2026.10.09 | AC | Robotics | World Models Expert: Tech Paths & Costs

摘要

本文核心要点包括：1，世界模型定义及技术路径演变，混合架构最新进展2，未来模型能力提升来源3，头部模型公司数据来源及大致成本结构4，中短期发展展望

以下为专家观点：

1，从工程化角度来看，一个模型需要具备哪些能力或满足何种条件才能被定义为“世界模型”？

一个工程化的世界模型至少需要满足四个核心条件：

首先，它必须具备状态转移的预测能力，即在给定当前状态（如图像或传感器数据）和特定动作后，不仅能生成下一秒的画面，还能准确预测世界状态的实际变化。例如，它应能计算出杯子被推下桌子后会弹跳几次、滚动多远，而不仅仅是生成一段杯子下落的视频。

其次，模型需要深刻理解并遵循物理规律，确保其预测具备物理一致性，包括对刚体、软体、接触、碰撞等物理交互的真实模拟。如果模型预测的动作导致物理上的不合理现象，例如穿模，那么它只能被视为视频生成模型，而非世界模型。

第三，模型必须支持以动作为条件的生成，使其能够作为决策依据，而不仅仅是视频播放器。当输入一个指令（如“抓起苹果”）时，模型需要能预测执行该动作后的世界状态，这是实现具身智能闭环训练的基础。

最后，模型的长期预测误差必须是可控的。世界模型开发中最具挑战性的一环便是长期预测，因为误差会呈指数级放大。如果一个模型只能稳定预测两三秒，那么它仅适用于短时决策，尚未达到世界模型的标准。

综合而言，一个合格的世界模型输入输出必须形成闭环，能同时处理观测与动作以预测未来状态；其预测的物理规律必须是可计算、可验证和可复现的，而非仅靠画面逼真；并且在有限时间内，其长期预测的误差不能发散到无法用于控制的程度。

2，当前构建世界模型主要有三种技术路径：基于视频空间的条件生成、以JEPA为代表的潜在表征，以及显式3D空间结合物理引擎，未来哪种路径更有可能胜出，或者会走向混合架构？

最终的架构形态必然是走向混合，但在中短期内，基于视频空间的动作条件生成将成为主干，由显式3D物理引擎负责兜底，而JEPA这类潜在表征则更多地扮演辅助角色。这一判断基于对三种路径优劣势的分析：第一，视频空间动作条件生成路径的优势在于数据易于获取且泛化性强，但其对物理接触的理解不够精细，穿模、滑移等问题难以根治，因此适合追求广度而非精度。第二，JEPA这类潜在表征的理论非常优雅，旨在学习世界运行的内在规律，但其问题在于模型的隐式特性，导致很难将动作和物理约束直接嵌入，使得其在工程应用中的可解释性与可控性偏弱，更适合扮演“大脑”进行抽象决策，而非作为“手脚”执行具体操作。第三，显式3D空间加物理引擎的路径在物理精确度上最高，但其构建和计算成本高昂，包括场景搭建、接触计算和渲染，且泛化能力差，更换场景就需要重新建模，因此更适合用于校验而非生成。

因此，未来不会是单一路径的胜出，而是一个分层的混合架构：视频生成模型负责前向预测，快速生成候选动作和画面；显式3D物理引擎进行后向校验，过滤掉物理上不合理的预测；而潜在表征则在中间层进行抽象和决策，抑制长期预测的误差。简言之，未来的架构将是视频生成打底、物理引擎施加约束、JEPA等模型进行抽象的结合体，任何单一路径都无法独立走向具身智能的终点。

