特邀行业专家全面解读物理AI对机器人产业的推动作用，10月21日（周三）19:00，财联社VIP携手蜂网专家为您带来了物理AI主题的【风口专家会议】。

问题一：什么是物理AI？为什么不用AI大模型来驱动或训练？机器人在训练以及运行过程中如何用到物理AI？

专家：物理AI是指通过理解现实世界的物理和动力学规则，且具备实际的“身体”，比如汽车、机械臂或人形机器人之类的执行器，可对空间的感知、实际的接触和交互的AI。其概念区别于传统数字AI的纯语言模型。

物理AI的模型不能完全复用传统数字AI模型，主要原因在于物理AI涉及较多的空间感知和交互，而数字AI作为纯语言模型，仅用于处理语言、文字等，不涉及交互层面。

物理AI较传统数字AI的难度更高，可以理解为：数字AI可视为物理AI的大脑层，而要将大脑的推理及任务转换为具体的动作，则需要更高层的模型或者模块。

以ChatGPT-6 Astra等前沿研究为例，大语言模型可用于探索纯原生的数字AI在物理AI上的应用，并能够用于控制机器人，但该过程需要工程化改进与优化。

问题二：物理AI在研发过程中最重要的是否是采集数据？它需要哪些类型的数据？又是如何进行数据采集的？

专家：物理AI的模型训练与数字AI一样，需要很多具身数据。

传统数字AI模型训练的语料主要是语言和文字类的数据，普遍通过使用大量互联网视频、图像，并进行人工标记，作为大语言模型的语料去训练。而具身模型由于具有实际交互的特点，其数据的范式较语言模型更为复杂。

目前物理AI的数据结构呈金字塔型分布，主要包括真机数据、UMI数据、仿真数据、当前主流的Ego数据、以及第三视角的SO数据。在实际训练过程中，并非只使用用某一种数据，而是采用混合式的数据架构。

真机数据质量较高，但也有劣势：第一，采集效率低，一天8小时工作日，一个采集员能够采集到的有效真机数据约为一个多小时。第二，采集成本高，真实数据需要在真实的素材工厂采集，且要求有本体采集，即素材员佩戴遥操作设备，控制机器人去采集。因此，造成真机数据的价格非常昂贵，一般是十几块甚至几十块钱一条。第三，真机数据非常干净，机器人采集到的数据完全正确，缺乏完整的试错轨迹，无法提高模型通用的能力，可能不够智能。基于此，真机数据很难完成规模化的采集。

随后，数据的采集范式转变为UMI数据。其最大的好处在于实现了无本体，采集过程中不需要遥控真实的机器人，而是通过佩戴UMI的夹爪完成采集。其采集效率在同样的8小时内，有效数据采集时间约为5-6小时。与此同时，由于无本体这一特点，其采集规模也较大。尽管如此，UMI数据的采集需要佩戴末端执行器，较难完成精细动作，具有一定局限性；且其约束性较强，部署时要求采集夹爪与部署机器夹爪完全相同，包括颜色、尺寸、开合度等，实际应用中难以满足。

而后又转向第一视角的Ego数据，其优势在于采集更为简单，工作过程中仅需佩戴Ego头环，从而能够采集到第一视角数据，通过算法把双手的数据结算成手的动作数据，用于机器人训练。

经过英伟达、Figure AI等公司的验证，目前形成共识：物理AI模型遵循规模效应，这与数字AI相同。简言之，在给模型堆数据的过程中，当达到某一临界点后，模型的智能程度会形成持续上升趋势，这与大语言模型是一样的。未来，实现数据的规模化至关重要。

实现数据规模化要求实现无本体、无感的轻量化采集，且数据通过众包全民生产，而非数据工厂方式产生，从而真正实现这种数据的规模化。在此背景下，Ego数据是实现数据规模化的一个非常有效的抓手与入口。

此外，仿真数据在整个的数据结构里面也有较大占比并发挥补充作用。其优点在于成本低、效率高，且能够在仿真环境中试错，而不存在硬件损坏成本。然而仿真到现实的鸿沟仍然存在，因此仿真数据无法成为数据的主力。

基于上述主流数据结构，在模型训练中我们通常采用“预训练+后训练”的范式。未来趋势是加强预训练的训练规模，包括扩大数据规模等；逐渐减少后训练的难度及数据量，即通过少量的后训练，降低实际应用中的部署难度。

在预训练过程中，Ego数据占比约40%-50%，仿真数据约20%-40%作为补充，其余部分包括真机数据与UMI数据。后训练目的在于动作的校准与对齐，倾向精度较高的真机数据，数据量期望由目前的几百、几千条转变为几十条、甚至几条，用于微调。

