资本狂热与学术耐心：具身智能的泡沫与现实

宇树科技上市一周市值蒸发超2000亿元，折射出资本极度亢奋与不安并存的行业现状。尽管融资加速、订单增长，但全球范围内能通过验收并持续加购的机器人本体依然稀少。面对Rodney Brooks等先驱对“人形机器人热度严重泡沫化”的批评，学术界持不同视角。学术研究应聚焦5到10年后的技术突破，而非短期内的成熟应用。从互联网、智能手机到大语言模型（LLM），技术周期已走过多轮，对具身智能的期望与担忧均属正常。关键在于通过对话建立社会对未来的正确期待，避免偏激态度。

重新定义具身智能：不仅是AI加身体

具身智能（Embodied AI）的核心在于如何将智能嵌入具体的物理形状中。其范畴广泛，从扫地机器人到自动驾驶汽车均属此类。关键在于智能体能否在物理环境中通过身体改变现状。相比之下，下围棋或写代码的大语言模型若无法直接操控物理世界，则不属于狭义的具身智能。LLM并非所有具身智能系统的必要组件。例如，自动驾驶汽车在执行驾驶任务时并不需要语言模型介入。由于LLM运算量大、训练成本高，剔除不必要的语言模块有助于降低应用门槛。只有当任务涉及复杂交互或指令理解时，LLM才成为关键环节。

小脑与大脑的分工：以汽车为例解析技术栈

具身智能常被拆解为硬件、感知、小脑、大脑和训练五层。Allen Yang以汽车行业类比：“具身智能的小脑相当于没有自动驾驶功能的车辆”，负责机械调教与行动执行；“大脑”则是在小脑划定的能力区间内选择可选项。例如，家庭轿车无法具备F1赛车的极速性能，反之亦然。目前，机器人下肢运动能力（小脑）已超越人类。在北京亦庄举办的半马比赛中，去年80%的机器人未完成比赛，而今年已有7个不同公司的本体跑进50分钟，超过人类极限（57分）7分钟。然而，硬件瓶颈仍在于手部操作能力。目前尚无机器人能在未知空间中独立上楼、开门或使用工具，这表明小脑与大脑的协同仍是主要卡脖子环节。

具身智能三大模块成熟度差异：感知领先，行动与大脑滞后

在评估当前具身智能的发展水平时，Perception（感知）模块被公认为是最成熟的。早在20年前，卷积神经网络（CNN）就已证明深度学习能力超越人类感知水平；如今在自动驾驶领域，伯克利团队利用该技术驾驶方程式赛车，速度已推至200英里每小时（超过350公里/小时）。相比之下，小脑层面的行动控制仍面临巨大挑战，目前尚无机器人本体能像动物一样完成复杂的本能动作。而大脑层面若依赖大语言模型驱动，距离实现真正的AGI仍有差距。

“Perception我觉得跟人相比的话 应该是最成熟的...自动化推到200英里每小时 也就是超过350公里每小时”

训练层面的争议同样激烈：是仅依靠大语言模型对场景进行文本描述，还是像小松鼠那样通过Zero Shot或Few Shot Learning（零样本或少样本学习）进行行为训练？动物拥有基于基因编码的本能，例如小松鼠无需语言或监督学习，仅通过观察母亲即可学会爬任意树木。这种Pre Train（预训练）机制如同DNA编码，而人类后天的考试学习则类似Fine Tune。然而，目前机器人尚不具备这种在任意地形上安全奔跑的能力，仍需通过无数次训练来熟悉特定路径。

世界模型（World Model）的适用边界：数据充足则无需生成式模拟

关于世界模型（World Action Model, WAM）是否是正确方向，核心在于场景是否具备充足的真实数据或规范规则。在自动驾驶领域，尽管世界模型尚未完全建立，但中美企业已凭借数百万辆车的真实数据积累（Brute Force方法），稳定获得L4级驾驶执照。同样，大语言模型的训练依赖于互联网自70年代以来数字化的海量知识，数据充足时无需世界模型。在工业制造中，如特斯拉工厂对铸件精度要求低于1毫米（submillimeter）的规范环境，以及奥运会乒乓球等拥有严格规则手册的场景，在规范的世界里面是不需要世界模型的。只有当机器人进入如家庭护理等开放、非标准化的环境时，才真正需要世界模型来应对差异化的规则。

“在规范的世界里面是不需要 世界模型的...主要还是看具身智能 它应用于什么什么样的场景”

AI发展的“分水岭事件”与指数级增长拐点

AI的发展存在三个关键阶段。首先是普通人类智能基准，如自动驾驶需比普通司机安全十倍才能获得L4牌照；其次是超越顶尖选手的Watershed Moment（分水岭事件）。例如，北京亦庄举办的半程马拉松中，机器人跑赢人类选手超过7分钟；此前DeepMind击败李世石、深蓝击败卡斯帕罗夫均属此类。这些事件无需营销即可引发全球关注，标志着技术突破。