3，对于视觉深度、3D几何、接触状态和力觉等不同维度的信息，未来是会趋向于用一个统一的表征来处理，还是会由多个模型分别处理？

在中短期内，这些信息将由多个各司其职的模型分别处理；但从长期来看，会走向一个统一表征的框架。然而，这个统一框架的底层依然是由多模态编码器和一个融合层构成，而不是真正意义上将所有功能揉合成一个单一模型。之所以如此，是因为这四类信息的处理逻辑和技术瓶颈截然不同。视觉深度和3D几何本质上属于空间感知范畴，目前技术已相对成熟，通过多目视觉、激光雷达甚至单目深度估计都能获得不错的结果，其主要挑战在于精度和实时性，并不需要依赖大模型来强行解决。相比之下，接触状态和力觉信息属于物理交互范畴，是当前最难攻克的环节。接触力、摩擦力及物体的形变等信息在视觉上几乎不可见，必须依赖力觉传感器、触觉阵列等本体感觉进行内部感知，让纯视觉模型去猜测接触力是不可行的。因此，短期内必然采用分工架构：视觉模型负责深度与几何，触觉模型负责接触与力学，最后在决策层进行状态融合，将空间感知信息与物理交互信息拼接，形成对当前世界状态的完整估计。这个融合层正是未来统一表征的雏形。

从长期来看，之所以会走向统一，是因为从信息论角度出发，这四类信息都是对同一个物理世界不同模态的观测—视觉是“看”，触觉是“摸”，力觉是“感”，它们描述的是同一状态，理论上存在一个统一的隐空间能将它们对齐。但在工程实现上，这个统一表征并非一个单一模型，而是一个共享的隐空间，由多个独立的编码器分别将不同模态的信息映射进去。未来的统一表征将是一个结合了感知编码器、物理先验知识和融合层的复杂结构，而非单纯依靠堆叠模型参数。总结而言，短期是多模型分工，长期是统一表征，但统一的是隐空间，而非模型本身。

4，未来若采用混合架构，其核心接口将收敛于统一状态token、统一3D表征、统一动作空间还是统一训练目标？

从未来发展来看，核心接口将收敛至统一的状态token，而3D表征和动作空间是其两种具体的投影，训练目标则是驱动其收敛的手段。具体来看：

第一，统一状态token是主干接口。无论是视觉、触觉、力觉还是3D几何信息，最终都将被编码成同一个隐空间内的token序列。该token序列不仅包含了当前世界的状态，也包含了动作将使其转变为何种状态。只有在token层面，不同模型才能实现融合与相互调用。

第二，统一3D表征是空间的投影。3D几何、深度、接触位置等本质上是空间信息，可以统一到3D场景及带有物理属性的体素或点云表征中。但这种表征是状态token在空间维度上的具体化，并非最底层的接口，因为它无法容纳力觉、摩擦等非几何信息。

第三，统一动作空间是控制的投影。动作空间必须统一，否则不同模型无法协同工作。例如，关节角、末端位置、力控指令等最终需要映射到同一个动作语义空间，但这同样是状态token在动作维度上的一个投影。

第四，训练目标是粘合剂。仅有接口不足以实现融合，需要依靠训练目标将不同模态进行对齐。例如，通过对比学习、掩码重建、世界模型预测误差等目标，可以使视觉编码器和触觉编码器在同一个隐空间内对齐。没有统一的训练目标，接口将是离散的。

总结而言，接口的底层是统一的状态token，3D表征和动作空间是其两个投影面，而训练目标是使它们对齐的“胶水”。

5，目前行业在混合架构方面的进展程度如何？有哪些具体的落地案例和挑战？

当前行业正处于从架构验证走向初步融合的关键节点，整体成熟度相当于“能跑”，但距离“好用”尚有差距。

在混合架构的落地案例方面：清华大学采用混合专家思路，将不同动作控制接口统一到同一个世界模型框架内，实现了不同模态监督信息的相互促进。比亚迪的V2A方案则采用两段式训练，连接了像素和潜态两种路线，在恶劣天气等场景下，将成功率从60%多提升至8 0%以上。公司也实践过类似混合架构，将视觉、语言、触觉和策略轨迹压缩到统一的隐空间，实现了不同模态信息在单一框架内的融合。

尽管架构设计层面的融合已有进展，但真正的工程化挑战和瓶颈在于跨模态对齐，即如何将不同模态的信息对齐到同一个状态空间。例如，视觉观察到的“杯子在桌上”与触觉感知的“抓握力变化”这两路信息，如何在隐空间融合成一个统一的世界状态，目前尚无特别有效的解决方案。

另一个隐性成本是推理延迟。混合架构需同时调用多路模型，视频生成类模块的延迟尤为明显。以英伟达的WM为例，其混合架构的推理延迟是纯VRA（Vision-Robotics-Action）方案的三到四倍。这种延迟在实验室内可以接受，但应用在机器人上会导致反应迟缓，是灾难性的。

