中美具身智能，正在互抄对方作业

当机器人在真实超市里集体翻车，当特斯拉工人穿着动捕服抗议'我在训练取代我的东西'，当一篇论文用90条人类示教数据喂出可用的操作模型——中美两条具身智能路线，正在同时撞墙，也正在同时转身。

这不是路线之争的终局，而是路线融合的开场。本文从一场国际具身智能技能大赛讲起，拆解'在代码里模拟物理'与'在车间里喂养数据'这两条路线各自的裂缝，以及它们为什么终究要走向同一个十字路口。

🔬 没有剧本的大赛，是一面照妖镜

先看现场。

机器人被推进一座1:1复刻的超高压变电站，要按国网真实作业标准，在30分钟内完成仪表抄读、红外测温、设备异常识别，还要穿过50厘米宽的窄道。下一站是灯光、货架间距全部对标真实门店的超市，货物随机打乱，还埋了人为制造的设备故障。再下一站，是上海市质检院真实的奶片检测流程：限时30分钟，连续完成取样、称重、离心机装载等6个环节。

没有彩排，没有剧本。这不是展示会，是压力测试。

结果呢？百联集团商业互联网部经理、商超赛项命题负责人郭甬平对着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。'

翻译成工程师黑话：过拟合了。在自家训练场里百发百中的策略，换一个货架间距、换一盏灯的色温，就当场失效。痛点直指泛化能力——这恰恰是具身智能从Demo走向交付的分水岭。

这场大赛的命题设计本身就是一个产业信号：甲方（电网、商超、质检机构）已经开始用真实作业标准倒逼技术路线。赛事不再是高校秀肌肉的舞台，而是真实采购需求的前置筛选。谁能在'无剧本'环境里跑通全流程，谁就先摸到商业化的门票。

🧮 美国仿真流：算力最强，但也在向真实低头

金句先放这儿：仿真的优雅，是用'边际成本趋近于零'换来的，但真实世界的账单从不打折。

大洋彼岸走的是典型的'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。这条路的逻辑极其漂亮：仿真可以无限次试错，一秒钟跑一万次抓取测试，不需要真机、不需要场地、不需要保险。

Figure AI的System 0是这条路线的最新注脚——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 RL），替代了109,504行手工编写的C++控制代码。十万行代码换成一套学习系统，这是范式级的切换。

但裂缝在哪？

第一，Sim-to-Real的'现实鸿沟'（reality gap）始终存在。仿真里完美的物理规则，永远差着真实超市那盏灯、真实货架那层灰。第二，人类运动数据解决'怎么动'，解决不了'碰上去是什么手感'——力交互的细节，摄像头拍不到。

所以你会看到，美国最强的仿真工具链公司，也在拼命往真实场景伸手：找工厂合作、采真机数据、做真机验证。仿真流自己先承认了：纯仿真喂不出可交付的机器人。

🏭 中国数据流：车间最密，但数据采集有隐性账单

另一边的中国路线，是'场景优先'。逻辑同样直白：美国有全世界最强的仿真工具链，中国有全世界最密的真实车间——与其在代码里模拟物理，不如直接在物理里喂养数据。

这场国际大赛就是这条路线的集中展演：用变电站、超市、质检实验室这些'真实到残酷'的场景，逼参赛队伍的模型直面泛化拷问。

但真实数据也不便宜，而且贵得越来越明面化。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，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。

这件事的产业含义比新闻本身更重：

• 数据采集是有组织成本、有劳资张力的系统工程，不是租个场地拍视频那么简单；
• 真实场景数据的独家性正在成为壁垒——谁握着变电站、产线、门店的作业数据，谁就握着别人复制不了的训练集；
• 数据合规与人的意愿，会成为数据流路线绕不开的软肋。

两条路线放在一起，像极了当年航空领域的风洞分野：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'。六十年后，剧本换了主角，逻辑没换。

把两条路线放到一张竞争地图上，位置很说明问题：

注意一个细节：真正的卡位战不在'谁的路线更纯'，而在谁能同时压住技术门槛和商业价值两个轴——这恰恰要求两条路线的能力叠加。

✋ 力觉，是被两边共同忽略的那个变量

如果说仿真流缺真实、数据流缺泛化，那么第三条线索揭示的，是两条路线共同的盲区：力。

最新 arXiv 论文《FACT: A Multimodal Force-Action-Track Foundation Model for Human-to-Robot Dexterity》指出了要害：人类示教为灵巧操作提供了可扩展的数据来源，但绝大多数人类数据集缺少力觉测量。而灵巧操作不仅需要视觉和本体感知，还需要预判并调控交互力。

FACT 的解法是一个级联架构：先用 Track-Guided Coarse Planner 联合预测动作、未来视频和视觉轨迹，形成粗规划；再由 Force-Action Joint Refiner 联合预测未来受力并细化动作——让'预判的力'和'规划的动作'在细化阶段互相塑形。配套的 EgoForce 数据集，则大规模捕获了富含力觉信息的人类操作经验，与机器人示教数据做协同预训练。

效果给得很实在：仅用10条机器人轨迹+90条人类示教轨迹做微调，FACT在工具使用、乐器演奏、精密实验室流程等十项需要力反馈的细粒度任务上，成功率超过了基线模型。

这个数据配比对产业的意义在于：机器人轨迹的采集成本是硬约束，人类示教是可规模化的补充。它等于在'仿真流'和'数据流'之外，开出了第三条供给侧——人类数据，而且是带力觉的人类数据。这也是典型的'向对方地盘伸手'：FACT用学习系统替代手写控制，方法论上站在仿真流一边；用人类真实示教兜底，数据来源上又站在数据流一边。

🔀 路线收敛：未来属于'两栖选手'

回到开头那个风洞的比喻。历史给出的答案其实早就写好了：没有哪个航空强国是纯仿真或纯风洞起家的，最终都是'仿真初筛+风洞验证+试飞定型'的混合体系。

具身智能大概率重演同一剧本。仿真流在向真实低头——Figure AI用1000小时人类运动数据替代十万行代码，本质是在给仿真引入真实的'先验'；数据流在向仿真靠拢——中国的场景方和整机厂不可能永远靠人力铺采集，仿真预训练必然进入工具箱。而FACT这类工作预告了第三块拼图：力觉等多模态物理量的人类数据，把摄像头拍不到的那部分世界补上。

对从业者的判断就一句话：别站队，站生态位。手里有真实场景数据的，去补仿真能力；工具链起家的，去撬真实场景的门；做数据的，优先做带力觉、带交互的高价值数据。2026年的这场大赛撕开的不是某家公司的短板，而是整条赛道从'路线信仰'走向'工程混合'的转折点。风洞的教训很简单——能飞起来的，从来都是既懂空气动力学、又敢上天的那批人。

两条路线互抄作业不是内卷，是收敛。收敛之后，具身智能才真正开始谈'交付'二字。