破解具身智能“長程難題”：數據暴力還是分級控制？

【摘要】2026年，全球人形機器人正迎來跨越工業化鴻溝的關鍵卡位期。在發布會上，它們洗碗、分揀、倒水，動作行云流水，宛如科幻照進現實；然而一旦脫離受控的實驗室“溫室”，面對陌生的物體或突如其來的干擾，這群AI新星便集體遭遇了多步驟“長程任務”的翻車魔咒，成功率斷崖式下跌。

面對具身智能的“長程難題”，科技巨頭們正分裂為兩大門派：究竟是以特斯拉、英偉達為代表，篤信海量數據與算力灌注的“數據暴力美學”能大力出奇跡？還是以Figure AI、智元機器人為先鋒，精細縫合大腦推理與傳統控制的“分級控制哲學”更能筑起可靠性的防線？

在通用智能與絕對穩定性的鋼絲繩上，誰又將率先打破技術的緊箍咒，真正推開通用機器人的商業大門？

以下是正文：

01

繁華背后的長程任務魔咒

過去兩年里，具身智能（Embodied AI）的技術迭代呈現爆發式增長。以英偉達的GR00T、Physical Intelligence的pi-0.5為代表的VLA模型正逐步讓機器人具備理解自然語言并生成連續動作控制序列的能力。

在受控的實驗室或特定演示環境下，機器人已經能流暢完成諸如洗碗、倒水、分揀特定物體等單點任務。

2026年5月13日，一場史無前例的“人機耐力賽”在全球數百萬人的圍觀下悄然開幕——美國機器人公司Figure AI將旗下搭載Helix-02神經網絡系統的Figure 03人形機器人推上了物流傳送帶，開啟了一場原定8小時的包裹分揀直播。

北京時間5月25日前后，這場超乎預期的200小時連續直播才在Figure AI加州森尼韋爾總部正式落幕。

3臺Figure 03機器人累計分揀包裹249,560個，期間出現了約 0.8% 的操作失誤（如包裹掉落、方向擺錯）。它們搭載了 Helix-02 神經網絡系統，將視覺、觸覺和全身控制整合為一個模型，能直接通過攝像頭畫面驅動動作。

這場直播迅速引爆社交媒體，觀看人數突破300萬，儼然成為具身智能領域的“里程碑事件”。然而，光鮮數字背后，這套經過高度優化的受控場景同樣暴露了一個關鍵問題：當機器人一旦脫離這層“溫室”，進入真實開放環境，它們還能延續這份從容嗎？

這層繁榮外衣在進入真實開放場景時卻被無情戳破。

業內普遍認為，VLA模型在長程、多步驟任務中的穩定性仍是當前具身智能的重要挑戰。

長程操作不僅意味著漫長的閉環規劃，更包含密集的物理接觸與環境變數。

一旦機器人脫離“溫室”，面對陌生的物體、多變的光照或者突如其來的外部干擾，多步驟操作中的微小誤差就會呈指數級累積。在實驗室拿滿分的機器人策略，在現實工業或家庭場景中的成功率明顯下跌。

為對抗這些痛點，行業分化出兩條截然不同的進化路徑。

02

英偉達與特斯拉：數據堆砌的“暴力美學”

第一種路徑是以特斯拉和英偉達為代表的“數據驅動派”，他們篤信通過海量多模態數據的洗禮和算力灌注，能夠讓機器人自然“涌現”出解決長程難題的通用智能。

特斯拉Optimus堅守純粹的端到端神經網絡路線，軟件棧直接復用并擴展了FSD（全自動駕駛）的AI基礎設施。

這一路線選擇代表了大量車企向具身賽道快速遷移的底層邏輯。

其一，特斯拉積累了全球規模最大的車載視覺數據集，成熟的神經網絡感知棧可直接向機器人平移復用，實現“一套算法，兩端場景”的跨域泛化；

其二，純視覺方案徹底繞開了激光雷達、力矩傳感器等高成本硬件，為機器人的批量量產奠定了極低的邊際成本基礎。

從FSD到Optimus，特斯拉押注的不是單一產品，而是一套能在自動駕駛與具身機器人之間自由流動、持續進化的“通用視覺智能”基礎設施。

隨著特斯拉加緊將加州弗里蒙特工廠轉型為Optimus的大規模量產基地，成千上萬臺機器人在生產線內進行質量檢測與輕量組裝，特斯拉也試圖借鑒自動駕駛領域的數據閉環思路，將機器人真實操作數據持續回流用于模型迭代。