总的来说，混合架构的骨架已基本搭建完成，各个方向也在填充内容，但要达到通过一个接口、一套表征、一次推理就能闭环的终极形态，预计还需要12至18个月的工程投入。

6，当前国内各技术路线的龙头公司布局情况如何？

目前国内主要有四股力量在推动相关技术发展，但具体打法各不相同。

第一类是以公司为代表的，通过自研与投资进行双向布局的公司。自研路径专注于从视频生成到空间生成的路线，涵盖长视频生成、视觉空间重建、3D资产生成，并配以Space Pro作为交互终端。这类公司，如生数科技、自变量、美团、阿里等，旨在利用其内容生态和硬件终端来定义世界模型的入口，使技术服务于自身的短视频和VR场景。

第二类是以宇树科技、智源研究院、松岩动力为代表的机器人本体厂商，它们正在集体进行智能化升级。过去这些厂商主要聚焦于电机、运控和整机，现在则纷纷自研世界模型。宇树开源的VRA 1.0走通用路线，不绑定特定构型，以6B参数驱动64项任务。智源研究院则研发了2.0版本，让机器人实现“边看边想边动”，并探索将数据规模扩大100倍后的通用能力。松岩动力推出的产品主打不绑定单一本体，通过统一动作表示实现跨平台。本体厂商亲自下场的原因在于，外购的通用模型无法了解自家硬件的关节延迟、电机抖动和重心特性，只有通过自研才能将底层硬件数据沉淀为模型资产。

第三类是从文生视频领域转型而来的新势力，如爱诗科技、生数科技、智象未来。智象未来主攻具身感知和抗扰动路线，解决真实环境中光照变化、视觉偏移、物体脏污等干扰问题。生数科技则聚焦机器人操作路线，利用十几万小时的第一视角操作视频进行训练，将灵巧操作任务的成功率从接近0提升至50%，经过中间训练和强化学习后可达75%。爱诗科技则专注于实时交互虚拟世界，其核心是边生成边控制，并利用分层记忆减少角色和场景的漂移。这些公司的优势在于视频生成领域积累的先验知识和底层管线，劣势在于对物理世界的理解仍主要停留在视觉层面。

第四类是专注于JEPA和物理引擎路线的专精派。例如，有的公司专注于预测式世界模型和多项式表征，已积累了21条真实场景的3D资产，并适配了约50款机器人机型。飞桨则走了另一条路，基于可微分物理引擎，采用“显示物理模拟器+深层渲染器”的双驱动架构，旨在解决数据驱动世界模型的物理幻觉问题。

综合来看，国内龙头公司的分化已非常明显：内容生态公司卡位入口，本体厂商用硬件数据做闭环，文生视频公司以视觉能力切入，而JEPA和物理引擎公司则提供单点技术。目前市场格局是各方占据各自的领域，尚未有任何一家能够跑通统一的架构，仍处于各自为战的阶段。

7，当前长时程任务的核心技术难点主要体现在哪些方面？

长时程任务的核心难点主要体现在四个方面。第一是长时程预测中误差的累积放大。模型能够预测单步或几秒内的操作，是因为误差尚未被显著放大。然而，工业任务通常持续数十秒至数分钟，每一步的微小偏差都会呈指数级放大。这种长时程预测误差的发散是预测范式本身的局限，而非模型参数不足的问题。

第二是接触与力觉信息的缺失。工业任务的核心在于接触、装配、拧螺丝、插拔等依赖力控反馈的操作。纯视觉模型无法直接感知接触力，只能进行猜测。例如，在判断螺丝是否拧到位时，缺乏力觉信号，仅靠视觉判断的精度远不能满足要求。因此，混合架构中的触觉和力觉信息必须被独立编码后再进行融合。

第三是多模态状态的融合困难。工业场景中同时存在视觉、力觉、位置、温度、振动等多种信号，这些信号的采样频率、噪声特性和物理量纲各不相同。如何将这些异构信号有效对齐到同一个状态空间，目前尚无成熟的解决方案，这使得跨模态对齐的瓶颈在工业任务中尤为突出。

