当机器人跑得比人快、后空翻比体操运动员还稳，所有人都开始问：属于具身智能的“iPhone时刻”是不是已经来了？
答案可能比想象中更冷静——我们还在大哥大时代，而且连通信制式都还没统一。
2026年，具身智能的热度达到了新的沸点。马斯克说“擎天柱”明年就要规模化量产，春晚上的机器人方阵让全国观众惊叹，马拉松赛道上的人形机器人跑出了令人咋舌的成绩。公众的兴奋是真实的，资本的押注是巨大的，整个行业看起来似乎正处于爆发的前夜。
然而，在一场腾讯研究院组织的闭门圆桌上，多位来自产业、高校和创业一线的专家给出了一个高度一致的判断：“iPhone时刻”远未到来。
如果非要给当下的具身智能找一个历史坐标，它更像是手机产业的上古时期——大哥大时代。功能有了，但笨重、昂贵、不稳定，最关键的是，通往未来的技术路线还远没有收敛。
这篇文章，我想把这次深度对话中最值得关注的几个核心洞察拆解出来，并加上我的一些思考。这些来自一线的冷静声音，恰恰是这个喧嚣时刻最稀缺的东西。
---
一、“能动”和“能用”之间，横亘着一道数据鸿沟
要理解具身智能的真实处境，必须先做一个区分：小脑和大脑。
所谓小脑，指的是机器人的运动控制能力——走路、跑步、跳跃、后空翻。这块能力在过去两年取得了肉眼可见的飞跃。从机器人马拉松到各家企业的舞台秀，从业者达成的共识是：“能不能动”的问题，基本上已经解决了。
但问题出在“大脑”。
大脑负责的是决策、理解和泛化——看到一扇没见过的门知道怎么开，进入一个陌生的厨房知道怎么操作，遇到从未训练过的场景能够自主判断该做什么。这才是“能用”的核心，也是当前最大的瓶颈。
用大模型的发展历程来类比，在场嘉宾给出了一个令人清醒的判断：具身智能的“大脑”甚至连GPT-2.0时刻都还没到。
为什么？因为GPT-2.0虽然粗糙，但至少技术路线是明确的——Transformer架构、海量互联网文本数据、自监督预训练，大家都在往同一个方向用力。而具身智能呢？VLA（视觉-语言-动作）模型去年还被视为共识方向，今年已经有大量团队转向世界模型等其他路径。整个行业连下一步该怎么走都还没达成一致。
这还不是最棘手的问题。最棘手的是数据。
---
二、200倍的差距：数据才是真正的瓶颈
圆桌讨论中，一个数字被反复提及，我认为它是理解当前具身智能困局最直观的标尺——
业界普遍认为，具身智能要实现类似GPT-2.0或GPT-2.5级别的突破，至少需要千万条级的高质量数据。然而，目前全球所有机构加在一起，拥有的具身智能数据大约只有50万条。
差了多少？整整200倍。
这不是一个通过“砸钱”就能快速填平的差距。因为具身智能的数据和语言大模型的数据，本质上不是一个物种。
GPT系列的训练数据来自互联网——文本、代码、网页，这些都是天然数字化、天然可获取的。你只需要爬取、清洗、投喂。但具身智能需要的是物理世界交互数据：机器臂抓取不同材质物体的力度反馈、双足在不同地面上行走的平衡调节、开门时钥匙与锁孔的接触力学……这些数据无法从互联网获得，必须通过真实机器人执行或高精度遥操作采集。
这就带来了一个成本问题。采集一条高质量的遥操作数据，需要专业的设备、专业的操作员、标准化的环境，成本高昂。一位嘉宾提到，即使乐观估计，要让机器人达到类似自动驾驶L3/L4的水平，可能需要数千亿小时的数据量——而我们现在手上有多少？几百万小时。
这个鸿沟面前，所有关于“iPhone时刻已经到来”的论断都显得过于乐观。
---
三、经济账算不过来，这才是商业化第一道真正的门槛
技术不成熟不代表不能商业化，很多技术都是在应用中逐步迭代的。但具身智能面临一个更现实的拷问：经济账算得过来吗？
一位年轻的00后创业者在圆桌上提了一个很尖锐的问题：机器人进工厂替代工人，看起来是很自然的需求，但一旦开始算账，事情就尴尬了。
一个具备基本劳动能力的人形机器人，硬件成本加上VLA模型或世界模型的部署成本，综合下来往往比雇佣一个工人更贵，而且要贵不少。关键是，贵也就算了，它还不够稳定——工厂追求的是极致的效率和成功率，而当前的具身智能还远达不到那种可靠性。
这就造成了一个荒诞的局面，正如圆桌中一位嘉宾调侃的那样：“我们在让机器人做我们擅长做的事，而不是替我们做不想做的事。” 我们想让机器人去炒菜、做家务，实际上却是我们在做家务，机器人在写诗画画。
