具身智能下一场竞争是数据？还是“具身 o1时刻”？

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

过去一段时间，行业形成了一种类似大模型早期阶段的共识：数据越多，机器人能力越强。所以，我们看到很多关于“数据达到某某某级别，具身智能才可能迎来 ChatGPT 时刻”的判断。

然而，一个新的变化正在出现。

当整个行业还在争夺更多机器人数据时，Google DeepMind、Meta、Anthropic 等公司正在探索另一条路径：能否通过增强模型自身的推理能力，让机器人摆脱对海量示范数据的绝对依赖？

这让人联想到大模型领域曾经发生的变化。

ChatGPT 让人们看到 AI 能够理解语言，而 o1 则让行业意识到，下一阶段的竞争可能不只是知识规模，还有推理能力。

如果说彼时的 GPT 系列解决的是“AI 是否能够理解世界”，那么 o1 探索的是“AI 是否能够通过思考解决复杂问题”。

而具身智能正在面对类似的问题：机器人什么时候能够不只是模仿动作，而是真正理解行动？

或许，具身智能等待的 ChatGPT 时刻，更具象看可能就是机器人领域真正的“o1 时刻”。它给出数据瓶颈下的新的能力增长空间，也将促成产业应用爆发的起点。

理解具身智能下一阶段的发展方向，需要先回看大模型行业的发展路径。

GPT-3 时代，大模型竞争的核心逻辑非常明确：扩大规模。更多参数、更大数据量、更强算力投入，推动模型能力不断提升。这一阶段，行业关注的是训练规模。

OpenAI 等机构通过不断扩大预训练规模证明，大量高质量数据能够帮助模型获得更强的语言理解能力。模型从简单预测下一个词，逐渐具备了总结、写作、编程甚至复杂任务处理能力。

但 o1 的出现带来了一个新的变化。

它证明，模型能力提升并不完全依赖训练阶段的数据增长，也可以来自推理阶段计算量的增加。

简单来说，过去的大模型主要依靠“学得更多”，而 o1 开始探索“想得更深”。模型在回答问题之前，通过更长的推理过程，对不同可能性进行分析、验证和筛选，从而提升复杂问题解决能力。

这意味着 AI Scaling 出现了新的维度。过去是数据规模决定能力。未来，推理计算同样可以创造能力。

OpenAI 首席科学家 Ilya Sutskever 此前多次强调，随着互联网规模数据逐渐接近极限，未来 AI 进步的重要方向之一，就是让模型通过更有效的训练和推理获得新的能力。

这类判断深刻的影响了整个 AI 产业。当时关注大语言模型的人一定会回想起 o1 问世的震惊。不少媒体、学者都在谈论，GPT-4o 与 o1 的区别，甚至认为 4o 只是“鹦鹉学舌”，而 o1 才是真正“智能涌现”。

不过更中肯的观点，如腾讯研究院资深专家王鹏所说，o1 “其本身的核心价值，恰恰是一个与世界知识大幅解耦的推理模型”。之所以这样说，是因为一个核心问题出现了：如果模型能力只能依赖不断增加的数据，那么 AI 最终会遇到数据瓶颈。但如果模型能够通过推理从已有经验中产生新的能力，那么 AI 的发展空间会被重新打开。

具身智能正在面临完全相同的问题。不过这次不是穷尽了人类几千年的知识，而是机器人所需要的数据实在太难得了。

过去一年，具身智能最重要的、被视作最可能商业落地的技术路线之一是 VLA。

VLA 试图解决一个核心问题：让机器人像人一样理解视觉环境、语言指令，并执行对应动作。这条路线依托于吃下海量数据、成熟的 VLM 推动了具身智能快速发展。机器人已经能够完成越来越复杂的任务：识别物体；理解指令；完成抓取；执行简单操作。

但随着模型能力提升，一个更深层的问题逐渐暴露：机器人真正缺少的是行动推理能力。

就像人类完成一个任务，并不是简单模仿过去见过的动作。例如，一个人第一次进入陌生厨房拿杯子。他不会先搜索十万个拿放杯子的案例，再决定如何行动。他会根据已有的常识去推断：杯子可能在哪里；哪些物体可以移动；如何避免碰撞；拿取过程中需要控制力度。

这些能力来自对于物理世界规律的理解。而目前很多机器人模型的问题在于，它们更擅长回答：“看到这个场景，应该执行什么动作？”但还不擅长回答：“为什么执行这个动作？这个动作之后会发生什么？”

这也是 Meta 最近提出 HumanCLAW 及配套的 HumanCLAW-Bench 的重要所在。它在讨论并测试一个关键问题：视觉语言模型是否真正具备通过身体行动的能力？

如果能的话，那么 VLM 就还大有可为。但研究结果显示，目前最先进的视觉语言模型距离真正具身智能仍存在明显差距。在 1218 个具身任务测试中，最佳模型成功率仅有 16.8%，可以说相当有限。

当然，这个结果并不意味着大模型路线失败，反而说明行业正在进入更深层的问题：语言智能如何转化为物理智能？机器人需要的不只是视觉理解，而是对于身体、环境和动作后果的综合推理。

其实，这也是为什么越来越多研究开始关注世界模型。世界模型的核心思想，是让 AI 在行动之前建立一个对于未来状态的预测。机器人不是直接行动，而是在内部模拟：如果我这样做，会发生什么？如果失败，应该如何调整？这其实就是机器人版本的“思考过程”。

