2026年春天，由盖世汽车主办的第四届具身智能机器人产业发展论坛集中呈现行业技术进展，数据采集、大模型、人形机器人及泛化能力成为焦点，但会场内弥漫着对资源分散与重复投入的普遍焦虑。
多家企业争相展示自研成果，“我们自研了基础模型”“我们搭建了全栈操作系统”“我们的数据量达到了XX小时”，然而背后隐含结构性隐忧：有限资源、稀缺数据与顶尖人才在各自为战中被低效消耗。这并非道德问题，而是决定产业存续的数学问题。
业内共识认为，具身模型真正收敛需几百万至千万小时有效训练数据。特斯拉Optimus、波士顿动力等海外头部企业已突破百万小时量级；千寻智能科研生态总监徐国强指出，国内各家具身智能公司数据总量仅约几十万小时，量级差距达一个数量级。更严峻的是，即便汇总全国头部企业数据，不仅总量不足，质量亦严重受限——当前数据多集中于机械臂抓取杯子、简单移动等基础场景，高复杂度、跨场景有效数据占比极低，难以支撑模型泛化。
数据壁垒进一步加剧困境。数据已成为具身智能核心生产资料与企业“核心资产”，徐国强形容其“视若珍宝”：各家企业严守数据，拒绝共享，唯恐被对手窥探。整个行业如同在干涸河床各自挖井，深挖可及地下水，却均止步浅层，重复采集基础数据造成触目惊心的社会资源浪费。
该现象与汽车产业早期数据孤岛高度相似：厂区工艺、车路协同、车载运行数据长期互不联通，构成智能化升级瓶颈。而具身智能的数据壁垒更难打破——软件时代代码复制成本趋零，但具身数据采集依赖真实物理设备、场地与时间，机器人每一次抓取、移动、摔倒均对应真金白银投入。
转机正在萌芽。徐国强透露，国家级具身智能数据训练场建设正加速推进，多所高校已将具身智能纳入学科布局，并将数据采集纳入学生日常考评体系。“接下来这个壁垒会逐渐被打破，”他坦言，“现阶段各自为战是行业早期特定现状，未来数据共享界限将日趋模糊。”但行业窗口期紧迫：2026–2027年被公认为人形机器人商业化关键期，若无法跨越“数据量级+质量”基础门槛，所谓竞争或将沦为尚未开局即注定失败的预演。
数据孤岛之外，底层操作系统内耗构成第二重制约。有观点将操作系统比作引擎，数据则为燃料。关于未来格局，业界务实看待“一统天下”或“二元并存”之争，当前核心矛盾在于现实内耗：穹彻智能研究科学家吕峻指出，因技术尚未实现跨场景通用，即便单一企业内部仍需多套OS并行，行业统一无从谈起。“这不是企业做得不好，本质是具身智能技术未达跨场景规模化应用临界点。”
PC时代Windows一统源于硬件标准化与软件需求明确；手机时代Android与iOS双雄并立建立在硬件形态趋同基础上。而具身智能领域机器人形态千差万别，应用场景从工业产线延伸至家庭厨房，同一模型在A公司轮式机器人上运行顺畅，在B公司双足机器人上可能直接“死机”。该困境与汽车产业早年电控系统内耗高度相似：百家车企各自研发电控系统导致重复投入，终被域控制器统一与车载OS融合趋势终结。具身智能OS破局路径或可借鉴：先实现企业内部OS统一，再推动行业层面兼容整合。
吕峻表达行业普遍期待：“更期待1–2家企业推出稳定可靠、兼容不同模型与硬件设备的通用操作系统，减少同质化赛马，强化资源整合，将有限力量聚焦于核心技术攻关。”资本常将“竞争”等同于“活力”，但在技术未成熟、基础科学未突破领域，过早且过度的同质化竞争实为对稀缺科研资源的挤占。若每家企业均需从零构建底层驱动、编写操作系统，谁来攻克“理解人类模糊指令”“跨场景自主适配”等真正核心难题？吕峻强调：“具身智能是需巨额投入的事业，更关乎国家技术竞争，内耗不起。”OS层面难以形成合力，未来或将直面国与国之间的技术降维打击。
面对困局，国内企业正探索开源与垂直整合并行路径，目标指向“开源底座+私有数据”混合生态。2025年12月，大晓机器人发布ACE具身研发范式，构建“环境式数据采集—开悟世界模型3.0—具身交互”全链路技术体系，通过环境式采集方案实现年千万小时级数据收集；结合开悟世界模型3.0数据增强能力，形成等效上亿小时训练效果，缓解数据瓶颈。
大晓机器人继开源开悟世界模型3.0（Kairos 3.0）-4B系列具身原生世界模型后，进一步将基于空间智能框架、跨具身本体的通用基础模型“ACE-Brain-0”面向全行业开源。该战略选择并非反直觉，而是基于清晰判断：“具身智能仍处产业早期，商业化竞争未达白热化，当前核心目标是扩大研发参与主体，实现数据、模型与底层工具链资源共享。”
这种“基础设施思维”旨在摊薄行业试错成本。周泉解释：“开源部分数据、基础空间智能模型与世界模型，是希望开发者基于该底座低成本探索垂直应用，共同完善技术设施，推动整体进步。”除大晓机器人外，部分科创企业亦开放机器人底层控制算法，尝试共建行业基础底座。
垂直整合倾向的用户方亦持开放态度。蔚来汽车制造运营中心总监刘圣祥从汽车产线应用端指出：“我们与模型专家、数采厂家、机器人厂商深度协作，核心是解决产线实际问题，推动产业化落地。”其合作前提直指工业核心痛点：数据安全与隐私。“可采用开源模型，但最终部署必须本地化，训练数据严禁出企业。”此为汽车产业共性需求：产线操作数据、工艺参数、装配流程均为核心商业机密，绝不可上传云端供第三方训练。比亚迪、特斯拉工厂机器人应用均采用“开源模型+本地微调”模式，兼顾研发成本与数据安全。
行业已形成普遍共识：未来具身智能生态既非纯粹开源乌托邦，亦非完全封闭垂直帝国，而是“开源底座+私有数据”混合形态——基础模型与底层工具链开源以降低准入门槛，中小企业与开发者可低成本参与；企业私有数据闭环保障核心利益与安全，实现个性化场景适配。该模式既规避数据孤岛与OS内耗，又兼顾商业竞争力，汽车产业实践已提供可借鉴范本。
行业已清醒认知“数据量级差一个零”非危言耸听，“操作系统内耗”非杞人忧天。国家力量正介入数据训练场建设，头部企业启动开源共享，用户方呼吁兼顾数据主权与开发成本的新合作模式。具身智能产业“临界点”或不取决于某模型参数量突破，而取决于能否在“竞争”与“协作”间找到黄金平衡点。正如TCP/IP协议成为互联网繁荣基石，行业所需并非一百个互不兼容的操作系统，亦非一千个互不相通的数据孤岛，而是稳定可靠的底层基础设施、开源的基础模型以支持低成本试错，以及打破数据壁垒、实现国家公共平台与商业力量互补的机制。这场“浪费”的休止符，终将由率先打破藩篱的企业谱写。福特流水线终结手工造车低效，特斯拉开源专利加速电动化普及——在具身智能黎明，中国企业的远见与魄力，或将决定整个行业的上岸速度。
免责声明：本文内容由开放的智能模型自动生成，仅供参考。
