美国具身也没成熟！PI：中国公司何必总当“中国版XX”｜RSS 2026

美国具身也没成熟！PI：中国公司何必总当“中国版XX”｜RSS 2026 – 量子位

首页

资讯

智能车

智库

活动

MEET大会

AIGC

扫码关注量子位

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

美国具身也没成熟！PI：中国公司何必总当“中国版XX”｜RSS 2026

henry

2026-07-25

20:24:27

来源：

量子位

这是机器人领域最好的时代

henry 发自 RSS

量子位 | 公众号 QbitAI

“包括Physical Intelligence在内，如今的北美头部具身智能公司离成熟都还有不短的距离。整个领域，也还没出现真正的奠基性工作。”

“中国真正领先的，恰恰是机器人硬件。美国同样没有成熟答案，中国公司又何必急着把自己称为‘中国版XX’？”

这是量子位来到悉尼参加RSS 2026后，几天交流下来听到最让人意外的两个判断。

但有一说一，这是后话。

刚到RSS会场时，最先冒出来的其实是另一个问题：

为啥世界模型在国内都火了快半年，怎么到了机器人顶会，大家还在讨论VLA？

这是我们这次线下的“第一感受”。

在周一的日程里，世界模型还要和记忆放在一起，组成一场45分钟的Session。

到了周二，模仿学习与VLA相关报告从下午3点多一路排到傍晚，结结实实占据了后半个下午。

老实讲，这其实挺让人疑惑的。

毕竟在国内，“VLA已死，世界模型当立”的说法已经传了好几轮。

世界模型也被越来越多公司放进技术路线，被视为具身智能的新版本答案。

甚至略带戏谑地说，今年只要有融资新闻的具身公司，基本上都在做世界模型。

那到这，问题就来了：

为啥在机器人顶会上，大家还是VLA、VLA？难不成国内外真有半年时差？

在与不少同学、老师交流后，我们发现之所以这样，其实是顶会的审稿周期已经跟不上AI领域的迭代了。

比如，RSS 2026在1月30日截稿，4月27日公布录用结果，7月13日在线下举行。

从截稿到会议，已经过去了近五个半月。

如果再算上论文从idea到实验、写作所需的几个月，今天出现在会场上的成果，往往在大半年甚至一年前就已启动。

因此，现在的顶会论文可能更像过去一段时间的技术切片，而很难成为过去几周的行业热搜。

当然，这并不是说论文不重要，毕竟任何研究都得站在之前人的肩膀上。

今年RSS的获奖论文，量子位已经在

刚刚，机器人顶会RSS三项最佳论文出炉！708篇送审，仅8篇杀入决赛

中记录，这里就不再赘述。

相比重新复述论文，在这里我们更想聊一些只能在线下发生的事。

RSS 2026大会程序主席

Matei Ciocarlie

在开场时问道：

为什么我们要来这里？为什么不直接把论文发到arXiv，把视频发到X（Twitter），然后就结束？

他的回答落在了一个词上：connection，连接。

会议真正重要的，不只是台上的报告，还有人与人之间的聊天、讨论和面对面交流。

量子位在RSS期间不仅和现场的学生、研究者及创业者聊了聊，也联合香港大学OpenDriveLab、源策未来、诺亦腾机器人举办了线下活动。

除此之外，星海图、自变量、千寻、智元等公司，也把交流延伸到了主会场结束后的after hours和晚宴上。

可以说，就在这些线下连接中，我们听到了一些和国内热门叙事不太一样的判断：

一位来自Sergey Levine组的受访者直言：包括PI在内，今天的具身智能公司离成熟都还有不短的距离，整个领域也尚未出现他所认为的奠基性工作。中国具身在硬件有巨大优势，对中国公司称自己为中国版xx感到不解。

Physical Intelligence的实习生表示：VLA和世界模型并不冲突，可以全都要。不同任务需要语言推理和视频预测两种能力；至于世界模型能否像宣传中那样预测动作后果，他反问：“你真的看到它做到这件事了吗？”

