[智能应用]机器人“大脑”加速进化 模型与数据成为产业竞争新焦点 [复制链接]

　　◎记者 窦世平
　　过去，机器人大会上的“明星”往往是能够完成复杂动作的机器人本体。今年，产业关注点正在发生变化：从“机器人能做什么”，转向“机器人如何学会更多事情”。
　　在2026世界机器人大会现场，上海证券报记者观察发现，越来越多企业展示的不再只是机器人行走、抓取、运动控制等单项能力，而是围绕具身智能模型、世界模型、数据采集、仿真训练等底层能力展开布局。机器人产业竞争正在从过去的硬件性能比拼，转向“模型+数据”的综合能力竞争。
　　这一变化背后，是人工智能技术向物理世界加速延伸。业内人士认为，机器人要真正进入生产生活场景，不仅需要具备执行任务的能力，也需要形成对现实世界的理解能力。随着机器人“大脑”不断进化，模型和数据正在成为产业发展的新焦点。
　　从“会运动”到“会理解”
　　机器人智能底座加速升级
　　机器人产业正在经历从“动作智能”向“认知智能”的转变。过去，机器人更多依靠预设程序完成固定任务，而面对开放环境，机器人需要具备理解场景、学习任务和迁移能力。
　　世界模型因此成为行业关注的重要方向。千诀科技创始人、CEO高海川在接受记者采访时表示，从技术演进规律看，基于世界模型的路线正在成为下一阶段人工智能竞争的重要方向。世界模型的核心并不是简单生成内容，而是对环境状态、变化规律以及行动与环境变化之间的关系进行建模，从而帮助模型预测未来状态并支持决策。
　　这一趋势也体现在机器人学习方式的变化上。大晓机器人董事长王晓刚告诉记者，过去一年，行业对机器人学习真实物理世界的认识正在从“以机器为中心”转向“以人为中心”。过去机器人更多依赖单一本体数据和遥操作方式训练，但这类数据难以直接迁移到其他机器人和复杂环境。未来机器人进入开放世界，需要提升面对未知场景和新任务时的泛化能力。
　　当前，具身智能模型仍处于从技术探索走向规模应用的阶段。银河通用创始人兼CTO王鹤表示，具身智能基础模型仍处于早期阶段，模型在具体任务中仍需要进一步训练和适配，未来随着基础模型能力提升、后训练需求降低，机器人应用规模有望进一步扩大。
　　从单一机器人到通用模型，从固定程序到自主学习，机器人产业的竞争逻辑正在发生变化。未来机器人之间的差距，不仅体现在机械结构和运动能力，也体现在理解世界和解决问题的能力。
　　数据成为机器人“新燃料”
　　产业竞争进入基础能力比拼阶段
　　随着模型能力提升，数据正在成为机器人智能进化的重要支撑。与数字世界大模型不同，具身智能面对的是现实物理世界，需要大量包含动作、环境、空间关系和交互过程的数据。如何获得规模化、高质量的数据，正在成为影响机器人能力提升的重要因素。
　　“2026年是具身智能数据规模化的元年。”光轮智能联合创始人兼总裁杨海波对记者表示，随着行业从展示型Demo走向真实部署，数据需求正在快速增长。过去行业数据需求主要集中在数百小时、数千小时级别，如今头部客户需求已经提升至十几万小时甚至百万小时规模。
　　与此同时，数据竞争正在从“拼数量”转向“拼质量”。杨海波表示，当前企业更加关注数据的多样性和有效性。机器人面对真实世界时，需要覆盖不同环境、不同任务和不同变化条件的数据，仅有规模增长并不足以支撑模型能力提升，数据质量和评测能力正在成为产业重要壁垒。
　　数据供给方式也正在发生变化。过去机器人训练更多依赖人工示教和遥操作，而如今，真实数据、仿真数据、人类行为数据等多种数据形态正在结合。高海川表示，世界模型需要建立对真实世界运行规律的理解，这不仅需要视觉数据，也需要包含物理交互信息的数据支撑。未来，随着世界模型向机器人等物理场景延伸，对于高质量、多样化数据的需求将持续增长。
　　随着数据规模扩大，让数据转化为通用能力成为新的竞争方向。星海图市场部经理王甜琪表示，行业已经从过去针对单台机器人进行任务调试，转向通过具身智能基础模型预训练，再向不同机器人本体迁移，通过模型能力复用，机器人面对新任务、新环境时，可以减少重复训练成本。
　　机器人产业正在进入从单点技术突破迈向基础能力建设的新阶段。多位受访人士认为，未来竞争的关键，不只是制造一台性能更强的机器人，而是围绕模型、数据、仿真和训练体系，构建支撑机器人持续学习和能力提升的基础设施。

