人形机器人无疑是当下科技领域的焦点，但伴随热度而来的，是同样激烈的争议。自春晚舞台上机器人以秧歌表演引发关注后，这一领域便开启了加速发展模式：从4月机器人参与马拉松，到8月机器人运动会开幕，行业活动密集涌现。往年以大模型展示为主的WAIC展会，今年也大幅增加了机器人展区，足见其热度。
然而，表面的繁荣下，质疑声始终未断。金沙江创投朱啸虎年初直言“人形机器人是泡沫”，网友的调侃也暗含类似逻辑——视频中机器人似乎无所不能，现实中却连开门这种基础动作都难以完成。
作为具身智能的支持者，笔者在探究争议根源时发现，行业现状确实存在诸多难点。技术路线尚未统一便是首要问题：强化学习与世界模型孰优孰劣？数据与模型孰轻孰重？这些关键问题缺乏共识，导致企业各自为战，难以形成合力。
若抛开技术路线分歧，行业面临更迫切的挑战是数据匮乏。据业内人士透露，大模型实现智能涌现至少需要100亿至1万亿个Token的数据，约为模型参数的10倍以上。但当前多数研究的数据量仅数亿，最大公开数据集也不过10亿。这种“训练量不足”直接导致机器人任务种类有限、泛化能力差，如同实验室中的“胖宝宝”，一旦进入真实场景便束手无策。
数据瓶颈已成为机器人从实验室走向实际应用的关键阻碍。外滩大会上，宇树创始人王兴兴明确指出，数据问题是当前具身智能发展的主要挑战之一。以VLA模型为例，其与真实世界交互的数据严重不足，限制了模型性能的提升。
不过，将行业问题简单归结为“泡沫”未免过于武断。华为云具身智能团队负责人表示，新技术的发展必然伴随新问题，而解决这些问题需要新方法论和平台支持。云端解决方案便是其中之一。
以数据问题为例，云端生成合成数据已成为行业趋势。英伟达的Cosmos基础模型通过云端模拟物理环境生成训练数据，华为云的CloudRobo平台则更进一步：其自研的metaEngine引擎可将真实物理场景数字化，构建与现实完全一致的虚拟世界，并在此环境中生成海量第一视角数据，包括RGB图像、深度信息、时序数据等，且自动完成标注。
这种“云端训练”模式大幅降低了数据采集成本。银河通用创始人王鹤曾预测，合成数据将占据训练数据的绝大部分，且这一领域需要长期技术积累和核心能力。通过调整真实数据与合成数据的比例，机器人训练效率可显著提升，解决“没米下锅”的困境。
在训练环节，云端同样展现出优势。CloudRobo平台支持机器人在虚拟环境中通过模仿学习进行“虚拟劳动”，大幅降低试错成本，加速技能学习。这种模式突破了物理环境的限制——云端的训练进度仅取决于算力和电量，而非现实中的时间成本。例如，某云厂商可在一天内完成传统方式需要两年半的训练量。
云端训练的成果可直接应用于实体机器人。华为云展示的双臂机器人已在分光盒操作中实现90%以上的成功率，埃夫特的工业喷涂臂通过云端训练快速掌握新零件喷涂技术，乐聚的人形机器人也具备汽车产线搬运能力。
除数据问题外，云端解决方案还可应对行业标准混乱的挑战。当前，各厂商机器人系统、接口差异巨大，类似早期手机行业的“诸侯割据”。华为云提出的R2C协议旨在建立机器人领域的“Type-C”标准，支持“即插即用”。国家地方共建人形机器人创新中心、拓斯达、优艾智合等企业已加入该协议，推动行业标准化进程。
当然，云端解决方案并非万能。对实时性、安全性要求极高的场景，本地计算仍具优势。但云计算的核心价值在于处理复杂任务——如场景识别、任务规划、模型调用等，这些工作可交由云端完成，使机器人本体更轻便、成本更低，实现“云本体化”。
这一理念已得到行业认可。王兴兴在WRC演讲中提到，人形机器人本体难以直接部署大规模算力，未来需依赖分布式集群算力，即云端算力支持。华为近期发布的Atlas 950 SuperPoD和Atlas 960 SuperPoD超节点产品，分别支持8192及15488张昇腾卡，算力规模领先全球，其发布的超节点集群最大可达百万卡，为具身智能行业提供算力保障。
技术争议的背后，是行业从实验室走向社会的必然过程。无论是云端还是本地计算，其核心目标都是推动机器人参与劳动、提升生产力。那些质疑“炒作”的声音虽指出了现实困难，但若仅聚焦于问题，难免得出悲观结论。技术的价值终需在真实场景中验证——无论是拧紧螺丝、搬运物料还是焊接缝隙，都是机器人证明自身的舞台。
具身智能的发展需要先行者构建基础设施。与其在岸边争论路径可行性，不如先铺就道路。毕竟，道路拓宽后，行业才能跑得更快、更远。
