具身智能为什么落不了地？问题不在模型，在你只盯着模型
一个被反复验证的教训
VLA、世界模型、机器人基础模型、强化学习策略——这些名词过去两年占据了具身智能领域几乎全部的话题。行业里有一种很自然的冲动：只要模型足够强，机器人就能像人一样干活。
但现实是，具身智能不是把一个大模型接到机械臂上就结束了。真正走到部署现场，问题会从「模型能力强不强」变成一连串具体工程问题：机器人能不能理解指令？能不能生成可执行的运动？能不能在真实接触中稳定完成任务？
很多团队换了七八版模型，机器人还是只能在固定角度、固定物体、固定光照下完成一次演示——因为模型的上下游从来没有被打通过。
三条腿的桌子，少一条都站不住
一个从零到一的具身智能项目，必须同时抓住三件事：模型、数据和本体。
- 模型决定机器人怎样理解任务、生成动作。
- 数据决定模型从哪里获得经验，见过多少真实变化。
- 本体决定这些动作能不能在物理世界里稳定执行。
更工程化地说，具身智能的基本链路是：
感知输入 → 模型理解与决策 → 动作生成 → 本体执行 → 环境反馈 → 数据回流
这条链路里，任何一段太弱，最终都会表现为「机器人不稳定」。
- 模型再强，如果数据是乱的，到现场就容易失效。
- 数据再多，如果本体传感器漂、夹爪松、控制抖，采出来的数据也会很脏。
- 本体再先进，如果模型不能理解任务，也只能完成有限的固定动作。
三条腿的桌子，少一条都站不住。这就是为什么光换模型解决不了问题。
不要一上来就问「用哪个大模型」
从零到一安排项目，建议先问一个更朴素的问题：这台机器人要在什么场景里，稳定完成哪几类任务？
桌面整理、货架取放、实验室巡检、简单装配、家庭物品搬运——任务边界越清楚，模型、数据和本体才越容易对齐。任务泛化是有代价的：泛化半径越大，数据需求、本体复杂度和模型难度会同时指数级上升。早期项目最怕的不是技术不够强，而是「什么都想做，什么都做不稳」。
第一步：先定本体和任务边界
本体是整个系统的地基，不能等到后面再补。
如果任务主要是桌面抓取，稳定的机械臂、可靠的两指夹爪、固定相机或腕部相机，往往比一上来追求灵巧手更稳。先把手眼标定、末端定位、夹爪闭合、轨迹平滑和急停链路跑通，项目才有继续迭代的基础。
如果任务需要移动到不同位置，就要先算清楚底盘定位、避障、停靠精度和机械臂的工作空间。移动机械臂很多问题并不出在抓取算法——底盘定位精度差了几厘米，机械臂后面所有动作都跟着变难。
人形机器人和灵巧手当然有想象空间，但在早期会把控制、维护、数据采集和安全问题同时放大。除非任务明确需要双腿、双臂或复杂手内操作，否则更稳的路线是：先用一个没那么炫但可靠的本体，把任务闭环做出来。
看本体时，重点不在参数堆得多高，而在几个指标能不能支撑任务：末端工具是否适合目标物体，自由度是否够用，控制器算力能否支撑视觉和运动控制，传感器精度是否够用，底层运动控制是否平滑可靠。
第二步：先搭数据管线，再谈大模型
数据是具身智能最容易被低估的部分。
普通视觉模型的数据可以是图片和标签，语言模型的数据可以是文本。机器人数据更麻烦——因为它要把传感器、机器人状态、任务、动作和结果放在同一条时间线上。一条有价值的机器人数据里，通常要有图像、深度、关节角度、末端位姿、夹爪状态、控制指令、任务文本、时间戳和执行结果。
这里有一个经典教训：garbage in, garbage out。数据如果是错的、乱的、时间不同步的，模型再好也只能学到混乱经验。
从零到一阶段，最重要的事情是尽早搭起遥操作系统。哪怕一开始很粗糙，也要让人能稳定控制真实机器人完成任务，并把图像、状态、动作和结果记录下来。遥操作数据和目标本体天然对齐，特别适合训练机器人模仿动作。
部署现场的自主执行日志、脚本策略采集、拖动示教和评测数据也要保留下来。egocentric 第一视角视频、互联网视频和仿真数据同样有价值，但用途不同：
- 第一视角和互联网视频适合补任务常识——人怎么观察、怎么安排步骤、怎么处理物体。
- 仿真数据适合规模化、低风险地生成场景变化，尤其适合强化学习和危险动作测试。
但这些数据最终都要回到目标本体上校准，不能直接替代真机数据。