EgoVerse核心作者Simar Kareer认为：机器人领域缺的未必只是更多数据，真正拉开模型差距的还有数据如何筛选、配比和整理。

Karen Liu在闭幕Keynote中把机器人领域概括为“Model-rich, Data-poor”：过去积累的仿真、规划和视觉模型未必适合直接充当机器人策略，却可以相互组合，成为持续生产训练数据的老师。

李弘扬教授认为机器人下一步要解决的不只是上半身操作，而是覆盖移动、平衡、接触和操作的全身智能；这并非一种单独的模型能力，而是一项横跨控制、感知、数据和硬件的系统工程。

Wenzhen Yuan指出，触觉目前大多仍以附加模态接入VLA，背后的难题不仅在于数据稀缺；不同触觉传感器难以迁移，机器人的指尖与末端执行器形态也会直接影响触觉能否发挥作用。

在与智元、宇树、高擎、Seeed等厂商的交流中，多位从业者提到，在RSS展台上，来问询的仍然是高校研究机构为主；最先追问的内容往往不是机器人展示效果，而是价格、投资回报、二次开发条件，以及产品能否进入矿山、巡检等本地场景；现阶段，中国机器人的硬件出海也明显走在软件和数据服务之前。

……

这些判断未必代表行业共识，其中一些甚至彼此冲突。

但也正是这些分歧，让我们重新思考VLA、世界模型、数据、本体与产业之间的关系。

世界模型和VLA，我全都要

数据，已经被公认为当前具身智能领域里最重要的话题。

但毋庸讳言，无论是在审稿人亦或是投资人眼中，

模型依旧性感

。

就今年RSS的整体情况来看，负责抓取操作、模仿学习的文章仍然占据绝对的领先地位，大家promo的时候也比较爱提到自家的模型。

那么，回到最开始的问题，VLA还是世界模型？

在与Sergey Levine（Physical Intelligence）的两位博士生交谈时，我也把这个问题抛给了他们。

其中一位给出的答案是，两条路线并不矛盾，甚至可以同时推进（pi0.7其实就有一个世界模型组件）。

在他看来，不同的具身任务，适合处理它们的方式也不一样，有些任务天然更适合语言。

比如处理家务时，机器人需要先理解人的指令，再借助语言把一个复杂任务拆成多个子任务，逐步规划接下来的行动。

而当任务变成把物体从A点移动到B点时，机器人也可以借助图像或视频生成能力，预测动作结果，生成下一步需要达到的视觉状态。

只不过，对PI自己而言，语言仍然承担着更重要的角色。

这可能也解释了为什么从Steerable Vision-Language-Action Policies for Embodied Reasoning and Hierarchical Control到pi0.7以来，研究者始终把Steerable放在核心位置。

这里的Steerable，不只是让机器人听懂一句任务指令，而是让人类或上层模型能够通过语言、视觉子目标乃至更细粒度的控制信号，持续引导机器人选择和组合动作。

也就是说，PI并不排斥图像或视频生成，但更倾向于让VLM承担语义理解和任务推理，再通过语言指令、视觉子目标等接口，把高层推理grounding到机器人的具体动作上。

有意思的是，在我们组织的晚宴上，我又碰到了他们。

我提到，在国内讨论世界模型与VLA的区别时，有一种颇为流行的概括：

VLA根据数据输入和语言指令直接输出动作；世界模型则能预测未来状态，辅助机器人规划动作、规避风险。

他没有直接认同这种划分，而是追问了一句：

“你真的见过它们这样做吗？你真的见过一个部署了世界模型的机器人，说，这个动作我做了可能有问题，我不该这样做，我该采取其他动作”。

说实话，我一时没接上话。

后来再想，这句追问其实把问题拉回了更具体的地方。

对世界模型而言，关键不只是能不能准确预测未来，还在于它究竟应该预测什么，以及这些预测能否真正帮助机器人完成操作。

这个问题，在我与Simar Kareer的交谈中，有了更具体的答案。

Simar Kareer目前在佐治亚理工学院读博，师从Judy Hoffman和徐丹飞教授，曾在Physical Intelligence实习，目前他正专注于egocentric方向的工作。

