具身智能迎来范式拐点：机器人学会举一反三

8月20日，当国内企业在2026年世界机器人大会上展示物流、餐饮等任务时，美国具身智能领域却出现了技术新风向。当天，机器人基础模型公司Generalist AI发布GEN-1.5模型，展现出出色的上下文学习（ICL）能力；随后，Skild AI也将ICL置于核心叙事。ICL指机器人像人类一样，利用观察到的上下文适应新任务，而当前主流范式是每学一个任务需重新采集数据并训练，类似“刷题库”模式，泛化能力有限。

尽管两家公司展示的ICL能力尚处早期，但成果已让行业人士兴奋不已。可可矩阵CEO高宇翔认为：“机器人ICL范式会成为主流共识”，如同语言模型从BERT走向GPT-3，机器人正迎来自己的GPT-3时刻。高宇翔95后，出身西交大少年班，曾从约翰斯·霍普金斯大学博士辍学，经历回国创业、加入工业界、再次创业。2024年加入傅利叶后，他花3个月跑通全尺寸人形机器人遥操数据采集，获头部大厂VLA合作；2025年Q3，以一百多万元成本训练出具备泛化能力的世界模型。创业前夕，傅利叶创始人顾捷鼓励他：“模型范式根本变化会改变行业，看到AGI机会。”2026年春节后，高宇翔凭ICL理念搭建主创团队，现团队20余人，成员来自顶尖高校和实验室。

数据枯竭：具身智能的“卡脖子”难题

高宇翔认为，单纯依赖现有具身数据Scaling困难，因数据少且分布不均，无法像大语言模型那样内插泛化。他引用苏度科技韩铮观点：按传统方式收集具身数据需约100万亿美元投入。具身将比大语言模型更早遭遇数据枯竭和探索效率问题，需提前考虑模型迭代。关于世界模型，他称其为统称，本质是对世界状态的预测，热门源于VLA数据Scaling瓶颈，目前尚无数据Scaling能将世界模型能力与机器人泛化操作挂钩。当前Scaling分数据、参数、算力三类，但物理世界中算力和参数Scaling受延迟和推理效率限制，机器人需至少十几赫兹响应，否则反应迟缓。

技术突破：由投入者决定

对于大语言模型覆盖具身的观点，高宇翔认为技术突破由投入者决定，他坚信能做出突破的团队必是对问题理解最深、数据经验最足者。他回顾加入傅利叶经历：因“眼馋”20多台机器人，放弃博士学业，凭手写proposal获信任，从一台机器人起步，两三个月跑通遥操作系统并训练模型，随后规模化采集，打通全身遥操、人机共控等领先尝试。关键是从第一天就考虑模型需求，设计简单易扩展的系统，并做减法，用精简中间件替代ROS，适配新机器人。

从“刷题库”到“举一反三”，机器人ICL范式虽处早期，却预示着具身智能将摆脱数据束缚，走向真正的泛化。正如高宇翔所言，范式转变将改变行业，而这场变革的领跑者，必是那些深谙数据与模型本质的团队。