逸年有话：我们离真正的具身产业爆发还有多远？

2026年春天，在由盖世汽车主办的第四届具身智能机器人产业发展论坛，成为行业技术竞逐的缩影。数据采集、大模型、人形机器人、泛化能力轮番亮相，但会场内的焦虑，也正在逐渐滋生蔓延。

嘉宾们争相展示自研成果，“我们自研了基础模型”“我们搭建了全栈操作系统”“我们的数据量达到了XX小时”的声音此起彼伏，背后却藏着一种挥之不去的隐忧：大家各自为战、闷头布局，有限的资源、稀缺的数据、顶尖的人才，究竟是在推动行业加速，还是在制造一场巨大的资源浪费？

这不是一个道德问题，这是一个关乎产业生死存亡的数学问题。

数据孤岛，差了一个量级的“数据荒”

如果要让一个具身模型真正收敛，业内共识性判断是至少需要几百万小时，甚至是上千万小时的有效数据。

据特斯拉Optimus、波士顿动力等海外头部企业公开数据显示，其核心具身模型训练数据已突破百万小时量级，可在被问及中国现有情况时，千寻智能科研生态总监徐国强直言：“目前国内各家具身智能公司的数据量加起来可能也就几十万小时，距离模型真正收敛，整整差了一个量级。”

更严峻的是，即便把全国所有头部企业的数据合并，不仅量级不足，数据质量也难以达标。

当前国内数据多集中在机械臂抓取杯子、简单移动等基础场景，高复杂度、跨场景的有效数据占比极低，即便汇总，也难以支撑模型实现真正的泛化能力。

图片来源：千寻智能

数据壁垒则加剧了这一困境。

如今数据不仅是具身智能的生产资料，更是各家公司的“核心资产”。徐国强用“视若珍宝”形容当前的数据现状：“各家的数据都握在自己手里，不愿意共享，生怕被对手窥探。”

这种状态下，整个行业就像是在干涸的河床上各自挖井，明明挖深一点就能见到地下水，却都在浅层徘徊，重复采集基础数据造成的社会资源浪费触目惊心。

这与汽车产业早期的数据孤岛高度相似。早年车企的厂区工艺数据、车路协同数据、车载运行数据均被视为核心机密，互通壁垒成为汽车智能化升级的重要瓶颈。

而与互联网早期的“信息孤岛”相比，具身智能的数据壁垒更难打破。软件时代代码复制成本为零，但具身智能的数据采集需要真实的物理设备、场地和时间成本，机器人每一次抓取、移动、失败摔倒，都是真金白银的投入。

转机已在萌芽。据徐国强透露，国内正推动国家级具身智能数据训练场建设，多所高校已将具身智能专业纳入学科布局，并将数据采集纳入学生日常考评体系。“接下来这个壁垒会逐渐被打破，”他坦言，“现阶段的各自为战是行业早期的特定现状，未来数据共享的界限会越来越模糊。”

但问题在于，行业等得起吗？2026-2027年已被业内视为具身智能人形机器人商业化的关键窗口期，若始终跨不过“数据量级+质量”的基础门槛，所谓的行业竞争，或许只是一场还没开始就输掉的游戏。

而数据孤岛之外，底层操作系统的内耗，正成为产业前行的另一重枷锁。

操作系统，等待那个“一统江湖”的破局者

如果说数据是燃料，那么操作系统就是引擎。关于未来机器人操作系统会是PC时代Windows那样的“一统天下”，还是手机时代Android与iOS“二元并存”，业内的看法颇为务实。

当前最核心的问题，并非未来格局，而是当下的内耗困局。

穹彻智能研究科学家吕峻坦言，当前行业尚处早期，技术未实现跨场景通用，即便单一企业内部，不同交付场景仍需多套OS并行，行业统一更无从谈起。“这不是企业做得不好，本质上是具身智能技术还没达到跨场景规模化应用的水平。”

这直击行业最本质的痛点，技术成熟度远未达到“标准化”的临界点。PC时代Windows能一统江湖，核心是底层硬件标准化、软件需求明确；手机时代的双雄格局，也建立在硬件形态趋同的基础上。

但具身智能时代，机器人形态千差万别，应用场景从工业产线到家庭厨房天差地别，一个模型在A公司的轮式机器人上运行顺畅，换到B公司的双足机器人上可能直接“死机”。

这一幕，与汽车产业早年的电控系统内耗高度相似。早年国内百家车企各自自研电控系统，重复投入、效率低下，最终被域控制器统一、车载OS架构融合的趋势终结。具身智能OS的破局，或许可以借鉴这一标准化路径。先实现企业内部OS统一，再逐步推动行业层面的兼容与整合。

吕峻表达了行业内的普遍期待：“我个人更期待未来能有1-2家企业，推出稳定可靠、兼容不同模型和硬件设备的通用操作系统，让大家少一些同质化赛马，多一些资源整合，把有限的力量投入到核心技术研发中。”

