7.8
深览指数
科技微博·晚点LatePost··AI 生成
站在具身智能的岔路口，无问智科选择 “修路”
本文通过深度访谈无问智科创始人刘盛翔，揭露了具身智能行业当前的核心瓶颈并非硬件或算法，而是训练数据。文章指出，依赖真机遥操作、互联网视频或纯仿真等单一数据采集方式均存在致命缺陷，行业需要一套“虚实融合闭环”的数据基础设施。作者的核心贡献在于，将具身智能的数据问题类比为2015-2016年的自动驾驶，并提出了从模仿学习走向强化学习、由专业第三方建设通用数据底座的终局判断。适合关注具身智能产业分工、技术路线及创业公司战略的读者。原文 ↗
核心观点
- ▍具身智能当前的核心瓶颈已从算力、算法转向数据，缺少数量的同时，更缺高质量、跨场景的有效数据，这限制了机器人的泛化能力。
- ▍单一数据采集方式（真机遥操作、互联网视频、纯仿真生成）均无法解决问题，行业需要一套“虚实融合闭环”的数据体系，将真实数据与仿真生成数据结合，并形成持续迭代的飞轮。
- 012026年上半年，国内具身智能及相关上下游发生超过300起融资，总额超900亿元；前四个月，具身智能岗位量增长15倍。
- 02业内普遍认为，全球可用于具身智能训练的高质量操作数据仅几十万小时，而真正支撑通用机器人发展需要千万小时甚至更高量级。
- 03真机遥操作（如特斯拉Optimus）成本高昂，难以规模化；互联网视频缺少关节控制、接触力等机器人所需的关键信息；纯仿真生成存在“物理鸿沟”，虚拟世界学会的能力难以迁移到真实环境。
- 04无问智科构建了“世界模型×数据工厂×世界模拟器”的完整闭环方案，将数据采集、清洗、标注、合成、训练、仿真、验证、部署连接起来。
- 05李飞飞创立的World Labs收购了机器人仿真公司SceniX，其方向也是建立“Real-to-Sim-to-Real”闭环，验证了该技术路线的价值。
- 06无问智科创始人刘盛翔曾在百度自动驾驶搭建数据闭环体系，认为具身智能应借鉴自动驾驶的工程方法论，尤其是可量化、可复现的评测体系。
反方 / 局限
- — 作者承认，当前具身智能行业整体处于类似2015-2016年自动驾驶的早期阶段，产业链分工尚未形成，许多公司需要自建全套能力，第三方基础设施的市场接受度仍待验证。
- — 文章未充分讨论“公路”式基础设施由一家商业公司承担的潜在风险，例如数据安全、商业垄断或客户信任问题，仅以“行业终究需要专业第三方”一笔带过。
无问智科刘盛翔晚点LatePostWAIC特斯拉 OptimusGoogle DeepMindWorld LabsSceniX百度 Apollo具身智能模仿学习强化学习世界模型Real2Sim2RealReality Gap
12 分钟 · 4 卡片 · 8 资料
读原文 →