他认为，世界模型应该预测什么，要由它最终服务的下游任务决定。

如果目标是让机器人完成动作，那么更合理的方向，是让视频预测（video prediction）与动作预测（action prediction）联合学习，而不是只训练模型生成未来画面。

对此他举了一个例子，现阶段的视频预测或许能生成视觉上合理的未来状态，却未必知道机器人的手有多大、要抓取的物体有多大。

缺少这些与真实动作相关的信息，预测出来的视频再逼真，也很难直接转化为可靠的操作。

因此，至少在现阶段，视频预测还无法完全取代动作监督。它可以帮助机器人想象未来，而动作预测与动作监督，则负责把这种想象落到真实、可执行的动作上。

此外，来自香港大学的陈立博士在

Robot World Models

研讨会上又补充了另一层：

即便确定了预测对象，“生成未来”和“判断这个未来是否有用”，也不一定要交给同一个模型。

“预测会发生什么，和评估这对我是否有用，必须解耦。”

在他的RISE框架中，动力学模型负责生成未来状态，价值模型则判断这些状态是否符合任务目标。

机器人由此可以先在模型生成的未来中尝试不同路径，再利用价值信号改进策略，减少在真实世界中试错的成本与风险。

世界模型的价值，也就不只在于能否“想象未来”，还在于这些想象能否为动作提供有效依据。

总结来看，世界模型固然重要，但对具身智能而言，它并不是VLA的简单替代，两种方法也并不矛盾。

真正的问题在于，世界模型应该预测什么，以及这些预测如何服务于机器人动作。

值得一提的是，在RSS会场内外，已经有不少研究者开始探索VLA与世界模型结合的混合架构，前面提到的π0.7正是其中之一。

数据量很重要，但Curation更重要

虽然模型上的创新可能好发论文，也更吸引眼球，但数据已经毫无争议的成为了具身领域最重要的问题。

在poster环节，我们也排队问了Simar几个数据问题。

Simar这几年从EgoMimic一路做到EgoVerse，研究的都是怎么把第一视角人类数据用到机器人上。照理说，他应该是最看好Egocentric Data的那批人。

但当我问起数据该怎么scaling时，他的建议却是：

Egocentric数据当然有用，但我其实不建议你们直接从数据公司买（笑）。

在回答中，Simar举了大模型领域的例子。他提到像OpenAI，anthropic，他们不光是数据多，更重要的是数据的清洗、筛选、配比和组织数据，机器人领域同样如此。

也就是说，

相比单纯的堆数据量，数据的curation可能更重要。

但具体怎么个curation，多少数据量才够，Simar顿了一下，并没有给出直接的答案，只是建议参考π0的训练规模（1万小时）以及公开数据集。

也就是说，这个数字只是一个参照，不是一条已经得到验证的Scaling Law。

类似的一幕其实也发生在论文汇报的QA环节。在论文中，研究得出的结论是：

随着VLA预训练数据规模和多样性的提升，人类数据向机器人策略的迁移能力逐渐显现。

于是，现场有观众追问：这种数据多样性应该怎样衡量？

Simar表示，他们会在不同Checkpoint和数据配方上做实验，寻找效果更好的组合。但具体怎样配，他没有进一步透露。

后来我和

诺亦腾机器人

的工作人员聊了这个问题，他的看法是：

对于模型公司或者Lab来说，架构可以写进论文，数据配方却更像那份不会轻易示人的recipe。

这或许解释了我们前面提到的，几乎所有人都在谈数据，论文里最显眼的东西却仍然是模型。

所以，诺亦腾也提到了另一种可能性：

未来的数据公司未必只按小时出售原始素材，还需要自己训练模型、做对照实验和评测，最终向机器人公司交付经过筛选、能够直接进入训练流程的数据方案。

到了这一步，数据公司的价值就不再是“采了多少小时”，而是“知道哪些数据真正有用”。

当然，劝大家不要直接买数据，不代表Simar不看好Egocentric Data。

在「Data-Centric Robotics：What Data Do Robots Really Need？」研讨会上，他重新画了一遍机器人领域的数据金字塔。