机器人"大脑"正在经历从专用控制器到高性能智能芯片的深刻变革，产业竞争焦点也从硬件性能比拼转向模型与数据的综合能力竞争。以下是核心进展与趋势：

一、机器人"大脑"的进化路径
1. 芯片层面的进化
机器人的"大脑"正从传统的微控制器（MCU）向高性能系统级芯片（SoC） 演进，以支撑多模态数据的实时处理与AI计算需求 ：

传统MCU    现代高性能SoC
适合简单逻辑控制    支持多模态数据实时处理
算力有限    可运行轻量级AI模型
延迟较高    毫秒级响应，低延迟
无法处理复杂AI任务    支持路径规划、目标识别、自然语言交互
机器人需要芯片在实时运动控制（解算电机/舵机参数）和智能决策（路径规划、避障、交互）之间实现平衡。

2. 模型架构的演进
从60年代的编程机器人到如今的VLA（视觉-语言-动作）统一模型，机器人"大脑"经历了五代技术演进 ：

第一代：固定程序控制
第二代：规则-based 决策
第三代：感知驱动（视觉/语音识别）
第四代：小模型辅助决策
第五代：具身智能大模型（VLA、世界模型）

这篇报道非常敏锐地捕捉到了当前机器人产业正在经历的一场深刻变革。结合最新的行业动态，我们可以将这场从“硬件炫技”到“模型与数据”的底层逻辑切换，梳理为以下几个核心维度：

竞争逻辑的彻底切换：从“造躯体”到“铸大脑”
过去，机器人大会上的明星往往是那些能翻跟头、跳舞或展现极致机械性能的硬件本体。但如今，行业的共识已经形成：硬件是载体，模型是引擎，数据是燃料。随着本体制造供应链的成熟和价格的跳水（例如部分消费级人形机器人价格已下探至万元以内），单纯拼硬件已经失去了意义。资本和企业的重心正全面转向“模型+数据”的综合能力竞争。

智能底座的进化：从“动作智能”到“认知智能”
机器人正在经历从“看到什么就做什么”（VLA直接映射）向“预测这么做会发生什么”（世界模型推理）的跨越。
世界模型成为核心：世界模型并非VLA的替代，而是VLA体系中的核心组成部分。它通过对环境状态、变化规律进行建模，赋予机器人预测未来状态和支持决策的推理能力。
类脑架构成为共识：行业技术路线正在收敛，长期最优的技术架构被认为是“世界模型搭配机器人大小脑快慢系统”，即类脑分层体系，从而实现“理解物理世界、预测环境变化、主动改造世界”的完整闭环。

2026年的新变量：数据规模化与“数据荒”
2026年被业内定义为“具身智能数据规模化的元年”。随着行业走向真实部署，数据需求呈指数级增长，头部客户的需求已达到百万小时级别。然而，与数字世界大模型不同，物理世界没有现成的“教科书”，全球可用的高质量物理交互数据总量面临超99%的巨大缺口，形成了比“算力荒”更棘手的“数据荒”。

破局“数据天堑”的三大路线
面对数据稀缺，业界正在探索三条各有优劣的路线，短期内将并行发展：
真机遥操作（Robot-Centric）：通过VR或动捕服在真实场景中采集，精度最高且数据与本体高度绑定，但成本极其高昂。
人类行为数据（Human-Centric）：通过外骨骼数据手套等设备采集人类操作轨迹，成本大幅降低，核心洞察在于“任务多样性大于场景多样性”，旨在获取更高信噪比的数据。
仿真合成驱动：在虚拟环境中生成海量数据，成本可控且场景可无限扩展，但面临“仿真到现实鸿沟”（Sim2Real Gap）的挑战，通常用于解决0到90%的基础数据，最后10%的长尾细节仍需真实数据弥补。

商业闭环：数据与场景的“自洽”
未来的竞争关键，不只是制造一台性能更强的机器人，而是构建支撑机器人持续学习的基础设施。在这个过程中，“数据定义权”正成为新的竞争制高点。谁能用更低成本获取更高信噪比的训练数据，谁就能占据先机。同时，最具价值的数据必须来自可盈利的真实场景，只有当“数据采集过程本身不依赖烧钱，而是由可盈利的真实场景驱动”时，数据飞轮才能真正转动起来，实现商业与技术的良性循环。