文章提到具身领域「大模型缺粮」：每小时真机遥操作数据采集成本在700元以上。这个数字背后是整个行业在疯狂砸钱建数据基础设施——京东计划两年内在全国铺1000万小时人类真实场景视频数据，已建成全国首个具身智能数据采集社区（江苏宿迁），让居民带自家摄像头在日常家务中完成数据采集。更扎心的约束来自质量：给模型喂一万小时高质量数据能力涨，再叠加一万小时质量差的数据能力反而退化。数据采集的路在线和技术选型本身，就是当前具身智能产品经理的知识盲区里最容易被低估的一环。

文章用RoboDojo的数据说明行业成功率极低（最强模型真机12.8%），进而提出「先定义失败再定义成功」的评估思路。但同一拨数据也揭示了一个暗线：RoboDojo给42个仿真任务和18个真机任务覆盖了五大能力维度，评测结果让Memory能力的分水岭清晰浮出水面——原力灵机DM0.5在Memory维度得分47.74（第二仅13.37），一举登顶。梅开二度的是星动纪元Era0在RoboChallenge上以64.33%的成功率登顶，同时在最难的「做素食三明治」和「擦桌子」两项任务上成为唯一非零胜出的模型。这些第三方评测的诞生本身就在标记一件事：具身智能的分水岭不是模型参数，是评测缺口催生出的隐形竞争力的分界。

2026年春招数据显示具身智能岗位量同比暴增15倍，平均月薪已从5.9万涨至6.2万元。AI科学家/负责人级别的平均月薪更是突破13万/月，部分头部企业首席科学家年薪包高达540万-600万。AI产品经理需求同比上升81%。这波爆发背后是具身智能从「实验室炫技」驶入「量产竞赛」——量产的第一消耗品不是算力，是能同时看懂硬件和算法的人。当岗位量涨幅远超AI人才供给增速时，接下来的1-2年很可能出现更极端的细分：能带着场景和交付标准在五个垂直领域做平衡的「产品架构师」，比单一算法专家更难招。

文章把主动交互的「分寸感」作为核心难题，画出了用户接受度、机器人生物钟、用户需求三因素的交叠模型。但最棘手的部分是：这三者如何在同一个用户身上协同演化？「生物钟」被设计成有状态起伏，但人的接受度也是动态的——今天想聊天明天不想。一个能实时学出这种细粒度动态边界的系统，目前在学界也几乎是空白。真正值得追问的：家庭陪伴机器人的交互模型里，是否需要一个「接受度在线学习器」——类似联邦学习，每台设备只学自己用户的交互边界，不上传到云端？