第四是任务级语义的理解不足。工业任务遵循明确的工序逻辑，例如先定位、再夹紧、后拧紧、最后检测，每一步都依赖于上一步的结果。模型虽然能预测单步动作，但并不理解整个工序的语义约束。以拧螺丝为例，模型知道要旋转，但无法理解需要转多少圈才能拧紧，也无法预知转过头会导致滑丝。这种任务级的语义知识难以单纯依靠数据驱动学习，需要引入工艺相关的先验知识。

总结而言，单模态、单步的预测主要属于感知问题，而长时程任务则属于决策问题。感知做到90分相对容易，但决策要达到90分则极为困难。工业任务的难点不在于“看懂”，而在于在整个长时程中持续“做对”，这也是许多模型在演示视频中表现惊艳，但在实际工厂应用中却无法达到预期的根本原因。

8，在具身智能模型的后训练阶段，行为克隆、离线强化学习和在线强化学习等方法的实际研发流程和组合策略是怎样的？

后训练并非简单地将几种方法串联，而是根据数据成本和任务复杂度进行权衡取舍。业内当前较为务实的组合顺序是：首先使用行为克隆奠定基础，然后通过离线强化学习（Offline RL）充分挖掘已有数据的价值，最后利用仿真或真机进行在线强化学习（Online RL）作为补充和修正。

第一步，通过行为克隆构建一个具备基本工作能力的模型。预训练的VLA模型虽然泛化能力强，但对具体任务的动作分布并不熟悉。BC的作用就是利用少量专家演示数据，将模型引导至正确的动作模式上。这一步成本最低、最安全，但其性能上限也受限于演示数据，模型只能模仿而无法超越。因此，BC通常作为基础阶段，为后续的强化学习提供一个稳定的初始策略。

第二步，应用离线强化学习以优化策略。在不直接操作真实机器人的前提下，离线RL可以从已有数据中挖掘出比专家演示更优的策略。在研发实践中，这通常有两种用法：一是利用世界模型进行“梦中训练”，即把世界模型当作一个安全的数据驱动模拟器，在潜空间（latent space）中进行长时程的想象推演来微调策略，这种方式无需真机交互即可提升性能；二是在VLA上直接进行离线微调，将高层指令分解为原子子任务，用预测型世界模型为候选动作打分，再用离线RL算法更新策略。这一步的关键在于保守性，因为离线数据的质量和分布决定了性能提升的上限，处理不当可能会导致模型过拟合数据中的瑕疵。

第三步，通过在线强化学习进行最终纠偏。在线RL需要与真机交互，成本高、风险大，因此通常只用于微调或残差修正，而非从头训练。目前的主流做法是“离线预训练+在线残差适配”，即先通过离线学习掌握基础操作技能并冻结VLA主干网络，在真机部署阶段，采用人在回路（human-in-the-loop）的残差RL进行安全高效的在线适配。这种方法将在线RL的探索范围限制在修正执行误差的小范围内，避免了灾难性遗忘。此外，如PAI-006等方法，通过训练策略以高“优势”为条件，能够将演示、自主经验、人工干预等不同来源的数据统一在同一框架下，使RL信号能平滑地作用于大模型。

在实际研发中，并非所有任务都需要完整走完这三步。对于任务简单、数据充足的场景，BC加离线RL的组合通常已经足够，上线前进行几次真机验证即可。而对于接触频繁的复杂任务，则必须走完三步，利用在线RL解决仿真或离线模型无法覆盖的物理接触问题。若算力受限，会优先选择离线RL，并将在线RL的规模压缩到最小，仅用于修正关键的失败场景。

9，未来模型的进步将更依赖于扩大预训练规模，还是改进后训练方法？

未来模型的进步将更可能依赖于后训练方法的改进。扩大预训练规模已经越过了边际收益最高的阶段，虽然架构升级和数据增加仍能带来收益，但单纯增加数据量很快会遇到瓶颈。目前，互联网上高质量的视频和图文数据基本已被充分利用，继续增加数据要么是低质量或重复内容，对下游任务成功率的提升有限；要么是采集成本极高的真实机器人数据，难以大规模扩展。