问题三：目前国内机器人的数据采集方面，有哪些企业在布局？其业务量大致是怎样的？

专家：国内物理AI数据仍处于供给稀缺状态，而数据规模是制约物理AI发展的主要瓶颈之一。在此背景下，国内涌现出多类数据公司，围绕不同数据形态提供采集设备、数据产品及解决方案。

从参与主体看，国内物理AI数据公司大致可分为第三方数据公司、仿真数据公司和真机数据公司三类。

其中，第三方数据公司主要围绕Ego数据开展业务：简智提供Ego加UMI类型数据，戴盟（江苏雷利参股）开展Ego相关数据业务，鹿明（德马科技参股）、帕西尼等则可提供包括采集头环等设备及数据销售在内的Ego数据解决方案。

仿真数据公司方面，部分企业从事仿真数据业务，代表企业包括光轮智能（宝通科技投资）、海天瑞声等。

真机数据公司方面，2023年至2024年国内从事真机数据采集的公司较多，并建设了北京石景山、上海国际等多个区域采集中心。然而，当前多数真机数据采集正在收缩，市场对真机数据的需求亦呈现下降趋势。

问题四：不同数据类型的采集企业的利润情况有什么差距？

专家：不同物理AI数据类型的定价、成本结构与毛利率存在明显差异：真机数据毛利率相对较高，但高度依赖采集利用率；原生Ego数据价格和毛利均较低，并逐步呈现运营化特征；增强版Ego数据因多模态、高精度采集而显著提升价格与毛利。

具体而言，若以较高利用率为前提，尽管真机数据需求较此前下降，但由于其价格较高，单条数据可售十几元至几十元，其综合毛利率约50%。若计入均摊成本，整体经济性较难成立。

Ego数据包括原生Ego数据及增强Ego数据。其中，原生Ego数据采集效率高、难度较低，价格约为每小时几十元，扣除采集设备均摊、采集人员人工及数据处理管线等成本后，毛利率约30%，因而会逐步偏向运营型业务。增强版Ego数据在标准头戴采集基础上，进一步采集手部操作数据，尤其是融合触觉、光学动捕、IMU等的高精度多模态手部数据，价格可提升至每小时百元级，可达三四百至四五百元，毛利率有望达到50%至60%，甚至60%至70%。

问题五：机器人大脑当前控制本体的方式及其链路是怎样的？物理AI成熟后，控制运作链路是否会发生显著变化？此时硬件设备是否需要更新？

专家：当前物理AI模型架构与路线尚未完全收敛，机器人大脑的控制链路以VLA为基础，并通过引入世界模型模块补全物理规律理解与动作想象能力；同时，以大语言模型直接驱动机器人执行成为新的探索方向，但仍需其他模块配合。

传统VLA链路遵循感知、决策、规划、执行的逻辑，基于图像、视频及机器人状态等实时外部感知，结合语言信息进行编码，并通过动作头以自回归或流匹配方式生成动作序列，驱动机器关节执行。然而，其本质仍是基于模仿学习，缺乏对世界的想象力，可能生成不符合物理规律的动作。

因此，物理AI模型加入世界模型板块，帮助其理解物理规律及其变化趋势，补全物理AI模型的想象力。通过将世界模型与VLA融合，执行前由世界模型生成多个候选执行方案，VLA从中选择最优方案并转化为动作输出执行，即形成WAM思路。

当前也出现了以大语言模型直接驱动机器人或设备执行的趋势。以ChatGPT-6 Astra为例，以原生大语言模型控制机器人的链路已经打通，但仍存在一定局限性。尽管大语言模型在通用能力、泛化能力及异常自我纠错能力上具有优势，能够进行高层次的规划与理解，但由任务到动作生成这一过程仍需其他模块支持，比如结合传统运动学、动力学规则进行算法辅助。未来，若以大语言模型直接驱动机器人或设备执行的路径跑通，可能形成以DeepSeek、GPT等原生大语言模型构建物理AI大脑的新赛道。

对于底层硬件而言，则没有额外要求。原有硬件仍然可以使用，控制模型的变化并不构成对硬件的额外约束。

问题六：预计机器人的这一类的产品会有怎样的一个放量的节奏？未来哪些行业会逐步被机器人这个替代掉？人形机器人会有怎样的一个放量节奏？

专家：机器人产品预计自2026年起进入未来三至五年的大规模商业化阶段，当前主要落地场景涵盖工业、服务、特种和物流等领域。具体而言，工业场景包括产线装配、线束插拔、线边搬运等；服务场景包括商超新零售售卖、导诊前台等；特种场景包括巡检、危险场景救援及火灾等；物流场景亦为当前各方推进商业化落地的重点方向。

在未来一段时间内，预计机器人放量将率先出现在工业场景。其原因在于工业场景相对容易落地，属于半结构化环境，且任务复杂度总体可控。

因此，最先落地的将是传统机器人难以完成、且需要一定柔性和通用能力的任务。