與此同時，英偉達則憑借Project GR00T大模型和Isaac Lab平臺，致力于成為物理AI時代的“安卓”。

英偉達的邏輯是利用Omniverse強大的物理仿真能力，向模型灌注海量的虛擬仿真數據以及人類操作視頻，讓大模型在數字孿生世界中進行數百萬次的低成本試錯與強化學習。

該方案的優勢是上限極高。純端到端的系統消除了人為制定的規則局限，模型能融合復雜的感知與動作，表現出從未被顯式編程過的柔順過渡與長程適應力。

其劣勢是黑盒不可控。純端到端架構在復雜長閉環任務中容易出現動作偏移、狀態誤判等問題，且對分布外數據的容錯率極低，一次動作變形就會引發后續所有步驟的系統性崩潰，且工程師極難進行針對性Debug。

03

Figure AI與智元機器人：大模型與控制專家的“二元融合”

與數據暴力美學相對立的，是Figure AI與智元機器人所代表的“大模型+傳統控制”的分級控制哲學。這一派別試圖在高層通用推理與低層高頻確定性控制之間搭建一座高可靠性的橋梁。

Figure AI雖然追求感知、語言和控制的一體化訓練，但其在處理超長程工業任務時依然精細地嵌合了任務重規劃層。

開篇所描述的那場200小時直播，恰恰是理解Figure AI技術路線的最佳切入口。根據Figure AI官方披露，Helix-02是一套統一的神經網絡系統，將頭部攝像頭、掌心攝像頭、指尖觸覺傳感器、全身本體感知四類輸入整合為單一AI模型，直接輸出腿部、軀干、手臂、手腕、手指的全身關節運動指令。在這次200小時、249,560個包裹的持續作業中，機器人完成了識別條形碼、抓取、翻轉、放置的多步驟連續動作，期間通過自主輪班充電實現了不間斷運轉，全程無重大機械故障。

長時間連續運行測試一定程度上反映出其系統具備極高的物理韌性與長程持續性，但也同樣揭示出由于端到端物理交互的復雜性，精準度與異常動作恢復依然是需要動態調整的嚴苛課題。

值得注意的是，此次直播場景經過了高度優化，流轉的包裹以標準紙盒和軟包為主，規格較為統一，與真實物流中心中形態各異的異形件、易碎品相去甚遠；作業區域在受控環境中運行，有別于夏季高溫、空間復雜的真實倉儲現場。

此外，有觀眾注意到機器人偶爾出現“用手摸頭”的動作，引發了關于是否存在遠程操控介入的爭議——盡管Figure AI的CEO Brett Adcock隨后公開澄清，稱這是機器人為規避旁側金屬滑槽而做出的策略性抬手。但這些細節提醒我們，200小時的穩定運行是在精心設計的環境約束下取得的里程碑，機器人走向真實開放場景仍需跨越一道不小的鴻溝。

國內領軍者智元機器人（Agibot）將分級思維發揮到了極致。2025年3月，智元發布的通用具身基座大模型GO-1中創新性地提出了ViLLA（Vision-Language-Latent-Action）架構。系統由多模態大模型（VLM）與混合專家系統（MoE）深度組合。

“大腦層”采用基于InternVL-2B的VLM大模型，通過海量互聯網圖文和跨本體視頻進行預訓練，具備常識推理、語義理解與任務全局拆解能力。

“小腦”層MoE結構內包含隱式規劃器（Latent Planner）與動作專家（Action Expert），負責承接大模型拆解出的局部子任務，并以高頻、精準的傳統機器人控制算法生成具體的物理執行序列。

