具身智能面临的数据稀缺瓶颈如何解决
在2026年7月22日的世界互联网大会数字丝路发展论坛上，宇树科技创始人王兴兴指出具身智能的“ChatGPT时刻”最快2-3年内到来，而他反复强调，当下制约这一临界点的核心瓶颈并非数据稀缺或硬件不足，而是AI模型架构本身的能力与泛化性缺陷。
一、数据稀缺瓶颈的本质：是“模型问题”而非“数据问题”
王兴兴在多次公开演讲中明确表态，行业内对数据问题的关注度过高，反而忽略了更关键的因素。
- 核心观点
- 细节说明
- 模型架构是首要瓶颈当前具身智能的AI模型架构不够好、不够统一，数据采集后往往“用不起来”
- 数据并非越多越好在机器人领域，数据量不是线性驱动智能提升的，模型缺乏有效的架构去消化海量数据
- 硬件已基本够用目前机器人本体、灵巧手等硬件在技术层面已足够支撑应用，大规模应用的障碍不在硬件端
二、技术路径的破局：从“数据的堆叠”转向“模型的创新”
王兴兴认为，解决数据困境的关键在于探索全新的技术路线，而非持续扩大数据采集规模。
1. 视频生成模型与世界模型路线
王兴兴倾向于由视频生成模型或世界模型直接驱动机器人控制，而不是依赖传统的VLA（视觉-语言-动作）模型
他评价VLA模型属于“相对傻瓜式的架构”，存在依赖高质量数据、适应性差的天然局限
视频生成模型的思路是：先生成一段“机器人完成任务”的视频，再将视频中的动作转化为实际控制信号，这本质上是利用现有海量视频数据作为训练素材，而非每次都依赖昂贵的真实机器人交互数据
2. 强化学习Scaling Law的突破
王兴兴指出，目前机器人在强化学习（RL）训练上仍处于“从头训练”阶段，每次学习新技能都从零开始，无法在过往训练基础上进行积累
如果能实现RL的Scaling Law，每一次训练的速度将越来越快，学习新技能的效果也会持续优化，这将在不依赖新增大量数据的情况下大幅提升模型能力
三、全球共创与数据生态的建设
解决数据稀缺瓶颈不能靠单打独斗，全球协作是王兴兴反复强调的关键路径。
宇树科技是全球四足机器人和人形机器人出货量最多的公司，这一成果恰恰建立在全球在AI和机器人领域共同开发、分享技术成果、广泛市场交流的前提之上
王兴兴呼吁各方“拧成一股绳”突破技术临界点，主张通过全球共创加速数据共享与模型迭代，降低全行业的创新成本
宇树已经开源了世界模型的参数和数据集，王兴兴解释：“反正还做不到能干活，不如就都开源出来”，这种开放态度有助于全球研究者共同解决数据利用问题
四、从“解决数据问题”到“拥抱技术临界点”
王兴兴对行业前景的判断建立在一套清晰的逻辑之上。
- 关键维度
- 现状与判断
- 时间表具身智能“ChatGPT时刻”最快2-3年内到来，届时机器人在80%陌生场景中凭语音指令完成80%-90%任务
- 当前阶段行业处于“爬坡阶段的平台期”，热度远未达到顶峰，未来可能比现在高100倍甚至1000倍
- 数据问题解决策略核心靠模型架构创新，辅以全球共创开源、视频生成模型驱动、强化学习规模突破三重路径
当模型能力实现质的飞跃，机器人从“在固定场景100%成功”跨越到“在陌生环境自主通用”，届时数据稀缺问题将不再是障碍，反而会因机器人大规模部署自动产生海量真实交互数据，形成正向循环。