所以，从这个角度看 Google、Meta、Anthropic 等公司近期在机器人领域的探索，我们有理由相信，一场更大强度的竞争或许即将到来，而这次他们都想成为率先找到的 o1。

额外需要提一点的是，推理在 App 上可以等待，但作为在物理世界中实际运作的机器人大脑，具身智能恐怕还是要有一个更巧妙的架构设计，它可能是逐际动力提出的 Agent OS，或者是 Figure 的 Helix 系统，也可能是刚获 1 亿美元天使轮融资的求之科技提出的 ORION-0 四层分级架构等“快慢脑”或“大脑-小脑-脊髓”架构等等。

重视推理，并不意味着机器人行业的数据时代结束。

事实上，在未来很长时间内，数据仍然是具身智能最重要的基础设施。机器人需要大量数据打底，还需要真实世界反馈，需要不断进入环境学习。甚至说，数据的暴力堆砌，也可能会“大力出奇迹”，这条路毕竟才刚开始走。

但数据的价值可能正在发生变化。

大模型时代发展到今天，互联网文本并不是简单让模型记住更多知识，而是帮助模型建立语言规律和世界理解。

机器人数据也一样。真正有价值的数据，不只是记录机械臂如何移动，而是帮助模型理解物体之间如何交互、环境如何变化、动作如何影响结果等物理世界运作的逻辑和规则。

近期备受关注的几个方向，本质上都在朝这个方向努力：更高质量的具身原生数据，比如蚂蚁灵波在做的“围绕动作、接触、状态变化组织数据”；更创新的数据用法，如将人类远程干预形成的回流数据、执行失败的负样本，重新用于反思和策略修正；以及更激进的“推理时技能获取”等创新学习架构，就如同刚刚自变量发布的 HOST，摒弃简单“模仿”。

因此，数据在未来更像是一场战役中的“行军粮草”——不可或缺，但胜利的决定因素，早已从“谁的粮草更多”变成“谁的调度运筹更高明”。也就是说，谁能让有限的数据催生出更准确、更稳定、更可泛化的行动智慧，谁就掌握了竞争的主动权。

从这个意义上说，具身智能正在经历一次关键转折。过去，行业试图通过堆积数据，把机器人训练成一个更好的“执行者”；未来，行业需要借助推理与模型设计，把机器人塑造为一个更好的“理解者”。

而当数据规模之争，真正让位于智能密度之争时，机器人距离自己的“o1 时刻”，才算又迈出了决定性的一步。

如果说当前具身智能产业的竞争，拼的是谁能够更快完成数据的原始积累，那么下一阶段真正的胜负手，可能是谁能够率先完成从“数据喂养”到“推理进化”的范式切换，真正跑通机器人的“o1 时刻”。

过去一年，具身智能行业围绕数据展开了激烈竞争。背后的逻辑非常明确：机器人目前缺少对物理世界的经验，而经验只能通过不断学习、试错获得。

这也催生了一批新的产业机会，其中最重要的就是“场景数据”供给方。具身智能需要的是机器人在真实环境中的任务数据：不同工厂里的操作流程、不同物体的抓取方式、不同环境下的失败反馈。这些数据与具体场景高度绑定，也成为当前机器人企业提升能力的重要基础设施。

但如果具身智能迎来类似 o1 的推理突破，产业竞争逻辑可能会发生变化。

o1 带来的核心启示在于，AI 能力提升并不完全依赖更多数据，也可以通过增强推理能力，让模型从已有经验中产生新的能力。对于机器人而言，这意味着未来产业不必等待数据规模达到某个临界点，而是可以通过优化模型架构、提升推理能力和设计更高效的学习范式，让机器人从“见过、训练过、微调过才能完成任务”，逐渐走向“理解规律后自主解决问题”。

这也意味着，围绕场景数据形成的产业机会会被重新定义。

与此同时，模型本身的话语权会进一步提升。机器人产业的核心竞争，可能从数据供给能力转向智能系统能力，谁能够让机器人从经验中抽象规律，谁就更有机会建立长期优势。

更重要的是，具身 o1 可能真正降低机器人商业化门槛。

当前机器人难以大规模落地，一个核心问题是“长尾场景过长”。在工业环境中，每换一个工厂、每换一种零部件，都可能需要重新采集数据、重新训练模型；进入家庭、养老等复杂环境后，变化则更加不可控。

如果机器人具备更强的物理逻辑推理能力，面对未见过的物体和场景时，就能够像人一样“边想边做”，根据已有知识预测结果、调整策略，而不是依赖大量提前准备的数据。这将直接降低机器人进入复杂场景的部署成本。诸如柔性制造、养老服务、家庭服务等过去因为环境复杂而难以规模化的领域，都可能因此打开新的增长空间。

如果 GPT-4 系列让 AI 第一次在语言层面惊艳，那么 o1 代表 AI 开始探索如何通过推理解决复杂问题。

机器人行业正在等待的，可能并不是一个拥有更多数据的机器人 GPT，而是一个能够理解身体、预测未来、规划行动的具身 o1。

当机器人开始从“记住动作”走向“推理行动”，那一天，才可能成为真正意义上的具身智能时刻。