大晓机器人技术路线上一个容易被忽略的关键布局是国产算力适配。Kairos 3.0已完成了与沐曦、壁仞、中科曙光、海光等多家国产GPU厂商的深度适配，打通了「国产模型+国产算力」的全链路。端侧部署选的是英伟达Thor平台（517 TFLOPS），但云端训练和推理跑在国内算力底座上。这意味着大晓从一开始就在为地缘政治风险做对冲——如果海外芯片出口受限，它的商业化落地不会断链。这一点在投资圈的分量，可能比世界模型的benchmark排名更重。

你以为是同一个赛道，其实三个阵营目标完全不同。英伟达的Cosmos是工业级仿真引擎，靠合成环境解决数据贫困；李飞飞的World Labs押注空间智能——让AI理解三维世界的物体关系和几何结构；杨立昆追求的则是能进行因果推理和长期规划的认知架构。大晓机器人的Kairos走的是「理解-生成-预测一体化」，更接近杨立昆的方向但工程化更激进。这三条路线现在都在说同一个词，但它们的竞争关系远没有你想象的那么直接。

世界模型喊得响，但VLA（视觉-语言-动作）一派并不认输。智平方创始人郭彦东公开表示VLA才是物理世界智能的主航道——它本质是多种模态融合的端到端映射器，执行效率极高。反对者指出，传统VLA只能处理「当下」，不能预测「未来」，泛化能力受限于训练分布。而星尘智能的实战选择更说明问题：它用数据效率而非数据规模驱动，在家庭场景中用分层架构区分「本能级响应」和「深度推理」，本质上是在VLA和世界模型之间走了一条混合路径。大晓把赌注全押在世界模型，并不是行业共识。

大晓董事长王晓刚在博鳌论坛上给出一个具体的时间表：2027年突破1000万小时数据量级，届时人形机器人将迎来「ChatGPT时刻」。这个判断依赖两个可观察的信号——一是开悟世界模型能否从30万套虚拟住宅扩展到覆盖全中国典型场景；二是大晓的「环境式速采」新范式能否把单日数据积累效率拉到特斯拉端到端方案的级别（单日400万人类经验小时）。目前能看到的最大不确定变量是：当千万小时数据真的到位，现有的「理解-生成-预测一体化」架构能否承载这种规模的数据涌现。

机器人行业公认的瓶颈不是模型，是数据。全世界汇聚的高质量具身数据仅约50万小时，而训练一个通用模型至少需要千万小时级。一条真机采集的遥操作数据成本在3-5元，行业单任务成本高昂到根本采不起。大晓用30万套中国住宅户型构建Homeworld数字训练场，本质上是在用仿真数据弥补缺口。但斯坦福有个残酷数据：仿真环境里抓取成功率89%，落到真实家庭只剩12%。当资本追捧世界模型时，真正要追问的是：谁先解决从仿真数据到真实物理世界的迁移鸿沟？