机器人会翻跟头，却没人教它拧瓶盖

会跳舞、会翻跟头、能上春晚的人形机器人，进了工厂、进了厨房，撑不过几分钟，连拧个瓶盖都做不利索。这不是硬件不行——2026年上半年全球人形机器人出货近2.5万台，同比暴涨432%，双足本体已经卖到万元以内。真正卡住它的，是没有人给机器编过物理世界的『教材』。本文想讲清楚这本教材为什么难编，以及宇树、特斯拉们正在用什么办法把它写出来。

📈 身体先到位了，而且便宜得吓人

本体的发展速度，已经超出了很多人年初的预期。

据IDC统计，2026年上半年，全球人形机器人出货接近2.5万台，同比增长432%。更关键的是结构：其中七成多来自中国。也就是说，这不只是实验室里的数字，而是真实发生在产线上的规模化交付。

价格曲线更直观。据厂商公开信息，宇树的双足机器人R1从3.99万元降到了2.99万元，松延动力的小布米直接卖到9998元——双足机器人第一次被拉进万元以内。

这组数字背后是一条熟悉的产业曲线：规模制造拉低成本，低成本打开更多场景，更多场景反过来喂养供应链。和早期电动车、消费级无人机走过的路几乎一样。

但身体到位，只是解决了『演得像』的问题。真要把机器人派去干活，你会发现它的表现和发布会视频之间隔着一条鸿沟。行业里现在私下流传的一句话是：本体早就不缺了，缺的是能让它干活的脑子。

而脑子的问题，比造一条本体产线难得多。

🧠 互联网从来没有那本教材

大语言模型是含着金汤匙出生的。

据OpenAI披露，GPT-3训练前的原始语料约45TB。人类攒了几千年的文本就躺在互联网上，现成的，谁都能拿去喂模型。它不需要人类重新写一本教材——教材早就写好了。

机器人没有这种好运。

它面对的是物理世界，而物理世界从来没有留下一本现成的教科书。拿『拧瓶盖』举例：对成年人这是凭直觉就能完成的动作，可要把它写进教材，得先拆成——瓶盖的材质、螺纹的摩擦力、手腕该施加多大的力、旋转的角度，以及打滑之后怎么补救。少一样，动作就会失败。

你可以自己试一次：把这些变量逐条写下来，你会发现你根本说不清自己刚才用了多大的力。

这些变量，互联网这个『大模型粮仓』从来没储存过。它存的是文字和图片，不是力度、触感、扭矩——那些只能靠身体去感受的东西。

上面这条链路，就是具身智能每天都在重复的循环。注意最后一环：失败样本回流。大模型的数据是存量，机器人的数据必须边干边攒——这决定了它永远比互联网慢一拍，除非有人想办法加速。

🚧 为什么这一次，数据搬不动

过去几十年，软件行业有个默认设定：数据是可复制的，拷贝一份的边际成本约等于零。

大模型时代，这个设定依然成立——爬下来的语料可以无限次喂给模型。但具身智能的数据第一次做不到『搬』。

第一，它不可爬取。力度、触感、扭矩只存在于每一次真实的抓握里，互联网上没有备份。想获得一条『拧瓶盖』数据，要么人戴着设备遥操作一遍，要么真机试错一遍。一个遥操作员一天能攒下的有效演示，撑不起一个模型的胃口。

第二，它不可平移。换个瓶盖、换个桌面高度、换个光照，数据就打了折扣。仿真可以大规模生成，但sim2real的鸿沟摆在那里——仿真里完美的动作，到了物理世界往往第一个瓶盖就打滑。

第三，它没有现成的记账体系。文本数据可以清洗、去重、按来源确权定价，可一条遥操作演示值多少钱？质量怎么评？归谁所有？这些问题，行业内至今没有公认答案。

塔尖越小越值钱，这是具身智能数据和文本数据最大的不同。也因此，过去给数据确权、定价、记账的那套办法，在这里基本失灵——不是规则不好用，是数据本身的形态变了。

这就引出了真正的问题：当数据搬不动，只能自己造的时候，谁有本事把这条数据生产线跑起来？

🏆 头部玩家开始各赌各的路

有意思的是，就在『数据荒』被反复讨论的同时，头部厂商的表态正在变调。

据海外报道，两个月前还在警告家用机器人『仍需数年』的宇树创始人，转口说物理AI已经出现突破的裂缝——公司正在预研一套自进化模型，同时高调宣传规模化制造，并启动了一个多赛道竞赛，每年拿出数百万元级别的奖金，面向全球征集解决方案。竞赛的本质是什么？是花钱买数据、买人才、买更多真机上的尝试次数。

大洋另一边，马斯克在10月21日的特斯拉电话会上把话说得更满：Optimus剩余的AI、设计和耐用性问题，预计在『明年年底左右』解决，届时特斯拉将开始向外部公司交付机器人。他重申自己『坚信Optimus将成为地球上最大的产品』。

把两家放在一起看，路径其实已经分化：

• 特斯拉赌的是垂直整合——车厂级别的制造能力和数据回流体系，直接堆到Optimus上；
• 宇树赌的是生态杠杆——用竞赛把全球开发者的真机尝试汇聚成自己的数据池，再叠加自进化模型；
• 松延动力们赌的是极致性价比——先占住9998元这个心理价位，把本体铺出去，等『脑子』的公共基础设施成熟。

三条路没有谁绝对正确，但有一个共同前提：都得让真机在真实场景里跑起来，跑得越多，回流的数据越多，模型越强，场景越愿意接——这是一个只能用时间和真机量堆出来的飞轮。

🔮 写在最后：谁先把教材编完

回到开头那个场景：会翻跟头、拧不开瓶盖的机器人。

过去两年，行业用一条陡峭的降本曲线证明了身体的量产能力——2.5万台的半年出货、万元以内的双足本体，都是实打实的进展。接下来的竞争，将完全发生在数据层：谁先把『采集—训练—部署—回流』的闭环跑通，谁就能第一个写出物理世界的那本教材，然后把后来者甩出一个身位。

这个漏斗不好看，但它是诚实的。2027年值得关注两件事：Optimus能否如期兑现对外交付，以及宇树的自进化模型和竞赛生态能长出什么。教材编完之前，所有的翻跟头，都还只是热身。