文章提到 VLA（视觉-语言-动作）是机器人大脑的核心路线之一，但它并非凭空出现。开山之作是 2023 年谷歌 DeepMind 发布的 RT-2，首次将机器人动作编码为文本 token，让大模型直接输出机械臂运动指令。此后业界涌现了开源的 OpenVLA、Figure 的 Helix、Meta 的 RoboAgent 等变体。这条路的代价极高：RT-2 仅用 13 万条真实厨房数据就验证了泛化能力，但其训练数据是谷歌花 17 个月用 13 台机器人采集的——这也解释了为什么文章多次强调「数据和 Infra 先做对」是 Scaling 的前提。

文章讨论机器人大脑「越接近真实世界越难」的结论，在另一家明星公司 Figure AI 身上得到了最直接的印证。Figure 03 高调宣称采用端到端神经网络实现 100% 自主运行，但其家务演示和工厂实测被逐帧慢放发现动作时序异常——机器人在人类发出指令前就已提前启动转向。REK 联合创始人公开质疑这是远程操控而非自主 AI。同一笔账两种叙事：一边是 390 亿美元估值和 BMW 工厂订单，一边是行业对「Demo 炫但换场景就失灵」的持续质疑。这种信任裂痕，正是文章讨论「具身智能的 AI Coding 还没出现」的现实注脚。

文章提出「下一家高估值公司可能来自现有玩家，也可能来自新路线」，而特斯拉正以最激进的执行将人形机器人拉入万台级量产。2026 年 9 月，特斯拉团队已飞抵中国宁波启动 Optimus 审厂，锁定执行器、减速器、丝杠轴承等高价值环节的国内供应商，此前已向供应链下发约 5000 台订单——保底年产量 1.5 万台，年底周产目标 2500 台。马斯克承认初期产量会「相当缓慢」，因为 1 万个全新零部件没有一个经历过大规模量产。焦点会是供应链协同和 S 曲线爬坡，要等 2027 年初首批内部产线跑通才能看清消费市场的价格下探空间。

文章提到「数据和 Infra 先做对才能谈 Scaling」，但具身智能面临的数据困局远比语言模型严峻：当前国内合规物理交互数据仅 50 万小时，而商业化落地需要数千万小时，缺口超过 99%，单条真机数据成本高达 10—50 元。值得追问的不是「数据够不够」，而是「降本的路径是否成立」——仿真数据已能解决 0 到 90% 的标准化动作，穿戴式外骨骼采集正把单条成本腰斩，国家数据局也启动了专项数据集建设。真正的不确定性在于「让机器人在干活中积累数据」这条飞轮何时转起来，以及从 50 万小时跨到 1000 万小时的临界点由谁触发。