我们离真正的具身产业爆发还有多远？

在由盖世汽车主办的第四届具身智能机器人产业发展论坛上，行业技术竞逐热烈，但会场内焦虑也在滋生。嘉宾们争相展示自研成果，背后却藏着隐忧：各自为战、闷头布局，有限的资源、稀缺的数据、顶尖的人才，究竟是在推动行业加速，还是在制造巨大的资源浪费？

一、数据孤岛：差了一个量级的“数据荒”

要让具身模型真正收敛，业内共识是需要至少几百万小时甚至上千万小时的有效数据。据特斯拉Optimus、波士顿动力等海外头部企业公开数据，其核心具身模型训练数据已突破百万小时量级。但千寻智能科研生态总监徐国强直言：“目前国内各家具身智能公司的数据量加起来可能也就几十万小时，距离模型真正收敛，整整差了一个量级。”

更严峻的是，即便数据汇总，质量也难以达标。当前国内数据多集中在机械臂抓取杯子等基础场景，高复杂度、跨场景有效数据占比极低。数据壁垒则加剧困境——数据被视为“核心资产”，各家企业不愿共享。这种状态导致行业重复采集基础数据，造成巨大的社会资源浪费。

转机已在萌芽。国内正推动国家级具身智能数据训练场建设，多所高校已将具身智能专业纳入学科布局，并将数据采集纳入学生日常考评体系。未来数据共享的界限会逐渐被打破。

二、操作系统内耗：等待“一统江湖”的破局者

如果说数据是燃料，那么操作系统就是引擎。穹彻智能研究科学家吕峻坦言，当前行业尚处早期，技术未实现跨场景通用，即便单一企业内部，不同交付场景仍需多套OS并行，行业统一更无从谈起。“这不是企业做得不好，本质上是具身智能技术还没达到跨场景规模化应用的水平。”

这与汽车产业早年的电控系统内耗高度相似。早年国内百家车企各自自研电控系统，重复投入、效率低下，最终被域控制器统一、车载OS架构融合的趋势终结。具身智能OS的破局，或可借鉴这一路径：先实现企业内部OS统一，再逐步推动行业层面的兼容与整合。

三、破局路径：开源与整合并行

面对困局，国内企业已开始探索破局。2025年12月，大晓机器人发布ACE具身研发范式，构建“环境式数据采集—开悟世界模型3.0—具身交互”全链路技术体系，可实现年千万小时级数据收集，结合数据增强形成等效上亿小时数据训练效果。近期，大晓机器人更将通用基础模型“ACE-Brain-0”面向全行业开源。

这种“基础设施思维”旨在摊薄行业试错成本。大晓机器人解释：“具身智能目前仍处于产业早期，商业化竞争尚未到白热化阶段，当前核心目标是让更多人参与到研发中来，实现资源共享。”

与开源趋势相对照的是垂直整合逻辑。蔚来汽车制造运营中心总监刘圣祥从汽车产线应用端给出务实视角：“我们可以利用开源模型，但最终部署必须是本地部署，训练数据不能出企业。”这是工业场景的核心痛点——产线上的操作数据、工艺参数都是核心商业机密。

四、未来生态：“开源底座+私有数据”的混合形态

行业普遍共识是：未来的具身智能生态，既不是纯粹的开源乌托邦，也不是完全封闭的垂直帝国，而是“开源底座+私有数据”的混合形态。基础模型、底层工具链开源，降低行业准入门槛；企业私有数据闭环，保障核心利益和数据安全。这种模式既避免了数据孤岛和OS内耗，又兼顾了商业竞争力。

回到最初的问题：各做各的模型，浪费何时休？答案并不悲观。国家力量正在介入数据训练场建设，头部企业开始尝试开源共享，用户方呼唤既能保护数据主权、又能降低开发成本的新型合作模式。具身智能产业的“临界点”，取决于行业能否在“竞争”与“协作”之间找到黄金平衡点——正如TCP/IP协议成为互联网共识后，才有了万维网的繁荣。这场“浪费”的休止符，将由那些敢于率先打破藩篱的企业来谱写。