4.4万人教机器人生活，具身智能的ChatGPT时刻还有多远

最近，一个平台吸引了4.4万人给机器人教“生活经验”：把日常活动拍成视频上传，供机器人学习。8月25日，Figure公开数据平台Index。过去四个月，来自108个国家的用户上传超1600万条真人任务视频，平台每秒接收30分钟新内容，相当于每天记录4.9年的人类工作。Figure已向这些“老师”支付1500万美元，未来12个月还准备在数据和算力上投入超10亿美元。语言模型可直接“读”互联网，但机器人要学的“生活经验”没那么好获得。

在2026世界机器人大会上，宇树科技创始人王兴兴谈到机器人行业的“ChatGPT时刻”，估计真正突破仍需两三年，不顺利则可能还要五到十年。能后空翻的身体、1600万条人类视频和数十亿美元投入，机器人究竟还缺什么，才能从演示走向规模化？

全球最具影响力的机器人学习学者之一、Physical Intelligence联合创始人Sergey Levine在The Peterman Pod中给出回答：机器人行业正经历问题转移。过去任务是控制身体，现在难题是教会机器人自己决策，通向未来必须找到真正值得规模化的东西。

Levine认为，机器人学研究的是构建复杂系统。制造机器人需处理线路、能源、执行器设计，直到高层规划。Boston Dynamics的经典成果主要展示先进硬件和传统控制方法，相对较少强调决策能力。特定阶段这很合理，因为连身体都造不出来，决策系统无意义。但如今硬件已“足够好”，最大挑战是建立有效决策循环，让机器人对环境做出智能反应。控制系统负责控制身体，AI则需考虑机器人以外的世界。

Levine说，过去几年他认识到，解决机器人问题必须利用广泛先验知识。早年Google“机械臂农场”项目让机械臂不断抓取物体，基本奏效，但再向前一步非常困难。部分原因是完全“白板式”思路。关键不是语言，而是获得先验知识并为学习搭建脚手架。先验知识可来自观察等。若要求机器人解决比人类和动物更难的问题，不引入先验知识就不现实。他仍支持亲身经验学习，但建议年轻时的自己更认真对待先验知识。

《2026年人形机器人产业发展报告》称，今年上半年中国人形机器人出货量超4万台，占全球97%。ACE Robotics董事长王晓刚给出另一数字：过去几年行业积累的具身数据总量约10万小时，远不足以训练机器人基础模型。Levine提到，许多机器人硬件来自中国，质量不错、价格便宜，但软件和数据规模化仍未完成。机器学习进入物理世界后，既失去可直接下载的互联网数据，也失去随时重来的低成本环境。

Levine认为，机器人领域生态不如机器学习其他分支健康。计算机视觉和自然语言处理有可自由获取的数据，也普遍接受学习方法，安全顾虑相对较小。机器人领域传统上不愿共享数据。围绕机器人学习的活动越多，越可能转向接受机器人由学习模型控制、数据必须共享的未来。任何一家机构都不可能只在一个垂直领域独自建立真正的基础模型，整个行业需从传统工厂自动化转向看待计算机视觉和自然语言处理的方式。只靠一家公司不够。

关于数据，Levine认为，如果模型已充分理解物理世界，会更容易吸收不同来源的数据。学开飞机可用模拟器，因为已有大量世界知识；看别人做饭，可调用自身经验，把行为抽象成“加盐”。一旦理解如何用身体完成动作、如何体验物理世界，其他来源知识就能连接，亲身经验提供的基础可帮助“落地”其他信息。由此推论，若机器人基础模型用大量真实具身数据训练，获得对物理世界的基础理解，可能更善于吸收其他来源知识。这与一些人想法相反：看到互联网数据对大语言模型的成功，人们容易认为机器人也应先用YouTube视频训练，再加入机器人数据。但Levine认为，正确顺序可能相反。