ViLLA架構的本質是讓大模型負責高層的“謀定”，而讓垂直專家或高頻控制方法負責低層的“身體力行”，從而解決大模型高頻控制能力弱、實時性差的天然短板。

一方面，這種架構可靠性強。通過將復雜的“長程任務”顯式或隱式地拆解為多個確定性的“短程任務”，系統可以設置明確的事件觸發 replanning（重規劃）和糾錯容災機制，極大提升了機器人進入惡劣、陌生現實場景時的存活率。

另一方面，其認知與動作存在“斷層”。高層大模型與低層動作專家之間的頻繁切換和翻譯會帶來不可避免的通訊延遲與信息損耗，使得機器人在進行復雜的全身協同、高速肢體對抗或極度流暢的連續直覺操作時，靈動性遜色于純端到端模型。

04

量產成本與安全冗余的商業博弈

如果說技術路線之爭是學術層面的優雅辯論，那么在商業世界里，它的本質則要直白得多：純視覺方案與多傳感器融合方案之間的拉鋸，是“規模化量產成本”與“極端場景安全冗余”之間無法回避的博弈。這兩條路線并非你死我活的絕對對立，而是在商業回報率（ROI）的坐標軸上，形成了涇渭分明的場景分層。

純視覺路線的核心優勢，是極致的硬件成本壓縮。攝像頭可以廉價量產，而激光雷達、六維力矩傳感器等精密硬件至今仍是機器人成本的重要構成。自動駕駛行業的經驗表明，從多傳感器融合轉向純視覺路線的車企，能夠在單車硬件成本上實現可觀的壓縮空間——特斯拉正是憑借這套邏輯，將FSD系統的硬件邊際成本壓到同類產品中極低的水平。

遷移至具身機器人賽道，這種成本優勢將在家庭服務、商業零售、低速物流等對價格高度敏感的消費級場景中被放大。規模出貨帶來的海量真實操作數據，又能持續回流喂養端到端大模型，形成“越用越便宜、越用越聰明”的商業飛輪。

但在工業制造、高危作業、精密裝配等B端核心場景中，“便宜”不是首要考量，“不出錯”才是。一臺工業機器人在高度串聯的汽車產線上發生一次碰撞，可能造成整線停產；一次精密裝配的失誤，損失的不只是零件本身，更是整個工程交付節點。

多傳感器融合方案提供的物理冗余與毫米級精度，是這些高壁壘場景獲得B端客戶信任、實現商業交付的“準入門票”。對急于替代人力的工業客戶而言，融合方案雖然初期采購成本較高，但更穩定的作業成功率意味著更短的“從演示到投產”周期，其實際商業回報反而更為清晰。

由此，一條基于ROI邏輯的場景分層格局正在形成：短期內，工業制造、高危環境將成為多傳感器融合的主戰場；家庭服務、輕量商業場景則是純視覺的天然腹地。長期看，兩條路線在各自的商業根據地上共同壯大，分別撐起具身智能這片萬億級賽道的不同象限。從這個意義上說，技術路線之爭終將以“場景定路線”的市場鐵律收場，實則殊途同歸。

05

尾聲

2026年作為具身智能從原型驗證走向規模化商業試產的決勝之年，長程任務的穩定性已成為決定企業前路的試金石。

無論是特斯拉與英偉達堅守的“數據暴力美學”，還是Figure AI與智元機器人推崇的“分級控制哲學”，都在用各自的方式逼近通用智能的現實邊界。

純粹的端到端黑盒容易在復雜多變的真實世界中“因一步錯而步步錯”，而分級架構則必須在高層推理與低層執行的系統斷層間找到更平滑的銜接。

淘汰賽的槍聲已經響徹整個行業，留給各方在開放世界中證明自身長期可靠性的時間窗口正不斷縮短。