中美机器人，开始互相抄作业

中美机器人，开始互相抄作业

一边在代码里模拟物理，一边在车间里喂养数据——这两条曾互不服气的路线，正在2026年同时掉头，向对方的地盘伸手。

没有彩排，没有剧本。机器人被推进1:1复刻的超高压变电站，按国网的真实作业标准，30分钟内完成仪表抄读、红外测温、设备异常识别和50厘米窄道通行；被塞进灯光、货架间距全部对标真实门店的超市，面对随机打乱的货物和人为制造的设备故障；被扔进上海市质检院的真实奶片检测流程，限时30分钟，连续完成取样、称重、离心机装载等6个环节。

这是国际具身智能技能大赛的现场，也是本文想聊清楚的一件事：具身智能的路线之争，打到现在，答案开始变得暧昧。

🏟️ 一场大赛，先把幻想打碎

金句先行：演示视频里的机器人，和真实门店里的机器人， often不是同一个物种。

百联集团商业互联网部经理、商超赛项命题负责人郭甬平面对镜头说了一句大实话：很多团队此前训练了各自的小模型，但到了真实超市场景，很多都用不上。

这句话的杀伤力，比任何评委打分都大。它意味着一件事：泛化能力，仍然是具身智能最大的窟窿。 你在自家实验室里调出来的抓取策略、你用自家灯光条件喂出来的视觉模型，换个货架间距、换个照度、换一批被人为打乱的货物，当场失效。

大赛的三个赛项设计其实非常讲究，它不是在考“会不会动”，而是在考“换了个地方还会不会动”：

• 变电站赛项：考的是安全规程下的作业可靠性，错一步就是事故级问题；
• 商超赛项：考的是非结构化环境下的适应性，货物随机、故障随机；
• 质检赛项：考的是流程性任务的连续执行，6个环节环环相扣，30分钟限时。

据多位接近赛事组织方的人士透露，不少团队在赛前准备阶段的预期，和真实赛场的表现之间存在明显落差。这恰恰说明了这次比赛的价值——它把“实验室指标”和“现场可用”之间的鸿沟，公开摆上了台面。

产业逻辑很简单：具身智能的估值故事可以靠demo讲，但商业化订单只能靠现场拿。 大赛这种“真场景、真标准、真限时”的考法，正在成为行业祛魅的工具。

🖥️ 美国的仿真流：优雅，但有裂缝

仿真流的逻辑极其优雅：一秒钟跑一万次抓取测试，边际成本趋近于零。

美国走的是典型的“工具链优先”路线。英伟达的Omniverse和GR00T，试图在虚拟世界里构建物理规则完美的数字孪生。最近英伟达又宣布升级Isaac通用机器人开发平台，推出人形机器人参考框架、仿真工作流及数据工具，覆盖训练、仿真验证和部署全流程——用合成数据和仿真环境训练机器人，在实际部署前验证行为。

这套工具链的野心很清楚：把机器人开发变成一种“软件工程”，让开发者不必碰真机就能完成大部分迭代。

大洋彼岸的另一场实验走得更激进。Figure AI的System 0，用超过1000小时的人类运动数据，结合仿真到现实的强化学习（Sim2Real RL），替代了109,504行手工编写的C++控制代码。

这个数字值得反复咀嚼：近11万行手写控制代码，被“看人怎么动+在仿真里练”彻底替换。 这是仿真流最漂亮的一次战绩——它证明学习式控制可以吃掉传统的手工控制工程。

但裂缝同样明显：

1. Sim2Real的鸿沟没有消失，只是被更强的算力和更精细的物理建模推后了几步；

2. 仿真里没有“顾客突然把货架撞歪”，长尾的物理世界事件，合成数据覆盖成本极高；

3. 工具链越强，越依赖有人提供真机数据闭环——而美国恰恰缺这个。

🏭 中国的车间流：数据密，但天花板也不低

中国有全世界最密的真实车间，这是60年前风洞之争的镜像。

当年中美在航空领域的路线分野：一方痴迷于用代码模拟气流，另一方砸真金白银建实体风洞去“硬吹”。今天的具身智能赛道，剧本几乎原样重演——美国有最强的仿真工具链，中国有最密的真实产线和真实场景。