相比之下，后训练方法是当前能够看到明确增量价值的方向，原因有三。第一，后训练能够有效激活预训练模型的能力。预训练模型已经学习了大量的物理规律和动作模式，但不知道如何在具体任务中应用。行为克隆和强化学习等后训练方法的本质，就是将预训练学到的通用表征对齐到具体任务的动作分布上，这种对齐带来的性能提升远比继续扩大预训练规模更具成本效益。

第二，世界模型本身可以作为后训练的数据引擎。利用世界模型生成高质量的仿真交互数据，用于离线强化学习，其成本远低于采集真机数据，而效果可能优于直接使用更多的预训练数据。这使得世界模型在后训练阶段能够发挥最大价值。

第三，强化学习方法本身仍有巨大的进步空间。例如，当前离线强化学习的保守性问题仍在探索中，未来方法的改进将直接提升模型性能。

10，在线强化学习的样本效率仍有优化空间，未来两年具身智能模型的增量主要来自后训练的方法创新还是预训练的参数扩张？

未来两年的增量主要来自后训练的方法创新，而非预训练的参数扩张。在线强化学习的样本效率确实存在明显的优化空间，当前行业内如条件化、残差适配等思路，都是为了解决如何用更少的数据和更少的真机交互来优化策略的问题，这个方向的发展尚未触及天花板。预训练虽然不会停止，但其重心将从盲目扩大规模转向采集高质量、高针对性的数据，例如专门采集物理交互数据或特定工业场景的数据。继续增加通用的互联网数据进行预训练的意义已经不大。因此，未来的格局将是预训练负责为模型打下基础，而后训练则负责提升模型性能上限。

11，具身智能进行模型训练的整体数据需求量大概是多少？目前行业的数据储备、关键门槛和终极目标分别处于什么水平？

具身智能模型训练的数据需求起步量级为上千万小时，终极目标可能要过亿小时。数据瓶颈是决定具身智能能否迎来其“ChatGPT时刻”的关键。

首先，当前行业内的存量数据规模大约在几百万小时级别。国内可用于具身模型训练的数据量级普遍在百万小时，而学术界公开的数据集通常只有几百小时，少数能达到万小时规模。例如，小米发布的使用10万小时真实操作轨迹进行预训练，已属行业头部水平，但这距离支撑能力涌现的临界点还很远。

其次，行业普遍将千万小时视为第一个关键门槛。具身基础模型若要实现质变，至少需要几千万小时的真实数据，这意味着当前数据储备的缺口至少在99%。目前的核心瓶颈并非算法，而是数据采集成本。真机数据单小时采集成本通常在500元以上，高质量数据甚至高达1,000至2000元，千万小时的数据量意味着数十亿元的投入，绝大多数公司难以长期承担。因此，行业正集体转向采集异构数据，如使用手机胸挂摄像头记录人类操作，这种方式有望将成本降至每小时十几元，从而用约1亿元的成本覆盖千万小时的数据量。

最后，数据的质量与数量同等关键。目前真正能用于VLA（Vision-Language-Action）模型预训练的有效数据可能仅有五六千小时。这表明，实现千万小时的目标，前提是保证有效数据的比例不能过低，否则单纯扩大采集规模，实际可用量仍无法提升。

总结而言，行业数据存量在百万小时级别，千万小时是公认的能力涌现门槛，上亿小时是终极目标。谁能率先将高质量数据推升至千万小时级别，谁就更有可能跨越模型能力的拐点。

12，目前头部模型公司在核心数据采集方面，自采和外购的比例情况如何？各自的成本结构是怎样的？

目前，头部模型公司的核心数据以自采为绝对主流，外购作为补充，但外购的比例正在快速上升。

在自采方面，成本梯度非常清晰。最昂贵的是真机遥操作数据，单价在每小时500至1,000元，因此多数公司仅将其用作少量高质量的“压舱石”数据，而不会大规模采集。真正用于大规模铺量的是无本体数据，例如第一人称视角或UMI（Universal Manipulation Interface）数据，其成本可控制在每小时100至300元，部分甚至能做到几十元。但低成本的代价是这类数据缺乏力觉等维度的信息，主要适用于预训练阶段，让模型建立初步认知；若要实现精细化操作，仍需依赖昂贵的真机数据。

