BestBlogs.dev📌 一句话摘要
本文报道 RSS 2026 会议观点，指出具身智能尚未成熟，数据治理与硬件协同比单纯模型更关键，中国硬件优势不必盲目追随美国模式。
📝 详细摘要
文章记录了作者在 RSS 2026 会议上的所见所闻，与会者普遍认为北美头部具身智能公司（如 Physical Intelligence）离成熟仍有较大距离，领域尚未出现奠基性工作。与会专家指出 VLA 与世界模型并不互斥，应根据任务需求选择或结合使用，并强调世界模型的价值在于其预测能否指导实际机器人动作。数据环节被反复强调：单纯堆砌数据量不如数据的清洗、筛选、配比和对齐（curation）更重要。硬件方面，中国机器人在供应链、价格和交付上具优势，硬件往往先出海，而模型和数据需要在当地重新建立闭环。此外，与会者还讨论了全身智能（whole‑body intelligence）作为未来方向，强调需要硬件、模型、控制器的分层协同，而非依赖单一端到端模型。文章通过多位受访者的第一手引用和现场观察，呈现了具身智能领域的技术争议、产业现状与发展思路。
💡 主要观点
- 具身智能尚未成熟，北美头部公司距离成熟尚远，缺乏奠基性工作。 与会者如 Sergey Levine 组的受访者指出，包括 Physical Intelligence 在内的北美顶尖具身公司离真正成熟还有不短距离，整个领域尚未出现奠基性研究。
- VLA 与世界模型不冲突，可根据任务需求选择或结合使用，价值在于其预测能否指导实际动作。 Physical Intelligence 实习生认为两者互补，不同任务需要语言推理或视频预测；世界模型的关键是其预测是否能真正帮助机器人决策与执行。
- 数据治理（curation）比单纯数据规模更重要，需关注数据对齐与质量。 Simar Kareer 等专家强调，模型公司更看重数据的清洗、筛选、配比和组织，而非单纯堆数据量；有效的数据混合需要对齐区域而非简单汇总。
- 中国机器人硬件优势明显，硬件先出海，智能与数据需要在当地重新建立闭环。 与会厂商代表指出，中国在供应链、价格和交付上领先，硬件易于出海，但模型和数据仍需根据当地任务和开发者生态进行本地化适配。
💬 文章金句
- 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。
- 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？'
- 相比单纯的堆数据量，数据的 curation 可能更重要。
- 机器人虽然 Data Poor，却并不缺模型。
- 硬件看得见、摸得着，价格、负载和可靠性也容易比较。