机器人学没被大模型吃掉，但规矩变了

机器人学没死，但它的饭碗确实在换人端。

今年，一支研究团队把 IROS 的1933篇论文从头到尾捋了一遍，得出了一个在当下略显'反共识'的结论：大模型并没有'吃掉'机器人学。与此同时，在产业链的另一端，如祺出行 COO 韩锋在对话中给出了一个同样反直觉的判断——世界模型越强，真实数据才是真壁垒。

一头是学术界的方法论重构，一头是产业界的数据基础设施卡位。把这两件事放在一起看，你会发现具身智能的竞争格局，正在悄悄换轴心。

📊 1933篇论文，读出一个反共识

先说场景。每年的 IROS 与 ICRA 是机器人学界的两大顶会，投其中的论文基本就是全球机器人研究的风向标。过去两年，'大模型+机器人'的叙事太猛，以至于圈内外都有一个默认印象：传统的运动学、控制、机械设计这些'老手艺'，早晚要被端到端的大模型扫进历史。

但这轮对1933篇IROS论文的系统梳理，给出的答案恰恰相反。研究团队总结出机器人学的六项新变化，其中最核心的一条线索是：大模型与机器人学的关系，不是'取代'，而是'分层'。

大模型确实在向上接管了语义理解、任务规划这类'大脑'环节，视觉-语言-动作（VLA）范式的论文占比肉眼可见地上升。但在'小脑'和'本体'层面——操作力学、接触动力学、灵巧手的精细控制、整机可靠性——经典机器人学的方法论依然是论文里的绝对主力。

换句话说，模型可以'想'得很好，但'做'得好不好，仍取决于那些大模型吃不掉的硬功夫。

这里的产业逻辑值得展开一层。对创业公司而言，这意味着'一个大模型包打天下'的路径并不成立。具身智能的完整技术栈，从上到下是任务理解、规划、运动控制、本体硬件、数据与评测体系，每一层的最优解可能来自不同的团队、不同的方法论。学术界用1933篇论文投出来的票，和产业里'分层协作、软硬结合'的落地共识，其实指向了同一个判断：机器人学没有被吃掉，它只是被重新排了座次。

🔌 数据饥渴：具身智能的另一半战争

学术界的座次在变，产业界的分工也在变。

过去一年，'物理AI'几乎成了自动驾驶公司和车企共同争夺的下一张船票。世界模型、具身大模型、机器人数据，各路玩家从不同切入口进场，都想当主角。但 如祺出行 选了一条不那么显眼的路：不自己训练大模型，而是做模型背后的数据基础设施。

据多位接近 如祺出行 的人士透露，这家公司在2023年就开始思考一个问题：除了提供 Robotaxi 等出行服务，一家出行平台还能在AI产业里扮演什么角色？答案落在了一套智驾数据工具链上——把日常运营中驾驶员的驾驶行为、道路路况、路网信息等数据持续回流，用来支持自动驾驶算法的迭代。

随后两年，如祺出行 逐步搭完了整套数据闭环：一端连接驾驶员、Robotaxi 和城市道路，另一端服务自动驾驶模型的训练与迭代。到2026年，具身智能爆发，他们回头看这套体系，发现底层工具的通用性远超预期。

韩锋在对话中点破了关键：自动驾驶与智能机器人需要的数据并不完全相同——前者主要在二维道路空间里完成感知、决策和运动，机器人则要进入三维空间，处理抓取、搬运和精细操作。但两者背后的数据处理流程高度相似：采集、预处理、标注、质检、导出，底层工具链可以直接复用。

这个流程图看着平平无奇，但它恰恰是具身智能公司最难自建的部分。做本体、做模型的团队一大把，能把数据从'原始素材'加工成'可用资产'的工程体系，市面上反而是稀缺品。具身智能的另一半战争，打的就是这里。

🏗️ 世界模型越强，真实数据反而越值钱

聊到具身智能，绕不开的一个问题是：既然世界模型和仿真平台能生成合成数据，真实数据还有多大价值？毕竟真实数据采集成本高、周期长，越来越多智驾和具身智能公司都在用合成数据补缺口。

韩锋的判断很干脆：世界模型能力越强，真实数据的重要性并不会因此降低——反而是校准世界模型的锚。

拆开看，两者的分工其实很清晰。合成数据的价值在于：以真实长尾案例为基础，定向扩展那些难以反复采集的危险场景、临界场景和复杂交通场景，把'一辈子可能遇到一次'的情况变成模型可以海量练习的习题。真实数据的价值则在于：持续记录交通参与者不可预设的行为、道路环境的变化和传感器的物理响应，帮助发现尚未被识别的问题，并为合成结果提供校准和验证依据。

一句话总结：真实数据负责'发现与验证'，合成数据负责'定向扩展'，两者咬合成一个闭环。

这个闭环逻辑，同样能回扣到IROS那1933篇论文里读出的趋势——机器人学没有被大模型吃掉，具身智能的数据体系也不会被世界模型吃掉。生成能力越强，对'真实'的校准需求就越高，这是所有做物理AI的公司都绕不开的一课。

🧰 卖水人的生意，性感但不喧哗

那这门生意到底怎么做？韩锋在对话里有一句大实话：'数据服务没有神秘技术，门槛来自长期沉淀的体系化能力。'

这话值得细品。数据工具链单看每一环——采集、清洗、标注、质检、评测——都没有什么'卡脖子'级的黑科技。真正的门槛在于：你有没有一支常态化运营的采集车队、一组 Robotaxi 和线下运维网络，能不能以较低成本持续获得真实、连续且规模化的数据，再通过数据闭环把它变成自动驾驶、世界模型和具身智能公司可以直接使用的训练材料。

回看 如祺出行 这几年的节奏，路径其实相当克制：

三年时间，没有追风口式的转型叙事，而是把出行服务的'副产品'一步步打磨成可以对外输出的数据资产。

这里有一条对整个行业都适用的判断：当今市场并不稀缺模型公司，稀缺的是能长期通过真实场景稳定获得数据、并把原始数据加工成可用资产的组织能力。模型能力会随着开源和人才流动快速平权，而数据基础设施的护城河，恰恰来自那些最难复制的东西——运营网络、场景接入和日复一日的数据工程纪律。

据业内知情人士透露，已经有不少具身智能公司在接触出行平台和运营商，寻求真实场景数据的长期供给。逻辑很简单：实验室里采的数据，场景太窄、成本太高，撑不起从'演示'到'量产'之间的数据需求缺口。

韩锋对自己角色的期待也很清醒：三年后，他希望外界仍然把 如祺出行 看作一家出行服务公司，但同时把它视为AI数据生态中的重要基础设施。这可能不是物理AI浪潮里最性感的故事，却是离落地最近的那一种。

结语

1933篇IROS论文告诉我们：大模型没有吃掉机器人学，只是重构了它的分工；韩锋和 如祺出行 的实践则告诉我们：世界模型也没有吃掉真实数据，反而让真实数据成了校准一切的锚。

两条线索汇成一个判断——具身智能的竞争，正在从'谁的模型更大'转向'谁的体系更全'。往上看，大模型、世界模型负责智能的天花板；往下看，本体、控制和数据工程负责落地的地板。天花板决定想象空间，地板决定谁能活到商业化那天。

接下来的两三年，值得盯的不是又一家发布人形机器人的公司，而是那些默默把真实场景数据变成可复用资产的组织。风口上喧嚣的是模型，价值沉淀的地方是数据。