外购比例上升的逻辑在于，随着模型迭代速度加快，头部公司仅靠内部团队已无法满足数据采集需求。同时，数据采集需求在人形机器人订单中的比例已超过50%，从研发变量转变为量产的必备要素。这促使许多中小型本体厂商放弃自建数据团队，转而直接外购。然而，外购也存在风险，一些公司采购的数据在清洗后，有效率可能仅剩10%，但仍需支付全部费用。

因此，当前行业普遍的策略是：核心任务数据通过自采来保证模型性能的下限，而通用的、大规模的数据则通过外购来拓展模型能力的上限。

13，在使用Eagle5、VR等异构数据进行混合训练时，考虑到不同机器人的关节数、自由度、控制频率等差异巨大，动作应采用何种统一的表征方案？

行业不会采用单一的统一动作空间，而是采用层次化的动作表征方案。该方案的底层使用关节空间的物理量做归一化，上层则使用末端执行器在任务空间中的位置和速度作为跨本体的统一接口。

第一，底层保留各本体的物理量，不做强制统一。不同机器人的关节数、自由度、控制频率差异过大，强行映射到固定维度的向量会引入误差并丢失各本体独特的动力学特性。因此，底层动作表征会保留每个关节的物理指令，仅做量纲归一化和频率对齐，由决策模型去适配不同本体的控制接口，这是工程上最稳妥的做法。

第二，上层使用末端执行器的位置和速度做跨本体对齐。这是目前行业最务实的统一层。无论是5米高的机械臂还是VR数据中的人手位置，最终都可以映射到末端执行器在任务空间中的位置与速度。该表征与本体无关，直接与任务相关，因此天然适用于混合训练，能够对齐不同机器人和数据源的动作语义。

第三，动作表征是分层的，而非二选一。底层是与本体相关的关节层，上层是与任务相关的末端层，中间通过一个映射层进行转换。训练时，策略模型先在末端层学习任务语义，再通过映射层适配到具体本体上。这样既能保证不同本体间共享任务知识，又能保留各自的物理特性。

第四，混合训练时允许动作表征存在缺失。例如，VR数据只有人手位置而无关节角，那就只训练末端层；而真机遥操作数据包含关节角，则可以同时训练两层。这样，不同数据源可共用一个模型，只是监督信号覆盖的范围不同。

总而言之，统一动作表征的核心不是将所有机器人压成一种形态，而是在末端任务空间寻找共性，在关节空间保留个性。通过末端位置实现跨本体知识共享，通过关节指令完成本体适配，并用映射层连接两者，这是当前最务实的统一动作表征方案。

14，具身智能进行数据采集所需的设备及其采购成本大概处于什么水平？

具身智能数据采集设备的采购成本跨度很大，从核心采集设备到整机平台，整体仍处于一个快速降价的通道中。

在数据采集设备套件方面，成本梯度非常明显。入门级的穿戴设备，例如国内厂商推出的软硬一体化数据底座，其采集终端的入门定价大约在每套5,000多元的级别，适合规模化的第一视角数据采集。专业级的动捕设备成本则要高得多，高精度光学动捕摄像头的单价在25,000元至35,000元之间，惯性传感数据手套单副价格在20,000元左右，一套完整的光学动捕系统采购成本通常在10万元左右。

15，人形机器人进行数据采集的硬件成本构成是怎样的，包括遥操作终端、机器人本体及核心零部件的成本分别是多少？

数据采集的硬件成本构成多样，具体如下：在遥操作终端方面，高端手套式VR控制器价格约在4,000多元，而专业级动捕手套则较为昂贵，约在六七千美金，即人民币四五万元。一套包含遥操作平台、数据及机器人本体的完整数据采集工作站，单套价格在三十万元级别。

在硬件成本中，人形机器人本体是最大的一部分。以宇树科技的产品为例，其G1基础版售价已降至8万多元，物料成本约4万多元，其中关节成本占2万多元。更入门级的R1系列价格甚至可能降至2-3万元。因此，终端机型的定价策略有所不同，轻量化机器人定价在八九万元，而全尺寸高端机型则从一二十万元起步。

核心零部件的成本在整机中占比较高，是降本的关键。关节模组（执行器）占整机成本的45%至65%，是价值密度最高的环节。灵巧手的成本占整机成本的10%至20%，其价格已从早年的十多万元大幅下降，目前六自由度的灵巧手价格可降至1万元左右，入门级产品甚至低至6,000元左右。

