AI读遍互联网，却不会冲咖啡

AI 读遍互联网，却冲不好一杯咖啡

8 月中旬，新加坡的一场公开演讲上，南洋理工大学副教授、Ropedia 首席科学家刘子纬抛出了一个问题：为什么读过整个互联网的 AI，进了物理世界，却连一杯咖啡都冲不好？

他的答案很直接："AI 读过一切，却几乎没有经历过任何事情。它从未真正冲过一杯咖啡，自然也不知道该怎么做。"

这不是段子，是当前具身智能行业最真实的一堵墙。感知模型能把冲咖啡教程讲得头头是道，生成式模型能合成一段以假乱真的冲咖啡视频；可一旦真的伸出机械臂，同样的智能常常连一次可靠的抓取都完成不了。能听懂，能想象，就是做不好。

演讲之后不久，由联合创始人兼 CEO陈昭熹与联合创始人兼 CTO洪方舟共同创办的 Physical AI 公司 Ropedia，正式发布了新一代多模态采集系统 HOMIE Gen2——一台约 380g 的头戴设备。行业把宝押在了它身上：让 AI 从人类真实行为中，补上缺失已久的"经验"这一课。

这一波动作不止一家。李飞飞与吴佳俊再度联手，试图打通世界模型与机器人动作之间的"巴别塔"；智元则把数据方法论当成夺冠的核心打法。三条路线殊途同归：具身智能的下一场仗，不在模型参数里，而在人类的经历里。

☕ 从"看见世界"到"经历世界"

AI 不缺知识，缺的是过程。

HOMIE Gen2 背后的"经验"思路，可以追溯到刘子纬团队更早的研究 EgoLife：六个人共同生活七天，录下约五十小时的第一视角视频，并同步外部视角、音频、视线与动作。模型要在这些数据里回答的，不是"画面里有什么"，而是更接近生活本身的问题——那罐咖啡豆昨天被谁挪去了哪里？上一次冲煮为什么失败？

用他的话说，这是在为物理世界构建"记忆层"。真正的 Physical AI 要能跨越数小时、数天甚至不同的人去推理，这是语言模型从未面对过的时间尺度。

而落到产品上，陈昭熹的说法更形象："学做一道菜，只看别人做的视频，可能知道最后成品长什么样；但真正亲手做过，才会知道什么时候下锅、该用多大力、食材发生了什么变化。"

这套逻辑直接戳中了现有数据采集范式的软肋。行业目前主流的三条数据路线，各有各的账要算：

第一视角路线的价值在于：人类每天自然完成的千万次操作——做饭、整理、搬运——都可以变成机器人的训练素材，而无需每台机器人亲自重做一遍。据多位接近行业的人士私下聊，头部具身智能公司内部评估过，纯靠遥操作把一个通用任务的数据量堆到可用，在成本上几乎不成立。

谁能低成本地收割人类经验，谁就握住了具身智能的数据咽喉。

🌉 打通世界模型与动作的"巴别塔"

有了经验，还得让它听懂"动作"这门外语。

数据只是原料，模型侧同样有一道裂缝：世界模型擅长"想象"物理世界的演化，机器人动作模型擅长"执行"，但两者各说各话，中间隔着一座巴别塔。李飞飞与吴佳俊团队的新工作，选择让视觉轨迹充当"同声传译"，让世界模型和机器人动作真正"同频对话"。

这件事的产业含义值得展开：

看懂了吗？关键在闭环。世界模型可以低成本地"预演"海量物理场景——相当于机器人在虚拟世界里先摔一万次跤；而视觉轨迹充当翻译层，把"想象中物体如何运动"转译成机械臂可执行的动作序列；真机执行后的失败数据再回流到经验库。

这条链路一旦跑通，意味着机器人训练可以大量脱离真机：真机负责校准，想象负责走量。这在汽车行业有先例——自动驾驶早已靠仿真跑出远超真车里程的训练量。具身智能正在补同一课。

业内流传的一种说法是：世界模型与动作模型的融合，会是未来两年具身智能架构竞争的主战场。李飞飞团队选这个时间点下场，时机耐人寻味。

🏭 数据飞轮的另一种解法

模型很性感，数据很费钱。

再看国内。智元近期被外界总结出了一套"夺冠方法论"，其核心打法之一正是数据：不把宝押在单一模型突破上，而是通过量产本体撬动真机数据回流，配合多种采集手段并行的数据工厂，让数据飞轮先转起来。

对比三条路线，你会发现整个行业在做同一道题的不同解法：

• Ropedia / HOMIE Gen2 路线：向人类借经验，用头戴设备把人的日常操作变成机器人教材；
• 李飞飞团队路线：向想象借规模，用世界模型把物理交互在仿真里无限复制；
• 智元路线：向量产借飞轮，用上量本体换真机数据。

三条路线不是替代关系，而是互补关系。据多位接近人士观察，头部玩家内部都已经在做混合数据配比的实验——人类经验数据负责常识与过程，仿真数据负责规模，真机数据负责校准。真正的问题只剩下配比和成本。

而数据采集体这种轻量硬件，恰好卡在了一个甜蜜点上：它不像机器人本体那样重资产，却能以消费电子的成本撬动海量训练素材。这也是为什么越来越多的投资人在私下问同一个问题——具身智能的"英伟达时刻"，会不会先出现在数据基础设施层？

卖铲人的生意，往往比挖金子更早赚到钱。

⚠️ 狂热之下，三个必须泼的冷水

经验数据不是灵丹妙药，坑还在前面。

第一，人机差异没人解决干净。人类的手和机械臂的动力学特性完全不同，第一视角录下的"手感"，机器人能不能真正迁移过去，目前业界没有定论。380g 的头戴设备能记录动作，但力觉、触觉的保真度仍是硬门槛。

第二，数据质量的评估体系还没建立。机器人领域没有 ImageNet 时刻，各家数据集互不兼容，任务定义五花八门。没有统一基准，"经验"多不多就成了各说各话的营销口径。据行业里流传的吐槽：现在的具身智能数据集，十家有九家的任务无法直接对齐。

第三，隐私与合规是新变量。第一视角设备天然要进入家庭、工厂等真实场景，录下的是人的完整生活流。这类数据怎么脱敏、怎么授权、跨主体使用边界在哪，行业还没有形成共识。可以预见，随着采集规模上量，这会是监管必然介入的领域——从业者在产品设计阶段就该把合规做进去，而不是等出了事再补课。

📌 小结

"AI 读过一切，却没经历过任何事"——刘子纬这句话，可能比过去一年所有具身智能的 demo 视频加起来都更接近行业的真相。

HOMIE Gen2 把经验变成了一台 380g 的头戴设备，李飞飞团队把世界模型和动作翻译成了同一种语言，智元用量产把数据飞轮转了起来。三条路线指向同一个判断：具身智能的竞争，正在从模型参数的军备竞赛，转向人类经验的大规模收割与转化。

接下来的两年，看三件事：经验数据的迁移效率有没有实质突破、行业会不会出现统一的数据基准、以及数据基础设施层会不会跑出独立的公司。谁先补上"经验"这一课，谁就有资格谈通用。

机器人不需要读过互联网，但它必须开始经历世界。