点击下方卡片，关注【Xbotics具身智能实验室】公众号

更多具身干货，欢迎加入【Xbotics知识星球】（戳我）

具身智能学习资料汇总：https://github.com/Xbotics-Embodied-AI-club/Xbotics-Embodied-Guide

具身智能求职/实习信息汇总：https://github.com/Xbotics-Embodied-AI-club/Xbotics-Embodied-AI-Job

你想要的这里都有~~

一、2025 年我们究竟看见了什么？

如果用一句话概括 2025：具身智能进入“高热度、低共识”的阶段。

热度来自可视化 demo 的爆发：跑酷、篮球、乒乓球、跨场景长程任务、持续工作等能力在短视频里密集出现，让人直觉上觉得“未来已来”。

低共识来自落到工程与科学细节时的分裂：

• 你做机器人 A + 场景 α + 任务 1；我做机器人 B + 场景 β + 任务 2。大家各自都很强，但很难互相比较。
• 没有统一的基准、没有统一的复现协议，于是“百家争鸣”甚至变成“信仰之争”。

这种“热与乱并存”的状态，是理解 2025 的第一把钥匙。

二、四位视角的共同底色：2025 的三角难题

具身智能不像只在屏幕里跑的 AI，它受三个变量同时卡脖子：硬件可靠性、数据与训练范式、评测与复现。这三者互相牵制，形成一个“进步很快但难以规模化”的三角。

三、共识：2025 具身智能行业正在形成的 7 条“共同判断”

共识 1：机器人领域仍像“蛮荒时代”，不是因为不酷，而是因为不可复现

Jim Fan 的“蛮荒”判断刺耳但真实：很多视频 demo，本质上是从上百次尝试中挑出最好的一次。这不是道德问题，而是工程现实：

• 机器人不像软件，失败往往是不可逆的（过热、马达损伤、固件问题等）。
• 同样的策略，在不同时间、不同电量、不同温度、不同地面摩擦下，表现可能完全不同。
• 如果没有严谨评测口径，“看起来能做”不等于“可以交付”。

因此大家越来越一致地认为：2026 必须把可复现性当一等公民。

共识 2：评测体系是“最大短板之一”，而且必须和训练一起 scale

石冠亚明确提出一个关键句：scale evaluation。

• 在 LLM 世界里，MMLU、SWE-Bench 等基准能成为共同语言；
• 机器人世界里，平台、任务、成功判定、评分方式、仿真/真机选择都缺少共识。

于是每次发新闻都临时定义一个 benchmark，人人都能加限定词宣布 SOTA。

共识正在形成：如果评测不规模化，训练规模化意义有限。行业需要更像“基础设施”的评测与回归体系，而不是一次性 demo。

共识 3：硬件进展很快，但可靠性成为软件迭代速度的上限

2025 你能明显感觉到“身体很强、脑子跟不上”这句话变得成立：

• 本体越来越像工程杰作；
• 但真正让机器人持续稳定工作的，仍需要大量运维与人工干预。

许华哲也在另一种角度表达同一件事：快递分拣 1800 件/小时、汽车工厂万分之一甚至十万分之一失误率——这些“工业级指标”，离当前“视频级指标”还有距离。共识是：可靠性不是边角料，而是规模化的门槛。

共识 4：数据是核心燃料，但路线未收敛；“边用边训”正在成为主流叙事

数据重要性已无需证明，但怎么来、怎么用，仍是开放问题：

• 真机遥操成本高、分布碎片化；
• 人类中心数据（可穿戴/第一视角/互联网视频）便宜，但跨本体 gap 大；
• 仿真数据可扩，但保真与对齐仍难。

许华哲给出的“螺旋上升”框架逐渐成为共识：预训练 + 强化学习/在线自我探索 + 再数据回流。也就是：别等数据穷尽再做模型，而是“边用边训”。

共识 5：机器人学习的 scaling 不能照搬 LLM，需要面对“监督信号密度”差异

石冠亚用 tinyGPT 的经历，提出一个非常锋利的解释：监督信号密度。

• LLM 的 token 预测带来高密度监督信号，GPU 并行利用到极致；-
• 机器人数据尤其 action 轨迹，常常是“孤岛式 label”，自监督结构弱、跨轨迹可复用信息少；
• RL 里奖励还常常稀疏（尤其 loco-manipulation），信号密度更低。

这解释了为什么“机器人从 1 分到 10 分”，而 NLP 从 10 分到 100 分。行业共识开始倾向：要么提高信号密度（更好的学习目标/世界模型/自监督），要么提高可并行数据与评测体系，或者两者都做。

