在某次科技展会上，一位参观者站在货架前，头戴特殊设备，拿起一瓶饮料查看标签后放回原位。与此同时，几米外的大屏幕上，这一简单动作被拆解成视线落点、手部轨迹、物体位置等数据，这些数据随后进入虚拟货架，供机器人反复练习。最终，远在千里之外的实体机器人准确复现了这一动作。然而，这看似简单的演示背后，是具身智能领域亟待解决的核心问题：机器人能否在不同环境、不同物品甚至光线变化的情况下，依然准确完成任务？
过去一年，VLA、世界模型等概念成为行业热点，资本持续涌入，机器人本体与模型能力快速提升。但现实远比想象复杂——大语言模型依赖互联网积累的文本、图片数据，而具身智能面对的物理世界缺乏现成语料库。现有视频资料虽能记录动作，却无法解释行为动机、力度控制或失败修正等关键信息。这种数据缺失，导致具身智能训练面临“巧妇难为无米之炊”的困境。
某企业提出新解决方案：通过采集人类在真实场景中的操作数据，验证数据有效性后反哺机器人训练，形成“采集-验证-优化”的闭环。例如，工作人员佩戴第一视角设备在零售、物流等场景完成任务，视频数据经轨迹提取、自动标注等处理后，进入仿真环境训练模型，最终由实体机器人验证效果。只有当机器人成功率、泛化能力显著提升时，这批数据才被认定为有效。
该企业已开源行业最大的人类视角数据集，包含约2000小时双目视频、超6.5万段数据及346类任务，并持续采集手部力学、导航等更多维度数据。但数据规模并非唯一竞争力，真正稀缺的是持续产生数据的现实任务。理货、分拣等日常工作的价值不在于场景搭建，而在于其目标明确、结果可检验的特性，能为模型提供真实反馈。
数据需转化为机器人能力才能发挥作用。以补货任务为例，人类凭经验即可完成，但模型需拆解为“看到什么-理解什么-如何行动-判断结果”的逻辑链。这要求模型具备持续感知环境、映射视觉语言到动作空间的能力。为此，该企业构建了包含交互感知、实时语音、视频编辑等模块的能力矩阵，而非依赖单一模型。例如，实时语音交互模型支持低延迟、可打断对话，流式视频编辑模型则用于动态环境理解与数据合成。
物理AI的终极考验在于走出实验室后的实际应用。在某家庭样板间中，没有全能机器人，而是由台灯、床垫等设备通过AI平台协同响应需求。当用户说“今天有点累”，床垫调整支撑、音乐设备播放舒缓内容，其他设备也可能参与联动。这种“机器理解意图”的交互模式，远比“用户控制机器”复杂，需AI长期感知用户状态并协调多设备。
目前，该平台已与近200个品牌合作，预计2026年接入终端超千万台。但数据显示，学习设备、玩具等单品使用频率较高，家居家电活跃度较低。原因在于，智能单品易实现基础功能，而打造懂生活的空间需AI持续理解用户状态并协调多设备。不过，后者一旦成功，其价值将远超独立机器人——人每天与床、灯等设备的互动时间远超单一机器人，这些终端若能协同运转，将构成分布式机器人系统。
千万台设备的价值不在于数量，而在于能否形成数据飞轮。若设备能在授权范围内反馈交互问题，用于模型优化，则可推动产品和能力持续迭代。某企业提出的“物理世界运营中心”概念，并非建设更大数据中心，而是将数据采集、模型训练、终端接入等环节串联，形成闭环体系。其覆盖仓储、物流、健康等场景的业务，在具身智能时代可能成为难以复制的训练场，为服务家庭和生产场景奠定基础。
大模型时代，企业竞争焦点是互联网语料与算力；具身智能时代，竞争将延伸至真实任务、终端入口与反馈效率。最终胜出的或许不是表演最炫技的公司，而是能将日常工作转化为有效数据，再将数据转化为稳定工作能力的实践者。正如开头场景所示，机械臂的演示本身并无特殊价值，真正重要的是连接人与机器的链路——现实被采集、经验被提炼、模型被检验、能力再回归。