过去，人们通常认为，最底层是规模最大的互联网，中间是仿真数据，最上层才是数量最少、成本最高的机器人遥操作数据。从

数据规模

来看，这样的金字塔没有问题。

问题出在它暗示的关系：互联网和人类视频似乎天然构成机器人学习的基础，少量机器人数据只负责最后适配。

EgoVerse的实验给出了另一种图景。

只使用机器人数据与自由形态人类数据，提升有限；只加入与任务对齐的人类示范，改善同样不大。最明显的提升来自三类数据共同出现：

机器人遥操作数据；

与机器人任务对齐的Episodic Human Data；

覆盖场景和长尾行为的Free-form Human Data。

机器人数据和任务对齐的人类数据共同提供了“锚点”，告诉模型人类行为与机器人动作空间怎样对应。

所以，数据多样性并不是把不同来源的数据倒进同一个池子。真正决定效果的，可能是Data Mixture中有没有足够的对齐区域。

但不管怎么筛，真实机器人数据和具身人类数据都很难无限采集。那能不能换一种思路，让模型自己生产数据？

机器人Data Poor，但Model Rich

在Karen Liu的闭幕演讲

Data Poor，Model Rich

中，这位来自斯坦福大学计算机系、从计算机图形学和物理仿真一路做到人形机器人控制的教授，就回应了上面这个问题。

Karen提到，机器人虽然Data Poor，却并不缺模型。

Data Poor，不只意味着依靠数采员“力大砖飞”收集数据很难scale。

与此同时，随着机器人任务从桌面抓取走向灵巧操作和全身控制，数据采集的难度也在不断增加。

更重要的是，这种方式还藏着一个默认假设：

每一条示范数据，都能立刻对训练产生作用。

Model Rich则意味着，我们可以换一种思路，把已有模型变成数据引擎，用它们生产训练数据。

计算机图形学积累了物理仿真、动画和数字人模型，计算机视觉有3D重建和几何模型，机器人学也有轨迹优化、运动规划和动力学模型。

这些模型各有所长，很难直接充当一个通用的机器人Policy。但在Karen看来，可能不是模型没用，而是我们一直给它们安排错了工作。

它们可以退到训练阶段充当Teacher，把已有知识转化成高质量的机器人示范。

过去几年，连接传统仿真模型和机器人学习两端的技术也开始成熟。

一头是3D Gaussian Splatting，可以高效重建真实环境，为世界资产提供Real-to-Sim的部分解；另一头是全身动作跟踪策略，可以把运动学轨迹转化成真实机器人的动作，为机器人行为提供Sim-to-Real的部分解。

现在缺少的，就是把两端连接起来。

Karen团队在VLK中搭建了一条Real-to-Sim-to-Real Pipeline。

整套系统不需要人类示范，在重建的室内环境中自动合成了4.8万条视觉、语言和全身运动学轨迹，训练出的策略还能迁移到真实的Unitree G1上，完成导航和物体搬运。

虽然这还不能彻底取代真实数据，但至少证明了一件事：

机器人Scaling的起点，未必只能是招更多人遥操作机器人，也可以让过去积累的模型先把数据飞轮转起来。

数据决定硬件

那么再往前一步，如果数据如此重要，机器人是不是也应该围绕数据采集来设计？

Sunday Robotics先设计Skill Capture Glove和机器人手，再围绕这只手设计整台机器人，可能就是最具体的回答。

在周一的研讨会上，Sunday Robotics创始人Tony Zhao提到，他们并不是先买来一台机器人，再想办法给它采数据。

（Tony Zhao与Cheng Chi分别是ALOHA、ACT和Diffusion Policy、UMI的核心作者，2024年共同创办Sunday Robotics，现分别担任CEO和CTO）

Tony和联合创始人Cheng Chi先确定了Skill Capture Glove与机器人手的形态，让两者在结构上尽可能一一对应，再围绕这只手设计机器人的其他部分。