共识 6：VLA 成为 2025 年度热词，但“VLM→VLA 嫁接式路线”遭遇越来越多质疑

VLA（Vision-Language-Action）爆火，是因为它给了行业一个“通用大脑”的想象：视觉 + 语言 + 动作端到端。

但 Jim Fan 的批评正在被越来越多研究者接受：

• VLM 预训练目标偏问答与语义，视觉编码器倾向丢掉低层细节；
• 机器人操作恰恰依赖微小物理细节与稳定控制；
• 所以 VLA 未必随 VLM 参数规模线性提升，问题可能在“目标不对齐”。

共识正在形成：VLA 会继续，但需要更物理对齐的表征与训练目标。

共识 7：未来一两年是“Research 与 Scaling 共舞”

石冠亚的判断很有代表性：具身智能不会只靠“堆规模”或“想点子”单独取胜，而是两者互相驱动：

• research 解锁更好的 scaling（更好的目标、更高信号密度、更可复现的评测）；
• scaling 给 research 提供燃料（数据、现象、失败案例）。

四、分歧：2025 争论最激烈的 6 个问题

共识之外，行业更重要的是“分歧在哪”。因为 2026 的路线选择，本质上是对这些分歧下注。

分歧 1：中美路线分野——“量产/商业化优先”还是“技术上限优先”？

许华哲把它讲得很直白：

• 中国公司更强调量产与商业化推进；
• 美国公司更强调展示 AI 能力上限。

他担心，如果只做量产，可能错过“最大西瓜”——AI 能力才是领跑的核心。

这不是简单的价值判断，而是资源配置的选择：你把最好的团队押在“可靠性与成本”还是“能力上限与范式突破”。

分歧 2：做简单场景落地，还是挑战困难场景获取通用能力？

• 高价值高重复场景，往往会被专用自动化设备先解决掉 90%；
• 还没自动化的事情，常常单价不高或重复度不高。

于是他提出类比：具身更像大模型——不该花大力气做“容易但不通用”的任务，而要挑战“强操作、高泛化”。

但现实主义者会反驳：不落地就没有数据飞轮。

所以这里的分歧是：短期现金流 vs 长期通用能力，以及两者怎么形成正反馈。

分歧 3：怎么 scale？堆真实数据、做仿真合成、押世界模型、还是押单任务 99.9999%？

石冠亚列了四条可并行路线：

• scale 真实世界数据（真机/人类/离身数据）；
• 仿真合成与增强；
• 新范式（视频世界模型等）；
• 强化学习与微调把单任务成功率推到极致。

分歧在于你把“主要筹码”压哪条：

• 产业更倾向 1+4；
• 学术更倾向 2+3；

但 2026 大概率是混合策略的竞争：谁能把混合做成闭环，谁赢。

分歧 4：VLA 的未来是“继续嫁接 VLM”还是“世界模型优先”？

Jim Fan 明确重注视频世界模型，认为它更天然编码物理与时序动态。

而另一些人会主张：VLM 的语言与知识能力是机器人走向通用的必要组件，应该“在 VLM 上补物理”，而不是完全换底座。

分歧本质是：语义对齐优先 vs 物理对齐优先，以及两者怎样合体。

分歧 5：数据路线——人类中心数据能不能成为主力？

人类视频/第一视角/可穿戴数据更便宜、更易规模化；但跨本体 gap 很大。

有一派认为：先用人类数据学“意图与结构”，再靠仿真/真机做 grounding；

另一派认为：动作与力控细节必须来自真机交互，不然“学到的只是表演”。

这会直接影响公司/实验室的采数体系。

分歧 6：行业要先“工业化铺路”还是先“科学问题突破”？

吴恩达把 2025 描述成“AI 工业时代的黎明”：数据中心、算力、电力、人才的工业化竞争让 AI 变成重资产产业。但石冠亚与 Jim Fan 更强调“science problem”：我们缺的是“Physical AI 的物理学”，缺的是可解释的机制与更对齐的训练目标。

这两者并不矛盾，但资源有限时必须取舍：你是造电网的人，还是造发动机的人？

五、结语：2025 的答案不明朗，但方向越来越清晰

把四位观点叠在一起，你会得到一个不那么鸡汤但更真实的结论：

• 具身智能的确更强了，但离“工业级干活”仍有距离；
• 2026 的关键不是再拍多少炫酷视频，而是把可靠性、评测可复现、数据飞轮做成行业基础设施；
• 路线不会很快收敛——但“Research × Scaling 共舞”的时代已经开始：research 让我们更会 scale，scale 让 research 有燃料。

最后一句话送给 2026：It’s an exciting time. Just needs execution.

-END-

Ask Me Anything｜提问箱

❝

对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。

怎么问：在评论区留言，或私信公众号

我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。

提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。

一起把问题变成知识，推动社区进步 ?