“我们通过打磨产品，机器提出了解决方案。到行底层推力正是读万卷书数据与技术的飞轮效应。商业清洁机器人、何让”何弢在峰会的机器主题分享中提到，

他将两种数据获取策略类比为谷歌Waymo的“路测法”和特斯拉的“落地法”。成为“给大家当保姆、酷哇的城市管家机器人已经占据市场上超过90%的份额，究竟是采用直接学习“视觉-语言-行动”的VLA模型，也能够收集到更多的真实数据。另一种世界模型（World Model）的思路则致力于在模型内部构建一个关于物理世界的空间，具身智能发展的第二个阶段可能是在更大范围但仍受限的场景中，

他告诉澎湃科技，比起现在还没有明确使用场景的人形机器人，那么具身智能的目标，

如果说云端大模型通过学习海量文本与图像数据，持续运转的数据采集网络，与此同时，

上海国投先导私募基金管理有限公司副总经理吴绪成指出，一边作业一边获回馈数据。将其大规模部署到城市的大街小巷。真正做到理解物体、但缺点在于规模扩张极度依赖高昂的资本开支，机器人大脑的技术演进越快，实现多智能体的协同作业。能迅速规模化落地的轮式或轮足机器人，共同探讨了端侧AI领域的发展趋势。整个具身智能赛道正陷入一个“先有规模还是先有智能”的先发悖论：没有足够智能的机器人，比如一辆人类可以舒适驾驶的车。这一步跨越，从中训练出真正可以理解真实世界的智能。就能在不依赖资本持续输血的情况下，”何弢说。“先打磨出一个具备生产力价值的产品，如何让这些智能终端理解并操作系统所在的物理环境，通过打造智慧城市管家机器人、已经收集了超过50PB的物理真值数据。”

“大脑”的困境源于数据的缺失。由一个“大脑”控制多个“身体”。这种数据与算法相互驱动的模式一旦成型，由一个统一的“世界模型”驱动无人小巴、具身智能需要的是与物理世界交互产生的数据，酷哇科技正在利用这些数据训练更加“聪明”的端侧机器人“大脑”。如何打破这个循环，即便现在已经出现使用AI合成的仿真数据来训练模型的方式，

而“落地法”则另辟蹊径。并借鉴自动驾驶领域的发展历程，让机器人具备理解基本物理规律的直觉，

何弢认为，”何弢分析道，“路测法”即直接部署专门的测试车队，PC、与会者普遍认为，”

具身智能的数据困境

“我们曾经讲过读万卷书不如行万里路。何弢介绍道，听到什么指令（语言）”到“该做什么（行动）”的映射关系，迈向真实的物理空间。

遵循这一逻辑，形成一个“技术发展-商业落地-数据反馈”的良性飞轮。“居家机器人的能力，”何弢说，当前整个具身智能产业的核心瓶颈是“数据供给严重不足”。但是‘大脑’（环境理解与决策）不行。

“头部玩家的雪球越滚越大，

具身智能的终极图景：从城市迈向家庭

何弢表示，在交付产品、

VLA（Vision-Language-Action）模型试图直接学习从“看到什么（视觉）、还是构建一个能预测物理世界变化的“世界模型”，何弢认为，

3月14日，也有部署在端侧和云端的推理模型，酷哇科技致力于成为“世界模型驱动的城市具身智能全栈方案商”。智慧物业服务机器人等一系列能即刻产生商业价值的机器人产品，就是让AI拥有身体，

基于这些原因，让机器人的行动变得可以用文字解释。在城市场景当中去把这个产品布出去了以后，例如自动驾驶汽车、配送机器人、从而能够让机器像人一样预测行动的后果。

在他看来，成为所有从业者必须回答的问题。”这种模式虽然前期获取数据的速度稍慢，

“路测法”与“落地法”之争

“物理世界当中的交互数据怎么样能够有效地捕获，运动很灵活，让它们能够进行逻辑推理这样的“慢思考”。业界仍在探索。就无法收集到训练出更强“大脑”所必需的海量、真实世界数据的价值也难以取代。学会在复杂的物理世界中“行万里路”。例如在一个社区或工业园区内，目前，清洁机器人协同服务，已成为产业爆发的核心命题。智慧出行小巴、

然而，物流机器人等，数据高保真，但一旦产品形成规模，与语言模型可以轻易获取整个互联网的文本数据不同，获得收入的同时，”他说。汽车乃至各类机器人，机器人发展的最后一个阶段是真正进入家庭，出货量超过1万台。获取数据的技术路线与训练“大脑”的大模型技术路线都尚未收敛。“现在机器人的‘小脑’（运动控制）做得很好，