具身智能的大赛，真正比的不是机械臂，是数据与泛化

这两年，具身智能的讨论越来越像一场“看起来很强”的比赛：视频里机械臂行云流水，Demo 里任务闭环完整，发布会一句“端到端”就能把观众的心率拉高。

但你只要把镜头稍微往旁边挪一点，就会看到另一个现实：具身智能真正的难题，往往不在机械臂，也不在某个网络结构，而在“数据如何形成”“评测如何成立”“系统如何在随机环境里不崩”。

我越来越相信一件事：具身智能的竞争，很快会从“模型参数与算力”转向“数据与泛化”。也就是说，真正决定谁能落地的，不是你能把一个动作做得多漂亮，而是你能不能在不断变化的物理世界里，维持稳定的成功率。

1. 物理世界的敌人叫“随机性”

软件世界里，我们习惯了可控：接口稳定、输入结构化、环境变量有限。你把一个 agent 放进 CRM 或工单系统，最难的是流程与权限；但一旦上线，世界不会每天换一套桌面颜色。

物理世界完全反过来。哪怕只是“把线插进接口”这种看似简单的任务，随机性会从四面八方涌进来：

• 光照变化导致视觉误差
• 物体位置偏移造成抓取失败
• 柔性物体不可预测（线缆、布料、塑料袋）
• 摩擦系数、表面反光、遮挡、背景杂物
• 传感器漂移、标定误差、机械结构微小回弹

这就是具身智能里最残酷的一句话：你不是在解决一个任务，你是在对抗一个世界。

所以，单场景的视频 Demo 很容易“看起来像通用智能”，但它往往只是把随机性按在地上捂住了嘴。

2. 为什么我越来越看重“AB 两套榜单”

一个成熟的技术领域，必须回答两个问题：

1. 我能不能把这个题做对？
2. 我能不能在别人随手改动条件后依然做对？

前者是能力，后者才是泛化。

如果你把评测设计成“固定位置、固定光照、固定道具”，那几乎必然会得到“刷榜工程学”：

• 数据只覆盖最常见的角度
• 策略只对某个摆放方式优化
• 失败案例被认为是“异常输入”而不是“真实世界”

这类系统在实验室里会越来越稳，在真实场景里会越来越脆。

我更喜欢把评测拆成两层：

• A：可控环境下的稳定复现（让参赛者快速收敛，摸清任务边界）
• B：随机环境下的鲁棒成功率（逼迫系统真正学会“应对变化”）

这不是形式主义，而是一种工程诚实：把“是否通用”从口号变成可测量的指标。

3. 具身智能的三件“基础设施”，比你想的更像软件工程

很多人谈具身智能，会把重点放在“模型够不够大”。但当你进入真实开发，会发现决定进度的常常是三件事：

3.1 数据基础设施：采、洗、标、回放、复现

具身智能的数据不是一堆图片，而是一段段发生在时间轴上的互动：视觉、力觉、位姿、指令、失败恢复、环境变化。

你需要的是一套“可复现的物理数据管线”：

• 能快速采集多样化场景
• 能把失败样本保留并再现
• 能把一次训练的改动与成功率变化对应起来

没有这套东西，所谓“端到端”会变成“端到端地撞墙”。

3.2 训练与评测基础设施：把成功率当成产品指标

具身智能最后交付的不是一个漂亮的 loss 曲线，而是一个朴素到近乎无聊的指标：

• 在随机条件下，完成任务的成功率是多少？
• 失败后是否能恢复？恢复成本是什么？
• 换一个桌子、换一种光照、换一种摆放方式，下降多少？

当你把这些问题写进评测框架，团队的研发习惯会被迫改变：不再迷信单点突破，而开始重视“分布外”的系统性补强。

3.3 系统工程：别把机器人当成一个模型

一个能在物理世界长期稳定工作的机器人，更像一个“多模块协作的产品”：

• 感知模块不稳定时，策略如何降级
• 动作执行偏差时，如何闭环纠错
• 语言指令模糊时，如何澄清或保守执行
• 多步任务时，如何规划与回退

这听起来很像软件工程里做 SRE：你关注的是“平均看起来不错”还是“尾部失败可控”。

4. 具身智能的落地路径：越早进真实世界越好，但要带着正确的游戏规则

我同意“越早进真实世界越好”。

不是因为真实世界更浪漫，而是因为它会给你提供最诚实的反馈：你到底有没有解决泛化，还是只是在某个摄影棚里把概率堆高。

但“早进真实世界”必须配套一套正确的游戏规则：

• 用随机化评测抵抗摆拍
• 用失败样本驱动数据闭环
• 用系统鲁棒性而非单次成功作为目标

具身智能的真正门槛，最终不是“做出一次成功”，而是“做出一千次成功，且你说得清楚为什么”。

结语：具身智能的下一波竞争，是“工程文明”

如果说上一波 AI 的竞争，更多是“谁有更好的模型与更大的算力”；那具身智能的竞争，会更像“谁的工程文明更成熟”：

• 数据管线是否能持续产生有效多样性
• 评测是否能把泛化变成硬指标
• 系统是否能在失败中自愈，而不是靠剪掉失败镜头

真正的智能，不是演示给别人看的一次成功，而是面对变化仍然可靠的长期表现。

而这，才是具身智能值得被押注的地方。