也就是说，数据不再只是机器人造好之后收集的训练材料。它反过来开始定义传感器、机器人手，乃至整台机器人的形态。

来自UIUC的Wenzhen Yuan在演讲中也提到了类似的观点。

机器人手指的形状、相机、光源和材料，都应该与感知模型和操作策略协同设计。触觉智能不只是一个传感问题，还需要传感器、数据、模型与机器人形态共同优化。

如果说前面的讨论还集中在一双手上，那么诺亦腾展位上的全身动作捕捉，又把同一个问题扩展到了整具身体。

从手臂、躯干到双腿，机器人要学习的不再只是怎样抓住物体，还包括怎样移动、保持平衡，并在接触中协调全身。

这也引出了本届RSS上另一个不可忽视的方向：全身智能。

迈向全身智能

在今年RSS Early Career Spotlight的演讲中，来自香港大学、源策未来的李弘扬教授提出了一个新的方向：全身智能（whole-body intelligence，WBI）。

（注：全身智能是指让人形机器人从异构的人类与机器人经验中学习可复用的全身协同先验，并据此在真实环境中生成安全、自适应、可执行的行为。详情可参考https://www.archon.tech/blog/whole-body-intelligence）

第一眼看到这个概念，我们其实有点意外。

毕竟，宇树机器人已经在春晚上跑跳起舞，今年各家公司的Demo和论文又都在向精细操作发力。

下半身已经能跑，上半身也越来越会干活，为什么还要单独提出全身智能？

问题可能恰恰藏在“能跑”和“能干活”之间。

今天的机器人可以走到桌前，站稳，再伸手抓取。但真实世界里的任务，往往不会这么配合机器人。

搬起自行车时，双腿需要随着重量变化调整重心；伸手去够远处的东西时，另一只手可能要主动抬起保持平衡；遇到狭窄通道，还得一边侧身，一边继续搬运。

到了这里，走路和操作就不能再被拆成两个互不相干的动作。机器人需要把腿、腰、躯干和双手当成一个整体，边移动、边操作，还能根据环境实时调整身体。

这也是李弘扬所说的全身智能。

具体来说，运动控制解决的是机器人如何稳定地从A走到B；全身控制解决的是一个给定动作如何被整具身体稳定执行。

而全身智能还要继续回答，面对一个陌生任务，机器人该调用身体的哪些部分，如何协调移动与操作，出了意外又能不能自己恢复。

所以，李弘扬并没有把希望完全寄托在一个从图像直接输出电机电流的超级模型上，而是给出了一套分层系统。

最上层的“大脑”负责理解语言、调用记忆和长程规划；中间的具身模型把任务转化成全身动作；更底层的身体模型与控制器，则负责平衡、接触和实时执行。

不同模块工作在不同的时间尺度上，最后共同完成一个任务。现场他提到的Figure Helix 02，采用的同样是从语义推理、全身动作到平衡控制的分层架构。

但问题来了，如果底层控制只是其中一层，为什么它仍然值得投入这么多精力？

北京通用人工智能研究院研究科学家黄思远在workshop中，给出了一个很形象的比喻。

人类大脑皮层大约有160亿个神经元，而主要负责控制、平衡与协调的小脑，却有约690亿个神经元，占整个大脑神经元数量的80%以上。

机器人也是如此。让它“知道要做什么”当然很难，但要让几十个关节在真实世界里同时把这件事做好，同样远没有解决。

现在看到的跑跳、空翻，很多还是针对特定动作训练出来的专业能力，距离一个模型驾驭各种动作，还有相当长的距离。

黄思远给出的路径，是先为跑、跳、攀爬等不同能力训练多个专业控制模型，再让这些专家产生高质量的运动轨迹，交给一个更通用的模型学习。

小模型先把单项技能练到足够好，大模型再吸收它们的经验，获得更加广泛的身体能力。

如果回头看前面的几位演讲者，会发现类似的思路一直在重复出现。

Karen Liu让已有的专业模型退到训练阶段充当Teacher，Tony Zhao在高层策略与底层控制之间寻找合适的系统接口，黄思远用多个专业模型为通用控制模型提供经验，李弘扬把这些能力放进一套全身智能系统中， Wenzhen Yuan则试图将触觉感知融入机器人的基础模型中。