事实上，在资本的渲染下，“竞争”往往被等同于“活力”，但在技术未成熟、基础科学未突破的领域，过早的、过度的同质化竞争，本质上是对稀缺科研资源的挤占。

如果每家公司都要从零造轮子、写底层驱动、搭建操作系统，谁来攻克“让机器人理解人类模糊指令”“跨场景自主适配”这些真正的核心难题？

吕峻的话更拉高了格局：“具身智能是一项需要巨额投入的事业，更关乎国家层面的技术竞争，内耗不起。”而当国内企业在OS层面难以形成合力，未来面对的可能不是商业竞争，而是国与国之间的技术降维打击。

开源与整合，站在十字路口的战略抉择

面对“各自为战”的困局，国内企业已开始探索破局路径，开源与垂直整合并行，最终指向“开源底座+私有数据”的混合生态。

2025年12月，大晓机器人发布了ACE具身研发范式，构建“环境式数据采集—开悟世界模型3.0—具身交互”全链路技术体系。该体系通过环境式数据采集方案，可实现年千万小时级数据收集；结合开悟世界模型3.0的数据增强能力，能够形成等效上亿小时的数据训练效果，缓解行业长期面临的数据瓶颈。

而如今，大晓机器人继开源开悟世界模型3.0（Kairos 3.0）-4B 系列具身原生世界模型外，更将以空间智能为底层框架、跨不同具身本体的通用基础模型“ACE-Brain-0”正式面向全行业开源。

ACE-Brain-0架构

大晓机器人选择将核心模型开源，这一看似“反直觉”的动作，实则有着清晰的战略考量。“具身智能目前仍处于产业早期，商业化竞争尚未到白热化阶段，当前核心目标是让更多人参与到研发中来，实现资源共享——包括数据、模型和底层工具链。”

这种“基础设施思维”，旨在摊薄行业试错成本。周泉进一步解释：“我们开源部分数据、基础空间智能模型和世界模型，就是希望开发者能基于这个底座，低成本探索垂直应用方向，一起完善技术设施，推动行业整体进步。”

除大晓机器人外，国内部分科创企业也已开放机器人底层控制算法，试图共同搭建行业基础底座，打破内卷困局。

与开源趋势相对照的是垂直整合逻辑，但即便是倾向于垂直整合的用户方，也对开源生态抱有开放态度，蔚来汽车制造运营中心总监刘圣祥从汽车产线应用端，给出了最务实的视角。

“我们与生态合作伙伴，包括模型专家、数采厂家、机器人厂商深度协作，核心是解决汽车产线的实际场景问题，推动具身智能产业化落地。”

他强调的合作前提，直指工业场景的核心痛点数据安全与隐私。“我们可以利用开源模型，但最终部署必须是本地部署，训练数据不能出企业。”

这也是汽车产业的共性需求：产线上的操作数据、工艺参数、装配流程都是核心商业机密，绝不可能上传到云端供第三方模型训练。

比亚迪、特斯拉等车企的工厂机器人应用，也均采用“开源模型+本地微调”的模式，既降低研发成本，又保障数据安全。

这引出了行业的普遍共识：未来的具身智能生态，既不是纯粹的开源乌托邦，也不是完全封闭的垂直帝国，而是“开源底座+私有数据”的混合形态。

基础模型、底层工具链开源，降低行业准入门槛，让中小企业和开发者能低成本参与；企业私有数据闭环，保障核心利益和数据安全，实现个性化场景适配。

这种模式，既避免了数据孤岛和OS内耗，又兼顾了商业竞争力，而汽车产业的实践，已为这种模式提供了可借鉴的范本。

回到最开始的问题：各做各的模型，浪费何时休？

从行业的讨论来看，答案并不悲观。行业已经清醒地意识到，“数据量级差一个零”不是危言耸听，“操作系统内耗”不是杞人忧天。国家力量正在介入数据训练场的建设，头部企业开始尝试开源共享，用户方则在呼唤一个既能保护数据主权、又能降低开发成本的新型合作模式。

或许，具身智能产业的“临界点”，并不完全取决于某个模型参数量突破了多少亿，而取决于行业能否在“竞争”与“协作”之间找到那个黄金平衡点。就像当年的互联网，只有TCP/IP协议成为共识，才有了后来的万维网繁荣。

对于具身智能，行业需要的可能不是一百个互相不兼容的“操作系统”，也不是一千个互不相通的数据孤岛。需要的是稳定可靠的底层，需要把基础模型开源，让开发者低成本试错，更需要打破数据壁垒，让国家公共平台与商业力量形成互补。

这场“浪费”的休止符，最终将由那些敢于率先打破藩篱的企业来谱写。正如汽车工业百年历史所证明的，是福特的流水线标准化终结了手工造车的低效，是特斯拉的开源专利推动了电动化的普及。

在具身智能的黎明，我们期待中国的企业能展现出同样的远见与魄力——因为当整个行业都在泥潭里挣扎时，没有哪一家能独自上岸。