贵阳期货配资一亿小时，通往物理AI的涌现时刻

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面贵阳期货配资，助您挖掘潜力主题机会！

（来源：网易科技）

到了2026年，具身智能数据规模、训练范式和模型架构开始成为新的竞争焦点。

在7月19日举行的「智启具身论坛：迎接物理AI智能涌现」媒体采访中，智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青给出了一个明确判断：如果把具身智能的GPT-3.5时刻定义为通用能力的显著涌现，行业可能在2027年底至2028年初看到关键进展。

支撑这一判断的核心变量是数据。

姚卯青认为，具身智能需要一座数据金字塔。底层是规模大、成本低、来源广泛的预训练数据，帮助模型理解空间、动力学和因果关系；中间是真机遥操作等高质量示教数据，用于具体场景的监督微调；顶层来自真实部署后的在线交互，通过强化学习继续提高成功率、节拍和泛化能力。

这三类数据无法相互替代。无本体采集负责把规模做上去，真机遥操作提供更贴近本体的数据，真实部署则让模型在工作中持续修正。

觅蜂今年的目标是形成千万小时级数据产能，目前已进入百万小时级。姚卯青称，无本体采集的成本通常可以降到真机采集的一半，部分场景低于三分之一。它允许采集设备进入工厂、商超和家庭等碎片化环境，也让更多人利用日常操作生产物理世界数据。

规模只是第一关。数据能否直接进入训练管线，取决于采集硬件、时间同步、轨迹精度、切片、标注、治理和交付能力。姚卯青观察到，市场上能满足模型训练指标的数据供应方仍然有限，其中具备每月数万至数十万小时稳定交付能力的团队更少。当前具身智能数据市场仍处于需求大于供给的阶段。

模型侧也在发生变化。现有VLM多从图文问答和多模态理解任务演化而来，具身模型却要理解指令、预测环境变化、规划动作并完成执行。姚卯青判断，当真实具身数据进入百万小时级，行业需要围绕物理任务重新设计Tokenizer、编码器、数据治理管线和训练Recipe。智元计划推出的GO-3被定义为World Reasoning Action Model，强调理解与生成一体化，并把视觉、语言、世界状态预测和动作连接到同一套多模态体系中。

VLA、世界模型和World Reasoning Action Model在现阶段更像不同的技术切面。姚卯青没有把它们视为相互排斥的终局路线。他更看重模型能否吸收百万乃至千万小时异构数据，能否完成长程任务规划，以及能否在真实环境中持续学习。

后训练正在成为能力落地的最后一公里。单靠示教学习，模型很难在开放环境中稳定达到99%以上成功率。智元采用云、边、端协同的分布式在线强化学习系统，端侧机器人与真实环境交互，边缘侧负责推理和权重下发，云端完成数据汇总和异步训练。据姚卯青介绍，原来单机需要数天收敛的任务，100台机器人并行训练后可以压缩到分钟级。多台机器人共享经验，也让模型从适应单一工位走向适应更多环境。

真实部署已经给这套飞轮提供了早期反馈。姚卯青称，智元机器人已在部分工厂场景实现客户付费和7×24小时运行，软件成功率达到「四个9」。首批场景从0到1往往需要三四个月，工具链和运维平台产品化后，部分复制项目可以缩短至一两周。机器人进入真实工作流后，部署效率、数据回流和模型迭代开始形成同一个闭环。

算力仍是约束。智元GO-1、GO-2等百亿参数以内模型可以在边缘端实现10Hz至20Hz推理，国产平台已经用于部分部署场景。模型继续扩展至数百亿参数的MoE架构后，算力、显存容量和通信带宽都需要升级。物理AI的Scaling不只要求训练集群扩大，也要求边缘推理和机器人本体同步演进。

这也解释了姚卯青对大厂入局的态度。智元判断，行业通向更强通用能力可能需要1亿小时级数据，单家公司难以独立完成。京东、蚂蚁集团等企业拥有物流、零售和生活服务场景，可以把更多真实工作流转化为训练数据。参与者增多会加剧人才与资本竞争，也会加快硬件、模型、数据标准和商业模式的并行试错。

具身智能距离真正的通用涌现仍有很长距离，但评价标准已经改变。市场开始关心机器人能否长期工作、数据能否持续回流、模型能否共享经验，以及部署成本能否快速下降。

下一阶段的分水岭，可能就在这条数据飞轮的转速上。

采访全文：

受访者：智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青贵阳期货配资