#机器人行业还没到GPT1水平#

这期对谈里，我比较认同的一点是：判断具身智能到了什么阶段，不能只看机器人能不能完成一个动作，而要看它能不能在环境变化之后，依然把整件事做完。

现在不少机器人已经具备不错的运动控制和感知能力，跑跳、抓取、搬运都能做出很直观的效果。但这类能力很多仍建立在限定场景、特定物体和预设流程上。真实世界的问题在于，它几乎不会提供完全标准化的输入。光线会变、物体会移动、人会突然介入，甚至同一个杯子的材质、重量和摆放角度不同，都会影响后续动作。

所以我理解「还没到GPT1水平」，核心不是机器人不会动，而是还没有形成足够通用、可扩展的智能底座。大语言模型的突破，很大程度上来自统一的数据形式、规模化训练和相对清晰的能力增长路径；但机器人面对的是高度碎片化的硬件、场景和任务。不同本体的数据未必能直接复用，不同环境中的经验也很难无损迁移，这让具身智能的规模化训练比语言模型复杂得多。

从这个角度看，VLA和世界模型也不是简单的二选一。VLA更像是把视觉、语言和动作打通，让机器人能从指令直接走向执行；世界模型则补上对环境状态和动作后果的预测，让机器人不只是「看到什么就做什么」，而是能够提前判断风险、规划步骤，并在执行中动态修正。真正成熟的系统，大概率既需要高效的行动模型，也需要对物理世界更深的建模能力。

至于企业护城河，我觉得最容易被高估的是外形和单次演示，最容易被低估的是工程系统。机器人被拆解、模仿并不难，但一家公司如何采集高质量数据，如何让模型适配不同本体，如何控制成本、故障率和维护周期，以及如何在真实场景中持续迭代，这些才决定产品能不能从样机走向规模化部署。

我现在更愿意把人形机器人看成一个长期系统工程，而不是某个模型上线后就能突然跃迁的赛道。短期内，行业可能会经历不少演示领先、落地滞后的阶段；但谁能率先把智能、硬件和场景真正闭环，谁才有机会跨过从「能做」到「可用」的那道门槛。#科技漫谈#http://t.cn/AXajgJ6G