“当分水岭事件发生的时候 它的新闻价值 它的科学价值是众所周知的”

第三阶段则是指数级增长拐点。一旦突破，应用爆发迅速。Hitch Open平台致力于寻找硬件、小脑与大脑结合的平衡点（Trade-off），通过乒乓球等规范场景，在3-5年内实现超越世界冠军的目标。虽然自动驾驶耗时20年才达到普通人水平，但专用机器人仅用两年即在特定领域超越人类，显示了垂直领域突破的加速趋势。目前卡点在于除感知外的硬件、小脑和训练，需通过特定场景找到最佳组合以推动商业落地。

小脑未稳，大脑难成：安全是具身智能的底线

在探讨高级人工智能（AGI）之前，必须优先解决机器人的“小脑”——即行为智能与安全控制。正如自动驾驶领域所言：当你知道你的这个汽车在行驶到160英里每小时后是不安全的，那你愿不愿意把你亲爱的人放到一个160公里行驶的这个道路上。这种对极限场景的探测至关重要，因为智能体在极端运动中的“毛刺”，往往预示着其在普通场景中也可能存在安全隐患。只有到了小脑的训练成熟了之后，大脑的训练最终才能够达到AGI。目前机器人尚无法自主安全地上下楼梯或适应非实验室环境，例如在春晚舞台训练后换到家庭场景便失效。在小脑还不安全的时候我们如何去奢谈大脑呢。

“当你知道你的这个汽车在行驶到160英里每小时后是不安全的，那你愿不愿意把你亲爱的人放到一个160公里行驶的这个道路上对吧”

自主安全性意味着即使断网、断电，机器人本体仍需具备基础智能以防止危险发生。这代表着它的自主安全性，例如防止机器人在断电时从高处坠落。因此，硬件和小脑必须达标后，才能引入世界模型进行虚拟到真实的转化。这个步骤必须要啊去这么做。

数据鸿沟与物理仿真：非刚体变形的无限维难题

当前具身智能训练的主要瓶颈在于数据匮乏与物理仿真的复杂性。互联网自TCP/IP时代积累了海量数据，但机器人视角的数据极少。特斯拉每天收集据称有500万公里自动驾驶数据，而全网机器人爬楼视频总时长远未达到此量级。我们现在整个的网上都没有如此规模的数据。此外，物理世界的互动多为“软”接触（Deformable），如毛巾、被子等物体的变形是无限维的一个形态，极难通过颗粒化模拟真实还原。这个变形是非常难Simulate的。刚体数据尚可积累，但非刚体的无限形态变化导致单纯依靠拍摄视频无法解决训练问题。

数据维度 自动驾驶（特斯拉） 具身智能/机器人
日收集数据量 500万公里（公开数据） 全网爬楼视频总时长远低于此

AlphaGo时刻：寻找“低垂果实”与简化交互场景

具身智能的“AlphaGo时刻”并非全能机器人的诞生，而是对标人类能力的特定简化场景突破。历史表明，技术演进需要时间：从1920年福特年产1万台车到L3/L4自动驾驶出现，过了100年。然而，亦庄半马机器人仅用一年便超越人类最高跑步水平。科技是不断在发展的，而且肯定是在加速。为了找到突破口，业界需定义“低垂果实”（Low Hanging Fruit），即选择交互简单、可预测的场景。例如，乒乓球运动仅涉及球拍与球的刚体互动，且公式明确。我们把一些非常难预测的仿真的问题能够把它缩减到一个可规划可控制的一个范围。

“亦庄星期六发生了这件事情，到了星期一全球所有的各大媒体全部都在宣发这个事情”

通过简化交互（如将灵巧手视为球拍），可以将每年一次的“彗星”式数据变为可定期捕获的目标。我们等的不是一个10年才来的一个彗星，我们等的是一个每年都来的一个彗星。这种策略使得在3-5年内算出基础逻辑成为可能，并通过仿真持续抓取数据。

形态多样性与仿真的工业级挑战

人形机器人并非具身智能的唯一终局，不同形态对应不同的生产力场景。具身智能它不是一个选择题...其实像是一个图，包含不同形态与对应的社会生产力。扫地机器人虽不能做饭带娃，但能替代清洁劳动；L4自动驾驶已获中美牌照，证明其在公共道路安全性上超过人类十倍。在开车的这个生产力上我们就不需要人了。

然而，无论是造芯片、飞机还是机器人，仿真软件都是卡脖子环节。专业级的去仿真汽车动力...一个Seat就是一个License也许就是几万美金。具身智能因涉及多点位接触与物体变形，对仿真环境要求极高。这个就是一个非常明确的一个卡脖子的地方。尽管安全自动驾驶是“撞”出来的，但通过选择如乒乓球等简化场景，结合仿真与真实反馈，业界正逐步攻克这些难题。如果沃兹尼亚克这个2020年时候犯了一个错，我觉得如果我们去赌这个具身智能没有未来也许也是一个很大的错误。

