中美机器人路线之争，开始互相抄作业

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，30分钟内要完成仪表抄读、红外测温、异常识别，还要钻过50厘米的窄道；隔壁超市里，货物被随机打乱，设备故障是人为制造的。

这不是表演赛，是国际具身智能技能大赛的考场。而大洋彼岸，特斯拉的工人正被要求穿动捕设备干活，理由是给机器人喂数据。一边在代码里模拟物理，一边在车间里喂养数据——中美具身智能走了两条完全不同的路。但走到2026年，最有意思的事发生了：两条路都出现了裂缝，而且都在朝对方的地盘伸手。

我的核心判断是：这场路线之争没有赢家通吃，最终胜出的，是能把『仿真』和『真机』焊在一条数据流水线上的玩家。

🏟️ 真场景考试，撕开了泛化的遮羞布

金句先行：实验室里练熟的机器人，换到新货架，往往要从零学起。

先看这场大赛的考题设置有多狠。

最扎心的一句话来自百联集团商业互联网部经理、商超赛项命题负责人郭甬平："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。"

这不是选手不行，是路线出了问题。大量团队在实验室里针对特定任务训练小模型，灯光一变、货架一挪、货物一乱，模型直接失灵。泛化能力，才是具身智能从"能演示"到"能作业"之间那道真正的坎。

产业逻辑很清楚：赛题不是考机器人，是考技术路线。命题方用真实工位精准点出"缺失的题目"，逼着所有玩家把"能演示"做成"能作业"。

🧮 美国仿真流：优雅，但也要向真实低头

金句先行：仿真一秒跑一万次抓取，边际成本趋近于零——直到撞上物理世界的墙。

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。这条路的逻辑极其优雅：仿真可以无限次试错，一秒钟跑一万次抓取测试，边际成本趋近于零。

Figure AI是这条路线的新注脚。其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（Sim-to-Real），替代了109,504行手工编写的C++控制代码。注意这个细节：即便是最激进的仿真派，最后也要靠真实人类运动数据来打底。代码没了，数据来了。

而在得州和加州的工厂里，据外媒报道，特斯拉要求工人穿戴动捕设备记录生产动作，遭到部分员工抵制——他们担心，自己正在训练一个最终会取代自己的机器人。这个插曲背后是一个产业事实：仿真造不出车间的真实摩擦、光照和工人的肌肉记忆，最硬核的仿真派，最后都得回车间收数据。

裂缝也在这里：仿真与现实的鸿沟（Sim-to-Real Gap）至今没有被彻底弥合。优雅的工具链，正在为真实世界补课。

🏭 中国数据流：训练场广布，"考场"稀缺

金句先行：中国不缺训练场，缺的是能把失败样本送回去的流水线。

中国走的是另一条路：砸真金白银，在真实车间里"硬喂"数据。像极了当年航空领域的风洞分野——一方用代码模拟气流，一方建实体风洞去"吹"。

但这条路的问题同样扎眼。据中国信息通信研究院《具身智能训练场研究报告（2026年）》及多家机构测算：

• 训练通用具身模型，至少需要千万小时级真实交互数据；
• 目前全球可用的高质量真机具身语料，仅在百万小时量级——差了约一个数量级；
• 若主要靠专家遥控真机采集，产出往往不过每天数十小时。

在张江觅蜂科技的实训实验室，00后数据采集组长朱绵锐和一台机器人并肩而立。他的原话很朴素："哪怕只是拿瓶子、放物件这样简单的小动作，我们也需要反复'教学'几百遍，它们才能慢慢熟练。"

这间被称为"机器人学校"的实验室，折射的是"语料饥渴"的现实：大语言模型可以靠互联网文本"自学"，机器人只能在物理世界一寸一寸地"磨"。

更微妙的是，训练场已不再是稀缺资源。截至2026年6月底，全国已建成启用超70家具身智能训练场，另有46家在建或规划中。问题出在"练"与"用"之间：场景任务同质化、数据产能有限、流通不足、可持续商业模式未成型。行业正从建设热潮，迈向能力沉淀期。

看这张图就明白：单纯堆训练场，正在滑向左下角；能打通数据闭环的实景实训，才是往上走的路径。

🔁 两条路线，正在互相伸手

金句先行：最好的证据是，双方都在偷偷学对方。

2026年的微妙之处在于：裂缝暴露之后，两条路线开始互相借鉴。

美国这边，Figure AI的System 0本质上是"仿真+真机人类数据"的混合体；特斯拉直接把动捕设备搬进工厂，用产线工人的真实动作喂养模型——这就是在抄中国"真实数据"的作业。

中国这边，仿真训练后迁移至真实世界，已被信通院报告确认为重要路径。更值得注意的是开源与透明化的节奏：10月21日，生数科技世界模型团队正式开启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从训练、测试到能力迭代的完整过程，模型即将开源。此前，小米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——大模型训练的"黑箱"正在被打开，Physical AI也在跟进。

Motubrain系列的目标，是为机器人构建具备通用能力的"大脑"，探索不同任务、场景和机器人本体之间的能力泛化——直指大赛暴露的那个痛点。

🧱 下一座基础设施：产训一体的实景实训平台

金句先行：实训平台的成色，不看场地大小，看数字世界距订单有多近。

2026年6月，工信部与国务院国资委联合启动人形机器人与具身智能实景实训专项行动，以生产作业工位、服务操作点位等真实场景单元为实训载体，积累高质量真机数据。训练在应用现场发生，课题由使用者定义，数据直接服务部署——这就是"产训一体"。

它和一般训练场的区别，不在面积，而在数据能不能流动。行业面前的几道硬坎已经清晰：

据多位接近产业的人士私下透露，浦东已经把这条链条铺开：训练、生产、回流、培养，四环各有主攻重点——训练环节做"机器人学校"升级为数据工厂，生产环节直接对接真实工位，失败样本回流模型，同时培养专业的数据采集队伍。"缺的不是又一间展厅，而是能把采集、标注、训练、部署失败样本再送回去的数据流水线。"

这也解释了为什么生数科技要开直播、百联集团要出题：数据是新的瓶颈，谁能把数据流水线跑通，谁就握住了下一阶段的入场券。

小结：风洞之争没有速胜，只有闭环

回看1960年代，中美航空的风洞分野最终没有谁彻底淘汰谁——理解了模拟，也要靠实体验证；建了风洞，也离不开数值计算。今天的具身智能正在重演同样的故事：英伟达的工具链再优雅，也要回车间收数据；中国的真机再密集，也要靠仿真把千万小时的缺口补上。

2026年的信号很明确：大赛的"真场景考试"、专项行动的"产训一体"、Motubrain 2.0的"训练全流程公开"，指向同一个终局——仿真负责想象力，真机负责现实感，数据流水线负责把两者焊死。下一座基础设施，不属于任何一条单一路线，属于闭环跑得最快的人。