AI读完全网，为啥冲不好一杯咖啡？

8月中旬的新加坡，南洋理工大学副教授、Ropedia首席科学家刘子纬在一场公开演讲上抛出了一个问题：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。

这句话戳中的，是当下具身智能行业最尴尬的一根刺。大模型的参数越堆越大，Demo越剪越炫，可真到了产线上、厨房里，机械臂依然连一次可靠的抓取都保证不了。这篇文章想聊清楚的，就是这道裂缝从哪来、谁在补、以及钱会往哪流。

🥤 能听懂，能想象，就是做不好

“卡住具身智能的从来不是「想不想得到」，而是「做不做得出来」。

先看一个今天的AI身上随处可见的分裂现场：

• 感知模型，能把冲咖啡的教程讲得头头是道；
• 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，常常连杯子都端不稳。

三种能力摆在同一个系统里，就像一个理论满分的实习生——笔试第一，上手第一天就把咖啡机搞炸了。

这不是某个模型的偶然翻车，而是整个具身智能行业的结构性问题。据多位接近头部具身智能公司的人士透露，不少团队内部评估时都默认一个现实：实验室演示的成功率，和客户现场要求的成功率之间，隔着的不是一次调参，而是一整套数据供给方式的缺失。

产业逻辑其实不难拆：互联网文本教给了模型「是什么」，视频教给了模型「看起来是什么」，但没有谁教过模型「手感是什么」——什么时候下锅、该用多大力、食材发生了什么变化。这些信息从未被结构化地记录过，模型自然学不会。

📈 从「看见世界」到「经历世界」

“数据范式正在切换：从「看了什么」到「做了什么」。

补「经验」这一课，刘子纬团队其实早有铺垫。他们做过一个名为EgoLife的项目：六个人共同生活七天，录下约五十小时的第一视角视频，并同步了外部视角、音频、视线与动作。

注意，模型在这些数据里要回答的问题，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？

用刘子纬的话说，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。

这个思路在演讲后不久落了地。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，把「经验采集」做成了可量产的硬件。

陈昭熹有个很形象的说法：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，才知道什么时候下锅、该用多大力、食材发生了什么变化。HOMIE Gen2要做的，就是把这些真实操作中的动作、时机和环境变化完整记录下来，让机器人学到的不只是结果，还有过程。

两条技术路线的差别，可以放进一张表里看：

这条产业链的关系，用一张图就能看明白：

注意最后那条回流线：机器人真实作业的表现，反过来又定义了下一轮数据该采什么。数据闭环，才是具身智能真正的护城河。

🗼 世界模型与动作之间的「巴别塔」

“视觉轨迹，正在充当世界模型和机器人动作之间的「同声传译」。

光有经验数据还不够。具身智能内部还有一层长期没打通的墙：世界模型和机器人动作，说的根本不是同一种「语言」。

世界模型擅长预测「世界接下来会怎么变化」，输出的是视觉层面的想象；机器人策略需要的是「我的关节该怎么动」，输出的是动作序列。两边各说各话，中间缺一个翻译。这就是李飞飞与吴佳俊团队最新工作瞄准的问题——用视觉轨迹充当「同声传译」，让世界模型和机器人动作真正「同频对话」。

翻译一下这个思路的分量：世界模型想象出「杯子从桌面A点移动到B点」的画面，视觉轨迹把这层想象显式地表达成一条空间路径，机器人策略再沿着这条路径生成实际动作。想象、轨迹、动作，三层被一条线串了起来。

这件事和经验数据采集，恰好是互补的两环：

一个补「数据的上游」，一个补「模型的下游」。中间的视觉轨迹，就是那座巴别塔的塔基。

⚠️ 学术数据和真实数据，完全是两回事

“可解释性，正在成为具身智能落地的「生死线」。

数据有了，模型对齐了，就能上路了吗？慕尼黑工业大学的黎子玥在IJCAI 2026上给出的答案，给行业泼了盆清醒的冷水：学术数据和真实数据完全是两回事；可解释性成落地「生死线」。

这句话值得展开说。学术 benchmark 里的「成功」，和客户产线上的「成功」，标准根本不一样。论文里的环境是受控的，光照稳定、物体位姿已知、失败可以重来；真实场景里，一个堆满杂物的工位、一位随手挪动物料的工人，就能让整个指标体系失真。模型为什么这次成功、上次失败？如果说不清楚，客户就不敢签验收单。

这就是为什么可解释性被推到了「生死线」的位置——它不是学术上的加分项，而是商业上的入场券。据多位接近落地项目的人士透露，越是接近付费的客户，问的问题越朴素：出了错，你能不能告诉我错在哪一步？

把当前具身智能落地的三道坎放在一起看，脉络就很清楚了：

• 数据关：模型缺的不是参数，是经历——头戴采集、经验数据正在补这一课；
• 对齐关：世界模型和动作策略说的不是一种语言——视觉轨迹正在做翻译；
• 信任关：真实环境和学术环境是两回事——可解释性决定客户敢不敢买单。

三关过完，具身智能才算真正从「Demo驱动」切换到「交付驱动」。

这条演化路径，时间线大概是这个样子：

🔋 数据采集，正在变成一门好生意

“谁掌握了经验数据的入口，谁就握住了具身智能时代的「油田钻井权」。

从工程师视角看，这轮变化里最值得关注的，其实是「数据采集」这个此前不受待见的环节，正在被硬件重新定义。

HOMIE Gen2的意义不在于那380g的重量本身，而在于它把「采集人类经验」的成本压到了普通人的日常动作可以承载的水平——不需要遥操作台，不需要专业动捕棚，戴着它正常生活和工作，动作、时机、环境变化就被完整记录下来了。采集从「项目制」变成了「日常制」，数据的规模上限完全不同。

对产业链来说，这里藏着一个清晰的分工：

• 上游是轻量采集硬件和多模态传感，拼的是佩戴体验与标定精度；
• 中游是数据引擎与记忆层构建，拼的是对齐、清洗与检索；
• 下游是模型训练与整机落地，拼的是可解释性和交付能力。

（注：以上权重为本篇基于素材逻辑的推演，非实测数据。）

换句话说，未来两年具身智能的估值叙事，很可能不再围绕「谁的模型更大」，而是围绕「谁的经验数据更多、谁的失败能被解释」。数据入口的位置，比模型的位置更稀缺。

小结

回到开头那杯咖啡。AI冲不好它，不是因为不够聪明，而是因为它从未亲手冲过——感知、想象、行动之间的裂缝，本质是一条数据的裂缝。

Ropedia用HOMIE Gen2从人类真实行为里补「经验」，李飞飞、吴佳俊用视觉轨迹打通想象与动作，黎子玥则提醒所有人：真实世界的数据和可解释性，才是落地的生死线。三条线索指向同一个判断：具身智能的下一程，比的不是谁读得多，而是谁经历得多。2026年下半年，值得盯紧的不是又一个大模型发布会，而是经验数据的采集规模和第一份敢写清失败归因的交付合同。