数据管线里最容易被低估的是清洗和标注。成功样本要不要全收？失败样本怎么分类？操作者犹豫的动作要不要保留？夹爪碰到物体但没抓稳算什么状态？这些问题会直接影响模型学到什么。数据质量如果没人负责，后面每一次训练都会带着同一个坑。
第三步：模型先追求可迭代
模型路线可以分层安排：
- 上层模型负责理解语言、图像和任务目标。常见路线是 VLA（视觉-语言-动作模型），输出动作序列、末端位姿、关节目标或动作 token。
- 世界模型更关注「动作之后会发生什么」，适合做预测和方案选择。
- 强化学习更适合足式、灵巧手、动态平衡和复杂接触任务。
但在落地早期，不建议把全部希望押在一个端到端大模型上。更现实的做法是先用分层架构跑通：上层模型负责理解指令和拆任务，下层策略负责抓取、移动、放置等技能，传统规划和控制模块负责安全约束、轨迹生成和硬件执行。
这样做不够酷，但好调试。机器人抓错物体，可以查视觉和任务理解；抓对了但夹不住，可以查抓取姿态、末端工具和力控；轨迹生成正常但机器人抖，就查控制频率、驱动器和机械结构。端到端黑盒一旦出问题，你连从哪里查起都不知道。
训练分阶段，算力按需匹配
单任务策略或小模型微调，几十到几百条高质量示教数据就能起步。一张 RTX 4090、RTX 6000 Ada、L40S 或 A6000 级别显卡，已经能完成不少 ACT、Diffusion Policy 或小型策略实验。
多任务 VLA 微调会明显吃更多数据和显存，通常需要 A100、H100 这类大显存训练卡；LoRA 等参数高效微调可以降低门槛，但全量训练或大 batch 训练会很快上到多机多卡。
机器人基础模型预训练又是另一个量级——往往需要接近百万级机器人轨迹，叠加视频、仿真和多本体数据，并动用更大规模的 GPU 集群。
对大多数从零到一项目来说，早期真正应该追求的不是训练通用基础模型，而是让一个具体任务每天稳定进步。
第四步：用闭环指标替代演示成功率
具身智能项目不能只看一次 demo 成不成功。
演示视频可以只保留成功瞬间，但真实应用要面对每一次失败。更有价值的指标是：
- 连续 100 次任务里成功多少次？
- 失败集中在哪一步？
- 失败以后能不能自动恢复？
- 需要人工接管多少次？
- 换一批物体以后成功率掉多少？
- 单次任务平均耗时多少？
这些才是落地真正的考题。一次漂亮的 demo 只能证明系统在某些条件下能工作；一套闭环指标才能证明系统在真实变化中靠得住。
三个维度的现实挑战
现阶段的主要挑战，也可以按模型、数据、本体三个维度来看：
模型：动作表示和失败恢复
输出末端位姿要解决逆解、碰撞和控制；输出关节动作又容易绑定具体本体；输出动作 token 看起来统一，但映射到不同机器人仍然麻烦。更难的是失败恢复——机器人不能只会从标准初始状态执行流程，还要知道当前偏到了哪里，下一步怎么补救。
数据：贵、散、脏
真实机器人采集需要设备、人和时间，遥操作会持续占用熟练操作员。不同机器人、不同实验室、不同格式的数据很难统一。真实数据里还有抖动、延迟、遮挡、失败和不完整标注。
本体：稳定性和维护成本
线缆拉扯、标定漂移、驱动器发热——这些看似无关紧要的问题会把项目拖进难以交付的泥潭。一个每天都要修的机器人，会拖垮模型和数据团队的节奏。
真正要盯住的
从零到一做具身智能项目，核心问题是三个环节能不能互相接上：
- 模型输出的动作，数据里要能记录和复现；
- 数据里暴露的失败，本体要能支持修正；
- 本体的能力边界，模型也要知道不能越过去。
如果一个项目每周都能把失败样本收回来，更新数据，调整策略，再让机器人在同一个任务上更稳定一点——它就是在往落地方向走。
反过来，如果模型换了一版又一版，机器人还是只能在固定角度、固定物体、固定光照下完成一次演示，那离真正落地还很远。
具身智能最后拼的不是一次漂亮动作，而是机器人能不能在真实变化里反复把事情做成。
本文作者：Superdata RobotAI。Superdata RobotAI 是一个中英双语具身智能数据集导航站，收录全球 135+ 数据集、38 个基准标准与 18 个开发工具，提供 AI 语义搜索与智能助手。访问 superdata-robotai.com。