生产力替代的时空维度与基础设施适配

具身智能并非简单的“是或否”问题，而是生产力替代中最大的一块拼图。以汽车自动驾驶为例，即使其安全性和性能达到人类的10倍，美国人每天仅花费30分钟驾驶，这意味着24小时中仍有23.5小时的潜在生产力未被AI替代。相比之下，居家、办公室和工厂环境是为人类身体结构打造的，若人形机器人能达到同等性能，便能在剩余的23.5小时内实现生产力的显著提升甚至完全替换。目前的社会基础设施底层均为人形设计，因此人形机器人能接触和替代的生产力最多。VC共识认为继AI Agent之后，Robot Agent是下一个大方向，因为除了与电脑交互外，人类绝大部分时间并不直接面对屏幕。键盘和鼠标是六七十年代生编硬造出的GUI，旨在让人学习如何与机器人交流；当AI成熟后，终极目标应是解放这种交互束缚，让机器人像人一样直接理解并改变物理世界。

品牌溢价与政府监管：从F1到具身智能的商业化路径

Hitch Open 借鉴 F1 赛车与法拉利的关系，旨在通过高规格赛事建立品牌标杆。F1上红色能够使用红色这个颜色的只有法拉利这一个车队，这种独占性赋予了品牌极高的行业地位。虽然普通消费者可能终身不拥有一台法拉利，但你的品牌上就会认为法拉利在汽车行业是最好的。Hitch Open 希望打造类似的顶级赛事 IP，但品牌和销量它并不是画等号的，本体企业必须具备将品牌转化为投资回报率（ROI）的能力。此外，赛事标准不等于民用安全等级，F1现在在汽车自动驾驶上还落后了。因此，政府必须介入法规制定，将机器人的运动技能（Skill）与消费者可购买的产品进行法制化定义和整体规划。企业和政府要填补从一个好的品牌到一个好的产品中间的这两条线，确保技术能力转化为市场认可的安全与质量标准。

通用标准与文化适配：奥林匹克模式下的全球复制难题

解决具身智能跨区域通用的关键在于建立类似奥林匹克已经有100多年了，这个奥林匹克本身它就是连接各个文化的通用平台。通过联合各国政策研讨，可以将机器人的运动能力对标国标或国际标准，从而在不同文化和区域间实现技术测量与政策合作的标准化。然而，品牌落地需适应各地市场差异。具体的这些品牌如何落在世界的各个角落的话呢，那么还需要这个多的这个不断的去迭代才能够达到这一目的。正如奥运会能捧红全球鞋类、饮料和计算机品牌，Hitch Open 希望借助这一平台与未来 AI 品牌合作，但需通过持续迭代来满足不同地区的购买意愿和文化需求。

开源生态与仿真加速：缩短具身智能落地周期

针对具身智能进入千家万户的复杂性，解决之道在于大量仿真与开源文化。如果能够在仿真上把不同国家的这种场景和工文化的场景都能够在仿真上能够建立起来的话，这个能够大大的缩短它这个距离。同时，必须依赖可验证的、美国还有一句话叫做Trust and Verify的技术路径。大语言模型的成功证明了开源的重要性，GPT 和 Llama 系列的开放使得全球开发者能迅速达到当前高度。如果GPT没开源的话，我们现在能够有跟人类对话的无论是中文还是英文的都是不可能的。Hitch Open 将“Open”置于品牌中，旨在通过开源数据和软件控制逻辑，吸引最优秀的人才和公司，加速技术沉淀与验证。

中美竞合与人类自由：供应链依赖与AI无法替代的价值

全球具身智能的发展将重演历史规律，即History Never Repeats but it rhymes。正如苹果制造、电动汽车（EV）及电商经济中，70%以上的产品都是从中国来的，亚洲的产线和生态供应链是全球市场不可或缺的一环。美国拥有算法高地，而中国占据制造与数据优势，两者结合才能最大化全球消费者利益。关于人类在 AI 时代的自由，核心在于去做AI不能做的事情。目前 AI 没有好奇心，也不会主动想去旅游或探索。人类去登月、看大熊猫、吃火锅的期待与好奇心，是人类的智能目前跟人工智能相比它的优势所在。真正的自由在于发挥人类独有的探索欲和对新环境的适应力，这是当前 AI 主体所不具备的。

结论

具身智能正处于从资本狂热向技术理性回归的阶段，其发展呈现显著的结构性失衡。感知模块已高度成熟并超越人类极限，但小脑（运动控制）与大脑（决策推理）仍面临严峻挑战。核心瓶颈在于非刚体物理仿真的无限维难题及真实训练数据的匮乏，导致机器人在开放环境中缺乏自主安全性。世界模型并非万能解药，仅在标准化场景缺失时具备价值；而在规则明确或数据充足的领域（如自动驾驶、工业制造），传统方法更为高效。未来突破依赖于简化交互场景以寻找“低垂果实”，并通过开源生态与中美供应链的深度竞合加速落地。人形机器人因适配现有基础设施，在替代人类生产力方面具备独特优势，但需先解决硬件安全底线问题。