总体而言，数据采集成本正从硬件堆砌转向标准化工具链的采购。入门级的采集方案已将成本拉低至5,000元级别，使得规模化数据采集成为可能。然而，高精度真机遥操作的数据采集方案，仍依赖昂贵的动捕设备和机器人本体，单套完整方案成本仍在十几万元级别。随着宇树等厂商持续降低机器人本体价格，以及灵巧手等核心部件成本的下探，用于具身智能数据采集的硬件总成本正在快速下降。

16，在进行模型训练时，通常会采购多少套数据采集设备？单套设备的预期数据产出量和迭代折旧情况如何？

设备的采购数量、数据产出及折旧情况根据设备类型和部署阶段有所不同。

在采购数量方面，对于UMI这类轻量化采集工位，试点阶段通常会采购几十套，约三五十套；进入规模化量产采集阶段，则会直接部署上百套；头部厂商的长期规划可能达到千套级别。而成本较高的真机遥操作机械臂工位，试点阶段通常只部署一二十台，大规模部署也仅为上百台左右，因为其本体成本高，且场地和运维压力大，扩量速度较慢。

在数据产出方面，一套UMI轻量化设备采用两班倒轮班操作，单个工位每天能产出约3-5小时可用于训练的高质量数据。需要注意的是，这是剔除了废片、标定失败和多模态不同步等问题后的净有效时长，原始录制时长会更高，废片率通常在30%上下。相比之下，传统的真机遥操作机械臂工位，受限于机器人本体的故障复位和场景重置，单台设备每天的净有效数据产出仅为1.5至2.5小时，产能明显更低。

在设备迭代与折旧方面，UMI这类轻量化采集终端硬件本身不贵，但软件标定和固件迭代迅速，因此通常按两年折旧计算。虽然硬件物理寿命可达三年，但算法的快速迭代会导致旧设备产出的数据格式和传感器参数跟不上新标准，第三年产出数据的复用价值会显著下滑，属于功能性淘汰。对于真机遥操作的机械臂本体，其物理寿命更长，财务上一般按三年折旧。但其主要风险在于技术迭代，新的机器人本体或传感器方案出现后，旧机械臂采集的数据可能与新本体不匹配，导致数据对新模型训练的价值大幅缩水。因此，折旧的核心风险并非硬件磨损，而是数据资产的兼容性贬值。在进行规划时，核心考量指标是单位有效数据小时的综合成本，其中人力成本是主要部分，硬件折旧仅是次要因素。

17，对于具身智能或世界模型的未来技术发展，未来一到两年以及三到五年内可能出现哪些核心技术突破？这些突破将对数据采集和素材应用模式产生什么影响？

未来一两年内，核心技术突破预计将集中在三个方面：第一，潜态空间的接触物理建模，旨在解决抓取、装配等交互场景中虚拟与现实迁移不稳定的痛点。第二，条件动作生成，使世界模型能根据任务目标直接生成连贯且可执行的机器人动作序列，而不仅是进行像素级的视频预测。第三，自动化数据筛选模型，能够自主识别有价值的样本和无效数据，从而大幅降低人工标注和数据清洗的成本。这些突破将显著改变素材端的应用模式，常规标准化场景将大量使用世界模型合成的数据来替代真机素材，真机采集的角色将从批量生产基础样本转变为提供增值性的校准和困难案例的采集。UMI遥操作工位的定位也将从大规模数据生产转变为小样本、高质量的示范供给，整体的人力消耗将明显下降。

从三到五年的更长远视角看，可能会出现跨本体、跨场景的通用世界模型，即一套模型能够适配不同形态的机器人。届时，素材采集模式将从人类主动示范转向机器人自主探索。机器人将在环境中自主试错，自动收集失败样本，人类仅需进行少量的任务目标定义。但需要客观看待的是，这一领域不会像大语言模型那样出现参数量提升后能力涌现的跳跃式爆发。其发展将是一个渐进的迭代过程，持续缩小虚拟环境与真实世界之间的物理鸿沟。尤其是在精细操作、柔性物体交互等复杂场景中，通过真机采集的增值数据将永远无法被完全替代。