拆透具身智能100万小时：真能喂出一个“聪明”机器人吗？｜AI100闭门会

具身智能究竟需要多少数据，才能迎来自己的“GPT时刻”？

郭俊良认为，讨论数据量之前，必须先定义具身模型的评价标准：

训练一个具身智能“大脑”，真机、人类视频和仿真数据应该怎么配？行业没有统一答案。

“真正重要的不是把比例写死，而是让三层形成循环。”

纯人类视频存在天然缺口——没有机器人末端与物理世界直接交互的动作和接触信息，观察分布也与机器人不同；UMI类设备用手持夹爪采集示范，与机器人末端相对同构，本体差异更小。

采集时长，究竟等不等于有效数据？

廉和给出了一组数字：一名熟练采集员一天工作8到10小时，最终有效视频通常只有约三分之一到二分之一——准备时间、设备故障、错误动作和任务前后的无效片段都要被去掉。

机器人进入真实物理世界后，仅仅“看见”还不够：摩擦力、压力、滑落趋势和材料软硬，很多信息无法通过视频判断。

郭俊良认为，当前更大的瓶颈在设备，而不是模型能否加入触觉模态。

有公司押注VLA，例如Physical Intelligence的π系列；也有团队转向世界模型或world-action model。

彭湃用城市环卫机器人的真实场景回答了“两波自动化有什么本质差别”：

郭俊良的判断是，当前中美没有明显代差：

行业仍在早期，数据、评测和架构都在快速变化，大家都有机会；中国的突出优势是机器人供应链、工业积累和硬件人才，团队可以更快搭出本体并迭代。

郑宇靖认为，数据公司最基础的两个指标是成本和数据质量，两者结合就是“能否用合适的成本获得更多有效信息”。

两个多小时的讨论，四位嘉宾最终达成了一项共识：具身智能的数据竞争，正在从规模竞争转向效率竞争。

【开源免费】DeepBI是一款AI原生的数据分析平台。DeepBI充分利用大语言模型的能力来探索、查询、可视化和共享来自任何数据源的数据。用户可以使用DeepBI洞察数据并做出数据驱动的决策。

项目地址：https://github.com/DeepInsight-AI/DeepBI?tab=readme-ov-file

本地安装：https://www.deepbi.com/

【开源免费】airda(Air Data Agent)是面向数据分析的AI智能体，能够理解数据开发和数据分析需求、根据用户需要让数据可视化。

项目地址：https://github.com/hitsz-ids/airda

【开源免费】AutoGPT是一个允许用户创建和运行智能体的（AI Agents）项目。用户创建的智能体能够自动执行各种任务，从而让AI有步骤的去解决实际问题。

项目地址：https://github.com/Significant-Gravitas/AutoGPT

项目地址：https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md