这才是商业化面临的第一道真正门槛：不是“能不能做”，而是“划不划算”。
---
四、三层市场的渐进路径：从情绪价值到生产力革命
那么，具身智能短期内到底应该往哪里走？圆桌讨论给出了一个非常务实的分析框架，把市场分成了三个层次。
第一层：百亿级的情绪价值市场。
这是最现实、最接近爆发的一个市场。表演展示、陪伴养成、情感交互——用户愿意为“被陪伴”买单，而且对价格的敏感度相对较低。正如一位嘉宾所说，国内泡泡玛特能做到万亿市值，靠的就是给年轻人提供情绪价值。一个机器人，哪怕什么活都不干，就是坐在那里陪你说说话、给你一个拥抱，这本身就是巨大的市场。
而且这个市场的妙处在于，它不需要解决“泛化劳动操作”这类最难的技术问题，运动控制加多模态交互就基本够用了。它能让产业链先跑起来，让用户认知先建立起来，给技术成熟争取时间。
第二层：千亿级的商业服务市场。
这是功能价值和情绪价值的交汇点。导览、导购、导办——在这些半结构化场景中，机器人既可以替代一部分人力，又能提供人类服务人员不具备的新奇体验。这个市场对能力的要求更高一些，需要运动控制、自主导航和多模态交互的综合能力，但相较于“进工厂打工”，环境相对可控。
第三层：百万亿级的劳动操作市场。
这才是终极目标——广泛替代人类进行体力劳动。进工厂、做家务、护理老人，所有那些“人不愿意做、不想做”的事情交给机器人。这个市场有多大？一个直观的估算是，如果未来十亿级的机器人保有量，乘以新能源车级别的单价（十万人民币），就是百万亿级别。
但这也是最遥远的一个市场。因为它要求的不只是“能动”，而是“能理解、能泛化、能稳定操作”，而且成本必须降到比人工更便宜。这条路上的每一个关卡，现在都还没有打通。
---
五、一个被低估的风险：AI的“欺骗性”与认知替代
圆桌最后讨论了一个很有意思的话题：“用AI造AI”。这似乎是技术进步的自然方向——用世界模型生成训练数据、用大模型驱动研发流程。但几位嘉宾都表达了一个共同的警惕：
AI有欺骗性，而且这种欺骗性非常隐蔽。
它生成的内容看起来合理、流畅、自信，但可能是错的。在具身智能的研发中，如果过度依赖AI生成的合成数据来做关键决策，可能会把整个系统引向错误的方向。
更大的风险在于“认知替代”。一位高校教授分享了她观察到的现象：学生们越来越习惯直接把问题丢给AI，拿到答案就交上去，中间的理解和思考过程被完全跳过。“工具的先进性带来人的懒惰”，这句话放在科研和工程领域可能后果更严重——因为具身智能要解决的都是没有现成答案的问题，依赖AI给出的“通识性”回答根本无法突破技术瓶颈。
这也是为什么，几位嘉宾一致认为：关键决策不能交给AI，核心判断必须由人掌握。 AI是提升效率的工具，但工具永远不能替代思考的主体。
---
六、写在最后：认清坐标，才能走得更远
读完这场圆桌的实录，我最大的感受是：当下具身智能行业最稀缺的不是资本，不是人才，而是准确的历史坐标感。
在媒体的叙事里，具身智能似乎每个季度都在发生“突破性进展”；在社交网络上，机器人跳舞的视频总是能收割海量点赞。这些当然是行业发展的重要组成部分——它们吸引关注、吸引人才、吸引资源。但如果从业者自己都相信了“iPhone时刻已到”的叙事，把资源过早地投入到不切实际的应用场景中，很可能会走很长的弯路。
具身智能的终局是确定的：人工智能一定会走出屏幕，进入物理世界，走进千家万户。 这个判断，在场的所有人没有任何分歧。
但路径是漫长的。数据要从50万爬到千万级，模型路线要从发散走向收敛，成本要从“比人贵”降到“比人便宜”，稳定性要从“能演示”进化到“能可靠运行”——每一条线都需要时间，没有任何捷径。
在这样一个时间节点上，最清醒的姿态也许是：对这个行业抱有最大的信心，但同时保持最冷静的耐心。
知道自己在“大哥大时代”并不可怕，可怕的是以为自己已经在“iPhone时代”，然后做了错误的决定。
路漫漫其修远兮。
---
本文基于腾讯研究院2026年7月“具身智能的iPhone时刻要来了吗”圆桌讨论的内容进行深度分析和延伸思考。文中核心数据和观点来自与会专家，分析部分由作者独立完成。
826
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