真实数据的威力，特斯拉给出了最直白的示范。据外媒报道，在得州和加州的工厂里，特斯拉要求工人穿戴动捕设备记录生产动作，用于训练机器人。这条消息里藏着本轮路线之争最尖锐的矛盾：部分员工抵制了——他们担心，自己正在训练一个最终会取代自己的机器人。

真实数据路线的隐性根基，远比台面上的比赛成绩要重。

这张图解释了一个反直觉的现象：为什么中国团队在真场景里表现越来越好？因为水面之下的投入——场地复刻、运维体系、数据管线、客户准入——正在形成别人短期补不齐的壁垒。

但车间流同样有软肋：真实数据是按场景定价的。 变电站的数据喂不出来一个通用的商超机器人。如果每个新场景都要重新复刻、重新采集，这条路线的成本曲线就和“通用具身智能”的叙事背道而驰。郭甬平那句“训练的小模型到真实场景用不上”，既是打给仿真流的，也是打给所有做单场景小模型的中国团队的。

🔄 两条路线，正在互抄作业

裂缝处，就是对方的地盘；对方的地盘，就是下一轮生意。

美国开始向真实低头：英伟达升级Isaac的仿真工作流，核心卖点之一恰恰是“在部署前验证真实行为”——仿真工具链自己承认，终点必须锚定在真实世界；Figure AI的System 0要1000小时人类运动数据，说明最激进的Sim2Real玩家，依然需要真人的真实运动做种子。

中国开始向仿真伸手：国内的头部团队纷纷补仿真课。最典型的一幕是生数科技——10月21日，其世界模型团队开启Motubrain 2.0训练全流程公开直播，计划持续半个月，向公众展示具身模型的训练过程及研究进展。此前，小米的MiMo负责人罗福莉已公开过MiMo-V2.6强化学习阶段的训练进展。大模型训练透明化的风气，正在传染给Physical AI赛道——Motubrain系列致力于为机器人构建通用“大脑”，探索跨任务、跨场景、跨本体的能力泛化，并在正式开源前率先公开训练全流程。

这个闭环才是终局形态：真实数据修正世界模型，仿真放大真实数据的边际价值。 纯仿真流和纯车间流，都是过渡态。

有意思的是节奏差异。美国的互抄是自上而下的——工具链巨头主动下场补真实数据；中国的互抄是自下而上的——场景玩家被迫补通用模型。前者慢在数据准入，后者慢在技术纵深。据多位接近头部团队的人士判断，2026年真正的分水岭不在于谁先做出更好的人形本体，而在于谁能先把“真机数据—仿真放大—真机验证”的飞轮转起来。

💰 商业化的胜负手：谁来付钱

判断路线优劣，最后都要回到一个问题：订单从哪来。

把主要玩家放进去看，格局很清楚：

• 右上角的特斯拉和Figure AI，赢在自有场景——自家工厂就是最好的数据牧场，需求和数据天然闭环。这是最理想的商业模式，但可复制性低，全球有几家公司有自己的超级工厂？
• 英伟达的仿真工具链，技术门槛最高，但商业价值取决于别人用它跑出什么——它卖的是铲子，镐还得别人抡。
• 大赛里的实战团队，商业价值在真实场景侧，缺的是通用能力，这正是他们“训练的小模型用不上”的病根。
• 左下角的单场景小模型，是本轮洗牌最危险的一批——技术上易被通用模型覆盖，商业上被真实场景的复合要求卡死。

两条路线的对比，可以拉一张表看得很直白：

注意最后一行：两边都在补自己的短板，而不是放大自己的长板。 这是路线之争进入收敛期的典型信号。当一个行业里所有人都在向中间移动，说明概念炒作期结束了，工程化落地期开始了。

小结

六十年的风洞之争，最后没有赢家通吃——现代航空器的研发，是CFD模拟和实体风洞各占一环。今天的具身智能大概率会走向同一个终局：仿真负责把一次真实数据的价值放大一百倍，真实场景负责告诉仿真哪里算错了。中美各自的禀赋——最强的工具链和最密的车间——其实恰好是这套飞轮的两半。谁能先拼上另一半，谁就能在2026年之后拿到通向通用机器人的门票。至于那些还在单点演示视频里内卷的团队，大赛评委已经替市场提前投过票了。