和情感陪伴领域的创新应用与商业化探索。

工业制造场景

中科云谷副总经理杨辉分享了中联重科在工业生产环境下的机器人实践案例与技术迭代经验。

人形机器人发展路径

加速进化副总裁赵维晨系统阐述了从教育竞赛切入到规模化普及的完整商业路径规划。
这些代表性案例充分表明，具身智能技术已从实验室研究快速转向规模化商业应用阶段，行业整体发展已进入快车道。

具身智能产业化的关键角色：云服务提供商

当产业探讨从机器人技术研发转向规模化生产时，云服务提供商这一原本隐形的关键角色开始进入核心讨论范畴。业界专家强调，云基础设施规划应成为具身智能企业的战略优先级。
阿里云智能集团公共云事业部副总裁、华北大区总经理高飞在接受专访时指出：”具身智能企业在其发展初期就应当系统规划云架构和人工智能基础设施“。作为阿里云智能集团具身智能业务的负责人，高飞的这一观点凸显了云计算平台在智能机器人产业化进程中的战略地位。

具身智能行业面临的算力挑战与阿里云的解决方案

行业背景与技术发展

大模型技术在具身智能领域的广泛应用正推动整个行业快速发展。Scaling Law的显现与机器人技术落地速度的加快，使得数据量和算力需求呈现指数级增长趋势。数据显示，行业数据总量将在未来几年保持稳步攀升，这将不可避免地带来数据处理、存储和模型训练的多重压力。

具身智能企业面临的难题

具身智能公司在快速发展过程中面临两大核心挑战：

阿里云的行业解决方案

基于在智能驾驶等AI密集型行业的成功经验，阿里云已为具身智能企业构建了一套完整的支持体系：

据阿里云智能集团公共云事业部具身智能解决方案负责人王旭文介绍，阿里云自创立之初就确立了”以数据为中心的云计算“战略定位，在智能驾驶、AI等领域的深度实践使其具备了应对具身智能数据洪流的综合能力。

阿里云大数据技术体系赋能具身智能产业的全链路技术实践

数据处理能力：支撑复杂的AI数据生产全流程

在当前人工智能发展的背景下，数据生产作为基础环节呈现出明显的技术分野。无论企业采用真实设备生产数据还是仿真模拟方式，阿里云都构建了全方位的技术支持体系：

针对行业数据流动瓶颈，阿里云通过OSS跨地域/跨账号数据迁移服务将传统数周级的数据交换缩短至小时级，并联合生态伙伴共同建立云上数据共享的安全标准与实践指南。

模型原厂优势：通义千问的具身智能生态布局

阿里云通义千问系列模型已成为开源AI领域的重要基础设施：

阿里云通过从基础模型到底层服务的全链路支持，在具身智能领域确立了独特的技术竞争壁垒，为企业级应用提供了从数据到算法的完整解决方案。

阿里云依托成熟工程能力赋能具身智能产业发展

阿里云百炼平台不仅整合了自研的全系列人工智能模型，同时还汇聚了国内外主流及开源模型，为客户提供高性价比、稳定可靠的模型调用服务。该平台依托阿里云统一的基础设施保障，确保了服务的高可用性、稳定性及大规模集群支持能力。此外，针对数据安全和定制化需求较高的客户，阿里云还支持在私有网络环境(VPC)中进行模型独立部署。

工程化能力构建的无形壁垒

阿里云智能计算产品专家王旭文在访谈中指出：”工程能力的积累需要时间和实践沉淀，不同团队之间的差距往往难以快速赶超。”他特别提到，当前具身智能行业仍处于规模化发展初期，许多企业尚未充分认识到工程体系建设的重要性，这与成熟AI行业形成显著对比。
所幸的是，阿里云已在服务头部大模型企业和新能源汽车厂商的过程中，积累了丰富的实战经验。这些经验体现在：

智能驾驶与具身智能的技术共通性

阿里云的工程能力之所以能够快速迁移至具身智能领域，关键在于二者在技术架构层面具有高度相似性：

值得注意的是，大量具身智能行业的从业者本身就具备智能驾驶背景，他们采用的模型架构往往是在智能驾驶模型基础上的改良版本。这种人员与技术双重传承，使得阿里云此前积累的经验可以近乎无缝地应用于具身智能场景。
王旭文强调：”智能驾驶行业已形成成熟的体系架构和实践经验，具身智能企业完全可以先行复用，再针对差异进行调整。行业早期的基础设施规划对未来的规模化发展至关重要。”

全链路服务能力助力产业升级

阿里云目前已为多家进入或即将进入量产阶段的具身智能企业提供服务，其全链路赋能主要体现在：

这些能力不仅大幅降低了企业前期投入成本，更为整个行业扫清了规模化发展的道路障碍。随着技术不断演进，阿里云的平台化服务优势将持续推动具身智能产业进入发展快车道。

从非共识走向共识

阿里云准备好了

阿里云具身智能论坛揭示行业技术路线非共识现状

阿里云近日主办的具身智能技术论坛吸引了大量业内人士，现场座无虚席，论坛持续长达4小时。与会者普遍认为，当前具身智能行业仍处于技术路线分化阶段，尚未形成明确共识。

技术路线或将迎来收敛期

阿里云资深技术专家高飞在会上指出，具身智能的发展阶段与四五年前的智能驾驶行业高度相似。他认为，行业亟需一次关键性突破，如同特斯拉FSD v12的推出，为智能驾驶领域确立了“端到端+数据驱动闭环”的技术范式，从而推动行业技术路线快速收敛并带来数据量的指数级增长。高飞预测，具身智能行业同样将经历这一过程。

云边端协同成为关键趋势

在这一演变过程中，云边端协同的重要性日益凸显：

这一趋势使得云服务厂商在产业链中的地位愈发关键，而阿里云积累的技术资源有望在此阶段实现爆发式应用。

开发者生态加速行业落地

高飞强调，除基础设施外，开发者生态的繁荣是具身智能技术落地的另一大核心驱动力。为此，阿里云采取了多项举措：

前瞻布局面向未来

在当前充满不确定性的发展阶段，阿里云通过平台能力与生态资源建设为各种技术路线做好充分准备。高飞表示，当具身智能行业迎来类似“FSD v12时刻”的技术拐点时，这些战略布局将成为推动行业加速发展的核心力量。