问题——“会做”不等于“会干”，动作模仿难以跨场景 近年来，具身智能热度持续攀升，但行业也面临共同瓶颈：不少机器人固定环境中表现尚可，一旦任务目标、物体形态或场地条件发生变化，成功率明显下降。业内将其归因于“动作模仿依赖症”——通过遥操作或动作捕捉获取轨迹，再让机器人反复拟合复现。该方式在短期内易验证、易量化，却往往让机器人“背会动作”而非“理解世界”，难以形成稳定的泛化能力。 原因——数据来源与学习目标错位，缺少对物理交互的常识建模 多位从业者指出，遥操作与真机轨迹数据本质上强调“动作答案”，训练目标更接近对轨迹的拟合；而真实世界任务需要的是对摩擦、支撑、碰撞、阻力、物体可变形等物理规律的掌握。仅靠轨迹，机器人难以在“遇阻—评估—换策略”的闭环中自主调整。同时，互联网视频虽规模大，但缺少可对齐的操作意图与细粒度交互信号；仿真数据虽可控，但“仿真到现实”的差异仍是落地障碍。数据形态与任务本质不匹配，成为限制具身智能继续突破的关键因素。 影响——从“模仿动作”走向“理解物理”，能力表现开始出现“策略涌现” 在这个背景下，以人类第一视角数据训练机器人能力的思路正在获得更多关注。其核心在于：让机器人从“人如何看、如何接近、如何试探、如何修正”中学习，将操作过程中的判断、试错与反馈纳入训练，从而把“物理常识”融入模型能力。国内一家初创团队介绍，其与科研机构合作训练的基座模型在若干抓取与放置任务中，表现出更接近人类的应对方式：当机械夹具与物体接触后，先尝试推动让物体滚入容器；发现容器边缘过高导致失败后，再切换为夹取；夹取角度与力度不合适时继续修正，最终完成任务。对应的负责人认为，这类“遇到困难会换办法”的能力，很难通过预先编程获得，也超出传统轨迹模仿的表达范围，显示出以第一视角学习为基础的策略生成潜力。 对策——围绕第一视角数据构建“数据—模型—评测”新体系 业内普遍认为，训练范式的变化将带来产业链条的再组织：一是数据体系从“轨迹记录”转向“第一视角采集与结构化”，需要建立可规模化、可复用、可对齐任务意图的数据管线，并在隐私保护与合规框架下推进标准化；二是模型体系从“单任务技能”转向“可迁移的基座能力”，重点在于把视觉理解、语言指令与物理交互统一到可泛化的表示之中；三是评测体系也需升级，不能只看单次成功率，更要衡量跨场景鲁棒性、失败后的纠错能力、任务切换效率以及安全边界。受访团队表示，行业竞争焦点将不再只是“堆更多轨迹”，而是“让模型学到更扎实的世界知识”。 前景——收敛速度加快，2026年前后或迎来应用扩散窗口 值得关注的是，全球范围内多家企业近一年出现策略调整迹象：从依赖遥操作与动作捕捉，逐步转向第一视角数据驱动的学习方式。业内人士分析，这一变化背后，一上是大模型能力提升带来的“可学习性”增强，使得更复杂、更长链条的操作过程能够被吸收；另一方面是产业端对成本与效率的现实考量——遥操作获取高质量数据的边际成本高、扩展慢，而第一视角数据更接近人类自然操作过程，具备规模化采集潜力。综合技术演进与产业节奏判断，随着数据供给、模型训练与评测标准逐步成熟，2026年前后具身智能有望从“演示型能力”走向“可复用能力”，在仓储分拣、家庭服务、工业辅助等场景迎来更大范围的验证与部署。
从机械模仿到自主认知，具身智能的跃迁正在重塑产业格局，也将推动人机协作方式的变化。当机器逐步掌握物理世界的运行规律，生产力提升的空间将被深入打开。这场由我国科学家引领的智能革命表明，突破往往来自对关键规律的重新回到本质。