（注：Tony Zhao还提到，机器人不太可能只靠一个从图像直接输出电机电流的模型解决所有问题。高层策略负责理解任务、生成动作目标，底层控制负责平衡与稳定执行，而两者之间应该用什么样的动作表示连接，仍然需要专门设计）

端到端与模块化，可能从来就不是一道二选一。

端到端回答的是一个模块内部该如何从数据中学习，模块化回答的则是整套系统该如何分工。

大模型也没有消灭小模型，而是把它们重新安排成教师、身体先验和底层控制器。

模型可以端到端，系统仍然需要有层次。

从这个角度看，全身智能不只是把机器人的腿和手接到同一个模型上。

具身智能的下一步，或许也不只是给机器人换一个更聪明的大脑，而是搭出一套能让大脑真正调动整具身体的系统。

硬件先出海，智能再跟上

说完了学术，咱们聊聊背后的产业。

一位来自Physical Intelligence的人士告诉我们，美国在冒出几家具身公司后，很快进入了一个相对平静的阶段，国内（中国）却几乎每天都有新公司出现，而且大多还能拿到融资。

按照他的观察，如果只看创业热度、硬件供给和出海进度，

中国具身智能已经明显超过美国。

这种差异也延续到了RSS现场。

从参会者来源看，中国和美国包揽人数前两名，依旧是会场里的两支主力。但到了赞助商名单，中国公司几乎成了展厅里的绝对主角。

宇树、千寻智能、诺亦腾机器人、Seeed Studio、智元机器人，以及总部位于新加坡、同时在上海设有团队的Sharpa都出现在了RSS现场。

那么问题来了。

对于这样一场以学术交流为主的会议，企业专门花钱赞助、搭建展位，到底值不值？

毕竟，RSS本身仍然是一场学术气质很浓的、小而精的会议（每年接收论文仅一百多篇至两百篇）。

在现场，海报展示环节往往比赞助展厅更拥挤，展位前最常出现的，也不是拿着采购单的企业客户，而是追着技术细节问个不停的学生和研究者。

从我们在现场获得的反馈看，如果只计算卖出了多少台机器人，这笔账可能并不好看。

前来问询的仍以高校和科研机构为主，真正带着明确采购任务的企业客户并不多。

但这恰恰解释了为什么具身硬件会先走出去。硬件看得见、摸得着，价格、负载和可靠性也容易比较。

即便当地还没有成熟的具身智能产业，高校和开发者也可以先把机器人买回去，用于科研、教学和二次开发。

而且值得一提的是，在与宇树的交流中，我们得知四足机器人的现实需求反而比人形更加明确。

国内常见的文娱表演、商务指引，在澳洲没有那么大的市场；矿区勘测、巡检和分拣等能够明确计算投入产出比的任务，反而更容易获得关注。

与此同时，Seeed Studio则代表了硬件出海的另一条路线。

相比一台完整的人形机器人，它提供的开源硬件和边缘计算设备价格更低，还有相对完整的社区、安装教程和二次开发指引。

对于预算有限、具身生态又尚未成熟的海外高校来说，一个足够便宜、能够马上上手的开发平台，往往比一个足够炫的Demo更有吸引力。

这也是为什么，相比购买一台机器人，海外用户对模型和自动化方案往往更加保守。他们更希望先看到明确的投入产出比，再决定是否部署。

此外，不同公司也选择了不同的落地方式。

宇树等企业更多借助当地合作伙伴和分销商销售产品，先降低进入新市场的成本；智元则选择在澳新地区设立自己的团队。

智元工作人员告诉我们，相比把市场交给中间商，独立运营虽然更重，却能更快获得客户反馈，了解当地真正需要什么任务，以及机器人应该怎样进入已有的生产流程。

Sharpa则从成立之初就把全球市场作为基本盘，在新加坡和上海同时布局。对于他们，参加RSS的价值也未必是现场成交，而是提前接触研究者、模型公司和开发者，进入下一轮技术与数据生态。

综上，中国公司集中出现在RSS，可能并不只是

本文来源：量子位